4. Установление взаимосвязи между значимыми словами

Установление взаимосвязи включает в себя два этапа: сопоставление лингвистических переменных и относящихся к ним термов, определение воздействия на значения термов вспомогательных слов и установление взаимосвязи между лингвистическими переменными в соответствии с формулами нечеткой логики.

Выводы

Таким образом, мы рассмотрели основные принципы анализа человеческой речи в диалоговых системах. Каждый из представленных этапов при построении реальной системы требует более детального и глубокого изучения.

Статья №4.

ПРИНЦИПЫ ОРГАНИЗАЦИИ ИНТЕЛЛЕКТУАЛЬНОЙ САПР НА ОСНОВЕ

ДИАЛОГОВОЙ БАЗЫ ЗНАНИЙ

^*Одесский государственный экологический университет, Одесса, Украина

Аннотация. Статья посвящена принципам организации интеллектуальной системы автомати-зированного проектирования (САПР) на основе диалоговой базы знаний. В качестве философской и психологической основы интеллектуальной САПР рассматривается гипотеза Л.С. Выготского о зоне ближайшего развития. Согласно этой гипотезе, применительно к интеллектуализации САПР, проект может выполнять неквалифицированный оператор при поддержке встроенного интеллектуального компонента. В статье показано, что в основе архитектуры встроенного ин-теллектуального компонента может лежать диалоговая база знаний, хранящая декларативные и процедурные знания, необходимые для поддержки целенаправленного диалогового процесса эро-тетического типа. В заключительной части статьи описан пример интеллектуальной САПР, по-строенной на основе предлагаемых принципов и предназначенной для теплофизического проекти-рования элементов конструкций энергетических систем.

Ключевые слова: интеллектуальная САПР, зона ближайшего развития, диалоговая база знаний, теплофизическое проектирование.

1. Введение

Характерной особенностью современного автоматизированного проектирования является существенная зависимость успешности выполнения проекта от экспертных знаний проек-тировщика. Не редки случаи, когда увольнение ключевого эксперта приводит к прекраще-нию работы над проектом. Отмеченная проблема может быть решена путем создания ин-теллектуальной системы автоматизированного проектирования (САПР), способной накап-ливать и хранить знания, необходимые для принятия экспертных решений в процессе про ектирования. После того, как база знаний такой САПР заполнена, она в состоянии оказы-вать интеллектуальную поддержку проектировщику и не требует привлечения эксперта к выполнению проекта.

Философской и психологической основой интеллектуальной САПР может быть мо-дель, предложенная Л.С. Выготским и получившая наименование «зона ближайшего раз-вития (ЗБР)». Выготский определяет зону ближайшего развития как дистанцию между способностью учащегося решать задачу самостоятельно, без помощи внешнего интеллек-та, и способностью обучаемого решать задачу при поддержке внешнего интеллекта [1, стр. 86]. На рис. 1 идея зоны ближайшего развития представлена в графической форме. Выгот-ский рассматривал зону ближайшего развития в контексте процесса формирования у уча-щегося процедурных знаний с помощью внешнего интеллекта. В контексте проблематики создания интеллектуальной САПР, способной накапливать и хранить экспертные знания, мы можем рассматривать, с одной стороны, человека-оператора, не обладающего эксперт-ными знаниями, а с другой, встроенный интеллектуальный компонент, основу которого представляет собой база процедурных знаний экспертного характера.

Ясно, что оператор и база экспертных знаний не изолированы друг от друга и что в процессе решения задачи проектирования между оператором и базой осуществляется ин-терактивное взаимодействие. Это интерактивное взаимодействие может иметь различный характер, зависящий от того, какая основная цель ставится перед интеллектуальным ком-понентом САПР.

Если основной целью интеллектуального компонента САПР является обучение не-опытного оператора экспертным навыкам на примере конкретного проекта, а реализация проекта является второстепенной целью, то интеллектуальный компонент может работать примерно так, как работает когнитивный тьютор Джона Андерсона [2, 3], который пассив-но наблюдает за действиями учащегося и вмешивается в процесс решения проблемы толь-ко в том случае, когда учащийся совершает ошибку. Если учащийся безошибочно и ус-пешно осуществляет решение задачи, то он вообще может не догадываться о существова-нии интеллектуального компонента.

Если основной целью интеллектуального компонента САПР является реализация проекта, а обучение оператора – это второстепенная цель, то интерактивное взаимодейст-вие между оператором и интеллектуальным компонентом приобретает характер диалого-вого процесса. В этом случае роль интеллектуального компонента кардинально меняется. Он становится активным агентом диалога, который управляет действиями оператора и с его помощью реализует сценарий проектирования, хранящийся в базе процедурных зна-ний. Каждый шаг решения проблемы детерминируется отдельной диалоговой транзакцией.

В последующих частях статьи рассмотрены принципы организации САПР с интел-лектуальным компонентом, выполняющим роль активного проводника по сценарию про-ектирования. Показано, что в этом случае нет необходимости моделировать полномас-штабный естественный диалог и можно ограничиться возможностями вопросно-ответного (эротетического) диалогового процесса.

2. Решение задач в диалоговом процессе и диалоговая база знаний

В эротетическом диалоге информационные посылки активного и реактивного диалоговых агентов имеют не только статус, но и форму вопросов и ответов. Эротетический диалого-вый процесс часто используется для ввода команд оперативного управления программой либо исходных данных, необходимых для работы сугубо вычислительных процедур. Од-нако известны примеры диалоговых программ, в которых диалоговое общение приобрета-ет свойства метода решения задачи [4, 5]. Работа таких программ распадается на последо-вательность диалоговых транзакций, новые данные вводятся порциями на каждой транзак-ции, а программа реагирует на введенные данные изменением своего поведения. Таким образом, возможности эротетического диалогового процесса значительно шире, чем его традиционное использование в системах электронной обработки данных. Если предполо-жить, что роли диалоговых агентов зафиксированы, то процедурные знания активного агента диалога, управляющего целенаправленным диалоговым процессом, можно рассмат-ривать как знания о методе решения задачи. Поэтому уместно говорить о диалоговых ме-тодах решения задач.

Сферой применимости диалоговых методов решения задач являются задачи, отно-сящиеся к классу плохо формализуемых [8]. К плохо формализуемым задачам относятся в том числе и задачи, решаемые в процессе проектирования.

Диалоговый метод решения плохо формализуемой задачи должен имитировать по-ведение эксперта в процессе решения плохо формализуемой задачи. В [9] описывается по-ведение эксперта, решающего задачу следующим образом: «… Этот тип (знаний) пред-ставляет собой врождённые или приобретённые правила поведения, которые позволяют в данной конкретной ситуации принять решение о необходимых действиях. Он (эксперт) использует информацию в порядке, обратном тому, в котором она была получена. В каче-стве примера можно привести рассуждения типа: «Я знаю, что это действие приводит к такому-то результату, поэтому, если я хочу получить именно этот результат, я могу рас-смотреть это действие». Человек постоянно пользуется этим типом знаний при воспри-ятии, формировании концепций, решении задач и формальных рассуждениях. Появление экспертных систем связано с необходимостью принятия в расчёт именно этого фундамен-тального типа человеческих знаний».

В табл. 1 приведены основные характеристики поведения человека-эксперта при решении плохо формализуемой задачи и активного агента эротетического диалога, демон-стрирующие аналогию между этими двумя процессами.

Таблица 1. Сравнительные характеристики поведения человека-эксперта и активного аген-та эротетического диалога

Характеристики поведения эксперта при	Характеристики поведения активного
решении плохо формализуемой задачи	агента эротетического диалога
Многошаговый процесс. На каждом шаге вы-	Многошаговый процесс. На каждом шаге-
полняется простое действие, в результате чего	транзакции активный агент передаёт реактив-
образуется некоторый промежуточный резуль-	ному агенту вопрос и получает релевантный
тат.	ответ.
Эксперт знает, какой должен быть следующий	Активный агент формирует последующий во-
шаг. Процедурные знания эксперта – это знания	прос после анализа полученного ответа с учётом
о связях между предыдущими результатами и	«глубины диалога», «истории ответов» и «исто-
последующим действием.	рии вопросов».
Часто действие, выполняемое в шаге, и полу-	Ответ, в логическом смысле, является частью
ченный результат находятся в отношении «часть	субъекта вопроса
– целое»

В [10, 11] описаны принципы организации и структура проблемно независимой диалоговой базы знаний, хранящей знания активного диалогового агента, необходимые для поддержки диалогового процесса эротетического типа.

Одним из принципов, положенных в основу структуры диалоговой базы знаний, яв-ляется раздельное хранение процедурных и декларативных знаний. Декларативные знания активного агента хранятся в памяти вопросов , а процедурные знания активного агента, или диалоговый метод решения задачи, – в компоненте, названном диалоговый ме-тод доступа к памяти вопросов (Dialogue Access Method). На рис. 2 приведена логи-ческая структура диалоговой базы знаний.

База знаний эротетического диалога

Вопрос

Рис. 2. База знаний эротетического диалога. – текущий ответ реактивного агента;

– имя последующей транзакции

Память вопросов хранит описание вопросов в виде спецификаций, доста-точных для их интерпретации через видео и/или аудиоканалы компьютера. Память вопро-сов представляет собой память с прямым методом доступа и возвращает спецификации вопроса в ответ на имя диалоговой транзакции. Диалоговая транзакция – это однократный обмен вопросом и ответом между диалоговыми агентами. С каждой диалоговой транзак-цией связан только один вопрос активного агента.

Задачей диалогового метода доступа является преобразование текущего отве-та реактивного агента в имя последующей транзакции . Процедурные знания эксперта представлены в в виде сетевой структуры, состоящей из цепочек транзакций, а процесс решения задачи представляет собой управляемый поиск целевого узла или целевой траектории. Ясно, что такой подход a priory предполагает, что сценарий активного агента содержит множество всех искомых результатов решения задачи.

Диалоговый метод доступа состоит из связанных между собой узловых элементов. Отдельный узел соответствует одной транзакции. В каждый момент времени актив-ным является только один узел. Сеть неоднородна в том смысле, что она строится из узлов разных типов. Узлы отличаются назначением, описанием и правилом навигации. Идея неоднородности сети является принципиальной и означает, во-первых, что сеть состоит из разнотипных узловых элементов, а во-вторых, что возможна различная типоло-гия узловых элементов. В подавляющем большинстве случаев сеть может конструи-роваться из трех типов узловых элементов [10].

• Узел прямой навигации (узел типа !" #). Это узел, который соответствует тран-закции, находящейся внутри сценария и предполагающей продолжение диалога. Для узла

типа !" # имя следующей транзакции определяется только на основании имени текущей транзакции.

• Узел условной навигации (узел типа !" 2). Это узел, который также соответст-вует транзакции, предполагающей продолжение диалога. Для узла типа !" $ имя сле-дующей транзакции определяется на основании имени текущей транзакции и истории от-ветов на предыдущих транзакциях.

• Целевой узел (узел типа !" %). Это узел, которым завершается диалоговый про-

цесс.

Определение следующей транзакции и активизацию соответствующего узла осуще-

ствляет унифицированный процесс (Dialogue Method Cycle). Унифицированность процесса означает, во-первых, что для выполнения любой транзакции необходимо выполнить одну и ту же последовательность деятельностей, а во-вторых, что эта последо-вательность деятельностей не зависит от задачи, решаемой в процессе диалога.

Среди деятельностей, выполняемых , есть две деятельности, требующие уточ-нения. Во-первых, это деятельность, при помощи которой осуществляется интерпретация вопроса и, во-вторых, деятельность, при помощи которой осуществляются обработка отве-та и формирование имени следующей транзакции. Поскольку – это унифицирован-ный процесс, который «единообразно» обрабатывает любую транзакцию, то, как интер-претация вопроса, так и обработка ответа, должны быть стандартизованы. Иными словами,

должен уметь неким стандартным способом генерировать любой вопрос и обраба-тывать любой ответ. Ясно, что даже при достаточно обширном стандарте могут встречать-ся случаи, когда стандартных средств недостаточно. Например, при генерации вопроса в том случае, когда он представлен не вербально, невозможно учесть все многообразие не-вербальной презентации информации. Необходимость в нестандартных средствах стано-вится особенно очевидной, когда при обработке ответа необходимо выполнить специфиче-скую численную обработку. Поэтому, кроме базового процесса , целесообразно ис-пользовать «внешние», по отношению к , процессы. Эти процессы должны вызы-ваться из и возвращать ему управление после завершения работы. Данные процессы получили наименование процессы-демоны [12]. Таким образом, в общем случае, в системе диалоговой базы знаний должна присутствовать библиотека специализированных процес-сов-демонов

" и " ,

которые могут осуществлять «дообработку» вопроса или ответа на любой транзакции в том случае, когда стандартных средств недостаточно.

3. Диалоговая имитация работы эксперта при моделировании явления тепло- и мас-сопереноса

Рассмотрим пример, иллюстрирующий организацию и практическое использование интел-лектуальной САПР на основе диалоговой базы знаний. Часто при разработке программ, используемых для математического моделирования явлений тепло- и массопереноса, ос-новные усилия разработчиков направлены на создание и совершенствование методо-ориентированного ядра программы, поскольку здесь можно опереться как на хорошо раз-работанный математический аппарат, так и на традиционные технологии программирова-ния [13, 14]. Автоматизации процесса решения плохо формализуемых задач, «окружаю-щих» методоориентированное ядро, уделяется значительно меньше внимания. Такое рас-пределение приоритетов снижает эффект от применения системы автоматизированного проектирования. В качестве примера можно рассмотреть процесс теплофизического про-ектирования элемента конструкции энергетической установки. Расчётный блок в такой системе используется для определения полей температур или термических напряжений с помощью либо метода сеток, либо метода конечных элементов. В зависимости от произво-дительности компьютера и количества используемых элементов этот процесс продолжает-ся единицы или десятки минут, в то время как подготовка сетевой модели и данных, необ-ходимых для расчета, занимает недели и месяцы работы эксперта. Не менее трудоёмок процесс интерпретации экспертом полученных массивов чисел, то есть переход от полей температур или напряжений к конкретным конструкторским решениям. Использование компьютера как на начальном этапе проектирования, так и на этапе интерпретации расчёт-ных результатов, предполагает умение решать плохо формализуемые задачи, имитирую-щие работу человека-эксперт

Будем считать, что в общем случае интеллектуальная САПР состоит из трёх про-граммных блоков.

• Проблемно-ориентированный блок, предназначенный для снабжения расчётного ядра системы данными, необходимыми и достаточными для выполнения расчётов.

• Методо-ориентированный блок, предназначенный для выполнения расчётов.

• Проблемно-ориентированный блок, предназначенный для интерпретации резуль-татов, полученных с помощью блока 2.

Блок 2 строится на базе одного из известных численных методов и реализуется су-губо алгоритмически. Блоки 1 и 3 – это блоки, предназначенные для решения совокупно-сти плохо формализуемых задач, методы решения которых представляют собой эвристи-ческие правила, объединённые логикой эксперта.

В табл. 2 приведены несколько примеров трёхблочной организации интеллектуаль-ной САПР.

Таблица 2. Примеры трёхблочной организации интеллектуальной САПР

Область		Назначение блока
применения
	Блок 1	Блок 2	Блок 3
САПР
	Генерация	Расчёт температур-	Анализ температур-
Теплофизическое			ного поля. Генерация
проектирование	конечно-разностного	ного поля методом	данных для парамет-
	аналога	сеток
			рических расчётов
			Анализ поля напря-
Прочностное	Генерация	Расчёт поля напря-	жений. Генерация
	конечно-элементного	жений методом ко-	данных для
конструирование
	аналога	нечных элементов	параметрических
			расчётов
Проектирование		Поверочный расчёт	Анализ результатов
	Генерация	методом верифика-	верификации.
интегральных
	логической схемы	ции электронных	Редактирование
схем
		схем	логической схемы

• последующей части параграфа описана применимость диалоговой базы знаний для решения плохо формализуемых задач, возникающих в процессе моделирования явле-ний тепломассопереноса (первая строка табл. 2). Идея диалоговой базы знаний легла в ос-нову пакета программ под наименованием «Термоанализатор», разработанного в Одесском институте низкотемпературной техники и энергетики по заданию НИИ «Шторм» (г. Одес-са) в конце 90-х годов. Программа «Термоанализатор» обеспечивает полный цикл модели-рования (ввод данных – расчёт – отображение результатов) стационарных и нестационар-ных полей температур неоднородных по своему составу объектов произвольной геометри-ческой формы при разнообразных граничных условиях. Описание пакета программ «Тер-моанализатор» можно найти в [15].

Основная задача, которая ставилась при разработке пакета «Термоанализатор», за-ключалась в проектировании интеллектуального компонента, хранящего эвристические знания специалистов в области моделирования тепломассопереноса в таком виде, который делает их доступными для использования неспециалистами. Интеллектуальный компонент

реализует функции первого и третьего блоков трёхблочной организации интеллектуальной САПР (табл. 2).

• методо-ориентированном блоке пакета программ «Термоанализатор» реализована технология математического моделирования теплового состояния объектов методами пря-

34 ISSN 1028-9763. Математичні машини і системи, 2014, № 3

мой аналогии. В основе метода – сведение дифференциального оператора (уравнение теп-лопроводности, начальные и граничные условия) к конечно-разностному. С этой целью исследуемый объект заменяется топологически адекватной ему сеточной моделью (дис-кретным аналогом), для каждого узла которой составляется уравнение теплового баланса, совокупность которых образует систему линейных алгебраических уравнений [16].

Система формирования дискретного аналога является диалоговой и по форме, и с точки зрения метода решения плохо формализуемых задач. Особенностью реализации диалогового процесса, при решении задачи формирования дискретного аналога, является фиксированное закрепление роли активного агента диалога за программой. Таким образом, в ходе формирования дискретного аналога вопросы всегда задаёт программа, а отвечает на эти вопросы всегда оператор-пользователь. Программа «знает», с какого вопроса необхо-димо начать диалог и каким очередным вопросом необходимо отреагировать после полу-чения ответа на предыдущий вопрос. Вопрос, являющийся переносчиком декларативных знаний, строится в соответствии с теорией Белмана и Стила [17], рассматривающей логи-ческую структуру вопроса как совокупность субъекта вопроса и требования вопроса. На рис. 3 приведен фрагмент сценария диалогового метода «оценка мерности модели» в виде сети Петри.

(программа «Термоанализатор») на каждой транзакции ожидает ответ «Да» или «Нет». Для упрощения сценария при определении имени следующего шага используется процедура-демон. Аккумулятор ответов оператора представляет собой два одномерных массива: М1[1..3] и М2[1..3], хранящих комбинации нулей и единиц. Для определения имени сле-дующей транзакции агент-демон использует содержимое массива М1, представляющее собой целое число, в диапазоне от 1 до 8.

На рис. 3 приняты следующие обозначения.

Позиция, изображённая в виде удвоенной окружности, означает, что при вычисле-нии имени следующей транзакции используется процедура-демон, а позиция, изображён-ная в виде одинарной окружности, означает, что при вычислении имени следующей тран-закции процедура-демон не используется.

Переходы подписаны ответами «Да» или «Нет». Если после перечисленных ответов изображены круглые скобки, то переход является условным. Он выполняется в том случае, когда, кроме утвердительного или отрицательного ответа оператора, учитывается возвра-щаемое демоном значение. Список чисел в скобках является альтернативным. Например, если переход имеет надпись: «Да (1,2,4,6)», то это означает, что оператор ответил «Да», а демон вернул одно из чисел в скобках.

В табл. 3 приведена расшифровка используемых на рис. 3 вопросов и ответов.

Таблица 3. Табличное описание сценария «оценка мерности модели

Имя	Содержание	Ожи-	Аккумулятор		Значение,	Имя сле-
		даемый	ответов		возвращаемое	дующей
транз.	вопроса
		ответ	М1	М2	демоном	транзакц.
11	Можно ли предположить	Да	М1[1]:= 0			12
	однородность материала
		Нет	М1[1]:= 1			12
	вдоль оси Х?
12	Можно ли предположить	Да	М1[2]:= 0			13
	однородность материала
			М1[2]:= 1			13
	вдоль оси У?	Нет
13	Можно ли предположить	Да	М1[3]:= 0		1..7	14
	однородность материала
			М1[3]:= 1		8	210
	вдоль оси Z?	Нет
	Есть ли на поверхностях,				1, 2, 4, 6	15
	ограничивающих объект	Да		М2[1]:= 1	3, 5	16
14	по оси Х, участки, тем-				7	17
	пература которых из-
	вестна до решения	Нет				14а
	задачи?
	Поверхности, ограничи-	Да				14б
14а	вающие объект по оси
		Нет				18
	Х, теплоизолированы?
	Теплообменом между	Да		М2[1]:= 0		18
	объектом и окружающей
14б	средой по этим поверх-
	ностям в направлении		М1[1]:= 1			18
		Нет
	оси Х можно
	пренебречь?
	Температуры хотя бы на	Да	М1[2]:= 1		1, 2, 3, 5	16
15	одной из этих поверхно-				4, 7	17
	стей по координате У	Нет	М1[2]:= 0		6	18
	изменяются?				8	210

					Продолж. табл. 3
	Ваш объект может быть
	представлен трёхмерной
	моделью (сеточным ана-	Нажа-
	логом). Правомерность	тие лю-				Главное
210	применения модели	бой				меню
	меньшей мерности мож-	клави-				системы
	но установить только на	ши
	основе анализа резуль-
	татов моделирования

Помимо своего основного назначения, подсистема оценки мерности может быть полезна начинающему оператору в приобретении навыков математического моделирова-ния теплового состояния объектов, а также для углубления представления оператора о мо-делируемом объекте и его взаимодействии с окружающей средой.

Интеллектуальный компонент пакета программ «Термоанализатор» включает сле-дующие подсистемы:

• подсистема экспертной оценки мерности математической модели;

• подсистема формирования сеточной модели;

• подсистема автоматизированного вычисления коэффициентов теплообмена;

• подсистема обеспечения справочной информацией;

• подсистема интерпретации результатов моделирования;

• архив сеточных моделей.

Концепция построения подсистемы автоматизированного вычисления коэффициен-тов теплообмена предполагает использование двух подходов:

• объектно-независимый подход, предполагающий, что определение коэффициента теплообмена выполняется на основе детальных характеристик свойств поверхности омы-вающей её среды и т.д.;

• объектно-зависимый подход, предполагающий, что определение коэффициентов теплообмена осуществляется для конкретных объектов (диски газовых турбин, котельные агрегаты, элементы радиоэлектронной аппаратуры и т.д.) в конкретных условиях эксплуа-тации.

Поиск необходимого процесса для вычисления коэффициентов теплообмена осуще-ствляется в диалоговом режиме. Вводя качественные характеристики взаимодействия по-верхности объекта с окружающей средой, оператор получает доступ к зависимости или группе зависимостей, позволяющих определить количественную характеристику конвек-тивного теплообмена – коэффициент теплообмена и использовать её при формировании сеточной модели. Аналогичным образом осуществляются поиск и использование зависи-мостей для расчёта коэффициента теплообмена излучением или сложного теплообмена.

Подсистема интерпретации результатов моделирования представлена двумя опция-

ми:

• отображением температурного поля в виде таблицы;

• отображением профиля температур для заданной оператором последовательности узлов сеточной модели.

• Заключение

Философской и психологической основой организации интеллектуальных САПР может служить гипотеза Выготского о зоне ближайшего развития. Согласно этой гипотезе, при-менительно к интеллектуализации системы автоматизированного проектирования, проект может выполнять неквалифицированный оператор при поддержке встроенного интеллек-

туального компонента. Предлагается рассматривать процесс проектирования как эротети-ческий диалоговый процесс между оператором и встроенным интеллектуальным компо-нентом. На каждой диалоговой транзакции оператор, отвечая на вопрос встроенного ин-теллектуального компонента, детерминирует порцию декларативных знаний, необходи-мых интеллектуальному компоненту для выполнения очередного шага в процессе решения задачи проектирования. Интеллектуальный компонент строится на основе концепции диа-логовой базы знаний, хранящей как декларативные, так и процедурные знания, необходи-мые для реализации диалогового сценария, а сам диалоговый сценарий рассматривается как метод решения задачи. В статье приведен пример интеллектуальной системы автома-тизированного проектирования, построенной на основе диалоговой базы знаний. Приве-денный пример не является гипотетическим, а описывает реальный пакет программ, реа-лизующий полный цикл теплофизического проектирования элементов конструкций энер-гетических установок. Все задачи, решаемые пакетом программ в процессе теплофизиче-ского проектирования, выполняются оператором, не обладающим специальными эксперт-ными знаниями в области моделирования явлений тепло- и массопереноса.

Статья №5.

