Тема 5. Средства поддержки принятия решений

1. Понятие искусственного интеллекта (ии), направления использования ии.

Искусственный интеллект – это возможность решения задач, которые до сих пор не удавалось решить человеку, машинным способом. Основной проблемой искусственного интеллекта являются методы представления и обработки знаний. К основным задачам искусственного интеллекта относятся: 1. игровые программы (стохастические, компьютерные игры); 2. естественно-языковые программы - машинный перевод, генерация текстов, обработка речи; 3. распознающие программы – распознавание почерков, изображений, карт; 4. программы создания и анализа графики, живописи, музыкальных произведений.

Выделяются следующие направления искусственного интеллекта: 1. экспертные системы; 2. нейронные сети; 3. естественно-языковые системы; 4. эволюционные методы и генетические алгоритмы; 5. нечеткие множества; 6. системы извлечения знаний. Экспертные системы составляют 70 % общего объема продаж систем искусственного интеллекта, они ориентированы на решение конкретных задач. Нейронные сети делятся на: 1 сети общего назначения, которые настраиваются на решение конкретных задач; 2 объектно-ориентированные - используемые для распознания символов, управления производством, предсказание ситуаций на валютных рынках,.3 гибридные - используемые вместе с определенным программным обеспечением (Excel, Lotus). Естественно-языковые (ЕЯ) системы делятся на: o ЕЯ интерфейс к БД; o естественно-языковой поиск в текстах, содержательное сканирование текстов; o масштабируемые средства распознания речи; o средства голосового ввода команд и управления; o компоненты речевой обработки, как сервисные средства программного обеспечения. Эволюционные методы, методы нечетких множеств и системы извлечения знаний составляют около 4% систем искусственного интеллекта. Обычно они применяются как инструментальные оболочки в ЭС и СППР.

2. Математические модели и методы искусственного интеллекта.

Искусственный интеллект реализуется на базе четырех подходов: логического, эволюционного, имитационного и структурного.

Основой логического подхода служит булева алгебра и ее логические операторы, в первую очередь, оператор IF (если). Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, а правила логического вывода – как отношения между ними.

Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошие результаты достигаются при сравнительно небольшом размере базы знаний.

Самоорганизация – процесс самопроизвольного (спонтанного) увеличения порядка, или организации в системе, происходящий под действием внешней среды. Выделяют следующие принципы самоорганизации математических моделей:

- неокончательных решений – сохранение достаточной свободы выбора нескольких лучших решений на каждом шаге самоорганизации;

- внешнего дополнения позволяет синтезировать истинную модель объекта, скрытую в зашумленных экспериментальных данных, с учетом основанных на новой информации внешних критериях;

- массовой селекции позволяет сформировать наиболее целесообразный путь постепенного усложнения самоорганизующейся модели, с тем, чтобы критерий ее качества проходил через свой минимум.

Самоорганизующиеся модели служат, в основном, для прогнозирования поведения и структуры систем различной природы. В процессе построения моделей участие человека сведено к минимуму.

Эволюционное моделирование представляет собой универсальный способ построения прогнозов состояний системы в условиях задания их предыстории. Общая схема алгоритма эволюции включает:

- задание исходной организации системы;

- случайные мутации;

- отбор для дальнейшего развития той организации, которая является лучшей в рамках некоторого критерия.

Под структурным подходом подразумевается построение систем ИИ путем моделирования структуры человеческого мозга. Нейросетевое моделирование применяется в различных областях – бизнесе, медицине, технике, геологии, физике, где нужно решать задачи прогнозирования, классификации или управления. В основе лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов – формальных нейронов, которые функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации.