1.2.2. Самообучающиеся системы

Самообучающиеся системы осуществляют процедуру приобретения знаний, которая может быть использована, когда эксперт не существует; недостаточно надежен; слишком дорог; не доступен постоянно во времени. К сожалению, эксперты, обладающие знаниями в различных проблемных областях, характеризуются всеми этими чертами в различной степени. Часто возникает проблема достоверности знаний, получаемых от эксперта, их соответствия эмпирической базе.

С истемы автоматического приобретения знаний могут быть элементом экспертной системы, позволяя выводить новые знания из существующих примеров ситуаций реальной практики (данных), заменяя или эмпирически подтверждая эвристические знания эксперта (рис. 1.7).

Система генерирует знания, полученные в результате изучения среды. В процессе сравнения выходов ИИС и исследуемого объекта выявляется расхождение, которое определяет дальнейший процесс обучения (рис. 1.8).

С мысл машинного обучения состоит в следующем. На основе данных, характеризующих проблемную область, необходимо провести их обобщение и систематизацию, выделив тем самым практически полезные зависимости и закономерности. Обучение по примерам можно реализовать различными методами. Параметрическое обучение заключается в определении общего вида правила, формирующего результат вывода, и в последующей корректировке входящих в его параметров, зависящих от конкретных данных. Обучение по аналогии базируется на гипотезе, что если две ситуации подобны по ряду признаков, то они подобны и по принимаемых в них решениям (еще по одному признаку). Индуктивное обучение позволяет обобщить примеры, выделив основные признаки их принадлежности к классам. Обучение на основе нейронных сетей предполагает выделение зависимостей проблемной области на основе построения математических функции, которые определяют зависимости между входными и выходными признаками. В соответствии с видом обучения выделяют основные классы самообучающихся систем.

Индуктивные системы осуществляют обобщение примеров, выявляют подмножества примеров, относящихся к одним и тем же подклассам, и определяют для них значимые признаки, извлекая из данных знания.

Системы, основанные на прецедентах (CBR-системы). В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты. Так же, как и для индуктивных систем, прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Но в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Далее наиболее подходящие решения адаптируются по специальным алгоритмам к реальным ситуациям. Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в базе прецедентов.

Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как в системах контекстной помощи, в множестве прикладных задач – в медицине, управлении проектами, для анализа и реорганизации среды, для разработки товаров массового спроса с учетом предпочтений разных групп потребителей, и т.д.

В нейронных сетях в результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации), которые определяют зависимости между входными и выходными признаками (сигналами). Каждая такая функция, называемая по аналогии с элементарной единицей человеческого мозга - нейроном, отображает зависимость значения выходного признака от взвешенной суммы значений входных признаков, в которой вес входного признака показывает степень влияния входного признака на выходной. Нейроны могут быть связаны между собой, когда выход одного нейрона является входом другого. Таким образом, строится нейронная сеть, в которой нейроны, находящиеся на одном уровне, образуют слои.

Возможность нелинейного характера функциональной зависимости выходных и входных признаков позволяет строить более точные классификации. Сам процесс решения задач фактически имитируется параллельный процесс прохода по нейронной сети в отличие от последовательного в индуктивных системах. Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциативной памятью. Последнее время нейронные сети получили стремительное развитие и очень активно используются в финансовой области.

Самообучающиеся системы, построенные на основе перечисленных выше технологий, применяются для решения задачи распознавания образов. Образ, класс — классификационная группировка в системе классификации, объединяющая (выделяющая) определенную группу объектов по некоторому признаку. Образное восприятие мира — одно из загадочных свойств живого мозга, позволяющее разобраться в бесконечном потоке воспринимаемой информации и сохранять ориентацию в океане разрозненных данных о внешнем мире. Воспринимая внешний мир, мы всегда производим классификацию воспринимаемых ощущений, т.е. разбиваем их на группы похожих, но не тождественных явлений. Образы обладают характерным свойством, проявляющимся в том, что ознакомление с конечным числом явлений из одного и того же множества дает возможность узнавать сколь угодно большое число его представителей.

Для оперативного анализа данных (OLAP - технологии) используется информационное хранилище извлеченной значимой информации из оперативной базы данных. Типичными задачами оперативного ситуационного анализа являются определение профиля потребителей конкретного товара; предсказание изменений ситуации на рынке; анализ зависимостей и др. Применение информационных хранилищ на практике все в большей степени демонстрирует необходимость интеграции интеллектуальных и традиционных информационных технологий, комбинированное использование различных методов представления и вывода знаний, усложнение архитектуры информационных систем.

Для извлечения значимой информации из хранилищ данных используются специальные методы (Data Mining или Knowledge Discovery), основанные или на применении многомерных статистических таблиц, или индуктивных методов построения деревьев решений, или нейронных сетей. Формулирование запроса осуществляется в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа.

Общие недостатки, свойственные всем самообучающимся системам, заключаются в следующем:

- возможна неполнота и/или зашумленность (избыточность) обучающей выборки и, как следствие, относительная адекватность базы знаний возникающим проблемам;

- возникают проблемы, связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;

- ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.