Эргономические исследования системы ”студент-компьютер”: разработка математических моделей элементов диалога

1. Введение

Эффективность диалога в системе ”студент-ком-пьютер” определяется степенью ее адаптируемости к особенностям человека. Среди влияющих факторов :

• Характеристики отдельных модулей , состав-ляющих процесс обучения (в т.ч. сложность, мульти-медийность, интерактивность, свобода навигации и т.д.). Особенности выбора таких характеристик исследованы, например, в работах .

• Структура диалога, т.е. взаимосвязь отдельных модулей между собой (в т.ч. особенности введения в

процесс диалога элементов контроля и самоконтроля). Эта часть факторов представляется (для современных диалоговых систем) исследованной не до конца.

Для оценки качества функционирования в диа-оговой системе ”студент-компьютер” целесообразно

использование функционально-структурной теории (ФСТ) эрготехнических систем , разработанной школой проф. А. Губинского.

В работе исследована возможность распространения методологии проф. А. Губинского на задачу моделирования различных уровней качества диалога в системе ”студент-ком-пьютер”, приведены математические модели (получены фор-мулы), позволяющие получить значения показателей качества функционирования для типовой функциональной структуры.

Целью настоящей работы является демонстрация возможности применения разработанного в [5] под-хода для оценки качества функционирования в диа-логовой системе ”студент-компьютер” и разработка ба-зовых для оценки вариантов диалога математических моделей.

2. Постановка задач

Разные операторы (студенты) в зависимости от условий деятельности характеризуются различными значениями показателей безошибочности и времени взаимодействия с диалоговой системой ”студент-ком-пьютер”. Эти показатели зависят от группы факторов. Среди них: подготовленность, опыт работы с системой, функциональное состояние, степень соответствия па-раметров диалога особенностям человека оператора. Состав этих факторов и степень влияния на эффектив-ность деятельности исследуются, например, в [1, 6]. В данной работе эти значения принимаются известными.

Пусть вероятность выполнения работы с некото-рым уровнем качества представлена вектором в n-мер-ном пространстве уровней качества:

B=(B¹,...,Bⁿ), (i=1,n),

где Bⁱ - вероятность выполнения работы с каче-ством i. При градациях качества ”отлично”, ”хорошо”, ”удовлетворительно”, ”неудовлетворительно” имеем:

B=(B¹, B², B³,B⁴).

Известно, что B⁴=1-( B¹+ B²+B³).

С целью повышения качества результатов обуче-ния в диалог могут вводиться операции самоконтроля, по результатам которого осуществляется переход на изучение следующего модуля или возврат на реализа-цию диалога, связанного с изучением текущего модуля (или его части). Самоконтроль позволяет увеличить показатели качества, зато может существенно увели-чивать время реализации диалога.

Для операции контроля функционирования K^ij из-вестна вероятность того, что операция, выполненная с i-м уровнем качества, признана выполненной с j-м уровнем качества, j = 1,4 , i = 1,4 .

Необходимо:

• выявить возможные сценарии (структуры) реа-лизации диалога, связанные с самоконтролем и устра-нением обнаруженных нарушений;

• для выявленных типовых функциональных структур разработать математические модели оценки:

- вероятности выполнения структуры с i-м уровнем качества Vi , i = 1,4 ;

- математического ожидания M(Т) и дисперсии времени выполнения D(Т);

- вероятности выполнения структуры за некоторое директивное время Т0.

• Результаты исследований

• Основные стратегии изучения в диалоговой системой ”студент-компьютер”. При модульном под-

ходе к обучению учебный материал разбивается на отдельные блоки - модули [2]. Модули могут быть информационными и контролирующими (самокон-троль и результирующий контроль). При прохожде-нии информационного модуля усваивается некоторый объём знаний. При прохождении контрольного модуля определяется уровень качества усвоенных знаний. В зависимости от выбранной стратегии изучения, воз-

можно различие в структуре деятельности оператора при изучении материала (рис. 1).

a) б)

Рис. 1. Основные стратегии в диалоговой системе ”студент-компьютер”

Стратегия а) соответствует последовательному из-учению модулей с последующим итоговым контролем. В случае неудовлетворительного результата контроля происходит повторное изучение модулей. В стратегии б) при неудовлетворительном результате контрольной процедуры происходит дополнительное изучение (нет необходимости заново проходить весь материал) и повторный контроль. В терминах ФСТ данная проце-дура соответствует типовой функциональной единице (ТФЕ) - ”рабочая (доработка)”, изучение модуля - ТФЕ ”рабочая”, контроль обучения - ТФЕ ”контроль функ-ционирования”.

3.2. ТФС процесса обучения в диалоговой системе ”студент-компьютер” и модели для оценки прагмати-ческих показателей.

3.2.1. Cодержательный анализ. Таким образом,

можно выделить следующие ТФС, характерные для процесса обучения в диалоговой системе ”студент-компьютер” (рис. 2):

а) б) в) Рис. 2. ТФС, характерные для процесса обучения в

диалоговой системе ”студент-компьютер”:

а) последовательное выполнение учебных модулей; б) последовательное выполнение учебного модуля

• самоконтроля результатов обучения (контрольная процедура после модуля); в) изучение модуля с

самоконтролем результатов обучения, дополнительным изучением (доработкой) и повторением самоконтроля

Изучение модуля может быть выполнено ”отлич-но”, ”хорошо”, ”удовлетворительно” или ”неудовлетво-рительно”. Процесс функционирования (обучение) и, естественно, результат, будут зависеть от установки на уровень качества. Имеется в виду минимально допу-стимый уровень качества, при котором не осуществля-ется возврат на повторное изучение материала модуля. В данном случае возможны три установки: а) установка на ”отлично”; б) установка на ”хорошо”; в) установка на ”удовлетворительно”. Чем ниже установка, тем меньше затраты на соответствующий контроль и меньше веро-ятность повторения изучения модуля или его части.

Итоговые результаты будут зависеть от исходных данных (уровня подготовки студента, качества кон-

троля, времени изучения модуля) и от установки на требуемый уровень качества.

3.2.2. Краткая характеристика метода получения моделей. В основе получения конечного набора фор-мул для множества ТФС - процедура перехода от ”графа работ”, соответствующего ТФС, к ”графу собы-тий” [4]. Информация, необходимая и достаточная для построения моделей оценки алгоритма функциони-рования, может быть задана на вероятностном графе G(X, Z), вершины которого (X - множество верши

соответствуют событиям начала и окончания выпол-няемых операций, а дуги – возможным переходам (Z

– множество дуг).

• основе метода укрупнения вероятностных гра-фов лежит понятие Н-функции [4]. Зная Н-функцию, получаем формулы для оценки показателей исследуе-мых структур.

3.2.3. Модели для оценки. Полученные нами фор-мулы для каждой из структур для n =4 выделенных уровней качества приведены в табл. 1.

Таблица

Модели для оценки надёжности процессов функционирования в диалоговой системе ”студент-компьютер”

ТФС

Установка на

Показатель

Расчётная формула

уровень качества

Цикловая ФС

«удовлетво-

Вероятность

n

i

in

i

ii

«Учебный

рительно”

выполнения *

∑B1 K

⋅B2K

модуль с

V = B i Kii

+

i=1

контролем

i

1

n

обучения,

1− ∑B2

i Kin

доработкой и

i=1

повторением

Математическое

in

контроля без

n

i

ограничения на

ожидание времени

∑B1

K

число циклов»

выполнения*

M(t)i = M(tp1) + M(tk ) +

i=1

⋅ (M(tp2 ) + M(tk ))

n

1− ∑B2i Kin

i=1

Дисперсия времени

n

выполнения*

(1− C)⋅(∑B2iKin + C)

2

i=1

D(t) =

n

⋅ (M(tp2 ) + M(tk )) +

(1− ∑Bi2 Kin )2

i=1

+ (D(tp2 ) + D(tk ))⋅

1− C

+ D(tp1) + D(tk )

n

(1− ∑B2iKin )

i=1

n

C = ∑B1i (Kin + Ki ( n−1) + Ki ( n−2) )

i=1

«хорошо”

Вероятность

n

i

(K

in

+ K

i ( n−1)

i

ii

выполнения *

∑B1

)

⋅B2K

V = B i Kii +

i=1

n

i

1

1− ∑B2

i (Kin + Ki(n−1) )

i=1

Математическое

M(t)i

= M(tp1) + M(tk ) +

ожидание времени

выполнения*

n

i

(K

in

+ K

i ( n−1)

∑B1

)

+

i=1

⋅(M(tp2 ) + M(tk ))

n

1− ∑B2i (Kin + Ki( n−1) )

i=1

Дисперсия времени

n

выполнения*

(1− C)⋅(∑B2i(Kin + Ki ( n−1) ) + C)

2

i=1

D(t) =

n

⋅ (M(tp2 ) + M(tk ))

+

(1− ∑Bi2 (Kin + Ki (n−1) ))2

i=1

+ (D(tp2 ) + D(tk ))⋅

1− C

+ D(tp1) + D(tk )

n

(1− ∑B2i(Kin + Ki ( n−1) ))

i=1

n

C = ∑B1i (Kin + Ki ( n−1) )

i=1

2

3.3 Компьютерное моделирование. Рассмотрим моделирование процесса взаимодействия в диалого-вой системе ”студент-компьютер”. Имеются следую-щие уровни качества: ”отлично”, ”хорошо”, ”удовлет-ворительно”, ”неудовлетворительно”. Пусть структуры алгоритма функционирования процесса обучения за-дается следующими ТФС:

1.«Учебный модуль с самоконтролем обучения без ограничения на число циклов» (РК).

2.«Учебный модуль с самоконтролем обучения, до-работкой и повторением с самоконтроля без ограниче-ния на число циклов» (РКД).

С использованием моделей табл. 1 определяем по-казатели качества: V_i - вероятность того, что структура выполнена с i-м уровнем качества, M(t) и D(t) - матема-тическое ожидание и дисперсия времени выполнения ТФС для трёх установок на уровень качества.

Вычисления выполняем в среде MS Excel. Пример. Пусть студенты при изучении модуля име-

ет такие показатели успеваемости:

						Таблица 2
	Показатели успеваемости
Сту-	Вероятность выполнения модуля с i-м качеством,
		Вi ( i =			)
				1,4
денты
	В1	В2			В3	В4
1	0,1110	0,2701	0,4781			0,1408
2	0,4470	0,3750	0,1210			0,0570
3	0,5220	0,2750	0,1941			0,0089
4	0,7310	0,2531	0,0110			0,0049
5	0,8940	0,0570	0,0430			0,0060

Характеристики основного и дополнительного мо-дуля:

M(t_p1)=20 мин, M(t_p2)=5 мин, D(t_p1)=0,1 мин, D(t_p2)=0,047 мин.

		Характеристики дополнительного модуля
Сту-			Вероятность выполнения дополнительного модуля с
									i-м качеством, Вi ( i =										)
															1,4
денты
				В1						В2				В3										В4
1			0,1201							0,2801			0,5908										0,0090
2			0,5470							0,2419			0,2110										0,0001
3			0,5290							0,2760			0,1947										0,0003
4			0,7344							0,2540			0,0115										0,0001
5			0,8970							0,0570			0,0440										0,0020
Характеристики операции ”контроль обучения”
																						Таблица 4
	Характеристики операции ”контроль обучения”
К11	К22			К33				К41		К42	К43			К14					К24					К34
0,99	0,99			0,99				0,0001		0,0013	0,0078			0,0009			0,0008								0,0083
K44	К12			К13				К21		К23	К31			К31					К32					M		D
																								(tk)		(tk)
0,99	0,009			0,0001				0,009		0,0002	0,003			0,001			0,0008								7,7	0,05

Результаты моделирования процесса обучения представим на рис. 3-5.

Как видно из полученных результатов, измене-ние структуры даёт при незначительном повыше-нии вероятности выполнения структуры с заданным уровнем качества значительное сокращение матема-тического ожидания и дисперсии времени, а следова-тельно, и - вероятности своевременного выполнения структуры.

Направления дальнейших исследований

• последующих исследованиях необходимо раз-работать процедуру редукции функциональной сети таким образом, чтобы получать модели качества алго-ритмов функционирования произвольной структуры.

5. Выводы

Разработана технология расширения известного подхода к выводу расчётных зависимостей для моде-лирования безошибочности и времени выполнения функциональных структур на случай, когда необхо-димо определить вероятности достижения различных уровеней качества завершения алгоритмического про-цесса. Выявлены ТФС, характерные для диалоговых обучающих систем “студент–компьютер”. Получены соответствующие расчетные зависимости.

Статья №6.

К ВОПРОСУ О САМООБУЧЕНИИ ИНТЕЛЛЕКТУАЛЬНОГО ИНТЕРФЕЙСА

Рассмотрены определенные направления самообучения интеллектуального интерфейса. Описана проблема понимания системой пользователя в диалоговом взаимодействии при минимуме заложенных знаний. Приведена организация семантических сетей фреймоподобного вида, используемых в интеллектуальном интерфейсе в качестве представления знаний. Показана возможность их динамического наращивания

Ключевые слова: интеллектуальный интерфейс , самообучение, представление знаний, естественный язык

Интеллектуальный интерфейс – это совокупность интеллектуальных программных средств, обеспечивающих взаимодействие пользователя с системой. При проектировании и разработке интеллектуального интерфейса (ИИн) возникают вопросы адаптивности, самообучаемости.

Объем знаний, который необходим для организации ИИн, заключается в минимуме изначально заложенных знаний, необходимых для правильного функционирования его в определенной предметной области (ПО). Эти знания должны обеспечивать понимание рассматриваемой проблемы и возможность ведения диалога с целью пополнения объема знаний для решения задач в ПО. Выделение характеристик, по которым происходит перестройка, обуславливается заранее: система не может проявить активности на этом уровне. Знанием у ИИн как самообучающейся программы по принятию решений относительно потока входных данных и будут те критерии, которые выработал ИИн в процессе своего функционирования к определенному моменту.

Естественный язык (ЕЯ), используемый при работе с ИИн имеет следующие функции: коммуникативная, а именно вопросительная и аппелятивная ; информационная. Текст на ЕЯ должен быть текстом деловой прозы или научным текстом, характерными особенностями которых являются жесткий порядок слов, отсутствие оборотов используемых в художественной литературе (эпитетов, гипербол, метафор и т.д.).

Пользователи, использующие ИИн, обладают определенным объемом знаний. Если через К обозначить объем знаний, как некоторый набор элементов, через Р – пользователя, то рассмотрим следующую проблему. Пусть Кi(Р j, Zk) – объем знаний Кi пользователя Рj по задаче Zk, i=1,…,n, j=1,…,m, k=1,…,r, КИИн(Zk) – объем знаний интеллектуального интерфейса по задаче Zk.

Проблема состоит в том, какой объем знаний должна содержать система, чтобы она понимала пользователя при диалоговом взаимодействии. Понимание системы заключается в нахождении соответствующих правил и фактических данных. Обеспечить понимание системой можно следующими способами:

- заранее поместить в базу знаний (БЗ) всю информацию, которая обеспечит понимания относительно рассматриваемой ПО;

- по мере необходимости в систему вводить фактические данные и правила, обеспечивающие понимание на текущий момент;

- система сама запрашивает необходимые фактические данные и правила для понимания на текущий момент;

- система пытается выводить правила и, в крайнем случае, запрашивает пользователя.

Первый способ является трудоемким и не всегда приводит к полному обеспечению понимания системой. Это зависит от качества вводимой информации и используемых источников. Второй способ требует постоянного внимания к БЗ, также является трудоемким. Третий

и четвертый способ являются наименее трудоемкими, но требуют вначале больших трудозатрат на создание системы. Наибольшие трудозатраты потребуются при реализации четвертого способа.

Понимание возможно только в том случае, если пересечение объемов знаний не пусто.

Например, для пользователей Кi1(Рj1)∩Кi2(Рj2)≠∅ (1), для пользователя и системы Кi(Рj)∩КИИн ≠ ∅ (2). Здесь Кi(Рj) – объем знаний Кi пользователя Р j, КИИн

– объем знаний системы ИИн.

Самообучающаяся программа должна задавать вопросы самостоятельно. Необходимо заложить в программу необходимый алгоритм или алгоритмы разбиения входной информации на составляющие. В ЕЯ–запросе выделяются понятия. К вопросам или требованиям, с помощью которых возможно самообучение, можно отнести следующие:

- Что такое Х?

- Определить зависимость Х от Y.

- Как рассчитать Х?

- Как найти Х?

При этом понятие Х может взяться из введенного текста тогда, когда его нет ни в правилах, ни в формулах. На требование «Определить зависимость Х от Y» пользователь, например по понятию Х, может ввести либо текст, либо формулу, либо алгоритм. Понятие Y, в свою очередь, может находиться в БЗ системы и, получив информацию по Х, приобретается дополнительное знание. Аналогичные ответы пользователь может ввести и на другие вопросы. Некоторые виды вопросов носят скорее психологический аспект, чем самообучающий. Пользователю некоторые вопросы могут быть более понятны, чем другие. Понятие – это отдельно взятая, логически законченная, часть предложения, обладающая известной целостностью и устойчивостью, которому соответствует формула или логическое выражение. Понятием может быть законченная логическая фраза, часть предложения не имеющая эквивалента в формульном или логическом выражении. Понятие не может начинаться и/или заканчиваться предлогом, союзом. Понятия отражают существенные и необходимые признаки, правила и формулы, их выражающие, являются научными терминами. В справочнике целевых слов накапливаются определения целей соответствующих данной ПО. Целевые слова составляют инвариантное множество.

Организация семантических сетей фреймоподобного вида (СемСФрВ), используемых в ИИн в качестве представления знаний, состоит в том, что все они имеют списковую подобную структуру. Подобность проявляется в том, что все списки являются размеченными, каждый список СемСФрВ имеет уникальное имя. Такое описание отражает список нулевого уровня ( СНУ), который может многократно повторяться. СНУ – это элемент регулярного выражения . Этот элемент отражает отношение (ОТН), расширенное характеристикой уточнение (УТОЧН), между некоторыми предметами, процессами или явлениями (объектами). Эти объекты указанны в начальной (НВ) и конечной ( КВ) вершинах СНУ, значения которых определены в полях значений НВ (ЗНВ) и КВ (ЗКВ). Объекты могут иметь дополнительные характеристики, условия, ограничения, что отображается с помощью дополнительных подсписков: установка (УСТ_НВ, УСТ_КВ); обозначение (ОБОЗН_НВ, ОБОЗН_КВ); уточнение (УТОЧ_НВ, УТОЧ_КВ); адрес (АДРЕС_НВ, АДРЕС_КВ); примечание (ПРИМ_НВ, ПРИМ_КВ); условие (УСЛ_НВ, УСЛ_КВ); комментарии (KOM_НВ, KOM_КВ); синоним (СИНОН) . СНУ также отражает цель (ЦЕЛЬ) процессов или явлений (объектов). В приведённом ниже примере СНУ семантическая сеть определений фреймоподобного вида (СемСО) имеет заголовок в виде ИМЯ_номер, в качестве имени взяты символы СемСО:

(СемСО_1(НВ(ЗН(затраты на электроэнергию)))

(КВ(ЗН(выраженные в денежной форме расходы предприятия за расход электроэнергии)))

(ОТН(ЗН(есть))))

Структуру подобную СемСО имеют СемСФрВ, реализующие структуру задачи, родовидовое отношение, причинно-следственную связь, а также описывающие план решения задачи, представляющие непосредственное решение задачи и др. СемСФрВ должны обладать рядом свойств, в том числе возможность динамического наращивания сетей. Что является неотъемлемой частью самообучения системы. Динамическое наращивание СемСФрВ заключается в следующем: возможно внешнее наращивание и внутреннее. При внешнем наращивании в процессе работы с СемСФрВ происходит добавление СНУ, т.е. списков, не содержащихся внутри других списков. Например:

(СемСО_1(НВ(ЗН(затраты на электроэнергию)))

(КВ(ЗН(выраженные в денежной форме расходы предприятия за расход электроэнергии)))

(ОТН(ЗН(есть))))

(СемСО_2(НВ(ЗН(затраты на оплату труда)))

(КВ(ЗН(заработная платы основных производственных рабочих , дополнительная заработная плата основных производственных рабочих и отчисления на социальное страхование)))

(ОТН(ЗН(есть))))

…

При внутреннем наращивании в процессе работы с СемСФрВ происходит добавление подсписков как типовых, так и принципиально новых, автоматическая организация ссылок внутри сети и между сетями. Так как по степени близости значений признаков классификации система сама выделяет необходимые ссылки. В приведённом ниже примере из НВ пятого СНУ абстрактной семантической функциональной сети фреймоподобного вида (АСемФС) осуществлена ссылка на КВ первого СНУ СемСО . Также из КВ пятого СНУ АСемФС осуществлена ссылка на КВ первого СНУ АСемФС.

(АСемФС_5(НВ( ЗН(СемСО_1…КВ_ЗН_выраженн ые в денежной форме расходы предприятия за расход электроэнергии)))(КВ(ЗН(АСемФС_1…КВ_ЗН_Пр оизведение расхода электроэнергии за 1 час работ на затраты труда за весь объем работ и на стоимость 1 кВт-час)))(ОТН(ЗН(равно))))

Это приводит к такому качественному и количественному уровню знаний в СемСФрВ, что дает возможность системе с помощью машины логического вывода (МЛВ) более точно и быстро принимать правильные решения.

Вначале формируется описание задачи в виде семантической сети задачи первого уровня фреймоподобного вида (СемСЗ1):

(СемСЗ1_1 (НВ(ЗН(Программная система)))

(КВ(ЗН(Техническим состоянием сложной технической системы))) (ОТН(ЗН(Управляет)

(УТОЧН(ЗН(Адаптивно))) (ЦЕЛЬ(ЗН(Адаптивное управление электроэнергетическими установками)))).

Предположим, что в БЗ и базе данных (БД) нет информации по данной задаче. Тогда система должна самообучаться на основе анализа информации, содержащейся в тексте задачи с целью накапливания необходимых знаний.

Например, не найдя понятия «Адаптивное управление» в СемСО, система задает вопрос «Что такое адаптивное управление?».

Статья №7.

ИНТЕЛЛЕКТУАЛЬНЫЕ ДИАЛОГОВЫЕ ИНТЕРФЕЙСЫ

В СИСТЕМАХ ЭЛЕКТРОННОЙ КОММЕРЦИИ

Уже многие десятилетия одной из наиболее важных задач в сфере создания систем искусственного интеллекта является организация диалога между компью-тером и человеком. В настоящее время в связи с бурным развитием интернет-тех-нологий и систем электронной коммерции актуальность создания интеллектуаль-ных человеко-машинных интерфейсов на естественном языке постоянно возраста-ет. Все больше коммерческих компаний, исследовательских центров и учебных за-ведений начинают активно заниматься разработкой подобных систем, наиболее известными среди них являются: IBM, Microsoft, Sri International, Колумбийский университет, Массачусетский технологический институт, Южно-калифорнийский университет и многие другие.

В реалиях современного мира для достижения коммерческого успеха зачастую требуется не только информировать пользователя, оказывать содействие в бы-стром поиске интересующих его товаров и максимально упрощать процесс оформления заказа, но, что не менее важно, развлекать, заинтересовывать и весе-лить его. Философия, активно проповедуемая известными швейцарцами финанси-стами Кьеллом Нордстремом и Йонасом Риддерстрале и развиваемая сотнями их последователей, ставит во главу угла бизнес, основанный не на цифрах и количе-ственных показателях, а на иррациональных факторах, таких как эмоции, впечат-ления, яркие переживания клиента [1]. Она обосновывает коммерческую важность субъективных составляющих, а применяемые многими компаниями «фанк-технологии» уже сегодня не только доказывают состоятельность данной теории, но и указывают дальнейший путь развития бизнеса в целом. Яркими примерами успешного воплощения в жизнь фанк-идеологии являются: маркетинг с использо-ванием Advergames (Advergaming – практика использования компьютерных игр для рекламирования или продвижения товара, услуги, организации или концепции [2, 3]), парки развлечений DisneyWorld и Universal Studios, создание фантазийных шоу-пространств компаний Nike, Warner Brothers, NBA и др.

Первой программой, призванной одновременно решить несколько обозна-ченных выше задач, т. е., с одной стороны, предоставлять информационно-сове-тующие услуги пользователю, а с другой стороны, развлекать его и поддерживать естественно-языковый диалог на различные темы, стала ELIZA. Эта знаменитая компьютерная программа Дж. Вейзенбаума была написана им в 1966 г. с целью исследования возможности создания у собеседника программы ELIZA полной ил-люзии общения с живым человеком. Несмотря на то, что ELIZA не прошла тест Тьюринга и имела достаточно простой алгоритм работы, основанный на выделе-

нии значимых слов во входной фразе, поиске наиболее подходящего ответа среди заранее заданных шаблонов и использовании введенных пользователем терминов для составления ответа, – она имела большой успех. Многие пользователи были убеждены, что ELIZA действительно их понимает и обладает искусственным ин-теллектом, а Вейзенбаум, напуганный наивностью и доверчивостью людей, издал книгу «Возможности вычислительных машин и человеческий разум. От суждений к вычислениям», разъясняющую пределы возможностей компьютеров, и сам стал противником данной программы.

