- •2 Основные направления исследований в области искусственного интеллекта:
- •6 Этапы разработки экспертных систем
- •9.Логическая модель представления знаний
- •12. Продукционные модели и системы и вывод решений на их основе
- •13. Пример базы знаний с правилами продукций
- •14. Методы формирования решений в экспертной системе
- •15. Способы прямого и обратного вывода на множестве правил
- •16.Особенности, назначение, принципы работы экспертной системы ReSolver
- •17.Разработка экспертной системы с использованием ReSolver
- •18.Вывод, основанный на прецедентах
- •19.Основные особенности базы знаний, основанной на прецедентах. Схема работы экспертной системы с базой знаний, основанной на прецедентах
- •20.Особенности обработки знаний в условиях неопределенности
- •21.Вероятностный подход к обработке знаний в условиях неопределенности. Байесовские сети доверия
- •22.Оценка неопределенности суждений с использованием фактора уверенности
- •24. Обобщенная структура экспертной системы с использованием нечетких знаний.
- •28. Нечеткое отношение предпочтения.
- •29. Машинное обучение в системе искусственного интеллекта.
- •30. Пример обучения символьной системы методом индукции.
- •31. Методы интеллектуального анализа данных.
- •32. Пример дерева решений в избранной предметной области.
- •33. Методы классификации и кластерного анализа
- •35. Инструментальные средства поддержки принятия решений пользователей в информационной экономической системе.
- •36. Инструментальные средства искусственного интеллекта.
- •37. Перспективные направления и проблемы исследований в области искусственного интеллекта.
35. Инструментальные средства поддержки принятия решений пользователей в информационной экономической системе.
В общем виде система поддержки принятия решений (СППР) представляет собой совокупность инструментальных средств, которые используется для манипулирования данными, их анализа и представления результатов анализа конечному пользователю. Современные СППР, построенные на основе хранилищ данных, предполагают организацию анализа на основе единого информационного пространства, в которое стекаются данные из действующих систем оперативной обработки информации (СОД). При этом информация в хранилище пополняется регулярно и располагается в хронологическом порядке. На рис. 1 представлена технология обработки информации в СППР, основанная на использовании хранилища данных. В основе поддержки принятия решений лежат три концепции:
• гибкая навигация по хранилищу данных с целью генерации нерегламентированных запросов и представление результатов в виде различных отчетов, а также, в случае необходимости, отображение их через геоинформационный интерфейс на топологической основе;
• многомерный анализ данных, позволяющий организовать агрегированную информацию из хранилища в виде гиперкубической модели и обеспечить ее удобный просмотр и анализ, включая формирование кросс-табличных отчетов, диаграмм деловой графики, раскрашенных определенным образом карт. При этом в ячейках гиперкуба хранятся числовые значения агрегированных показателей, а измерения позволяют упорядочить данные в соответствии с хронологической, географической и другими классификациями на основе справочников хранилища;
• поиск зависимостей в накопленной информации на основе алгоритмов;
• интеллектуального анализа
• данных.
Используя средства поддержки принятия решений можно решать такие задачи, как мониторинг состояния ресурсов области, проверка гипотез, анализ и прогнозирование событий, поиск зависимостей, из которых можно извлекать новые сведения, выявлять аномалии, моделировать процессы.
36. Инструментальные средства искусственного интеллекта.
В эту группу инструментальных средств входят традиционные языки программирования (С, C++, Basic, SmallTalk, Fortran и т.д.), ориентированные в основном на численные алгоритмы и слабо подходящие для работы с символьными и логическими данными. Поэтому создание систем искусственного интеллекта на основе этих языков требует большой работы программистов. Однако большим достоинством этих языков является высокая эффективность, связанная с их близостью к традиционной машинной архитектуре. Кроме того, использование традиционных языков программирования позволяет включать интеллектуальные подсистемы (например, интегрированные экспертные системы) в крупные программные комплексы общего назначения. Среди традиционных языков наиболее удобными считаются объектно-ориентированные (SmallTalk, C++). Это связано с тем, что парадигма объектно-ориентированного программирования тесно связана с фреймовой моделью представления знаний. Кроме того, традиционные языки программирования используются для создания других классов инструментальных средств искусственного интеллекта.
Языки искусственного интеллекта
Это прежде всего Лисп (LISP) и Пролог (Prolog) [8] — наиболее распространенные языки, предназначенные для решения задач искусственного интеллекта. Есть и менее распространенные языки искусственного интеллекта, например РЕ ФА Л, разработанный в России. Универсальность этих языков меньшая, нежели традиционных языков, но ее потерю языки искусственного интеллекта компенсируют богатыми возможностями по работе с укладывается в модель, используемую в некоторой оболочке, символьными и логическими данными, что крайне важно для задач искусственного интеллекта. На основе языков искусственного интеллекта создаются специализированные компьютеры (например, Лисп-машины), предназначенные для решения задач искусственного интеллекта. Недостаток этих языков — неприменимость для создания гибридных экспертных систем.
Специальный программный инструментарий
В эту группу программных средств искусственного интеллекта входят специальные инструментарии общего назначения. Как правило, это библиотеки и надстройки над языком искусственного интеллекта Лисп: КЕЕ (Knowledge Engineering Environment), FRL (Frame Representation Language), KRL (Knowledge Represantation Language), ARTS и др. [1,4,7,8,10], позволяющие пользователям работать с заготовками заполнить базу знаний в этом случае весьма не просто.
Экспертных систем на более высоком уровне, нежели это возможно в обычных языках искусственного интеллекта.
"Оболочки"
Под "оболочками" (shells) понимают "пустые" версии существующих экспертных систем, т.е. готовые экспертные системы без базы знаний. Примером такой оболочки может служить EMYCIN (Empty MYCIN — пустой MYCIN) [8], которая представляет собой незаполненную экспертную систему MYCIN. Достоинство оболочек в том, что они вообще не требуют работы программистов для создания готовой экспертной системы. Требуется только специалисты в предметной области для заполнения базы знаний. Однако если некоторая предметная область плохо укладывается в модель, используемую в некоторой оболочке.