Разновидности интеллектуальных систем

1. Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными (фактографическими) базами данных на естественном, точнее ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке. Для них характерно использование, помимо базы знаний, реализующей семантическую модель представления знаний о проблемной области, лингвистического процессора.

2. Экспертные системы (ЭС) являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали развиваться в математически слабо формализованных областях науки и техники, таких как медицина, геология, биология и др. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.[2,с. 278]

Классификация ЭС по решаемой задаче:

• Интерпретация данных

• Диагностирование

• Мониторинг

• Проектирование

• Прогнозирование

• Сводное планирование

• Оптимизация

• Обучение

• Управление

• Ремонт

• Отладка

Классификация ЭС по связи с реальным временем:

• Статические — решающие задачи в условиях не изменяющихся во времени исходных данных и знаний.

• Квазидинамические интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

• Динамические — решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

Примеры эс :

• WolframAlpha — база знаний и набор вычислительных алгоритмов, интеллектуальный «вычислительный движок знаний»

• MYCIN — наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.

• HASP/SIAP — интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.

• Акинатор — интернет-игра. Игрок должен загадать любого персонажа, а Акинатор должен его отгадать, задавая вопросы. База знаний автоматически пополняется, поэтому программа может отгадать практически любого известного персонажа.

• IBM Watson — суперкомпьютер фирмы IBM, способный понимать вопросы, сформулированные на естественном языке, и находить на них ответы в базе данных.

3. Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычислительного процесса. В общем случае, по описанию проблемы на языке предметной области обеспечивается автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области.

Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

4. В последнее время в специальный класс выделяются гибридные экспертные системы. Указанные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и информационно-поисковых систем.

Классификация гибридных интеллектуальных систем:

В на основе аналитического обзора существующих классификаций ГиИС предложено выделять следующие пять стратегий разработки ГиИС: автономные, трансформационные, слабосвязанные, сильносвязанные и полностью интегрированные модели:

• Автономные модели приложений ГиИС содержат независимые программные компоненты, реализующие обработку информации на моделях с использованием методов из ограниченного числа классов. Автономные модели могут использоваться для быстрого создания начального прототипа, после чего разрабатываются приложения, требующие большего времени. Автономные модели имеют и существенный недостаток — никакая из них не может помочь другой в ситуации обновления информации — все должны модифицироваться одновременно.

• Трансформационные ГиИС похожи на автономные. Основное отличие состоит в том, что такая модель начинает работать как система, использующая один автономный метод, а заканчивает как система, использующая уже другой метод. Трансформационные модели дают несколько преимуществ: быстроту создания и меньшие затраты, поскольку эксплуатируется единая модель, а окончательный метод наилучшим образом адаптирует результаты к окружению. Есть и проблемы: автоматическое преобразование одной модели в другую; существенная модификация модели, сравнимая по объему с разработкой «заново».

• Слабосвязанные ГиИС — это, по существу, первая реальная форма интеграции, когда приложение разбивается на отдельные элементы, связываемые через файлы данных. Если сравнить рассмотренные слабосвязанные ГиИС с другими более интегрированными приложениями, то они проще для разработки и допускают применение коммерчески доступных программ, снижающих бремя программирования. Время на эксплуатацию сокращено из-за простоты интерфейсов файлов, однако увеличена цена коммуникации и ниже производительность ГиИС.

• Сильносвязанные ГиИС имеют низкие коммуникационные затраты и более высокую производительность по сравнению со слабосвязанными моделями. Тем не менее, эти ГиИС имеют и три принципиальных ограничения: 1) сложность разработки и поддержки возрастает как следствие внешнего интерфейса данных; 2) сильная связанность страдает от излишнего накопления данных и 3) проверка адекватности затруднена.

• Полностью интегрированные ГиИС совместно используют общие структуры данных и представления знаний, а взаимосвязь между компонентами достигается посредством двойственной природы структур. Это бурно развивающийся в мировой практике класс гибридов, где можно выделить разработку концептуальных нейросетей, основанных на знаниях, коннекционистских экспертных систем, в которых элементы взаимодействуют быстро и просто, а общая информация для независимого решения задачи мгновенно доступна тому и другому компоненту.

Еще один вариант полной интеграции — нечеткие нейросети — гибрид, по структуре похожий на нейросеть и реализующий одновременно нейро- и нечеткие вычисления. Преимущества полной интеграции — надежность, увеличение скорости обработки, адаптация, обобщение, снижение шума, аргументация и логическая дедукция, то, чего в сумме не найти ни в одном классе методов-родителей.