Продолжателем направления, заданного программой ELIZA, стала про-грамма Parry, она была разработана Колби в 1971 г. и содержала около 6000 шаб-лонов ответов. Если ELIZA представлялась как психотерапевт, беседующий с кли-ентом (т. е. пользователем), то Parry, наоборот, исполнял роль душевнобольного. Данное амплуа не только веселило пользователей и подогревало их интерес к бе-седе, но и служило хорошим объяснениям некоторым не вполне логическим или последовательным ответам «пациента».

Появление в 90-е гг. второго поколения программ интеллектуальных собе-седников, последователей ELIZA, было вызвано широким распространением Ин-тернета и совершенствованием технологий в области искусственного интеллекта. Результатом данных изменений явилось появление в интернете многочисленных программ такого рода, для которых устоялось общепринятое наименование чат-бот (chatbot). На сегодняшний день существуют сотни модификаций таких про-грамм. Они имеют привлекательные визуальные оболочки, соревнуются между собой на ежегодных чемпионатах, могут поддерживать более или менее «интел-лектуальный» диалог практически на любую заданную тему, «понимают» разные языки и продолжают завоевывать все большую популярность во всемирной сети. Ежегодно проводится специальный конкурс чат-ботов Loebner Prize (Лебнеровская премия), во время которого чат-боты пытаются пройти тест Тьюринга и доказать судьям, что они на самом деле являются людьми, (в случае, если кому-то удастся это сделать, ему достанется Лебнеровская премия размеров в сто тысяч долларов, и конкурс на этом прекратится) [5].

Несмотря на огромное количество существующих чат-ботов, их всех можно разделить на две большие категории в зависимости от технологии, используемой для ведения интеллектуального диалога: программы с обработкой текстов на естествен-ных языках (Natural Language Processing, NLP) и программы, основанные на форми-рованием рассуждений на основе конкретных случаев (Cased-Based Reasoning) [6].

Чат-боты с технологией обработки текстов на естественных языках начинают анализ реплик пользователя с синтаксического разбора, результатом проведения ко-торого является разбиение предложений на знакомые программе терминальные и нетерминальные символы. Чат-боты с технологией NLP не имеют базы данных с четко заданными шаблонами ответов, реакция на вводимые пользователем фразы каждый раз синтезируются на основании правил используемой грамматики, струк-туры ранее введенного пользователем текста, а также найденных в нем ключевых слов. Некоторые из таких роботов не имеют изначально заложенных грамматик, а применяют индуктивный метод вывода грамматики, что позволяет обучаться во время диалога с пользователем и «подстраиваться» под его манеру общения [7].

Программы с формированием рассуждений на основе конкретных случаев являются на сегодняшний день наиболее распространенным типом чат-ботов. Са-мым известным представителем данной серии программ является программа

A.L.I.C.E. (Artificial Linguistic Internet Computer Entity), созданная в конце 90-х гг.

Р. Воллэсем. Для написания A.L.I.C.E. был использован специально разработан-

ный язык программирования AIML («Artificial Intelligence Markup Language»). AIML является модифицированной версией языка XML (Extensible Markup Lan-guage). Целью разработки языка AIML было обеспечение функций, необходимых для извлечения и обработки знаний, соответствующих заданной шаблонной струк-туре, а также формирования выходных сигналов по схеме «стимул-реакция».

В настоящее время язык AIML, его спецификации и интерпретаторы для перевода текста программ на стандартные объектно-ориентированные языки про-граммирования бесплатно распространяются на официальном сайте A.L.I.C.E. AI Foundation . Сравнительная простота используемых технологий (A.L.I.C.E. ос-нована на принципе минимализма: «большой объем данных, маленький програм-мный код») и доступность информации послужили причиной огромной популяр-ности и широкого распространения ботов данного семейства, а используемый принцип открытых исходных текстов позволил программистам внедрять элементы данной программы в процессе разработки своих собственных приложений, а также вносить свой вклад в развитие и совершенствование языка AIML.

Для расширения базы знаний A.L.I.C.E. применяются полуавтоматические методы. В программе заложены так называемые, ответы «по умолчанию», приме-няемые в том случае, если система не нашла точно соответствующего шаблона; такие ответы носят общий характер и имеют своей целью сменить тему разговора на знакомую программе. Успешность подобных маневров зависит только от на-ходчивости разработчиков и от упрямства пользователя. Если ответы, используе-мые по умолчанию, составлены с учетом психологических аспектов ведения диа-лога и не повторяются слишком часто, то есть вероятность, что пользователь даже не заметит смены темы разговора и тем более не распознает это как «слабое ме-сто» системы. В то же время программа сохраняет все реплики пользователя, в от-вет на которые были использованы реплики «по умолчанию»; таким образом раз-работчики чат-бота получают доступ к логам разговоров и могут легко расширять и совершенствовать базу знаний программы.

Язык программирования AIML также позволяет встраивать команды, напи-санные на других языках, таких как, например, Javascript или С++, что существен-но увеличивает область применения программы и позволяет встраивать ее в самые разные приложения. Чат-боты семейства A.L.I.C.E. могут поддерживать диалог с несколькими пользователями одновременно и имеют структуру клиент-сервер.

В настоящее время наблюдается тенденция использования естественно-язы-ковых интерфейсов, основанных на технологиях чат-ботов, для практических при-ложений: в центрах телефонного обслуживания; для автоматических ответов на email-запросы; для доступа к базам данных и выдачи запрашиваемой информации уда-ленным пользователям; для предоставления банковских услуг по телефону и др. [9]. Однако применение данных программ в системах электронной коммерции по-ка еще крайне ограничено, и на данном этапе эти программы используются только в качестве опытных прототипов, не имеющих широкого распространения .

Можно сформулировать следующие требования, предъявляемые к естест-венно-языковым интерфейсам систем электронной коммерции, так называемым «Идеальным виртуальным продавцам»:

1. Диалог пользователя с виртуальным продавцом должен вестись на есте-ственном языке.

2. Виртуальный продавец должен иметь полный доступ к базе данных ин-тернет-магазина, предоставлять пользователю полную и достоверную информа-цию обо всех товарах, соответствующих требованиям клиента.

3. Виртуальный продавец должен не только выдавать текстовые описания товаров, но и показывать их изображения, а также предлагать клиенту зайти на веб-страничку каждого конкретного товара для более детального ознакомления с его характеристиками.

4. В конце диалога с пользователем виртуальный продавец должен не толь-ко помочь пользователю найти интересующий его товар, но и обосновать, почему был выбран именно этот товар, используя при этом как собственную базу данных, так и вводимые ранее требования пользователя.

5. Диалог должен вестись в максимально легкой, естественной манере. Вир-туальный продавец должен не только сообщать сведения о производственных ха-рактеристиках предлагаемых товаров, но и разнообразить беседу юмором, не-большими отступлениями и интересными рассказами. По желанию клиента прода-вец должен быть способен в любое время переменить тему разговора на предло-женную посетителем, даже если напрямую она никак не связана со специализаци-ей данного интернет-магазина.

6. Пользователь должен иметь возможность выбирать, в каком режиме вести диалог: ввод печатного текста или использование микрофона и озвучивание реплик.

7. Виртуальный продавец должен быть способен принимать решения в со-стоянии неопределенности при недостатке информации. При этом пользователю могут задаваться дополнительные вопросы, предлагаться несколько товаров на выбор, а также выдаваться «субъективные» рекомендации продавца.

8. В системе должна существовать база данных клиентов, которая будет ав-томатически пополняться виртуальным продавцом исходя из сведений, сообщенных ему клиентом во время диалога. В базе данных клиентов наряду с их идентификаци-онной информацией и историей покупок должна также сохраняться информация маркетингового характера (предпочтения клиентов, значимые для них даты, собы-тия, интересующие их категории товаров). В дальнейшем данная информация мо-жет быть использована как для персонификации диалога, так и в процессе продажи при выдаче рекомендаций об интересующих клиента товарах. По составленной базе данных клиентов программа должна выдавать сведения как об отдельно выбран-ном клиенте, так и статистические данные по всем клиентам, которые могут быть использованы при принятии маркетинговых или административных решений.

9. База знаний интеллектуального продавца должна пополняться в полуавтома-тическом или автоматическом режиме, т. е. программа должна быть самообучаемой.

10. У виртуального продавца должна быть визуальная оболочка, позволяю-щая передавать также эмоциональную составляющую диалога.

На сегодняшний день систем, соответствующих всем перечисленным выше требованиям, не существует. Разработаны несколько систем, отвечающих тем или иным из этих требований, но они еще не получили широкого распространения в системах электронной коммерции. Например, чат-боты могут умело поддерживать разговор на любую заданную тему, многие имеют детально проработанные визу-альные оболочки, некоторые могут автоматически самообучаться и пополнять свою базу знаний. Однако эти системы еще не обладают возможностью система-тизировать и обрабатывать знания, полученные от клиентов. Они, как правило, не имеют системы логического вывода, т. е. не могут выдавать рекомендации пользо-вателям по интересующим их товарам и впоследствии обосновывать свой выбор. Имеющиеся на сегодняшний день прототипы интеллектуальных продавцов, т. е. программы, специально разработанные для применения в системах электронной коммерции, ведут формальный диалог только на узкоспециализированные темы,

жестко ограниченные специализацией интернет-магазина, они не имеют визуаль-ной оболочки, не могут самообучаться и не ведут базу данных клиентов .

Несмотря, на все указанные выше недостатки существующих в настоящее время систем, потребность в повышении интерактивности веб-сайтов и персони-фикации обслуживания клиентов систем электронной коммерции постоянно воз-растает. Общепризнано, что сейчас интернет переживает переход из первой стадии своего развития, так называемой Web 1.0, в следующую, определяемую как Web 2.0. Web 2.0 содержит целый ряд инновационных интернет-сервисов, таких как со-циальные сети и новое поколение энциклопедий (например, Wikipadia), фолксо-номии, технологии AJAX, широкое распространение блогов (создающих «редак-тируемую паутину») и др. По некоторым прогнозам на смену Web 2.0 придет Web 3.0, иначе называемая «Интеллектуальная Web», в которой, видимо, обязательным станет наличие таких технологий, как обработка текстов на естественных языках, естественно-языковый поиск, виртуальные агенты, самообучающиеся программы и другие приложения технологий искусственного интеллекта .

Дальнейшее развитие интеллектуальных диалоговых интерфейсов в направ-лении повышения их «разумности» возможно только лишь на основе более углуб-ленного исследования и применения в этих интерфейсах способов представления смысловой информации средствами, заложенными в самой структуре естествен-ных языков. Для этих целей представляются перспективными исследования есте-ственно-языковых формализмов и способов представления с их помощью форма-лизованных знаний средствами естественных языков .

Статья №8.

К ВОПРОСУ ПРИМЕНЕНИЯ ПРИНЦИПА МОДУЛЬНОСТИ ПРИ

ФОРМАЛИЗАЦИИ ДИАЛОГОВОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ

ДИСТАНЦИОННОГО ОБРАЗОВАНИЯ

В данной статье предложена методика формализации диалоговой информационной системы дистанционного образования с точки зрения принципа модульности в системах обработки данных. Проведен анализ рассматриваемой информационной системы дистанционного образования по типу пользователей, по проблемной ориентации, по методу организации диалога и по методу организации программного обеспечения. Разработаны пять основных множеств информационной системы дистанционного образования. Приведена формализация схемы решений каждой задачи информационной системы дистанционного образования, с помощью применения технологии таблиц решений разработана таблица локального сценария диалога, выделены основные правила поведения пользователей, определены их действия в зависимости от ситуации и прав доступа. Полученные результаты могут быть использованы при построении графа локального сценария для упорядочивания процедур обработки данных диалоговой системы дистанционного образования.

Ключевые слова: принцип модульности, система дистанционного образования, таблица решений, локальный сценарий, диалог.

С точки зрения управления процессом функционирования информационную систему дистанционного образования можно отнести к модульной системе обработки данных,

представляющей собой электронную базу данных ресурсов, подлежащих распределению между заявками пользователей. Следовательно, такая система должна гарантировать возможность эффективного использования данных ресурсов программными модулями в условиях заранее неизвестных моментов времени поступления и количества заявок на обслуживание. Поскольку информационные системы дистанционного образования ориентированы прежде всего на пользователя, важное значение приобретают диалоговые модульные системы, характеристики которых во многом определяются так называемым

«человеческим фактором». В соответствии с этим предлагается формализовать описание

P = P_s U P_p

модульной диалоговой системы дистанционного образования следующим образом [1].

Модульная диалоговая система дистанционного образования должна состоять из совокупности технических, программных и информационных средств, позволяющих заданному кругу пользователей (обучающимся, преподавателям, администратору и т.д.)

решать определенное множество задач обработки данных (выполнение заданий, проверка тестов, загрузка контента ит. д.) в интерактивном режиме в соответствии с приоритетами прав доступа и сценариями диалога. В данном случае диалог – это процесс двустороннего обмена информацией пользователя с вычислительной системой, при котором программный модуль системы обеспечивает формулировку пользователем запросов в режиме реального времени и получение ответов за время, адекватное сложности выполняемых запросов в рамках возможностей технических средств системы дистанционного образования.

Формализовать диалоговую систему дистанционного образования предлагается при помощи пяти множеств [2]:

D = {U , S , P, I , T },

где U = {U _k , k =1, K} <=>65AB2> ?>;L7>20B5;59 480;>3>2>9 A8AB5<K D.

Каждый пользователь U k характеризуется множеством				k
	Z k = zhk , h =1, H				решаемых ими
задач. Тогда Z = U Z k – множество задач пользователей		диалоговой системы
k =1

дистанционного образования [3].

Под задачей понимается достижение некоторой цели, которую пользователю нужно реализовать в процессе диалога с системой дистанционного образования. Примеры таких целей: получение справки по работе с системой дистанционного образования, добавление,

удаление и редактирование сообщений пользователей, выполнение заданий обучающимися

(загрузка на сервер файлов), загрузка лекций и лабораторных практикумов, сохранение результатов тестов в базе данных.

Пусть S – сценарий диалоговой системы, представляющий собой формализованную схему решения задач пользователей диалоговой системы дистанционного образования;

– программное обеспечение системы D, где P_s – системное программное

обеспечение, а Pp =	K	=	k h
	U Pk		U U Phk – прикладное программное обеспечение системыD,
	k =1		k =1 h=1

включающее в себя прикладное программное обеспечение P_k каждого пользователя U _k ,

которое, в свою очередь, объединяет множества прикладных программ, необходимых k-му

			K		Hk
пользователю для решения h-ой задачи ( h = 1, H k ), I =				I =
			U I k и		U I hk , где I hk –
			k =1		h=1

совокупность данных, требуемых k-му пользователю для решения h-ой задачи. T = {t_l , l = 1, L}

– совокупность технических средств диалоговой системы дистанционного образования D,

где t_l – техническое средство l-го типа.

Процесс достижения цели пользователя (решения поставленной задачи обработки данных) состоит из выполнения конечного числа отдельных шагов (подзадач обработки данных) диалога пользователя U _k с системой D. Каждая подзадача обработки данных диалога включает несколько процедур анализа пользователем полученной информации от диалоговой системы, принятия на основе системного анализа решений о последующих действиях, используя полученную информацию I, формулировки очередного допустимого запроса на данном шаге диалога, его обработки техническими средствами системы и выдачи ответа в интерактивном режиме работы диалоговой системы дистанционного образования

[4].

Допустим, в рассматриваемой системе дистанционного образования предусмотрена параллельная обработка нескольких запросов, сформулированных пользователем на одном или нескольких шагах диалога (например, одновременное выполнение теста обучающимся и

загрузка лекционного материала). Тогда			r		множество типов запросов,
	R = r j , j =1, J			–

обрабатываемых

в

модульной

диалоговой

системе

дистанционного

образования,

Rhk = {r j Î R, j Î J hkr } –

множество типов запросов, используемых при решении h-ой задачи

k-м

пользователем;

Rk =

H k

–

запросов,

k-м

U rhk

множество

типов

используемых

k =

пользователем диалоговой

системы.

Отсюда rhk

Ì rk

Ì r

(для " h, k ). Запрос

j-го

типа

( j = 1, J r ) определяется как вектор из M

координат:

= (r

, r

,..., r

); r

Î

, где R

r

j

j

R

j

R

mj

1 j

2 j

mj

mj

mj

–

множество значений m-ой компоненты j-го запроса на обработку ( m =

).

1, M j

Таким образом, диалог пользователь-система дистанционного образования

определяется как процесс взаимодействия множества пользователей

U Ì {P, I , T }

через

запросы, формулируемые из множества R в соответствии со сценарием диалоговой системы

S для решения множества задач Z.

Предлагается формализовать схему решения каждой задачи посредством множества

S

hk

, q =1, Q

hk

Пусть

f

–

локальный сценарий диалога

= T

связанных таблиц решений.

hk

q

hk

k-го обучающегося с системой дистанционного образования при решении h-ой задачи. T_q^hk –

таблица решений, определяющая каждый отдельный шаг q (подзадачу) k-го пользователя

(обучающегося) диалоговой системы при решении h-ой задачи. Каждая таблица решений

содержит множество действий R, множество правил	В,	множество вероятностей
возникновения ситуаций Р.
Причем под действием r следует понимать совокупность следующих подзадач
обработки: выдача обучающимся запроса системе типа	Z r Î Z k ,	обработка этого запроса

диалоговой системой, выдача ответа, переход к следующей подзадаче, оценка обучающимся полученного ответа.

Каждый n-мерный вектор b_m = (b_1m,b_2m ,...,b_nm ) >?@545;O5B A8BC0F8N, >B :>B>@>9 7028A8B 2K1>@ ?>;L7>20B5;5< 459AB28O r. Множество величин P_m (m = 1, M _j ) >?@545;O5B

вероятности возникновения m-ой ситуации на каждом отдельном шаге взаимодействия обучающегося и диалоговой системы дистанционного образования.

В первом столбце таблицы решений представлены условия, которым может удовлетворять, либо не удовлетворять полученная обучающимся пользователем от диалоговой системы дистанционного образования информация (например, оценка пользователем решения предыдущей подзадачи загрузки результатов выполнения учебного теста). В зависимости от этих условий величина b_nm = N (n = 1, N, m = 1, M ) ?@8=8<05B 7=0G5=8O

из множества {Y , N ,-}. @8 MB>< b_nm = Y , если условие n выполнено, b_nm = N при

невыполнении условия n, b_nm ="-" , если для принятия решения обучающимся о дальнейшем запросе для решения следующей подзадачи выполнение условия n несущественно.

Пара векторов (b , P ), 345 P = (P , P ,..., P ), (m = 1, M ), >?@545;O5B m-е правило

m m m 1m 2m Rm j

таблицы решений. С помощью m-го правила пользователь описывает, какие действия он

может предпринять при возникновении m-ой ситуации. Величина P_rm (r = 1, R) >?@545;O5B

вероятность принятия пользователем решения о выполнении действия r в результате ситуации b_m . Структура таблицы решений представлена в табл.1.

						Таблица 1
	Структура таблицы решений
Правила	Правило 1	Правило 2		…		Правило М
Условия
Условие 1	b11	b12				b1M
…	…	…				…
…	…	…				…
Условие n	bn1	bn 2				bnM
…	…	…				…
…	…	…				…

Условие N	bN1	bN 2		bNM
Вероятность возникновения	P1	P2		PM
ситуации
Действие 1	P11	P12		P1M
…	…	…		…
…	…	…		…
Действие r	Pr1	Pr 2		PrM
…	…	…		…
…	…	…		…
Действие R	PR1	PR 2		PRM

Учитывая то, что пользователь будет выбирать одно из возможных действий, все действия одного пользователя составляют полную группу несовместных событий, а сумма их вероятностей по теореме сложения вероятностей равна 1. При этом, если пользователь в b_m -ой ситуации будет выбирать только одно из возможных действий, то справедливо

выражение (1):

R	£	Prm £			(1)
∑ Prm = 1, 0			1 (m = 1, M ).
r =1

Если пользователь диалоговой системы дистанционного образования может выполнить одновременно несколько действий (сформулировать несколько запросов), то выражение суммы (1) будет определять число одновременно выполняемых пользователем действий в m-ой ситуации [4].

В соответствии с вышеописанными формулировками построим таблицу локального сценария диалоговой системы дистанционного образования (табл. 2).

Таблица 2

Таблица локального сценария диалога

Ситуации (правила)

Гость

Студент

Преподаватель

Организатор

Администратор

Условия

Зарегистрированный

N

Y

Y

Y

Y

пользователь

Незарегистрированный

Y

-

-

-

-

пользователь

Вероятность

Pг

Рст

Рпр

Рорг

Радм

возникновения ситуации

Действия

1.

Регистрация

P1г

0

0

0

0

пользователя

2.

Запоминание

0

0

0

0

Р2адм

деталей (логин и пароль)

3.

Массовая

рассылка

0

0

Р3пр

Р3орг

Р3адм

e-mail всем пользователям

4.

Выбор

языка

Р4г

Р4ст

Р4пр

Р4орг

Р4адм

интерфейса

5.

Поиск

по

0

Р5ст

Р5пр

Р5орг

Р5адм

репозитарию

6.	Разделение			0		0		0		Р6орг	0
студентов на группы
7.	Скачивание файлов		0		Р7ст		0		0		0
8.	Написание			0		Р8ст		Р8пр		Р8орг	Р8адм
сообщений
9.	Вложение файлов		0		Р9ст		Р9пр		0		0
10.	Техническая		0		0		0		0		Р10адм
поддержка
11.	Устранение			0		0		0		0	Р11адм
неисправностей
12.	Редактирование		0		0		Р12пр		0		0
учебно-методического
контента
13.	Контроль			0		0		Р13пр		0	0
успеваемости
14.	Загрузка			0		0		0		0	0
дополнительных модулей и
программ
15.	Администрировани		0		0		0		0		Р15адм
е
16.	Формирование		0		0		0		Р16орг		0
расписания мероприятий
17.	Выбор	учебных		0		Р17ст		0		0	0
курсов
18.	Модерирование		0		0		0		0		Р18адм
форумов
19.	Управление			0		0		0		0	Р19адм
учетными записями
20.	Формирование		0		0		0		Р20орг		0
отчетов об успеваемости
21.	Консультирование		0		0		Р21пр		Р21орг		0
студентов
22.	Планирование		0		0		Р22пр		Р22орг		0
учебных мероприятий
23.	Формирование		0		0		0		Р23орг		0
рабочих учебных планов
24.	Рецензирование		0		0		Р24пр		Р24орг		0
работ учащихся
25.	Редактирование		0		Р25ст		Р25пр		Р25орг		Р25адм
профиля

Вероятность возникновения ситуации определяет случайное появление того или иного пользователя (Гость, Студент, Преподаватель, Организатор или Администратор) в

информационной диалоговой системе дистанционного образования. Очевидно, что сумма всех вероятностей Рг, Рст, Рпр, Рорг и Радм равна 1. Также сумма всех соответствующих вероятностей по каждому правилу (пользователю) равна 1. В зависимости от того, какой пользователь приступит к работе с системой, определяется набор действий,

предусмотренный в соответствии с его правами доступа. Вероятности могут быть выбраны случайным образом (при условии равенства их суммы единице), так как заранее неизвестно,

какой пользователь войдет в систему и какое действие предпримет.

Таким образом, диалоговую информационную систему дистанционного образования можно идентифицировать следующим образом. По типу пользователей предлагаемая система взаимодействует одновременно не только со случайными пользователями,

потребности которых в диалоге непредсказуемы (обучающиеся работают с системой удаленно, доступ осуществляется в случайные моменты времени), но и с исследователями и разработчиками, которые осуществляют мониторинг работы системы и периодически занимаются загрузкой контента в базу данных информационной системы дистанционного образования [5]. По проблемной ориентации диалоговая система дистанционного образования относится к системам информационного поиска и обучения. По методу организации диалог в такой системе реализуется с помощью команд и меню. По методу организации программного обеспечения диалоговую систему дистанционного образования следует определить как систему жесткого типа, поскольку формирование запросов происходит по сценарию заранее предусмотренных схем множества сценариев S и

множества запросов R с помощью спецификационных списков курсов или реляционных языков баз данных, а также графовых схем формирования запросов пользователей

(обучающихся). Предлагаемую методику формализации предлагается использовать при построении графа локального сценария для упорядочивания процедур обработки данных диалоговой системы дистанционного образования.

Статья №9.

Модели интерактивного взаимодействия с подвижным информационно-навигационным комплексом

Проведен анализ современных информационных систем и реализованных в них пользователь-ских интерфейсов. Рассмотрены модели и программно-аппаратные средства подвижного ин-формационно-навигационного комплекса, обеспечивающие интерактивное взаимодействие с пользователем.

Ключевые слова: мобильные социальные роботы, диалоговые системы, многомодальные ин-терфейсы, человеко-машинное взаимодействие.

Анализ проблем интерактивного взаимодействия с системами самообслуживания. Одним из перспективных направлений развития информационно-справочных систем самообслуживания в настоящее время является разработка подвижных комплексов, предоставляющих услуги справочно-го характера пользователям в заданной зоне обслуживания. За счет своей мобильности такие систе-мы способны обслуживать большее количество пользователей, чем стационарные системы [1, 2]. Сейчас стационарные системы самообслуживания и оказания услуг информационно-справочного характера населению, в том числе банкоматы, терминалы оплаты услуг, информационные киоски, оснащенные средствами обработки и вывода аудиовизуальной информации, широко распростране-ны в торгово-развлекательных комплексах, банках, транспортных узлах и других местах одновре-менного нахождения большого количества людей. Основным требованием, предъявляемым к поль-зовательскому интерфейсу таких систем, является доступность для людей с различными навыками и возможностями [3]. То есть интерфейс человеко-машинного взаимодействия должен быть простым и удобным настолько, чтобы пользователь смог управлять устройством интуитивно, без предвари-тельной подготовки и обучения.

Учитывая возможности современных технических и программных средств, реализующих ввод, вывод и обработку информационных каналов, доступных пользователю, интерфейсы можно разде-лить на два основных типа: стандартный графический и многомодальный [4–6]. При реализации систем автоматической обработки речи и других естественных модальностей перспективным счита-ется привлечение контекстной информации [7–9]. При разработке пользовательских интерфейсов к социальным сервисным системам особое внимание уделяется психологическим аспектам человеко-машинного взаимодействия. Установление эмоционального контакта между человеком и системой за счет его дизайна является одной из основных задач при разработке стратегий поведения социаль-ных роботов [10]. Кроме того, неоднократно поднималась проблема выбора оптимального положе-ния робота относительно человека для более эффективного взаимодействия .

Также следует учитывать, что стиль общения пользователя изменяется по мере знакомства с ро-ботом, его функциями и степенью полезности предоставляемых сервисов. Для персонифицирован-ной настройки стиля общения робота с пользователем следует производить начальное обучение и накапливать информацию о поведении пользователя во время взаимодействия, анализировать и учи-тывать его предпочтения при дальнейшей настройке пользовательского интерфейса. Таким образом, анализ методов и программно-аппаратного обеспечения, применяемых в существующих исследова-тельских моделях информационно-навигационных комплексов, показал, что наиболее активно изу-чаются вопросы анализа поведения и предпочтений пользователей, разработки сценариев поведения автоматических комплексов, а также безопасности и естественности взаимодействия.

Структурная модель подвижного информационно-навигационного комплекса. Рассмотрим формальную постановку задачи информационного обслуживания подвижными комплексами. Пусть U = (u₁, u₂, …, u _i, …, u_I) – множество пользователей; R = (r₁, r₂, …, r_j, …, r_J) – множество подвиж-ных комплексов на заданной территории обслуживания; Z – база данных обслуживаемой террито-рии со множеством объектов O = (o₁, o₂,…, o_n,…, o_N), информация о которых предоставляется в хо-де функционирования комплексов. Тогда задачу обслуживания можно сформулировать следующим

образом. Учитывая особенности расположения объектов и допустимые маршруты по территории, необходимо на безопасном и комфортном для взаимодействия расстоянии обеспечить диалог поль-зователя u_i с комплексом r_j, а также его сопровождение до интересуемого объекта o_n. На рис. 1 пока-зана структурная модель подвижного комплекса, включающая основные блоки, реализующие взаи-модействие с пользователем и передвижение по обслуживаемой территории.

Рис. 1. Структурная модель подвижного информационно-навигационного комплекса

Описание обслуживаемой территории содержит следующий набор основных компонент, необ-ходимых для расчета маршрутов передвижения информационных комплексов: Z = <M, K, H>, где M – топологическая карта территории с отмеченными статическими и динамическими препятст-виями; K – координаты мест входа в объекты из множества O, H – данные о совершенных маршру-тах, диалогах и пользователях.

• данной задаче сложность построения диалога связана с подвижностью обоих участников: пользователя и информационного комплекса. Причем данные о некотором пользователе u_i опреде-ляются комплексом r_j, в зоне наблюдения которого был обнаружен этот пользователь. Поэтому ин-формационная модель пользователя характеризуется следующими параметрами: u_ij=<X_ij,С_ij, S_ij, H_ij, B_i>, где X_ij – зона нахождения пользователя; С_ij – координаты пользователя; S_ij – скорость пользова-теля; H_ij – координаты центра лица пользователя; B_i – биометрические характеристики пользователя, накапливаемые в ходе взаимодействия с подвижными комплексами.

Для формирования базы справочных данных об объектах их модели должны содержать сле-дующие параметры: o_n = <K_n, P_n, A_n, E_n, G_n>, где K_n – координаты места входа в объект o_n; P_n – опи-сание услуг, предоставляемых данным объектом, необходимых для обучения акустико-лексических, языковых и диалоговых моделей речевого/многомодального пользовательского интерфейса; A_n – мультимедиа представление объекта, использующееся комплексом в режиме рекламирования; G_n – дополнительные данные об объекте (часы работы, телефоны обслуживающего персонала), необхо-димые для функционирования подвижного комплекса.

Техническое оснащение комплекса можно разделить на две основные группы: 1) подвижная платформа, реализующая слежение за появлением препятствий на маршруте комплекса и его пере-мещение; 2) информационная стойка, на которой выводятся мультимедиа данные об интересующих посетителей объектах и на основе многомодального интерфейса реализуется естественный диалог с пользователем. Поэтому модель подвижного информационного комплекса содержит параметры, значения которых формируются посредством датчиков, расположенных на подвижной платформе, средств захвата аудиовизуальных сигналов, встроенных в информационную стойку, а также пара-метры, вычисляемые в ходе диалога с пользователем: r_j=<С_j, S_j, f_j, V_j, U_j, D_j, W>, где С_j – координаты комплекса; S_j – скорость комплекса; f_j – режим функционирования, V_j – показания датчиков препят-ствий; U_j – множество пользователей, находящихся в зоне наблюдения комплекса; D_j – дополни-тельные параметры (состояние заряда аккумуляторов и других встроенных технических средств), необходимых для функционирования подвижного комплекса; W – данные о расположении и режиме функционирования всех обслуживающих комплексов на данной территории [12, 13].

• предложенной модели режим функционирования выбирается из следующего множества: f = (f_D, f_E, f_A, f_P,), где f_D – диалог с посетителем; f_E – сопровождение посетителя; f_A – движение с вы-водом рекламы; f_P – движение на техническую остановку. Результатом взаимодействия комплекса r_j

search_max

с пользователем u_i является предоставление услуги Q, состоящей из выдачи информации об объекте o_n и/или сопровождения до этого объекта, расположенного на территории обслуживания Z: Q(u_i) = f(r_j, Z, o_n). Вопросы навигации, связанные с вычислением оптимального маршрута, в данной работе не рассматривались. В режиме сопровождения основное внимание было уделено проблеме интерактивного взаимодействия с комплексом. Выделены три зоны положения пользователя отно-

сительно комплекса: x_search – зона наблюдения; x_escort – зона сопровождения; x_dialog – зона взаимодей-ствия. Наличие пользователя в одной из зон определяется на основе следующих логических правил:

^xsearch ^,dij ^{< d}search _ max

Xij (dij ,α ij ,En ) = xescort ,dij < descort _ max

x ,d < d

dialog ij dialog _ max

∧ α _ij ∧ α _ij ∧ α _ij

• ^αsearch_ max ^,

• ^αescort _ max ^,

• ^αdialog _ max ^,

где X_ij – зона нахождения пользователя; d_ij – расстояние между пользователем и комплексом; α_ij – угол отклонения пользователя от центра комплекса; E_n – сообщения от системы распознавания речи,

d_{search_max} – максимальное расстояние поиска пользователей; d_{dialog_max} – максимально расстояние, на котором возможен диалог с пользователем; d_{escort_max} – максимально допустимое расстояние при

сопровождении пользователя; α – максимальный угол, на котором ведется поиск

пользователя; α_{dialog_max} – максимально допустимый угол отклонения пользователя от центра комплекса в ходе диалога; α_{escort_max} – максимальный допустимый угол отклонения пользователя от центра комплекса при сопровождении. Если указанные правила не выполняются, то считается, что анализируемый объект не является пользователем. На рис. 2 пунктирной линией обозначена зона

взаимодействия комплекса. Радиус взаимодействия не должен превышать d_{dialog_max} , а угол отклонения пользователя от центра платформы должен быть меньше α_{dialog_max}. В режиме информирования пользователя подвижный комплекс поддерживает расстояние и угол отклонения в

заданных пределах.

а б

в г

Рис. 2. Схемы движения пользователя и комплекса на основных этапах взаимодействия: а – пользователь входит в зону взаимодействия комплекса, движущегося в режиме рекламирования по заданному маршруту; б – информирование пользователя с подстройкой положения комплекса в сторону пользователя; в – сопровождение пользователя

до интересующего объекта по заданному маршруту; г – пользователь покидает зону взаимодействия комплекса

Взаимодействие информационного комплекса с пользователями можно разделить на несколько этапов. Комплекс, перемещаясь по заданному маршруту в режиме рекламирования, производит оп-

рос сенсоров на наличие пользователей на расстоянии d_{search_max} от комплекса (рис. 2, а). В случае обнаружения пользователя в зоне поиска информационный комплекс корректирует свое положение

относительно пользователя таким образом, чтобы расстояние до него не превышало d_{dialog_max}, а угол отклонения относительно центра не превышал угол α_{dialog_max}, после чего комплекс переходит в ре-жим информирования посетителя (рис. 2, б). При поступлении запроса о сопровождении пользова-

теля в указанное место комплекс переходит в режим сопровождения (рис. 2, в). В этом режиме поль-зователь должен находиться в зоне сопровождения x_escort. Это условие поддерживается посредством корректировки скорости и направления движения комплекса. В случае если пользователь отдалился

от комплекса на расстояние, превышающее d_{search_max} (рис. 2, г), считается, что он покинул зону взаимодействия, и комплекс переходит в режим рекламирования.

Для определения текущего режима функционирования комплекса была разработана логическая модель, анализирующая параметры комплекса и ситуации в зоне мониторинга. На рис. 3 приведена блок-схема алгоритма, использованного при реализации логической модели выбора режима функ-ционирования. В начале работы производится проверка технического состояния комплекса D_j, при этом в случае наличия сообщений D_alarm = 1 комплекс переходит в режим движения на техническое обслуживание.

Рис. 3. Блок-схема алгоритма выбора режима функционирования комплекса

• режим рекламирования комплекс переходит, если выполняется одно из следующих условий:

• отсутствие пользователей ( U _j = 0 ); 2) пользователь находится в зоне поиска x_search, но время его

присутствия в ней τ_attract превысило максимальный промежуток времени τ_{attract_max}; 3) пользователь находится в зоне взаимодействия x_dialog, но система распознавания речи не фиксирует запросов

пользователя (E_silent = 1); 4) поступление сообщения E_cancel = 1 – распознана голосовая команда отказа в обслуживании. Переход в режим информирования происходит, если пользователь находится в зоне

взаимодействия x_dialog и подает голосовой запрос на предоставление информационных услуг (E_help = 1). Если пользователь подает запрос на сопровождение (E_escort = 1), комплекс переходит в режим сопро-вождения.

Эксперименты. Для экспериментальной проверки комплекса была разработана база данных абстрактного торгового центра с 83 объектами, расположенными на обслуживаемой территории. На

ее карте были отмечены границы объектов, выходы и проходы между ними. В ходе взаимодействия

• пользователем на карте указывалось его местонахождение и выбранного объекта. Поиск маршрута до объекта производился с использованием алгоритма типа A*. В ходе экспериментов выяснилось,

что большинство пользователей (порядка 60%) предпочитают называть не определенное название объекта, а категорию товара или услуги и только после вывода на экран списка всех удовлетворяю-щих условию объектов выбирать какой-либо один. Около 40% пользователей подавали запрос без вступительных слов (например, «где находится», «как пройти»), а одним словом или названием (на-пример, «Обувь», «Кафе», «Детская одежда»). Процент неправильно обработанных запросов поль-зователей составил порядка 15%.

Также при тестировании был проведен опрос пользователей с целью выявления дополнитель-ных требований по эргономике и функционалу информационно-навигационных комплексов. Боль-шинство опрошенных мужчин (56%) предпочитают более высокие информационные комплексы в отличие от женщин, которые отдали свое предпочтение средней высоте (150 см). Синтезируемый «механический» голос системы выбрали 47% женщин, тогда как мужчины (70%) предпочитают женский голос. Расстояние взаимодействия с комплексом как в режиме информирования, так и в режиме сопровождения не рекомендуется делать меньше 50 см. Наиболее удобным средством ввода было выбрано сенсорное меню (41% женщин и 70% мужчин), а средствами вывода информации – аватар в виде говорящей головы вместе с выводом графической информации на монитор. Получен-ные данные будут использованы при разработке опытного образца многомодального информацион-но-навигационного комплекса.

Заключение. При реализации предложенных режимов функционирования подвижного ком-плекса были разработаны: структурная модель программно-аппаратного оснащения комплекса; ло-гическая модель выбора текущего режима комплекса, учитывающая расположение пользователей и статус встроенных компонентов; диалоговая модель, построенная на основе данных о рекламируе-мых объектах и учитывающая текущее положение комплекса и пользователя на обслуживаемой тер-ритории. Предложенные модели были реализованы в программно-аппаратном подвижном комплек-се – многомодальном подвижном автомате информационного самообслуживания.

Статья №10.

Оптимизация целевой функции и адаптация «Человеческого элемента» в навигационных и промысловых диалоговых системах

Внедрение на современных транспортных и промысловых судах экспертных систем, вклю-чающих проблемно-ориентированное математическое обеспечение и человека-оператора, ис-пользующего этот комплекс для поиска рациональных (оптимальных) решений, позволяет осуществлять диалоговый поиск рациональных (оптимальных) решений. В таких системах режим диалога представляет собой процесс анализа последовательности ситуаций, на основе которого оператор выбирает то или иное решение, отвечающее, с его точки зрения, поставлен-ным целям. Предложена модель механизма поиска экстремума лицом, принимающим реше-ния, целевой функции с гарантированным результатом, составлен алгоритм выбора рацио-нальных (оптимальных) решений по управлению судовыми техническими средствами, обес-печивающих достижение поставленных перед оператором целей. Отмечается, что успех выбо-ра оптимальных решений зависит как от качества проблемно-ориентированного математиче-ского обеспечения, так и от квалификации, информированности, опыта, психофизических спо-собностей оператора, включенного в состав экспертной системы. Описан процесс адаптации лица, принимающего решения, к выбору рациональных (оптимальных) решений, который должен быть компромиссным и образованным по методу проб и ошибок в попытках улучшить решение на каждом последующем алгоритмическом шаге. Осознание компромисса и его фор-мы, образованной в процессе диалога проблемно-ориентированного математического обеспе-чения и человека-оператора, обеспечивают движение к гарантированному успеху.

Ключевые слова: экспертная система, принятие решений, диалоговые системы, эффек-тивность, человеко-машинная процедура.

Введение

В последнее время в судовождении получают достаточно широкое распространение так на-зываемые экспертные системы, которые позволяют судовому специалисту непосредственно на ра-бочем месте оценивать результат, получаемый от принятого решения. Такие системы объединяют

• себе вычислительный комплекс, снабженный соответствующим проблемно-ориентированным математическим обеспечением, и человека-оператора, использующего этот комплекс для поиска рациональных (оптимальных) решений. Традиционно принято считать, что режим диалога пред-ставляет собой анализ ситуаций, соответствующих различным решениям, и на основе этого анали-за оператор останавливается на том или ином решении, которое, с его точки зрения, отвечает за-данным целям. Естественно, такой подход предполагает, что оператор обладает необходимым вре-менным ресурсом и способен проанализировать достаточно широкий спектр решений, чтобы не упустить из виду наиболее приемлемый вариант. Достаточно часто сделать это оператору не удается, т. к. число возможных вариантов решения оказывается настолько велико, что ему про-сто не хватает временного ресурса для их анализа [1].

Основной причиной этой ситуации является недостаточность математического обеспечения данной системы. Как правило, такие системы содержат математическое обеспечение, позволяющее воспроизводить ситуацию, соответствующую принятому решению, однако не содержат математиче-ского обеспечения самого процесса принятия решения, т. е. не подсказывают оператору, как он должен изменить решение, чтобы его улучшить. Если бы было возможно формализовать систему предпочте-ний при выборе рационального решения, проблема выбора решалась бы значительно проще. Однако диалоговые системы потому и существуют, что подобная формализация не всегда удается и приходит-ся привлекать человека в качестве неформального носителя этой системы предпочтений [2].

Человек на основе опыта и интуиции может сравнивать различные ситуации и выбирать из них лучшую, однако трудно себе представить, чтобы человек обладал таким опытом и про-зорливостью, которые позволяли бы ему всегда знать, как нужно изменить данное решение, чтобы получить лучшее в соответствии с его системой предпочтений. В этом ему может помочь математическая теория принятия решений, необходимые элементы которой должны входить

• общее математическое обеспечение диалоговых систем. Рассмотрим один из возможных вари-антов такого использования принципов теории исследования операций для обеспечения проце-дуры принятия решения в диалоговых системах [3].

Модель механизма поиска экстремума целевой функции с гарантированным резуль-татом в диалоговой системе

Пусть определено множество возможных и допустимых вариантов решения, которое обо-значим X. Предположим, что для любого фиксированного управления x ∈ X диалоговая систе-ма (рис. 1) дает возможность лицу, принимающему решение (ЛПР), получать определенную информацию о последствиях принятого решения.

Внешние факторы

Человек		Экспертная система
(оператор)

Решение

Рис. 1. Схема диалоговой системы

Форма, в которой эта информация от системы отображения поступает к ЛПР, может быть весьма разнообразной в зависимости от качества и полноты математического обеспечения диалого-вой системы и того сервиса, которым она снабжена. Это может быть некоторый список значений тех или иных характеристик изучаемой операции или набор графических изображений. Если отвлечься от конкретных ситуаций, то можно считать, что каждому фиксированному значению х диалоговая система представляет некоторую ситуацию S(x), которая и поступает для анализа к оператору ЛПР.

Пусть ЛПР [4] в процессе принятия решения сравнивает две ситуации S₁ = S (x¹ ) и S₂ = S (x² ) , отвечающие двум различным управлениям x¹ , x² ∈ X , и выбирает из них

лучшую. Если система предпочтений, на основе которой ЛПР осуществляет свой выбор, транзитив-на, это означает, что данной системе предпочтений соответствует некоторый скалярный критерий эффективности W = F (x) , E>BO 53> D>@<0;L=>5 2K@065=85 <>65B 1KBL 8 =58725AB=>. @54?>;>-68< 40;55, GB> ACI5AB2C5B A;54CNI0O AE5<0 ?>8A:0 >?B8<0;L=>3> @5H5=8O 4;O :@8B5@8O 2840 F(x) на множестве альтернатив X ∈ E^N , где E^N – евклидово пространство размерности N. Выберем не-которое опорное решение x ∈ X . Это решение ЛПР должен выбрать на основе своего личного опыта, накопленного в аналогичных ситуациях в его предшествующей деятельности (рис. 2).

Рис. 2. Отображение данных в диалоговой системе

Если бы формальное выражение критерия эффективности W = F ( x) 1K;> 8725AB=>, B>

проблема локального улучшения опорного решения решалась бы просто. Для этого было бы необходимо вычислить в точке х⁰ градиент функции F(x)

grad F (x) = {dF / dx₁ , dF / dx₂ , ..., dF / d x_N }

и сделать в пространстве E^N шаг в направлении этого вектора (для простоты можно предполо-жить, что х⁰ является внутренней точкой множества X).

Если в точке х⁰ величина grad F (x⁰ ) ≠ 0 и шаг ρ достаточно мал, то вновь полученное решение

x^* = x⁰ + ρ(grad F (x)/ | grad F(x) | )

предпочтительнее х⁰ в силу критерия F(x). В большинстве случаев функция F(x) неизвестна,

• все, что о ней можно знать, это лишь то, что она объективно существует в сознании ЛПР

• позволяет ему делать выбор из некоторого конечного множества альтернатив, представленно-

го множеством ситуаций S.

Таким образом, направление градиента функции F в точке х⁰ точно неизвестно, поэтому неяс-но, в каком направлении необходимо сделать шаг, чтобы увеличить значение критерия F. Однако нельзя сказать, что вообще ничего не известно о направлении вектора grad F. Определенную ин-формацию о множестве его значений мы можем получить, используя вышеупомянутую способ-ность ЛПР упорядочивать варианты решений по их эффективности. Для этого можно поступить

следующим образом. Рассмотрим наряду с опорным решением x⁰ = {x⁰₁ , x⁰ ₂ , ..., x⁰_N} систему

вспомогательных решений	х0 k = {х0	, х0	, ..., х0	, х0	, ..., х0	}, (k = 1, 2 , ..., N ), расположенных
	1	2	k	k +1	N

в достаточно малой окрестности опорного решения х⁰. Предположим, что ЛПР упорядочил эти N новых решений вместе с опорным по эффективности. Это породит систему неравенств такого типа:

>

F ( x^k ) − F ( x⁰ ) = 0, где k = 1, 2, ..., N;

<

>

F ( x ^j ) − F ( xⁱ ) = U, где i, j = 1, 2, ..., N, j > i.

>

Выбор конкретного знака (неравенства или равенства) в правой части выражений зависит от того, как ЛПР конкретно упорядочит данные решения по эффективности.

Если выбранная окрестность опорного решения достаточно мала, то компоненты вектора grad F можно представить через отношения конечных разностей:

∂F / ∂x _k = g_k = (F (x^k ) F(x⁰ )) / ∆x_k .

Тогда система неравенств даст в опорной точке х⁰ систему ограничений на компоненты g_k вектора g = grad F :

>	>
g k = 0	k = 1, 2, ..., N ; ∆x j g j − ∆xi g i = 0, ...; i , j = 1, 2, ..., N ; j > i.
<	<

Таким образом, система предпочтений ЛПР порождает в опорной точке х⁰ некоторый многогранный конус К, которому принадлежит градиент функции F. Выберем теперь в точке х⁰ некоторое направление, определяемое единичным вектором

n

h = {h₁ ,h₂ , ...,h_N } при | h |² = ∑h_k2 = 1.

k=1

20

Сделаем в этом направлении шаг с метрикой (длиной) ρ. Если функцию F(х) считать непрерывно дифференцируемой в точке х⁰, то приращение в этой точке можно найти так:

N	N
∆ F = F ( x 0 + ρh ) F ( x 0 ) = ρ∑ hk ( F / ∂x k ) + 0(ρx = x0 ) = ρ∑hk gk + 0(ρ)
k =1	k −1

или, пренебрегая функциями более высокого порядка, чем ρ, следующим образом:

N

∆F = ∑h_k g_k ,

k=1

где g = {g₁ , g ₂ , ..., g _N }

K .

Задача заключается в том, чтобы найти такое направление h, на котором приращение ∆F достигало бы наибольшего возможного значения. Если бы был известен вектор g, то искомое направление h совпадало бы с направлением этого вектора при х⁰ ∈ X. Однако вектор g неизвес-тен, а известно лишь множество значений, которые он может принимать. Следовательно, g яв-ляется неопределенным фактором, и приходится сталкиваться с ситуацией, когда необходимо принять правильное решение в условиях неопределенности. Очевидно, что и в этом случае ра-зумно воспользоваться принципом гарантированного результата. В соответствии с этим прин-ципом оценка эффективности выбранного направления h будет определяться величиной

N

^min _{k =1} ^{∑ h}k ^g k ^{= min} _g∈K ^{( h , g ) ,}

где постоянный положительный множитель ρ опущен как несущественный, а min ^N ∑h_k g_k –

k =1

скалярное произведение векторов h и g, обозначенное через (h, g).

Оптимальным гарантирующим направлением будет, очевидно, такое направление h⁰, на котором реализуется максимум оценки эффективности:

g∈K	(		)h		(		)
min		h 0 , g	= max	min		h , g		,
				g ∈K

где h ограничено лишь одним условием |h| = 1.

Алгоритм решения этой задачи, включенный в математическое обеспечение экспертной системы, может выглядеть следующим образом:

• шаг первый – ЛПР сообщает экспертной системе опорное решение x⁰;

• шаг второй – экспертная система отображает последовательность вспомогательных

решений x₀^k ( k = 1, 2, ..., N )8 2>A?@>872>48B <=>65AB2> A8BC0F89 (S (x¹₀ ), ..., S (x₀^k ), ... S (x₀^N )),

соответствующих совокупности опорного и вспомогательных решений;

• шаг третий – ЛПР анализирует полученное множество ситуаций, упорядочивает их

• соответствии со своей системой предпочтений и вводит их в экспертную систему;

• шаг четвертый – программный продукт решает минимаксную задачу, строит улучшен-

ное решение x¹= x⁰ + ρh⁰ и новую систему вспомогательных решений x₁^k при (k = 1, 2, ..., N ),

• также воспроизводит соответствующие им ситуации S (x₁¹ ), ..., S (x₁^N );

• шаг пятый – ЛПР анализирует новую совокупность ситуаций, упорядочивает их и т. д.

Процедура анализа и упорядоченности будет продолжаться до тех пор, пока ЛПР не пре-кратит диалог, причем это может произойти по разным причинам. Так, одной из этих причин мо-жет оказаться, что полученные решения полностью удовлетворят ЛПР, или на некотором шаге все решения становятся неразличимыми в системе предпочтений ЛПР. Фактически такая причина соответствует тому, что процедура привела в точку экстремума целевой функции F(t). Право пре-кращать диалог полностью принадлежит ЛПР, но никакая диалоговая система не гарантирует ЛПР однозначно оптимального решения задачи. Пульт по управлению диалогом в экспертной системе по выбору ЛПР оптимального решения представлен на рис. 3. В общем случае выбор оп-тимального решения зависит не только от качества программного продукта экспертной системы и ее технических возможностей, но также от квалификации, информированности, опыта, психо-физических способностей ЛПР [5, 6].

21

Рис. 3. Иллюстрация данных при остановке диалога и выборе решений на управление энергетической установкой судна

Процессы адаптации ЛПР в диалоговой системе

При использовании адаптивного подхода человеко-машинная процедура решения задачи векторной оптимизации представляет собой последовательное уточнение наиболее предпочти-тельного, по мнению ЛПР, решения x^** путем перехода от одного альтернативного решения,

x_i^* ∈ X , к последующему альтернативному решению, x ^* _{i +1} ∈ X , с учетом информации I_t, полу-

чаемой от ЛПР. Формально процесс выбора решения x^**, в рамках выше составленной процеду-ры, можно представить как последовательность фазовых переходов:

x1

, F1

→ x2

, F2

→ , ..., → xi , Fi

→ , ...,→ xN

, FN

(1)

*

*

I 1

*

*

I2

I i −1

*

* I i

IN −1

*

*

где x ^*_N = x ^** , F_i ^* = F ^* (x_i ^* ) ?@8 (i = 1, ..., N ).

В процессе выбора решения x^** происходят параллельно два вида адаптации: во-первых, адаптация программного продукта экспертной системы к системе предпочтений ЛПР, во-вторых, адаптация ЛПР к решаемой задаче. Адаптация первого вида связана с учетом информа-ции, получаемой от ЛПР [4]. Этот процесс обеспечивает оптимизацию критерия, вид которого детерминируется информацией, представляемой ЛПР программному обеспечению экспертной системы (см. рис. 1).

Человеко-машинные процедуры многокритериальной оптимизации можно подразделить на две группы: одношаговые и многошаговые. В одношаговых процедурах ЛПР необходимую информацию для осуществления перехода x_i ^* → x_i^**₊₁ может представить в одном сеансе диа-лога, в многошаговых процедурах – в нескольких сеансах (при этом вопросы программному продукту каждый раз иные).

В простейшем (одношаговом) случае информация I_i, полученная на i-м шаге, позволяет

	*	*	, Ii ) , B. 5. >?@545;8BL @5H5=85		*
сделать очередной шаг процесса (1): x	i+1	= L ( xi		x	i +1	, которое

в смысле некоторого установленного показателя φ_i(Х) наиболее удовлетворяет требованиям ЛПР, представленным в информации I_i. Алгоритм L осуществляет формализацию и решение следующей задачи оптимизации:

φi ( X ) → extr ⇒ x*i+1 .

(2)

22

Функционал φ_i(Х) и область D допустимых изменений X на i-й итерации образуются на основе информации I_i:

• _i ( X ) = f _φ ( I _i ); D_i ( X ) = f _D (I_i ) ,

• алгоритмы f_φ и f_D задаются применяемым методом многокритериальной оптимизации. Заме-тим, что функционал φ_i(Х) может быть векторным, но таким, что задача (2) всегда проще исход-ной задачи (1). Поэтому в некоторых человеко-машинных процедурах (многошаговых) и задача

(2) решается с участием ЛПР. Адаптация ЛПР к задаче происходит в результате многократной реализации процесса преобразования

Fi * → Fi*+1, (i = 1, ..., N ) ,

(3)

в результате которого ЛПР осмысливает соотношение между своими потребностями и возмож-ностями их удовлетворения. Трудность здесь заключается в том, что ЛПР, как правило, не осоз-нает компромисса между своими потребностями – они у него изначально экстремальные, что

• выражается в многокритериальности исходной задачи. Компромисс, необходимый для реше-ния этой задачи, образуется в результате «проб и ошибок» ЛПР в его попытках улучшить реше-ние на каждом шаге (3). Осознание компромисса и его формы образуется в процессе диалога

• представляет собой адаптацию ЛПР к задаче.

Заключение

Следует отметить важность и необходимость ошибок ЛПР в этом процессе. Только в ре-зультате ошибок, ухудшающих решение, ЛПР в состоянии осознать нужный ему компромисс. Именно поэтому непрост смысл предпочтительности последующего решения в ряду (1). Это не только приближение к цели – компромиссу, но и удаление от этой цели, что несет большую информацию, формирующую дальнейшие шаги ЛПР. Процесс (1) имеет явно немарковский ха-рактер, и в процессе адаптации поведению ЛПР свойственна ярко выраженная дуальность, при которой такое поведение ЛПР двойственно: одни его шаги позволяют приблизить решение x^*_i к желаемому, а другие – получить информацию о динамике текущей ситуации. Поэтому можно сделать следующий важный практический вывод: интерактивная система решения должна пре-доставлять ЛПР возможность возвращаться к предыдущим состояниям объекта, для чего необ-ходимо протоколировать весь диалог в целом.

Статья №11.

ОРГАНИЗАЦИЯ СОВРЕМЕННЫХ ДИАЛОГОВЫХ СИСТЕМ

ОПТИМАЛЬНОГО ПРОЕКТИРОВАНИЯ

Рассматриваются особенности, основные функции и базовые структурные компоненты совре-менных диалоговых систем оптимального проектирования

Ключевые слова: диалоговая система, оптимальное проектирование, интеллектуальный интер-фейс, библиотека методов

Проблемы, связанные с принятием опти-мальных решений, занимают особое место в автоматизированном проектировании. Проект-ные процедуры оптимального параметриче-ского и структурного синтеза составляют ос-нову большинства маршрутов проектирования, а результаты их выполнения оказывают ре-шающее влияние на успех проектирования в целом . Это обусловливает повышенные требо-вания к построению процедур поиска опти-мальных вариантов и эффективности средств их программной поддержки.

С усложнением задач и усилением требо-ваний к обоснованности принимаемых реше-ний необходим всесторонний, комплексный анализ объекта проектирования, учет взаимо-связи многих факторов в их динамике, обеспе-чение возможности гибкого и оперативного управления оптимизационным процессом. Практическая реализация такого подхода при-водит к построению интегрированных сред оптимизации, в которых наряду с процедура-ми, обеспечивающими решение самой оптими-зационной задачи, имеются подсистемы управления базой данных, комплекс “сервис-ных” программ, модули формирования и кор-ректировки модели, блоки анализа и обработ-ки результатов оптимизационных расчетов и др. При решении оптимизационных задач наи-более эффективным является диалоговый ре-жим, позволяющий непосредственно включать пользователя в процесс поиска оптимальных решений с привлечением его знаний, интуиции и опыта. Диалоговые системы оптимального проектирования (ДСОП ) объединяют в гибком интерактивном режиме формальные и не-формальные элементы оптимизационного процесса в единую человеко-машинную техно-

логию принятия оптимальных решений[1,2,3]. Одной из основных целей создания ДСОП яв-ляется обеспечение эффективного многоме-тодного режима работы при непосредственном участии конечного пользователя с привлече-нием его знаний, интуиции и опыта. Созданию и применению ДСОП способствует использо-вание современных технических и инструмен-тальных средств, существенно расширивших возможности разработчиков программного обеспечения.

Результат решения задач оптимизации за-висит от рационального распределения функ-ций между проектировщиком и системой. Со-временные ДСОП предоставляют пользовате-лю функции прямого воздействия на оптими-зационный процесс. При этом имеются воз-можности корректировать постановку задачи, изменяя текущий метод или его параметры; асинхронно останавливать процесс решения и возобновлять его из текущего состояния; управлять составом и формой выдачи инфор-мации на итерациях. Современные системы оптимизации обладают механизмом накопле-ния сведений о решаемой задаче, контекстно-стью восприятия и ассоциативностью воспро-изведения информации. Важнейшим атрибу-том современных ДСОП является наличие средств графической поддержки процессов оптимального проектирования. Процедуры графической визуализации позволяют исполь-зовать наглядно-образные механизмы интуи-ции проектировщика и значительно облегчают идентификацию текущей проектной ситуации, что особенно важно при решении слабоформа-лизованных задач оптимального выбора. Сред-ства машинной графики, использующиеся при решении оптимизационных задач, можно раз-делить на две категории . Основу первой со-ставляет графика метода оптимизации - про-цедуры визуализации информации о целевой функции и ограничениях. Эти процедуры по-зволяют оценить эффективность метода, каче-

ство настройки параметров, модифицировать используемые алгоритмы. Другую категорию составляет графика предметной области, кото-рая является дополнительным средством, по-зволяющим давать физическую интерпрета-цию решаемой задаче.

В развитых системах оптимизации наме-тилась тенденция по интеллектуализации пользовательского интерфейса [2,3,4]. "Друже-ственность" общения достигается за счет про-стоты и лаконичности языковых средств, вос-произведения привычной обстановки и спосо-бов манипулирования информацией, непо-средственного восприятия и воздействия на оптимизационный процесс. Сложная структу-ра диалога, его многофункциональность и многоаспектность вызывает потребность в раз-витых средствах конструирования диалога, а также технологических и инструментальных средствах его ведения, создающих возмож-ность гибкого взаимодействия человека и ЭВМ. В этой связи в состав ДСОП включают-ся блоки связи с проектировщиком и модули адаптивного управления диалогом , обеспечи-вающие адаптацию к различным по уровню квалификации категориям пользователей.

Важным фактором, во многом опреде-ляющим эффективность применения про-граммных средств при решении и анализе за-дач оптимального проектирования , является возможность использования опыта специали-стов в данной предметной области, который трудно формализовать в виде программных процедур. В этой связи ставится задача пре-доставления таким специалистам инструмен-тальных средств, позволяющих не только ре-шать оптимизационные задачи, но и исследо-вать их с точки зрения качества получаемого решения. В ряде работ по данной проблемати-ке [3,5] указывается на необходимость созда-ния с возможности обучения и самообучения пользователя в процессе решения задач опти-мизации.

Наиболее важным этапом при построении ДСОП является формирование библиотеки методов, область применения каждого из ко-торых определяется особенностями решаемой задачи. При этом существенной оказывается полнота библиотеки, которая оценивается не количеством реализованных алгоритмов, а их способностью обработки широкого класса си-туаций, возникающих в процессе оптимально-го проектирования. Так как решение задач оп-тимального проектирования с помощью одно-го алгоритма, как правило, не позволяет полу-чить приемлемый результат, современные сис-

темы оптимизации основаны на комплексном применении различных оптимизационных процедур и реализации многометодных стра-тегий поиска, позволяющих получать опти-мальное решение с минимальными затратами вычислительных ресурсов.

В системах оптимального проектирования реализуются различные подходы к организа-ции комбинированных стратегий решения. Первый из них связан с применением на на-чальном этапе глобальных процедур для полу-чения оценки глобального экстремума (зачас-тую грубой) и последующим уточнением ре-шения в окрестности оптимума быстро сходя-щимися локальными алгоритмами [4,5].

Широко применяется также стратегия ис-пользования в качестве стартовых алгоритмов стандартных оптимизационных схем с целью получения начального приближения для по-следующих процедур. Как правило, стандарт-ные алгоритмы позволяют достаточно быстро попадать на дно оврагов, затем останавливая свою работу (при этом полученное решение ошибочно трактуется как точка локального экстремума). Такие ситуации служат призна-ком переключения на более тонкие алгорит-мические процедуры [6].

Распространенным подходом является оп-тимизация различных стартовых позиций. Та-кой подход предполагает запуск одного алго-ритма несколько раз с различными начальны-ми приближениями. Совпадение полученных результатов во всех стартовых позициях озна-чает достаточно высокую вероятность нахож-дения оптимума внутри допустимых пределов. Часто применяется также стратегия последо-вательного запуска нескольких различных оп-тимизационных процедур с последующим сравнением полученных результатов [4,7].

В ряде систем оптимизации используется параллельное решение задачи одновременно двумя и более алгоритмами [5]. В этом случае производится запуск нескольких оптимизаци-онных процедур и контролирующего блока, в функции которого входит наблюдение за хо-дом отдельных процессов и корректировка их траекторий на основании оценки текущей си-туации. При параллельном решении каждый алгоритм выполняет несколько итераций по-иска, после чего управление передается кон-тролирующему блоку, который сравнивает по-лученные результаты и осуществляет пере-ключение оптимизационных процедур.

Многометодный режим работы ДСОП вы-зывает необходимость разработки развитых средств адаптации к особенностям решаемых

задач. При этом важную роль играет как пара-метрическая адаптация, т.е. регулировка пара-метров оптимизационных процедур, так и структурная, состоящая в настройке алгорит-мической базы на решение конкретной про-блемы. Очевидна целесообразность формиро-вания проблемно-адаптивных процедур, по-зволяющих выбирать наиболее эффективную вычислительную схему на основании динами-ческой оценки свойств конкретной задачи оп-тимизации.

Проблема структурной адаптации алго-ритмической базы оптимального проектирова-ния предполагает выделение характеристик оптимизационных задач, на основании кото-рых осуществляется выбор наиболее приемле-мого алгоритма, а также определение крите-риев для сопоставления эффективности раз-личных процедур оптимизации. Основными характеристиками оптимизационных задач являются размерность, типы критериев и огра-ничений, особенности матриц и векторов, ка-чество начального приближения и др. Среди наиболее типичных проблемных ситуаций, возникающих в ходе оптимального проектиро-вания, обычно определяются наличие оврагов, близость текущей точки к оптимуму, близость к границе допустимых значений, нахождение в зоне локального экстремума и т.д. Качество оптимизационных процедур характеризуется некоторой совокупностью факторов, среди ко-торых можно выделить: скорость сходимости; область сходимости; характеристику времени решения; оценку точности результата; количе-ство вычислений значений критериев для по-лучения оптимального решения; трудоемкость одной итерации. Обычно используются либо отдельные частные, либо обобщенные инте-гральные показатели [8].

Широко распространенным приемом ав-томатической адаптации алгоритмического обеспечения к особенностям конкретной оп-тимизационной задачи непосредственно по ее постановке является использование таблиц решений [3], по которым на основании клас-сификации задачи осуществляется выбор наи-более рациональных алгоритмов и стратегий их применения. К этому подходу близко при-мыкает стратегия, основанная на использова-нии архива, или базы данных, отражающего опыт решения данной системой различных задач. При этом алгоритм выбирается на осно-вании соотнесения свойств решаемой задачи с теми задачами, данные о которых имеются в архиве . Использование данных стратегий воз-можно только при полной формализации ре-

шаемой задачи и возможности идентификации ее свойств на априорном уровне.

При неполноте априорного математиче-ского описания объектов проектирования при-меняется ряд подходов, основанных на пред-варительном исследовании критериев опти-мальности перед оптимизационным процес-сом. С этой целью в ряде систем применяется графическое представление оптимизируемых функций с целью последующего анализа поль-зователем [1]. Распространен также прием, за-ключающийся в аппроксимации поверхности поиска функциями более простого вида [2]. Более перспективной представляется стратегия автоматического анализа поверхности функ-ции качества. При этом перед началом поиска анализируются сечения функции качества по каждой переменной методом ранговой корре-ляции [3]. В работе [6] предложены процедуры выделения структурных составляющих опти-мизационных задач, облегчающих идентифи-кацию их свойств.

Наиболее перспективным направлением в решении проблемы выбора наиболее эффек-тивных оптимизационных процедур непосред-ственно по постановке задачи является ис-пользование средств и методов искусственного интеллекта [7,8]. Основным достоинством та-кого подхода является концентрация совокуп-ности знаний и опыта специалистов в данной предметной области и возможность осуществ-ления процесса выбора рациональной оптими-зационной процедуры при неполноте описания объекта проектирования, ошибочности, неод-нозначности и противоречивости априорной информации. При этом автоматической управ-ление оптимизационным процессом произво-дится с помощью экспертных компонент, осу-ществляющих определение стратегий решения задачи на основании опытных знаний, накоп-ленных при использовании различных методов оптимизации. Формирование процедур и пра-вил в базе знаний интеллектуального блока осуществляется как по результатам решения практических и тестовых задач оптимизации, так и на основании личного опыта и оценок разработчика. Возможность принятия решений в условиях неточности и неопределенности априорных сведений об оптимизационной мо-дели обеспечивается использованием форма-лизмов нечеткой логики.

Очевидно, что гибкость и адаптируемость алгоритмической базы оптимального проекти-рования возможна только на основе ее мо-дульной организации. При этом алгоритмиче-ская база в общем может быть представлена

как совокупность модулей оптимального про-ектирования и проблемно-адаптивных проце-дур их комплексирования в зависимости от специфики решаемых задач.

Таким образом, в современных человеко-машинных системах оптимального проектиро-вания выделяются следующие базовые струк-турные компоненты

- библиотека модулей оптимального про-ектирования, содержащая набор оптимизаци-онных процедур различных классов;

- средства интеллектуальной поддержки комплексирования модулей, осуществляющие генерацию вычислительных схем в зависимо-сти от специфики решаемых задач;

- блок управления оптимизационным про-цессом, обеспечивающий связь между про-граммными компонентами системы, определе-ние стратегий оптимального проектирования, организацию многовариантных расчетов, вы-полнение директив проектировщика;

- модуль формирования и корректировки оптимизационной модели, осуществляющий ввод исходных данных для оптимизации, кон-троль достоверности и полноты описания за-дания на оптимальное проектирование, выяв-ление структуры модели;

- процедуры анализа и обработки резуль-татов оптимального проектирования, обеспе-чивающие протоколирование поиска решения, сравнение эффективности различных проце-дур, графическую визуализацию результатов оптимизационного процесса и их содержа-тельную интерпретацию;

- база данных, содержащая сведения о структуре и параметрах оптимизационных мо-делях, вычислительных процедурах и их ха-рактеристиках, результатах решения приклад-ных задач оптимального проектирования;

- средства поддержки пользовательского интерфейса, обеспечивающие активное уча-стие пользователя в процессе поиска опти-

мального решения, осуществляющие эффек-тивный информационный обмен и рациональ-ное распределение функций между проекти-ровщиком и системой.

Диалоговые системы оптимизации отно-сятся к методо-ориентированным системам обработки информации и являются инвари-антными относительно предметных областей их приложения. Введение в состав системы дополнительных блоков проблемной ориента-ции позволяет произвести настройку на не-посредственное решение прикладных задач. При этом структура программного обеспече-ния должна обеспечивать гибкую перестройку на другую предметную область без его суще-ственной модификации.

Статья №12.

ОСНОВЫ РАЗРАБОТКИ WIMP-ИНТЕРФЕЙСА

ОБРАЗОВАТЕЛЬНОГО ПОРТАЛА ОБУЧЕНИЯ СТУДЕНТОВ

В статье рассматриваются особенности использования образовательных порталов в обучении на основе ролевой модели управления, Особенности разработки интерфейса получения образовательных процедур и модель за-

просов пользователя на основе диалоговых процедур. Информационная система; процесс обучения; диалоговый режим; недостатки систем дистанционного обучения; образовательный портал; WIMP-интерфейс; критерии оценки эффективности интерфейса

ВВЕДЕНИЕ

Образовательный процесс в высшем учеб-ном заведении все больше времени включает самостоятельное обучение студента. Для эф-фективного обучения он базируется на органи-зации электронного дистанционного индивиду-ального сопровождения через образовательный портал [3]. Поэтому к образовательным порта-лам все больше предъявляются требования по эргономике, простоте доступности к электрон-ным ресурсам, возможности оперативного по-лучения справочной, консультационной и др. образовательных функций. Однако с увеличе-нием образовательных функций и числа дисци-плин самостоятельного обучения, резко возрас-тает число задач и объем информации, изменя-ется структура поиска и усложняется взаимо-действие пользователя с порталом, увеличивая время его обучения. Поэтому в систему управ-ления порталом необходимо включать специа-лизированный WIMP1-интерфейс, исполняю-щий роль электронного консультанта и под-сказчика по образовательным процедурам. Учитывая то, что обучение представляет собой процесс по получению знаний, умений и навы-ков (ЗУН) через освоение соответствующего теоретического материала, выполнение расче-тов, тестов и лабораторных занятий, то про-граммные средства интерфейса должны спо-собствовать их быстрому качественному вы-полнению.

Так для получения теоретических знаний возникает задача поиска их в соответствующей предметной области на запрос по ключевым словам [9]. Здесь интерфейс должен решать задачу минимального пути и времени поиска запрашиваемых данных, имеющихся на порта-ле, и достоверных отказов на несуществующие ответы на вопросы со ссылкой на источники, где их можно найти.

Особенно усложняется получение знаний на неопределенные ключевые слова, когда чис-ло ответов может быть весьма значительным, и правильный ответ из базы данных может быть найден только путем диалога или анализа кон-текста запроса. Поэтому второй задачей являет-ся контроль запросов и получение дополни-тельных информационных единиц для выявле-ния контекста или снижения его неопределен-ности, улучшающих качество подсказок на «размытые» запросы по обучению. Контроль запросов необходим для предоставления поль-зователю средств по снижению неточностей в формулировке и возможности исправления ошибок, посредством уточняющей информа-ции. Процесс представляет собой диалог, ре-зультатом которого является выдача запраши-ваемого ресурса, либо сообщение об его отсут-ствии и указание возможного места размеще-ния. В этой ситуации интерфейс по расширен-ной избыточной информации запроса, основан-ной на карте сайта, правилах синтаксиса и эта-лонах запроса, каталогах, условиях выбора раз-дела и др. улучшает процесс поиска разделов обучения.

Снижение неопределенности в поиске на портале может быть достигнуто также путем введения дополнительных эталонов запросов, характеризующих ресурсы портала. Признака-ми ресурсов может выступать информация об атрибутах данных, среди которых можно отме-тить, например, источник получения, дату ак-туализации, размер информационных единиц. Поддержку атрибутов данных можно возло-жить на систему управления образовательным порталом. Заполнение значений атрибутов, как правило, выполняется при изменении (добавле-ние, удаление, правка) информационного ре-сурса пользователем портала. Важно на этапе заполнения этих атрибутов обеспечить макси-мально возможное информационное сопровож-дение (наличие подсказок, проверка корректно-сти заполнения) процесса работы с атрибутами данных, наличие этих функций интерфейса по-зволит уменьшить число ошибок и время полу-чения теоретических знаний.

При размещении различных ресурсов [1, 2] необходимо включать ссылочные указатели места и путей их расположения, так как при поиске ресурсов, с учетом специфики порталь-ных технологий, пользователь может находить-ся на любой странице портала. Возникает зада-ча навигации в ресурсном пространстве в усло-виях неопределенности. Решение ее состоит в обеспечении некоторого уровня избыточности навигационных элементов (пункты меню, пере-крестные статичные ссылки страниц, подсказки на запросы пользователя – динамичные ссылки, карта сайта) [1, 11].Таким образом, в отличие от существующих интерфейсов [6, 8, 9], проек-тируемые интерфейсы для получения необхо-димых образовательных процедур студентами должны обеспечить минимальное время их по-лучения, улучшать качество и определенность запросов обеспечивать навигацию и диалого-вую связь процесса обучения.

Среди программных сред наиболее интен-сивно процессом обучения занимаются систе-мы дистанционного обучения (СДО). Среди недостатков СДО следует отметить [12]:

● отсутствие контекстной поддержки поль-зователя при возникновении трудностей в про-цессе обучения, слабое развитие справочной системы;

● не всегда можно реализовать те или иные особенности человеческого общения (компен-сирование через форумы, чаты, семинары, кон-

ференции и электронную почту с экспертами в изучаемой области или с более «продвинуты-

ми» коллегами), отсутствие группового живого общения;

● сложность организации адаптивного обу-чения; жестко заданная структура учебно-методического материала (УММ) и возмож-ность нарушения ссылочной целостности; вы-сокая трудоемкость оперативной корректиров-ки УММ; сложность информационной увязки обучающих и контролирующих модулей; дуб-

лирование фрагментов УМИ при хранении учебных курсов разного объема; низкая степень защиты от несанкционированного копирова-ния;

● невозможность переноса и создания пол-ноценной локальной версии при низких кана-лах связи для автономной работы; невозмож-

ность организации нормальной работы системы при низкоскоростных сетевых каналах;

● высокая сложность поиска фрагмента по

контексту и оценки содержательной части для комплектов учебных материалов; упрощенная система поиска, без анализа содержания доку-ментов и слабая интеграция БД и гипертексто-вых страниц

● невозможность организации лаборатор-ных и практических работ с оборудованием;

● не всегда возможно проверить навыки обучающегося;

● не позволяют наполнять учебные курсы большим количеством мультимедийной ин-формации, поскольку в этом случае возникают сложности по ее хранению и доставке к обу-чающимся;

● «привязка» к одному программному обеспечению сервера хранения (СУБД, веб-сервер);

● низкая мотивация студентов – использо-вание устаревших интерфейсов (отказ от Web 3.0, Ajax, XML, XSL, flash).

Основной недостаток этих программ - обу-чение фактически заменяется на демонстрацию пользователю информации из предметной об-ласти без контроля обучаемого и привития практических навыков, в лучшем случае это наличие контрольных вопросов по теоретиче-скому курсу. Разработка WIMP-интерфейса уменьшающего перечисленные недостатки по-зволит вывести процесс обучения на качест-венно новый уровень.

1. ОРГАНИЗАЦИЯ ИНТЕРФЕЙСА ПОРТАЛА

Для получения достоверных отказов на за-просы пользователя и предоставления ссылок на возможное размещение ресурсов интерфейс должен обеспечить формирование указателей

на другие порталы и системы обслуживания образовательных процедур (ОП). Формирова-ние ссылочного ресурса возможно как по еди-ничным ключевым словам в запросе, так и по их группе. В наилучшем случае необходимо учитывать семантику и морфологию запросов с организацией «поисковой машины», например, Архивариус 3000, которая применяется на пор-тале кафедры АСУ УГАТУ [7].

Рассмотренные задачи проектирования эф-фективного взаимодействия пользователей с порталом определяют организацию интерфейса между системой управления порталом и поль-зователями, которая представлена на рис. 1. Как видно из рис. 1 интерфейс должен обеспе-чить диалог процесса самоподготовки студен-тов, контроль результатов обучения и режим подсказки преподавателями на запросы студен-тов, а также администрирование и коррекцию базы данных, программного обеспечения (ПО) учебно-вспомогательным персоналом (УВП).

2. ОБЕСПЕЧЕНИЕ ВЗАИМОДЕЙСТВИЯ

ПОЛЬЗОВАТЕЛЕЙ ПОРТАЛА

Построение интерфейса можно осущест-вить по технологии клиент-сервер, для взаимо-действия с пользователем использовать в каче-стве «тонкого» клиента Интернет-браузер, что предоставляет относительную свободу в выбо-ре платформы операционной системы и упро-щает процесс обмена информацией между пор-талом и студентом.

Для работы портала рекомендуется исполь-зовать централизованное хранение данных – хранилище данных как совокупность разнород-ных баз данных.

Процесс взаимодействия пользователя можно представить в виде ряда логических функциональных блоков [2,11]. В портальной модели субъекты напрямую не взаимодейству-ют, посредником выступает интерфейс образо-вательного портала.

При поступлении запроса от пользователя установлена необходимость разделения прав доступа, исходя из которых, порталом настраи-вается режим обработки данных и доступная область инструментальных средств. Разделение прав доступа к данным между студентами, пре-подавателями и УВП обеспечивает их сохран-ность, безопасность и индивидуальность. Для поиска данных в хранилище и обеспечения об-мена через интерфейс выделены следующие модули портала:

● каталог образовательных Интернет-ресурсов и порталов;

● образовательная статистика посещений и обучения;

● система регистрации и поиска;

● картографический сервис;

● глоссарий, нормативные документы и об-разовательные стандарты;

● конференции, семинары, выставки, фон-ды, конкурсы, программы;

● новостные ленты, форум, опросы;

● дистанционное обучение;

● электронная библиотека портала;

● административные бизнес-процессы;

● тестирование корректности работы пор-тала УВП;

● поддержка состояния портала в актуаль-ном состоянии через модификацию ресурсов.

Схема взаимодействия модулей указана на рис. 2, которая выполнена с учетом требований структуры Федерального образовательного портала [8].

От типовой модульной структуры портала схема отличается наличием модулей: самообу-чения, расширенной системы индексации и по-иска разнородных документов, аналитической обработки данных в форме OLAP-кубов, экс-пертный модуль и расширенной ролевой моде-ли доступа пользователей к ОП портала. На основе анализа преимуществ и необходимых ресурсов создания портала [2] при проектиро-вании возникает задача реинженеринга интер-фейса для улучшения качества самостоятель-ной работы студента по каждой дисциплине. При реинженеринге декомпозиция функцио-нальной модели интерфейса может выполнять-ся с помощью рис. 3, на основе контекстной диаграммы, предложенной в работе [1]. Вход-ными документами являются список образова-тельных процедур, программы др. Выходны-ми – тестовые ведомости, результаты обучения, отчеты и статистика посещений, вопросы пре-подавателям. Для организации взаимодействия используется нормативная и справочная ин-формация по основным видам образовательных работ и штатное распределение преподавате-лей. На основе функциональной модели проек-тируется информационная модель базы данных, с реализацией программного продукта в систе-ме с ролевым управлением доступа и передачей прав RBAC (Role-Based Access Control) [11]. RBAC

позволяет администраторам портала делегиро-вать полномочия пользователям на выполнение некоторых образовательных процедур и функ-ций [4]. Для упрощения процесса создания и дальнейшего сопровождения интерфейса обыч-но применяется программный продукт AllFusion ERwin Data Modeler. При проектировании реко-мендуется использовать последние стандарты в области разработки интерфейсов, технология Web 3.0, оптимизация клиентской составляю-щей Ajax. В качестве языка реализации интер-фейса – язык PHP написания серверных стра-ниц.

При эффективном образовательном процес-се обучаемый – бакалавр, студент, магистрант, аспирант получают требуемые ЗУН, качество которых можно оценить через одну из форм оперативного, промежуточного и итогового контроля, например, в виде теста, экзамена или другой проверочной работы.

Построив модель процесса получения ЗУН, можно перейти к одной из форм дистанционно-

го самостоятельного обучения через образова-тельный портал, который будет содержать не-обходимые условия для обучения, включая online (в режиме реального времени доставки сообщений), offline (ответ в течение заранее ого-воренного времени) консультации с преподава-телем, формами промежуточного и оператив-ного контроля. Итоговый контроль успеваемо-сти вынесен за рамки портала, из-за сложности идентификации обучаемого, исключающего его подмену.

В целях повышения гибкости контроля, оперативный и промежуточный анализ усвое-ния ЗУН эффективнее проводить по рейтинго-вой системе, где каждому вопросу ставится по-казатель сложности. Наиболее распространен-ной формой контроля при дистанционном обу-чении является тестирование [6]. С учетом рей-тинговых показателей начинать тестирование предлагается с вопросов со средней сложности, и в зависимости от правильности ответов, по-вышать или понижать уровень сложности. Рей-тинговая система применяется в централизо-ванном тестировании, когда вопросы разбиты на ряд блоков по уровню сложности.

Для реализации дистанционного обучения портал используется как консультант или ин-струмент, выполняющий роль подсказчика при решении задач студентом. Ряд инструменталь-ного ПО портала для поддержки режима само-обучения представлен образовательными про-цедурами (ОП) [4,5]. Например, разделы порта-ла: «пособия», «расписание занятий», «ново-сти» обеспечивают функционирование группы ОП «Работа по получению знаний».

Действия портала строго регламентированы при формировании стандартных запросов со стороны пользователей. Для нестандартных запросов, если поиск среди ресурсов портала не дал ответов, требуется осуществить переход к поиску через расширенную систему диалога «портал– пользователь». Указанная система ос-нована на принципе последовательного суже-ния области поиска до конкретного информа-ционного ресурса или их набора, указании воз-можного их местоположения на других порта-лах или сайтах, либо ответа об отсутствии за-прашиваемых ресурсов, обеспечивая достовер-ные отказы [1, 2, 3]. Предлагается модель взаи-модействия пользователей через интерфейс с целью получения ОП представлена на рис. 4, где в типовую форму многоуровневого контро-ля обучения пользователей введена система обратной связи через получение подсказки.

.

ТРЕБОВАНИЯ К ИНТЕРФЕЙСУ ПОРТАЛА

Для обеспечения функций по эффективно-му взаимодействию посетителей образова-тельного портала (табл. 1) интерфейс должен отвечать следующим требованиям [5, 10].

Требования эргономики и интеллектуаль-ного интерфейса:

● снижение неопределенности диалога с пользователем через возможность общей нави-

гации в системе (каталог, система ссылок, по-иск, карта сайта);

• обеспечение достоверного обмена ин-формацией и снижение уровня ошибок взаи-модействия;

• управление контекстом портала (моди-фикация материалов), дистанционное управ-ление системой и администрирование;

• обеспечение разделения доступа и защи-та информации (регистрация / авторизация пользователей при входе в систему);

					Таблица 1
					Обеспечение образовательных процедур
		ОП			Требования к порталу
		Методическое обеспечение			Особенности публикация методических файлов, анализ статистики обучения и
		преподавателем:			материалов, почта подсказок и консультаций
		- ;5:F88			Электронный комплект: пособия, примеры, контрольные задания, тесты, реко-
					мендуемая литература, программы дисциплин, критерии оценки, и др.
		- ?@0:B8G5A:85 70=OB8O			Электронный практикум, инструментальные средства перечень тем, методиче-
					ских рекомендаций по выполнению, учет посещаемости и выполнения заданий
					студентами, требования по зачету
		- ;01>@0B>@=K5 70=OB8O			Электронный виртуальный стенд, методические указания, требования и оформ-
					ление индивидуальных отчетов студента, перечень вариантов
		Самостоятельная		работа	Обеспечение диалога, простата поисковых механизмов, анализ ошибок, перечень
		студента:			тем и ОП, требования к ЗУН
		- 7=0=8O			Возможность усвоения тем и методических материалов, подготовка ответов на
					экзаменационные вопросы, тестирование частей лекционного материала, получе-
					ние подсказок и консультаций
		- C<5=8O			Демонстрация выполнения расчетов, вариантов лабораторных работ, on-line тес-
					тирование, курсовые проекты, расчетно-графические работы и др., получение
					подсказок и консультаций, формирование отчетности
		- =02K:8			Выполнение реальных заданий по ЕСКД, ГОСТам, на виртуальных объектах,
					производственной практике, диплом проектировании, научной деятельности по-
					лучение подсказок и консультаций формирование отчетности
		Работа УВП:			Обеспечение лицензирования, авторских прав, безопасности эксплуатации ресур-
					сов и ПО
		- ?>43>B>2:0			Возможность программирования модулей и развития системы обучения
		- :>@@5:B8@>2:0			Обеспечение естественности, непротиворечивости, достаточности гибкости ОП
					[4].
		- M:A?;C0B0F8O			Непосредственный доступ к системе помощи, Интернет-ресурсам, горячее резер-
					вирование, учет и анализ ошибок

     

  

•    организация непрерывной поддержки пользователей (организация общения и взаимо-действия пользователей как между собой, так и со службой поддержки портала);

• накопление и обработка статистических данных (статистика просмотра контента поль-зователями, административные журналы изме-нения содержимого – создание документов, разделов и т. д.);

• прогнозирование (проблемы роста систе-мы, анализ «узких мест», последовательный план мероприятий).

Требования к программному обеспечению

• эргономичный интерфейс и юзабилити;

• высокая производительность и мини-мальная нагрузка на каналы передачи данных;

• обеспечение надежности и защищённо-сти, высокая стабильность;

• масштабируемость и гибкость;

• современная форма подачи материала;

• обеспечение     круглосуточного общен    

  ых программ, своевременное обновление ПО и ОС).

Порталы и сайты представляют доступ к своим ресурсам через унифицированный ин-терфейс (Web-интерфейс), что не требует уста-новки дополнительной клиентской части ком-плекса на компьютеры пользователей. Это по-зволяет сократить расходы на обслуживание комплекса и обучение персонала, что, безус-ловно, является преимуществом перед про-граммами типа клиент-сервер.

Поддержка ОП требует выполнения ряда положений. Рекомендации к портальному обеспечению и ресурсную базу ОП приведены в табл. 1. Портал осуществляет идентификацию студентов по индивидуальным регистрацион-ным данным для хранения промежуточных ре-зультатов ОП, фиксации ошибок и консульта-ций с преподавателем. Идентификация позво-лит вести учет активности студентов – посе-щаемость, проводить on-line консультации и предварительное тестирование – оценка успе-ваемости. Таким образом, возникает задача создания единого интерфейса портальной сущ-ности студент, преподаватель и УВП, участ-вующей в реализации ОП. Аналоги этих сущ-ностей созданы на портале кафедры АСУ УГАТУ [7]. Каждой сущности соответствует ячейка – окно с набором функциональных ро-лей, прав и атрибутов. Права представлены в виде доступных задач.

Перечень доступных ОП является дина-мичным. По мере разработки и внедрения но-вых задач, временного закрытия модернизи-руемых, администраторами портала могут вно-ситься изменения в права, как для групп, так и для индивидуальных пользователей.

Ряд ОП при проектировании интерфейса могут находиться на стадии тестирования и внедрения, другие – в проектной и эскизной проработке. Процесс включения дополнитель-ных ОП совершенствуется с учетом возникно-вения новых требований и уточнения сущест-вующих ОП по результатам контроля и анали-за ошибок. Это нужно учитывать при разработ-ке интерфейсных моделей на основе рис. 4.

4. РЕАЛИЗАЦИЯ ИНТЕРФЕЙСА

Реализация интеллектуального эргономич-ного интерфейса образовательного портала предполагает улучшение процесса обучения студентов, имеющих минимальные навыки его использования. Среди специализированных средств разработки порталов можно выделить продукты Oracle9i Application Server Portal, Sybase

Статья №13

ОСОБЕННОСТИ РАЗРАБОТКИ ПОЛЬЗОВАТЕЛЬСКОГО ИНТЕРФЕЙСА

МОБИЛЬНОГО ИНФОРМАЦИОННОГО РОБОТА

Проанализированы особенности разработки интерфейсов человекомашинного взаимодействия на примере пользовательского интерфейса мобильного инфор-мационного робота , предоставляющего услуги справочного характера. Описа-ны режимы работы робота.

Ключевые слова : диалоговые системы, мобильные информационные роботы, многомодальные интерфейсы.

Введение. Разработка пользовательских интерфейсов человекомашинного взаимодей-ствия является актуальным направлением исследований в современном мире. Наиболее пер-спективным считается создание речевых и многомодальных интерфейсов как наиболее есте-ственных для человека [1, 2]. В то же время разработка подобных интерфейсов связана с большим числом проблем, одной из которых является выбор между использованием запи-санного живого голоса и синтезированного для воспроизведения информации при взаимо-действии с пользователем. Исследованиями подтверждено, что многие люди предпочитают слышать живые голоса, а не синтезированные [3]. Поэтому рекомендуется использовать именно их, а при необходимости — переключаться на синтезированную речь, заранее преду-преждая об этом пользователя. Другой немаловажной проблемой является учет особенностей человеческого восприятия информации, которые накладывают определенные ограничения при проектировании интерфейсов.

Особенности разработки пользовательского интерфейса мобильного робота

В настоящей статье приведено описание перечисленных проблем и предложены их ре-шения, а также представлены стратегии взаимодействия с пользователями на примере разра-ботанного в СПИИРАН мобильного информационного робота и рассмотрены режимы работы робота при использовании его в качестве информационно-справочной системы.

Когнитивные особенности человеческого восприятия. При разработке речевого ин-

терфейса следует учитывать три основные когнитивные составляющие человеческого вос-приятия

1. Нагрузка на память. Этот фактор накладывает достаточно жесткие ограничения на количество сообщаемой пользователю информации. Согласно исследованиям кратковремен-ная память человека ограничена запоминанием в среднем 4—7 элементов [4]. Поэтому для повышения комфортности взаимодействия не рекомендуется в голосовом интерфейсе ис-пользовать более 5 пунктов [3].

2. Удержание внимания. Учет этого фактора актуален на этапе предоставления инфор-мации пользователю. Необходимо поток информации делить на фрагменты (если это воз-можно) и озвучивать только существенные данные. Следует также учитывать, что в процессе приема информации пользователь может отвлечься, поэтому для привлечения его внимания допускается использовать слова „важно“, „внимание“ и т.д.

3. Понятийная сложность. Уровень подготовки пользователей может быть разным, по-этому при проектировании диалоговых систем недопустимо использовать специальные тер-мины и определения. Кроме того, действия системы и определения должны быть унифициро-ваны, т.е. термин в разных пунктах меню интерфейса должен иметь одинаковое значение, а схожие действия должны выполняться по одной схеме во всех случаях. Необходимо также наличие универсальных команд навигации, доступных из любого пункта интерфейса (напри-мер, назад, помощь, повторить), с подробным их описанием и примерами применения.

Особенности построения структуры речевого интерфейса. Взаимодействие с пользо-

вателями всегда начинается с приветствия, от организации которого во многом зависит успеш-

ность диалога. Рекомендуемая длительность приветствия не должна превышать 15—20 с [5]. В приветствии необходимо сообщить основные правила работы с системой, при этом инст-рукции должны быть короткими и точными; кроме того , нужно сообщить пользователю, как он может при необходимости получить помощь в работе с системой. Заключительным этапом приветствия является предложение пользователю подать свой запрос.

Выбор нужной функции или темы — один из первых шагов диалога, обычно совмещае-мый с приветствием (или следующий после него). Выбор темы можно реализовать путем предоставления пользователю списка всех возможных вариантов услуг и функций или можно предложить ему подать запрос в свободной форме. Однако второй способ может смутить не-подготовленного пользователя, и, кроме того, он более сложен при реализации. Поэтому пре-доставление пользователю списка является предпочтительным. При этом необходимо учиты-вать, что меню интерфейса должно содержать не более пяти пунктов, если же количество функций достаточно велико, то целесообразно организовать иерархическую структуру меню интерфейса. Кроме того, поскольку для человеческой памяти характерен так называемый „за-кон края“ [6], т.е. лучше всего запоминается информация, представленная в начале и в конце диалога, то рекомендуется наиболее популярные и полезные сведения размещать в первых пунктах, а данные, которые человек должен запомнить (например, команды управления), — в конце сообщения. Среди голосовых сообщений системы можно выделить 5 основных типов

В упрощенном виде диалог с пользователем состоит из вопроса, предлагаемого систе-мой, ответа пользователя и эхо-ответа системы. При составлении голосовых запросов систе-мы рекомендуется придерживаться нескольких правил, представленных в таблице.

В ходе диалога пользователю может понадобиться справка по использованию каких-либо функций системы. Поэтому любая диалоговая система должна содержать раздел „по-мощь“, в котором представлена развернутая и подробная информация о функциях и услугах системы с примерами их использования; кроме того, функция „помощь“ должна быть дос-тупна на любом этапе взаимодействия с пользователем.

Этап завершения диалога предполагает обработку запроса, введенного пользователем, и выработку ответного действия системы. На этом этапе пользователь должен иметь возмож-ность проверить и при необходимости скорректировать свой запрос. Поэтому система должна

озвучить введенную пользователем информацию, запросить подтверждение правильности введенных данных, запустить функцию корректировки и в конце, после внесения необходи-мых исправлений, сообщить пользователю о том, что его запрос принят в обработку или вы-полняется.

Если результатом выполнения задания является вывод большого объема аудиоинфор-мации, то рекомендуется осуществлять ее разделение на категории и блоки; также дополни-тельная (расширенная) информация должна предоставляться только по требованию пользо-вателя [7].

Режимы работы мобильного информационного робота. Рассмотрим сценарии чело-

векомашинного взаимодействия на примере информационного робота [8]. Робот представля-ет собой информационную стойку, две рабочие стороны которой имеют одинаковые набор и расположение сенсоров. Для поиска пользователей и записи их видеоданных используются две видеокамеры, установленные в информационной стойке и расположенные на высоте лица человека среднего роста. Определение положения тела человека и слежение за его лицом реа-лизованы с помощью алгоритма, регистрирующего перемещение естественных маркеров-точек лица (центр верхней губы, кончик носа, переносица, зрачок правого глаза и зрачок ле-вого глаза), что позволяет увеличить робастность определения координат головы при быст-рых движениях и случайных видеошумах [9, 10]. Для основных процедур регистрации и об-работки видеосигнала применяется библиотека OpenCV. Для обработки аудиоинформации на передних панелях робота установлены Т-образные массивы микрофонов, используемых для работы системы распознавания речи, аудиолокализации источника звука и накопления ау-диоданных пользователя [11]. Алгоритм аудиолокализации основывается на методе взаимной корреляции сигналов (General Cross Correlation — GCC) с применением весовой функции

PHAT (Phase Transform) [12].

Базовый сценарий работы робота в режиме диалога, учитывающий действия пользова-теля, представлен на рис. 3, где отражены наиболее типичные случаи взаимодействия.

В частности, цикл взаимодействия может быть представлен следующим образом: поль-зователь произносит голосовую команду в зоне речевого диалога, его аудиосигнал регистри-руется, распознается, и осуществляется поиск необходимой информации в базе данных, а ре-зультат выводится на экран робота и синтезируется посредством „говорящей головы“.

В ходе одного сеанса взаимодействия пользователь может сделать несколько голосовых запросов к устройству, в этом случае этапы аудиообработки и вывода информации на экран повторяются соответствующее число раз.

Рассмотрим два наиболее перспективных способа использования информационного мо-бильного робота: 1) в торговом центре (ТЦ); 2) в организации.

1. В первом случае робот, находящийся в постоянно изменяющейся среде в сложных условиях, вследствие многолюдности в торговых центрах, должен производить мониторинг окружающей среды и проверять наличие посетителей в зоне видеомониторинга. Высокий уровень аудиошумов в торговом центре, вероятно, снизит эффективность работы систем ау-диолокализации и автоматического распознавания речи, поэтому предпочтение будет отда-ваться графическому интерфейсу, а слежение за пользователями будет осуществляться систе-мой видеомониторинга. При этом необходимо решить проблему выбора пользователя в слу-чае, если робот обнаружил в зоне взаимодействия нескольких посетителей. Если посетитель найден, следует начать взаимодействие.

Основными вариантами функционирования робота в ТЦ являются:

— оказание справочных услуг;

— вывод рекламы магазинов или товаров;

— служебный режим.

Оказание справочных услуг подразумевает вывод интересующей пользователя инфор-мации на экраны робота или озвучивание данных с помощью системы синтеза речи [13]. В качестве справки могут быть показаны текущее местоположение пользователя и робота, а также маршрут до объекта, который интересует пользователя; кроме того, может быть вы-полнен поиск товаров и услуг по базе данных торгового центра, поиск магазина по названию или принадлежности к категории продаваемых в нем товаров. К справочным услугам отно-сится также возможность производить в режиме онлайн заказ товара в магазине и осуществ-лять непосредственную связь с представителем магазина.

• режиме рекламирования на экран робота выводится информация о текущих акциях в магазинах, о товарах и услугах.

• случае низкого заряда аккумуляторов робот переходит в служебный режим, предвари-тельно предупредив об этом пользователя.

• Окружающая обстановка на территории государственной или коммерческой органи-зации отличается от обстановки в торговом центре: меньше уровень шума и число пользова-телей. Тем не менее типы решаемых роботом задач остаются прежними: ему необходимо пе-ремещаться по заданной территории и предоставлять услуги справочного характера, напри-мер: карту здания, информацию о расположении отделов, контактные данные сотрудников. Также с использованием каналов связи робота должна быть реализована возможность связи с отделом, запрашиваемым пользователем, кроме того, робот должен иметь возможность по запросу пользователя проводить его до места назначения. Благодаря относительно неболь-шому количеству сотрудников в организации робот в случае обнаружения препятствия, не отмеченного на карте, может сделать предположение о наличии перед ним потенциального пользователя и сразу начать приветствие без предварительного поиска лица. Это позволит сократить начальную фазу диалога и повысить естественность коммуникации. Тем не менее в процессе озвучивания приветствия поиск лица осуществляется и при отрицательном резуль-тате поиска робот вместо диалога продолжает свой маршрут.

Проведенный анализ требований к информационному мобильному роботу, а также ана-лиз особенностей его эксплуатации в торговом центре и в государственной или коммерческой организации показал, что оптимизацию способов ввода/вывода информации и стратегии диа-логов необходимо осуществлять в зависимости от окружающей обстановки и числа потенци-альных пользователей.

Заключение. Разработка пользовательских интерфейсов требует решения ряда вопро-сов, касающихся психологических аспектов коммуникации и способов автоматического ана-лиза поведения человека. Представленный в статье информационный сервисный робот осна-щен сенсорами различного типа действия, что позволяет определить появление пользователя и отличить его от препятствий на пути движения робота, а его диалоговая модель взаимодей-ствия с пользователями разработана с учетом анализа психологических аспектов человече-ского восприятия информации.

Статья подготовлена по результатам исследований , проводимых при поддержке Ми-нобрнауки РФ (федеральная целевая программа „Кадры“, госконтракт № П876) и Российско-го фонда фундаментальных исследований (проект № 12-08-01265-а).

Статья №14.

РАСПОЗНАВАНИЕ ПСИХОЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ

ДИСТАНЦИОННОГО СТУДЕНТА ПО УСТНОЙ РЕЧИ АДАПТИВНЫМИ

ИНТЕЛЛЕКТУАЛЬНЫМИ ИНФОРМАЦИОННЫМИ ТЕХНОЛОГИЯМИ^*

К. Ю. Брестер, С. Р. Вишневская, О. Э. Семенкина

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Е-mail: christina.bre@mail.ru, vishni@ngs.ru, semenkina.olga@mail.ru

Для преодоления негативных последствий и развития речевой коммуникативной компетенции дистанцион-ного студента необходимо совершенствовать речевые диалоговые системы общения «человек–компьютер», что немыслимо без обеспечения возможности распознавания эмоций и психологического состояния обучающе-гося. Рассматривается процедура извлечения информативных признаков, основанная на адаптивном много-критериальном генетическом алгоритме, исследуется ее эффективность в сочетании с различными класси-фикационными моделями. Результаты тестирования реализованного алгоритмического аппарата демонст-рируют его эффективность и обосновывают целесообразность использования в модулях диалоговых систем, в частности, для распознавания эмоций в процессе дистанционного обучения.

Ключевые слова: дистанционное обучение, интеллектуальная диалоговая система, распознавание эмоций, адаптивный многокритериальный генетический алгоритм, классификатор.

Vestnik SibGAU

2014, No. 3(55), P. 35–41

SPEECH-BASED EMOTION RECOGNITION OF THE DISTANT STUDENT

WITH ADAPTIVE INTELLECTUAL INFORMATION TECHNOLOGIES

Ch. Yu. Brester, S. R. Vishnevskaya, O. E. Semenkina

Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochiy Av., Krasnoyarsk, 660014, Russian Federation E-mail: christina.bre@mail.ru, vishni@ngs.ru, semenkina.olga@mail.ru

To overcome the negative sides of distance education and to develop the communicative competence of the distant student, it is necessary to improve the interactive dialogue systems, in particular, to realize the opportunity of speaker state recognition.

Although lots of excellent results have already been achieved in this sphere, there are some open questions. Recently scientists have developed various program systems which are good at extracting numerical characteristics from speech-signals. Unfortunately, the amount of features might be huge that becomes a challenge for classification models. There-fore it is significant to determine relevant features from data sets. In this paper we consider the feature selection proce-dure that is based on the adaptive multi-objective evolutionary algorithm and investigate its efficiency in combination with different classification models. Generally, the feature selection procedure can be organized as a wrapper ap-proach or a filter one. Compared with the wrapper approach, the second technique requires less computational re-sources and also demonstrates good results. Therefore in this research we implemented the feature selection procedure according to the scheme of the filter approach. Furthermore, to avoid choosing the genetic algorithm settings we devel-oped a self-adaptive modification of the conventional multi-objective genetic algorithm.

Due to application of the self-adaptive heuristic optimization procedure it became possible not only to improve the performance of involved classifiers but also to reduce the number of selected features essentially. Obtained results demonstrate high performance of the developed algorithmic scheme and imply the reasonableness of its usage in the dialogue system modules for recognition of student emotions distantly.

Keywords: distance education, intellectual dialogue system, emotion recognition, adaptive multi-objective genetic algorithm, classifier.

_________________________

^* Работа выполнена в соответствии с государственным заданием Министерства образования и науки РФ Сибирскому государственному аэрокосмическому университету, проект № 140/14.

35

Введение. С развитием современных информаци-онных и телекоммуникационных технологий широкое распространение получило дистанционное обучение как один из вариантов получения высшего образования.

На данный момент это современный и популярный вариант подготовки специалистов как в России, так и во всем мире. Среди преимуществ дистанционного образования выделяют не только его мобильность и возможность выполнения заданий в любое удобное время, но и индивидуализацию процесса обучения.

Однако стоит отметить, что дистанционное обра-зование в существующей его форме подменяет живое общение шаблонным в виде «диалога с компьюте-ром», что негативно сказывается на развитии диало-гического общения учащихся, формировании и фор-мулировании мысли на профессиональном языке.

Для России дистанционное обучение является но-вым образовательным стандартом, появившимся со-всем недавно, но уже успевшим завоевать свое место в педагогической среде. Дистанционные программы позволяют снизить затраты на проведение обучения, повысить качество образования за счет применения современных технологий (например объемных элек-тронных библиотек), создать единую образователь-ную среду. Сейчас в нашей стране действуют более 70 центров дистанционного образования, причем это не только высшее, но также среднее, постдипломное образование и различные курсы, семинары, тренинги. В последние годы Правительством РФ неоднократно подчеркивалась приоритетность развития данной формы обучения.

В процесс дистанционного образования активно внедряются различные средства информационных технологий и массовых телекоммуникаций, в числе которых интеллектуальные диалоговые системы (ИДС), позволяющие эмулировать общение студента с преподавателем. Однако ИДС должны не просто отвечать на вопросы шаблонными фразами, а вести беседу на естественном языке, подстраиваясь под особенности пользователя, его эмоциональное со-стояние. Несостоятельность человеко-машинного диалога лишает студента живого общения, которое, как показывают психологи, формирует самостоятель-ное мышление.

Кроме того, одной из ключевых проблем дистан-ционного обучения является проблема аутентифика-ции пользователя при проверке знаний. Поскольку до сих пор не предложено оптимальных технологиче-ских решений, большинство дистанционных про-грамм по-прежнему предполагает очную экзаменаци-онную сессию.

Для преодоления недостатков ИДС, функциони-рующих в системах дистанционного обучения, и для повышения качества данной формы образования в целом, предлагается разработать и внедрить эффек-тивные методы распознавания обучающегося и его психоэмоционального состояния по речи.

Постановка задачи. Распознавание обучающего-ся и его эмоционального состояния предполагает на-личие выборочных данных, на основе которых и про-изводится процедура идентификации. На сегодняш-ний день широкое распространение получили про-граммные системы, специализирующиеся на анализе

акустических характеристик речевого сигнала, поэтому извлечение числовых параметров, описывающих речь пользователя, не представляет сложности. Однако количество акустических характеристик достаточно велико, и использование всего набора данных в про-цессе распознавания является нерациональным: атри-буты могут иметь низкий уровень вариации, коррели-ровать друг с другом или содержать зашумленные данные, снижающие точность проектируемой на их основе системы.

Поэтому важной задачей в процессе идентифика-ции обучающегося и его эмоций является извлечение информативной подсистемы признаков, используе-мых алгоритмами распознавания. Задача распознава-ния пользователя диалоговой системы (дистанцион-ного студента), его персональных характеристик (эмоциональное состояние и т. п.) представляет собой задачу классификации (обучение с учителем).

Разрабатываемый подход. Нередко стандартные методы извлечения информативных признаков (метод главных компонент, факторный анализ [1]) демонст-рируют свою неэффективность при работе с базами данных, вектор признаков которых имеет высокую размерность. Именно в таких случаях целесообраз-ным является разработка методов, основанных на привлечении эвристических оптимизационных про-цедур [2].

• общем случае процедура отбора информативных признаков может быть построена по одной из двух схем [3]:

• Первая схема (со встроенным классификатором) базируется на оптимизации критерия, отражающего точность классификации на фиксированном наборе признаков. Для оценки данного критерия использует-ся классификационная модель, чем и объясняются высокие вычислительные и временные затраты при применении данного подхода.

• Схема «фильтр» оперирует метриками, характе-ризующими релевантность набора признаков. В каче-стве критериев могут быть использованы внутри- и межклассовое расстояние, энтропия, мера несостоя-тельности и пр. [4]. Данный подход соответствует этапу предобработки данных и не требует сведений об эффективности классификатора на текущем наборе признаков, за счет чего и является более выгодным в смысле вычислительных ресурсов.

• работе [5] было показано, что, несмотря на ис-пользование первой схемой информации о релевант-ности набора признаков для привлекаемого класси-фикатора, подход «фильтр» также может демонстри-ровать сопоставимые по эффективности результаты работы. Кроме того, учитывая объемы баз данных, которыми может быть представлена задача распозна-вания эмоций, приходим к выводу, что наиболее приемлемой является реализация подхода «фильтр».

• качестве критериев, описывающих качество из-влеченной подсистемы информативных признаков,

были выбраны внутри- (англ. Intra-class distance – IA)

• межклассовое расстояния (англ. Inter-class distance – IE):

	1	k nr		r
IA =		∑ ∑ d ( p j				, pr ) → min,	(1)
	n r =1 j=1

36

sion – Logit);

(3) использовался алгоритм обратного распространения

ошибки;

Таким образом, финальное решение о принадлежно-сти объекта к тому или иному классу принимается ансамблем классификаторов по правилу большинства.

Разрабатываемый подход был исследован с при-влечением следующих классификаторов:

– полносвязный персептрон (англ. Multilayer Per-ceptron – MLP) с одним скрытым слоем; для обучения

Математика, механика, информатика

	1	k
IE =		∑ n r d ( p r , p) → max,	(2)
	n r=1

где p^r_j – j-й экземпляр класса r; p – центральный при-мер набора данных; d (...,...) обозначает евклидову метрику; p_r и n_r соответствуют центральному при-

меру класса r и числу экземпляров в нем.

Для решения поставленной оптимизационной за-дачи был выбран многокритериальный генетический алгоритм (ГА), реализующий адаптивную модифика-

цию метода Strength Pareto Evolutionary Algorithm (SPEA) [6]. Известно, что генетические алгоритмы требуют настройки большого количества параметров,

• том числе и выбора типа генетических операторов.

• предложенной модификации наиболее подходящий на текущем поколении для решаемой задачи вариант оператора выбирается автоматически [7; 8]. Бинарные строки кодируют извлекаемые признаки следующим образом: 1 – информативный признак, 0 – неинформа-тивный признак.

Далее приведена общая схема адаптивной моди-фикации метода SPEA:

• Инициализация начальной популяции P₀(t = 0).

• Копирование в промежуточное внешнее множе-ство индивидов, чьи векторы решений недоминируе-мы относительно P_t.

• Удаление из промежуточного внешнего множест-

ва ( P′ ) индивидов, доминируемых относительно P′ .

• Если мощность P′ больше заданного значения, то применение механизма кластеризации для устра-нения схожих индивидов.

• Формирование внешнего множества из индиви-

дов P′.

6. Применение генетических операторов: селекция, скрещивание, мутация.

7. Проверка выполнения критерия останова: если выполняется – завершить работу алгоритма, иначе – перейти к п. 2.

На шаге 6 необходима настройка генетических операторов [9; 10]: требуется выбрать один из вариан-тов скрещивания, определить вероятность мутации. В данном методе применяется турнирная селекция (причем отбор индивидов производится не только из текущей популяции, но и из внешнего множества), поэтому задача выбора эффективного типа селекции отсутствует [11].

Вариант адаптивного оператора мутации [12] был

заимствован из статьи Дариди:

₌ 1 ₊ 0,11375 _, ^pm _{240 2}t

где t – номер текущего поколения, для которого рассчитывается вероятность мутации.

Для реализации адаптивного оператора скрещивания были применены идеи коэволюционного ГА [13; 14]. На каждом поколении генерирование новой популя-ции осуществляется всеми типами скрещивания: ва-риантам оператора выделяются ресурсы (доля инди-видов популяции, генерируемых конкретным типом скрещивания на текущем поколении) в зависимости от числа индивидов во внешнем множестве, сгенери-рованных при помощи данного варианта скрещивания:

b	=	pi			ni	,	(4)
i		P			N
где pi – число индивидов во внешнем множестве,
сгене-рированных при участии i-го								типа оператора

скрещива-ния; P – мощность внешнего множества;

n_i – число индивидов в текущей популяции, сгенери-рованных с помощью i-го типа оператора; N – мощ-ность популяции.

Для каждого варианта оператора скрещивания вы-числяется его «пригодность» q_i по формуле (5):

T −1 T − k		bi ,	(5)
qi = ∑	k +1
k =0

где T – интервал адаптации; k = 0 соответствует последнему поколению в интервале адаптации; k = 1

– предыдущему и т. д.

Через каждые T поколений осуществляется попар-ное сравнение «пригодности» вариантов скрещивания с целью перераспределения ресурсов, согласно пра-вилу (6):

			0,		if	ni ≤	N	min	,
			ni − Nmin
s	=	int(		),	if	( n	− h		⋅ L ) ≤ N , (6)
i			hi			i		i		min
				L,	otherwise,

где s_i – размер ресурса (количество индивидов), отда-ваемого i-м алгоритмом каждому победившему его алгоритму; h_i – число поражений алгоритма в попар-ных сравнениях; N_min – минимально допустимый раз-мер подпопуляции; L – размер штрафа для проиграв-ших алгоритмов. Параметр N_min предназначен для поддержания разнообразия вариантов оператора; L – для перераспределения ресурсов.

Результатом работы многокритериального ГА яв-ляется множество несравнимых между собой точек – аппроксимация множества Парето. После завершения работы алгоритма для каждой бинарной строки из внешнего множества получаем подсистему призна-ков, используемых для обучения классификатора.

– машины опорных векторов (англ. Support Vector Machine – SVM), для обучения которых применялся метод последовательной минимальной оптимизации Дж. Платта;

– логистическая регрессия (англ. Logistic Regres-

– радиально-базисная нейронная сеть с функцией Гаусса (англ. Radial Basis Function Network – RBF);

– наивный Байесовский классификатор (англ.

Naive Bayes);

37

							Таблица 1
		Общий вид матрицы неточностей
				Действительные
				значения
			Класс1	Класс2	…		КлассN
-		Класс1	a11	a12	…		a1N
зна
Предсказанные	чения	Класс2	a21	a22	…		a2N
		…	…	…	…		…
		КлассN	a1N	a2N	…		aNN

Вестник СибГАУ. 2014. № 3(55)

– деревья решений, для построения которых ис-пользовался алгоритм J48 (модификация метода C4.5);

– ансамбль деревьев решений (англ. Random

Forest);

– бэггинг (англ. Bagging);

– аддитивная логистическая регрессия (англ. Addi-

tive Logistic Regression – LogitBoost);

– алгоритм генерирования правил 1R (англ. One

Rule).

В ходе тестирования были использованы реализа-ции данных алгоритмов в программной системе Weka

3.6.10 [15].

Результаты исследования разработанного под-

хода. На практике для оценки результатов работы классификатора нередко используют матрицу неточ-ностей (англ. confusion matrix), столбцы которой со-ответствуют экспертным решениям (истинное значе-ние класса), а строки – предсказаниям классификато-ра (табл. 1). Размерность матрицы N × N, где N – чис-ло различных классов в выборке.

Матрица неточностей демонстрирует работу алго-ритма и позволяет оценить его эффективность для каждого класса, содержащегося в выборке. Для этого вводятся специальные метрики – полнота и точность, определяемые следующим образом. Пусть построена матрица неточностей A = (a_ij), тогда полнотой в пре-делах класса l (англ. recall) назовем величину, равную доле экземпляров данного класса, найденных класси-фикатором, относительно всех примеров данного класса в тестовой выборке:

recall	l	=	all	.	(7)
			∑ail

i

Точностью в пределах класса l (англ. precision) на-зовем величину, равную доле примеров в тестовой выборке, действительно принадлежащих классу l от-носительно всех экземпляров, которые были отнесены к данному классу:

precision	l	=	all	.	(8)
			∑alj

j

Чем выше точность и полнота, тем качество рабо-ты классификатора лучше. Однако при решении прак-тических задач редко удается добиться максимальных значений обеих метрик одновременно. Поэтому часто используют такой показатель, как F-score, объеди-няющий в себе информацию и о точности, и о полно-те классификатора:

F-score = 2 ⋅		Recall ⋅ Рrecision		,	(9)
			Recall+Рrecision
где Recall = ∑recall,	Precision = ∑precision .
l			l

Исследование эффективности предложенного под-хода проводилось с использованием баз данных Berlin [16], SAVEE [17] и LEGO [18], содержащих характе-

ристики голосовых записей на немецком, английском и английском языках соответственно (табл. 2). При анализе каждой аудиозаписи с помощью програм-

мных систем OpenSMILE [19] и Praat [20] было полу-

чено 384 признака: максимальное, минимальное, среднее значения или среднеквадратическое отклоне-ние акустических характеристик, описывающих рече-вой сигнал, его высоту, вибрации, интенсивность и т. п.

			Таблица 2
Название		Объем
	Язык	базы	Классы
базы данных
		данных
			Нейтрально, злость,
Berlin	немецкий	535	страх, счастье, грусть,
			скука, отвращение
SAVEE			Злость, отвращение,
(Surrey
	английский		страх, счастье, грусть,
Audio-Visual		480
			удивление, нейтраль-
Expressed
			но
Emotion)
LEGO	английский	4827	Нейтрально, злость,
			тишина / шум

Для сравнения эффективности работы классифи-каторов на полном и сокращенном наборе признаков была использована процедура кроссвалидации: каж-дая выборка случайным образом делились на 6 стра-тифицированных частей.

На этапе отбора информативных признаков гене-тическому алгоритму было выделено следующее ко-личество ресурсов: 100 индивидов и 100 поколений. Настраиваемые параметры приняли следующие зна-чения: размер внешнего множества – 30, время адап-тации – 5 поколений, размер штрафа – 10 индивидов

• «социальная карта» – 10 индивидов.

• табл. 3 представлен пример матрицы неточно-стей, полученной при классификации экземпляров базы данных Berlin с помощью машин опорных век-торов на полном наборе признаков.

Точность и полнота системы в целом приняли следующие значения: Precision = 82,14 %, Recall = = 81,28 %. Тогда показатель F-score равен:

F-score = 2 ⋅	81,28⋅82,14	= 81,71 %.	(10)
	81,28 + 82,14

Подобным образом были вычислены значения по-казателя F-score в остальных экспериментах. Табл. 4 содержит результаты классификации на полном и сокращенном наборе признаков для трех баз данных.

При этом число признаков, используемых алго-ритмом классификации, для базы данных Berlin было сокращено в среднем с 384 до 182,2, для SAVEE – до

178,3, для LEGO – до 180,9.

Анализ полученных результатов показал, что раз-работанная методика в большинстве случаев позволяет

не только повысить качество работы классификатора, но и существенно сократить количество признаков, используемых при распознавании эмоций говорящего (приблизительно в два раза). Причем для некоторых классификаторов улучшение показателя F -score со-ставляет десятки процентов (до 44 % для ансамбля деревьев решений на базе данных SAVEE). Следует также заметить, что ухудшение в работе классифика-

торов SVM, Logit и LogitBoost для базы данных LEGO

невелико – около 1 %. В большинстве же эксперимен-тов предложенный метод отбора информативных при-знаков демонстрирует свою высокую эффективность.

Таблица

Пример матрицы неточностей для базы данных Berlin, полученной на полном наборе признаков с помощью машин опорных векторов

															Действительные значения
																																															Точность
						Счастье			Нейтрально						Злость								Грусть							Страх				Скука					Отвращение								в пределах
																																															класса, %
значения			Счастье			49			2								14						0							10		0				2											63,64
		Нейтрально				1			70								0						0							0		9				0											87,50
Предсказанные			Злость			13			0								113						0							3		0				1											86,92
			Грусть			0			0								0						52							2		7				1											83,87
				Страх		7			1								0						1							53		1				2											81,54
				Скука		0			6								0						7							0		64				3											80,00
	Отвращение					1			0								0						2							1		0				43											91,49
			Полнота			69,01			88,61								88,98						83,87							76,81		79,01				82,69
		в пределах
			класса, %
																																															Таблица 4
									Результаты тестирования предложенного подхода
						Berlin													SAVEE																				LEGO
				F-score, %											F-score, %																			F-score, %
				Всепризнаки		ПослеГА		Улучшение, %						Всепризнаки						ПослеГА						Улучшение,								Всепризнаки					ПослеГА						Улучшение, %
																												%
MLP				82,87		82,26			–0,74				61,72						63,58								3,01						67,53					71,70									6,18
SVM				81,71		82,14			0,53				59,22						60,77								2,62						70,81					69,88									–1,31
Logit				80,04		82,15			2,64				57,20						63,46								10,95						70,75					69,82									–1,31
RBF				68,93		71,59			3,85				43,27						44,15								2,03						52,61					61,31									16,53
Naive				66,91		67,45			0,81				43,64						45,53								4,33						57,00					59,43									4,26
Bayes
J48				50,15		51,96			3,60				42,46						47,79								12,55						57,55					64,90									12,77
Random				54,69		73,43			34,27				38,60						55,73								44,38						65,47					68,47									4,58
Forest
Bagging				60,60		63,29			4,43				42,99						52,91								23,07						67,53					68,06									0,79
Logit				66,66		71,21			6,82				49,08						52,22								6,40						67,66					67,04									–0,92
Boost
OneR				29,20		29,20			0,00				30,41						30,41								0,00						59,01					59,01									0,00

Статья №15.

Разработка модели диалоговых человеко-машинных интерфейсов в биллинговых системах

Взаимодействие сложной вычислительной сис-темы и человека происходит с помощью специаль-ных инструментов, но не всегда эти инструменты удобны и понятны пользователю. Работа может стать более комфортной, если общение человека

• системой будет похоже на общение двух людей, говорящих на одном языке и обладающих некото-рым набором знаний в обсуждаемой предметной области. В статье описаны способы построения мо-дели диалоговых человеко-машинных интерфейсов

• использованием голосовых возможностей для ввода данных и их последующего анализа.

Ключевые слова: человеко-машинный, биллинговая система, модель.

User interacts with computing system by special instruments, but these instruments aren’t always convenient and popular for him. His work may be more comfortable if communication with system will be like communication between people, who speak one language and have some knowledge in sphere interested. The article describes ways for building models of human-machine interfaces using voice speech and recognition and data analysis.

Key words: human-machine, billing system, model.

Введение. Диалог – специфическая форма и ор-ганизация общения, коммуникации. В диалоге два объекта обмениваются информацией, выстраивая логическую цепочку сообщений.

С появлением автоматизированных систем диа-лог можно рассматривать как способ общения чело-века и машины. С изобретением систем, заменяю-щих некоторые функции человека, общение приоб-рело более сложные формы, и взаимодействовать c механизмами стали специально обученные люди. На современном этапе управление такими механиз-мами стараются упростить, адаптировать под обыч-ного человека, свести управление сложной систе-мой к простому и понятному диалогу ее с пользова-телем [1].

Персональные компьютеры в настоящее время активно используются как связующее звено между сложной вычислительной системой и человеком. Оператор – это человек, обладающий навыками работы с системой и занимающийся вводом и обра-боткой данных. Посредством программного интер-фейса оператор отправляет запросы и получает ре-зультат. В процессе такого взаимодействия важны-ми факторами являются:

– время, необходимое на формирование запроса

• системе и получение ответа;

– количество ошибок, допускаемых при вводе данных;

– удобство использования системы, т.е. доступность и интуитивная понятность совершаемых действий;

– получение ожидаемого результата в наглядном виде.

Для большинства современных автоматизиро-ванных систем расчета главной задачей является получение правильного результата за разумное время, и далеко не все приложения, используемые для работы с такими системами, обладают выше-перечисленными свойствами. В связи с этим опе-раторы, работающие с такими приложениями, ис-пытывают неудобства и иногда допускают ошиб-ки. Проблема актуальна в современных биллинго-вых системах, используемых для ежемесячного расчета платы за жилищно-коммунальные ре-сурсы.

В биллинговых системах взаимодействие опера-торов с вычислительным центром происходит через прикладное приложение, содержащее формы для ввода данных, экранные и печатные формы в виде отчетности, инструментарий для выполнения рас-четных операций. Работа оператора с приложением в процессе ввода данных происходит в односторон-нем режиме, без обратной связи, что является для человека неестественным и увеличивает вероят-ность ошибки. Объем данных, как правило, боль-шой, и процесс ввода можно оптимизировать, адап-тировав к более привычным средствам коммуника-ции. Такая оптимизация позволит не только улуч-шить качество работы операторов, но и может стать инструментом для людей с ограниченными воз-можностями.

Прогресс в области речевых технологий позво-ляет использовать голосовые решения как в управ-лении сложными интеллектуальными системами, так и для простого поиска информации.

В научно-фантастическом исследовании [2],

сделанном «The University of Nottingham» по заказу компании Microsoft, говорится о революционных переменах в области человеко-компьютерного взаимодействия, связанных с отказом к 2020 г. от стандартных способов ввода-вывода – клавиатур, мышей, чтения текста с экрана монитора и перехо-дом к тачскринам и системам синтеза и распознава-ния речи. Один из наиболее известных проектов в области человеко-машинного взаимодействия и синтеза и распознавания речи на сегодняшний день – персональный помощник «Siri» [3] (разра-ботка Международного центра искусственного ин-теллекта SRI). На момент написания данной статьи русский язык «Siri» не поддерживает. Также огром-ных успехов в области распознавания и синтеза ре-чи добилась компания Google [4], у которой суще-ствует поддержка русского языка. Сервисы компа-нии доступны любому пользователю сети и на сего-дняшний день бесплатны. В России наиболее инте-ресны исследования «Центра речевых технологий», например, приложение «Voice Navigator», а также решения компании Speereo, такие как «Умный дом», но в настоящее время данные приложения весьма дорогостоящи.

Цель данной статьи – разработка и описание мо-дели программного интерфейса на примере биллин-говой системы, которая в режиме диалога сможет взаимодействовать с пользователем, анализировать его действия, задавать ему вопросы и получать от-веты. Такое «живое» общение человека и системы должно минимизировать неудобства, возникающие при работе с системой неопытных пользователей, быть интуитивно понятным, уметь анализировать возможные ошибки и в целом минимизировать вре-мя работы с системой.

Описание алгоритма и структуры данных.

Диалог компьютера с пользователем можно осуще-ствить как минимум двумя способами: традицион-ным – читать текст с экрана монитора и вводить соответствующие данные в поля формы при помо-щи клавиатуры и мыши, а также с развитием новых технологий использовать возможности синтеза и распознавания речи: прослушивать текст, задавать команды и вводить текст голосом. Идеальным вари-антом могла бы стать система, которая в зависимо-сти от желаний пользователя может работать в обо-их режимах.

В рамках исследования была создана модель программы в виде интернет-сайта, а в качестве сис-темы синтеза и распознавания речи использованы сервисы Google. Клиент-серверная технология рас-познавания и синтеза речи Google была выбрана ввиду следующих преимуществ перед конкурента-ми:

– приемлемое качество распознавания русской речи;

– отсутствие необходимости обучения системы (база для обучения сформирована на основе боль-шого числа пользователей Интернета);

– высокая скорость распознавания за счет ис-пользования ресурсов компании;

– простота внедрения в web-формы.

Недостатком является необходимость доступа

• Интернету.

• качестве форм, подлежащих «озвучиванию», были выбраны наиболее часто используемые формы ввода адреса (как пример формы с последователь-ным распознаванием слов) и форма ввода показаний по приборам учета (форма с периодически повто-ряющимися данными для каждого прибора учета). Для каждой формы выработан формат ввода голо-совых данных – строгая последовательность слов, состоящая из ключевых слов и значений справоч-ников.

Форма адреса. Адрес в простейшем случае со-стоит из названия города, улицы, номера дома и квартиры.

Для формы ввода адреса обязательная последо-вательность выглядит так:

КС«адрес»_КС«город»_ЗС«города»_КС«улица»_ ЗС«улицы»_КС«дом»_ЗС«дома»_КС«квартира»_ ЗС«квартиры»,

где КС – ключевое слово ; ЗС – значение соответст-вующего справочника; _ – символ-разделитель, на-пример, пробел.

Пример последовательности, которую можно корректно проанализировать

адрес_город_барнаул_улица_ попова_дом_95_ квартира_3,

при условии, что в соответствующих адресных справочниках есть данные по такому адресу.

Процесс распознавания должен выделять каж-дую из этих составляющих в строгой последова-тельности, так как иначе цепочка нарушится, так, например, без города улицу однозначно определить невозможно.

Форма ввода показаний по приборам учета.

Для занесения показаний необходимо указать номер лицевого счета абонента, тип показания (начальное, конечное или разность) и величину показания. По-казаний для каждого лицевого счета может быть одно, два или три. Последовательность для формы ввода показаний выглядит так:

КС«лицевой»_ЗС«лицевой счет»_КСТ_З[_КСТ_З] [_КСТ_З],

где КС – ключевое слово ; ЗС – значение соответст-вующего справочника; _ – символ-разделитель, на-пример, пробел; КСТ – одно из ключевых слов «на-чальное», «конечное» или «разность»; З – значение показания (положительное число).

В квадратные скобки заключены необязательные выражения.

Для формы ввода показаний последовательность может быть такой:

лицевой_1234_начальное_5_конечное_6 или такой:

лицевой_2345_разность_3.

Для работы с системой анализа распознанного текста понадобилось несколько структур в базе данных. Основные структуры: «Данные», «Ключе-вые слова», «Верификация». Вспомогательные структуры: «Настройки», блок навигации по стра-ницам («Страницы», «Переходы по страницам», «Формы») и набор справочников. В структуру «Данные» в процессе распознавания последова-тельно помещаются отдельные слова, разделенные специальным символом. Разбор текста осуществля-ется с использованием регулярных выражений. При заполнении этой структуры происходит анализ слов, и по каждому из них определяется набор при-знаков. Ключевые слова используются как вспомо-гательные и в структуру не заносятся. Для каждого слова из справочника записывается его значение и определяется ключевое слово, к которому оно отно-сится, а для некоторых происходит проверка нали-чия в соответствующем справочнике такого значе-ния и ставится признак (найден/не найден). Необ-ходимость сверки со справочником определяется признаком ключевого слова.

Структура «Ключевые слова» включает:

– название ключевого слова;

– название элемента формы, к которому данное ключевое слово прикрепляется;

– ссылка на родителя – ключевое слово;

– признак сверки со справочниками.

Данная структура позволяет определить принад-лежность ключевого слова и его значения к элемен-ту формы. Ссылка на родительское ключевое слово дает возможность работать с массивом вводимых значений, причем уровень иерархии в такой цепоч-ке определяет размерность массива. Так, например, для формы ввода адреса достаточно одномерного массива значений, здесь родительское ключевое слово будет «адрес», тогда как в форме ввода пока-заний по приборам учета цепочка может выглядеть так: «показания» – «лицевой» – «начальное показа-ние». Правильное написание некоторых значений ключевых слов необходимо проверить – за это от-вечает признак сверки со справочниками. В том случае, если он установлен, будет производиться поиск введенного наименования в справочнике.

Если запись	не будет	найдена, то слово введено
с ошибкой и	система	предложит повторить ввод,

в качестве подсказки определив наиболее похожие значения справочника.

Структура «Верификация» содержит текст запро-са с параметрами и их количеством для поиска зна-

чений по заданным параметрам в соответствующем справочнике. С ее помощью можно одним действием определить корректность введенного слова. Функ-циональная схема модели приведена на рисунке.

Функциональная схема модели

Необходимые требования к техническому обеспечению и работе оператора. Для того чтобы работа оператора с программой происходила наи-более эффективно, необходимо учитывать следую-щие факторы:

1. Аппаратное обеспечение. Качество микрофо-на и его чувствительность оказывают влияние на скорость передачи голосовых данных на сервер и качество распознавания речи. Опытным путем было выяснено, что для Google оптимальными яв-ляются настройки в 8–16 КГц, так как при меньшей частоте страдает качество, а при частоте 44 КГц и более выдается ошибка на сервере. При этом рас-стояние диктора до микрофона должно быть от 15 до 20 см.

2. Программное обеспечение. Технология синте-за и распознавания речи Google предполагает нали-чие серверной и клиентской частей приложения.

Работа оператора происходит с клиентской частью, равномерно, с одинаковыми промежутками между

на сервер отправляются данные, полученные через ними.

микрофон, и результат возвращается обратно в кли- Как правило, оператор, долгое время работав-

ентское приложение. Эксперименты показали, что ший с системой в режиме ручного ввода текста,

оптимальный промежуток между словами составля- с предубеждениями относится к кардинальным пе-

ет от 0,5 до 1 секунды, а после паузы в 2 секунды ременам в своей работе. Поэтому для облегчения

данные отправляются на сервер для распознавания. адаптации предусмотрено переключение между

Для форм, предусматривающих ввод периодиче- методами ввода в любой удобный для оператора

ских данных (форма ввода показаний по приборам момент. Это позволит снизить возможную негатив-

учета), оптимальным вариантом будет ввод не сразу ную реакцию на период перехода. Если человек или

всего большого объема, а блоками по 5–8 записей. система распознавания ошиблись при вводе значе-

Это позволит облегчить проверку их после проце- ния справочника, то предусмотрен повторный ввод

дуры распознавания, а также не создавать большую значения и для этого используются интерактивные

нагрузку при передаче их на сервер. Так как вы- подсказки.

бранный алгоритм распознавания использует боль- Заключение. В результате работы создана и

шую базу данных [4], основанную на запросах описана диалоговая модель программного интер-

пользователей сети Интернет, все ключевые слова фейса на примере биллинговой системы, которая

распознаются верно в большинстве случаев. Веро- взаимодействует с пользователем, предоставляя

ятность правильного распознавания удалось повы- возможность выбора способа ввода данных. Приве-

сить еще значительнее путем составления для каж- дены требования, повышающие эффективность ра-

дого ключевого слова на основе проведенных тес- боты с новыми возможностями системы, сформиро-

тов словаря синонимов. ванные на основе анализа и тестирования. В даль-

3. Человеческий фактор. От оператора, его го- нейшем планируется проверить модель на альтер-

лоса и дикции в значительной степени зависит ка- нативных голосовых системах, например, на тех,

чество распознавания озвученного текста. Вне за- которые не требуют подключения к сети Интернет,

висимости от алгоритма распознавания четкая усовершенствовать логику работы с пользователем,

дикция и отсутствие посторонних шумов повыша- а также определить параметры, по которым данная

ют вероятность правильного результата. Голос модель превосходит традиционный способ ввода

диктора должен быть спокойным, необходимо го- или ему уступает с помощью дальнейшего тестиро-

ворить негромко, но и не тихо, произносить слова вания.

Статья №16.

ТЕХНОЛОГИЯ ПОСТРОЕНИЯ ОБУЧАЮЩИХ ДИАЛОГОВ

В КОМПЬЮТЕРНЫХ СИСТЕМАХ РЕПЕТИТОРСКОГО ТИПА

Обсуждаются вопросы использования конечных автоматов с памятью для по-строения многошаговых обучающих диалогов в системах репетиторского типа, что позволяет существенно упростить программные алгоритмы, имитировать обучающий диалог на естественном языке, не накладывая явных ограничений на терминологию и фразеологию ответа обучаемого, и реализовать в обучаю-щей системе гибкое индивидуализированное обучение. Вывод соответствую-щих реплик или подсказок в каждом из состояний автомата, в зависимости от текущего значения счетчика посещений этого состояния, способствует сущест-венному повышению интеллектуальности диалога.

Ключевые слова: репетиторские обучающие системы, диалоговые системы, автоматизированные обучающие системы.

Потребностью повышения качества образования обусловлено создание различных автома-тизированных обучающих систем (АОС), в которых применяются прогрессивные методы обуче-ния с использованием новейших информационных технологий. Среди этих систем особо можно выделить компьютерные автоматизированные обучающие системы репетиторского типа. Отли-чие репетиторских систем от других АОС определяется, прежде всего, наличием диалоговой формы взаимодействия обучающегося с системой в реальном масштабе времени, где обратная связь осуществляется не только при контроле знаний, но и в процессе их усвоения. Тем не менее существует ряд проблем как технического, так и педагогического характера, решение которых могло бы способствовать активному развитию и использованию репетиторских АОС в учебном процессе. К техническим проблемам следует отнести проблемы анализа текста ответов обучаю-щихся и технологии создания структур вопрос — ответ в диалоговом модуле. Как полагают большинство исследователей и разработчиков адаптивных и интеллектуальных АОС, говорить о полноценном диалоге между учащимся и компьютером можно будет только после решения сложной проблемы кибернетики — понимания компьютером естественного языка. Во всех ос-тальных случаях речь идет об ограничении либо семантической составляющей языка, либо пред-метной области для реализации диалогового режима обучения [1]. В этих условиях актуальное значение приобретает создание программного обеспечения, позволяющего в рамках репетитор-ской АОС имитировать обучающий диалог на естественном языке, не накладывая явных ограни-чений на терминологию и фразеологию ответа обучаемого.

• работе [2] на основе анализа более чем 100 часов учебных взаимодействий обучающихся

• преподавателей выделены такие особенности учебных диалогов, как их многошаговая структу-ра и инициированные преподавателем серии диалогов. Кроме позитивного влияния этих факто-ров на результаты обучения, их легче воплотить в обучающей системе, чем сложные методы и

стратегии, предлагаемые другими исследователями и создателями интеллектуальных обучающих систем. Обычно диалог при индивидуальном обучении растянут, т.е. состоит из нескольких реп-лик, с помощью которых преподаватель и учащийся совместно ищут ответ на вопрос или решают проблему. Процесс объяснений, уточнений и мысленных моделей представления материала крайне необходим для обучения и обычно более эффективен, чем простое предоставление ин-формации учащемуся.

В настоящей статье по результатам проведенного анализа технологий диалогового обу-чения в АОС излагаются соображения по использованию в репетиторских АОС автоматов с памятью для построения структур вопрос — ответ в ходе обучающего диалога и реализациии сценариев диалогов по этому принципу. Наличие памяти в каждом из состояний автомата (шагов или сцен диалога) позволяет осуществлять дифференцированный анализ ответов обу-чаемого (в зависимости от текущего счетчика посещений этого состояния) и вывод соответ-ствующих реплик или подсказок, тем самым повышая интеллектуальность диалога.

Существуют два уровня формирования логики диалога. Первый (или внешний) уровень — это собственно сам сценарий и его разделы, соответствующие состояниям автомата (рис. 1), условия переходов из одного состояния в другое, а также комментарии и подсказки системы. Количество разделов не ограничено и определяется только логикой описываемого диалога. В каждом разделе могут содержаться дополнительный вопрос, а также дополнительные блоки, осуществляющие мно-гошаговый анализ ответа обучаемого, что позволяет создавать диалоги произвольной длины и сложности. Переход из одного раздела в другой выполняется на основании совпадения ответа обу-чающегося с шаблоном возможного варианта ответа, заданного в блоке, содержащем условия и дей-ствия сценария для данного раздела, или в блоке, содержащем действия по умолчанию. Структура сценария также может быть задана в виде грамматики, интерпретируемой автоматным преобразова-телем. В качестве стандарта в таких случаях принято использовать язык XML.

Действие по умолчанию

Счетчик		Переход
Объяснение		к другому разделу
ошибки

Рис. 1

Второй (или внутренний) уровень формирования логики диалога — это сценарий (алгоритм или выражение) поиска ключевых слов, определяющий, какие слова и в какой

последовательности должны быть найдены: должны ли они находиться в какой-либо свя-зи между собой, должны ли они вычеркиваться из строки поиска и/или восстанавливаться после нахождения, и какая степень точности (распознавания) должна быть соблюдена. В качестве механизма описания алгоритма поиска ключевых слов предлагается метод, разработанный А. И. Стригуном [3, 4] для синтаксического анализа контекстно-зависимых высказываний на основе разбора функций логических дескрипторов. Меха-низм префиксной записи операторов идеально подходит для стековой или рекурсивной обработки выражения , а само выражение является алгоритмом выполнения проверки тек-ста ответа учащегося. Преимуществом языка, лежащего в основе данного метода, являют-ся простота, гибкость и возможность составления собственных алгоритмов для каждого требующего проверки выражения. В расширенной форме представления грамматик Бэку-са — Наура этот язык описывается следующим образом:

флод ::= (оператор { флод } конец_оператора | оператор { дескриптор } конец_оператора)

спец_символ ::= '`' расширен_поиск расширен_поиск ::= (?,*)

дескриптор ::= { дескриптор } | (спец_символ, расширен_поиск, конец_оператора, буква, цифра, '_')

оператор ::= ('&', '@', '^', '|', '\', '/', '[', ']', '{', '}','~', '~+', '~-')

конец_оператора ::= '.'

Обработку сценариев обучающих диалогов предлагается выполнять с помощью интер-претатора, построенного также по принципу автомата с памятью. Интерпретатор сценариев выполняет такие функции, как предъявление вопросов и анализ ответов, кроме того, он реа-лизует интерактивные механизмы взаимодействия с пользователем в виде подробных описа-ний ошибок и переходов к дополнительным вопросам в случае неверных ответов. Логика ра-боты интерпретатора описывается алгоритмом, преобразуемым в автомат Мура (рис. 2, здесь a_i — состояние автомата) с помощью метода, предложенного в работах [5—8]. Набор вход-ных переменных и действий автомата представлен в таблице.

Изложенный подход к структурной организации сценариев позволяет применять уни-версальный алгоритм для обработки сценариев произвольных размеров и задавать контент сценария декларативно, посредством экранных форм пользовательского интерфейса.

	Входная переменная		Действие
x1 — ожидание сценария диалога или выбор		y0 —	ожидание сценария, номера раздела
	раздела диалога		или ответа обучающегося
x2 — проверка ответа обучающегося по всем		y1 — установление кода ошибки: err = 0; вы-
	доступным шаблонам правильного от-		бор требуемого раздела, увеличение
	вета раздела сценария		счетчика раздела
x3 — совпадение ответа с шаблоном пра-		y2 —	получение следующего шаблона пра-
	вильного ответа		вильного ответа
x4	— проверка ответа обучающегося по всем	y3 — сравнение шаблона с ответом
	доступным шаблонам неправильного
	ответа раздела сценария
x5	— совпадение ответа с шаблоном непра-	y4 —	получение следующего шаблона непра-
	вильного ответа		вильного ответа
x6	— ошибка	y5 — получение параметров по умолчанию
x7	— ошибка	y6 — выполнение действий по умолчанию
	—	y7 — установление кода ошибки: err = 1
	—	y8 — возврат кода ошибки или номера сле-
			дующего раздела сценария

Применение рассмотренного подхода при построении обучающих диалогов дает воз-можность существенно упростить программные алгоритмы, реализовать в обучающей сис-теме относительную предметную независимость и использовать естественный язык для ввода ответов учащихся. Вывод соответствующих реплик или подсказок в каждом из со-стояний автомата, в зависимости от текущего значения счетчика посещений этого состоя-ния, способствует существенному повышению интеллектуальности диалога. Таким обра-зом , использование автоматов с памятью позволяет реализовать в репетиторских АОС гиб-кое индивидуализированное обучение. Предложенные теоретические положения могут найти практическое применение при построении самостоятельной адаптивной обучающей системы и в качестве структурной основы для создания отдельных модулей к различным обучающим системам.

Статья №17.

СИСТЕМЫ УПРАВЛЕНИЯ БАЗАМИ ДАННЫХ

ДЛЯ ПРОЕКТИРОВАНИЯ ТЕХНОЛОГИИ

И КОМПЛЕКСА ТЕХНИЧЕСКИХ СРЕДСТВ

ПО УХОДУ ЗА ЛУГАМИ И ПАСТБИЩАМИ

Приведен пример использования разработанной на основе систем управления базами данных (СУБД) «Access» диалоговой системы для проек-тирования технологии и комплекса технических средств по уходу за лугами и пастбищами.

Проектирование адаптивных технологий для ухода за лугами и пастбищами представляет собой сложную многовариантную задачу, решение которой возможно только с применением вычислительной техники. Множественно-логическое описание совокупностей техноло-гических вариантов, операций и технических средств подразумевает, что оно содержит конечное множество вариантов, среди которых, обя-зательно должны быть один или несколько, удовлетворяющих задан-ным технико-экономическим требованиям. Для реализации этой цели был разработан алгоритм (рис 1) [1] и создано автоматизированное рабочее место (АРМ «ЛУГА») специалиста-луговода, обеспечивающее возможность профессионалу-технологу, не имеющему навыков про-граммирования, спроектировать адаптивные технологии для ухода за лугами и пастбищами в диалоговом режиме для конкретных условий региона или хозяйства.

Алгоритм построен по принципу отдельных блоков, соответст-вующих отдельным технологическим процессам и логически связан-ных между собой. Каждый блок имеет в своей основе определенную постоянную и оперативную базы данных и расчетную часть. Структу-ра блока циклическая. При выполнении цикла, удовлетворяющего ус-ловиям, происходит переход на следующие уровни. Кроме прямой по-

следовательной связи существует между блоками и обратная связь. При определенных условиях может происходить возврат из последних блоков к началу программы для корректировки отдельных параметров и нового запуска программы. При достижении результата, удовлетво-ряющего условия поставленной задачи, происходит формирование итоговых результатов и выдача их пользователю в удобной форме.

В блок «Начальные условия» закладываются такие исходные данные, как площадь создаваемых или улучшаемых угодий, длина го-на, тип почвы, тип луга и т. д.

Рис. 1. Алгоритм формирования комплекса технических средств для ухода за лугами и пастбищами

В блоке «Технология» идет выбор технологии для ухода за лу-гами и пастбищами из базы данных по технологиям с учетом состоя-ния угодья на основе базы данных по состоянию угодья.

В блоке «Операции» идет подбор операций в соответствии

С почвенными условиями на основе баз данных по почвам и состоя-нию угодья.

В блоке «Формирование комплекса технических средств» для каждой операции идет расчет энергосредства и сельскохозяйственной машины по специальной методике расчета состава машинно-тракторного агрегата.

В блоке «Технико-экономический расчет» рассчитываются экономические показатели.

В блоке «Выбор оптимального варианта» идет сравнение ком-плексов технических средств, и выбирается лучший вариант.

Программа выполнена с использованием системы управления базами данных (СУБД) «ACCESS 2000» на компьютере, что позволяет использовать возможности для отбора и фильтрации данных из общей совокупности множеств для отбора оптимальных вариантов. Это дос-тигается за счет использования реляционной связи таблиц исходных данных (рис 2). Связь между таблицами устанавливается по заданным ключевым полям [2 ,3].

Исходные данные для программы представлены в девяти таблицах:

- «ПОЧВЫ ЛУГОВ» - тип почв на улучшаемом угодье; - «СОСТОЯНИЕ ЛУГА» - состояние улучшаемого угодья; - «ВИД ЛУГА» - вид луга, площадь, длина гона;

- «ВИД УЛУЧШЕНИЯ» - коренное или поверхностное улуч-

шение;

- «ОПЕРАЦИИ» - операции по всем технологиям; - «ТОПЛИВО» - вид топлива и его стоимость;

- «РАБОЧИЕ» - перечень персонала и часовая тарифная ставка рабочих;

- «ТРАКТОРА» - трактора и их показатели; - «МАШИНЫ» - сельскохозяйственные машины и их показатели.

Система проектирования технологий для ухода за лугами и пастбищами работает в режиме диалога и позволяет проектировать технологии по различным технико-экономическим показателям. В процессе работы программа моделирует технологию путем выбора из базы данных всех технических средств, которые могут быть ис-пользованы в данной технологии.

Программа запрашивает у пользователя информацию по кор-мовым угодьям: вид луга, состояние луга, площадь улучшения, вид почвы, длину гона. Далее программа запрашивает информацию о дан-ных по тракторам (мощность, масса, тяговый класс, часовой расход топлива, годовая загрузка) и сельскохозяйственным машинам (ширина захвата, производительность, рабочая скорость, масса). Затем вводятся стоимостные показатели (балансовая стоимость тракторов и сельхоз-машин, тарифная ставка рабочих, стоимость топлива, нормы отчисле-ний на амортизацию, ремонт, хранение) для технико-экономических расчетов. Также запрашивается дополнительная информация: время смены, коэффициент сложности работ, число человек, обслуживаю-щих ту или иную операцию. Кроме информационных таблиц, в систе-ме используются «запросы» и «отчеты», в которых содержится про-межуточная информация, формулы для расчета показателей, формы для ввода и вывода информации.

После ввода всех условий программа переходит к расчету тех-нологии. На экран выдаётся информация о длительности выполнения каждой операции отдельной машиной, с каждым предложенным трак-тором, подходящим по тяговому классу. Если рассчитанная длитель-ность операций не устраивает, то задается большее число машин и расчет повторяется снова. Также на экран выдается информация о технико-экономических показателях технологии - стоимость каждой операции, энергозатраты, трудозатраты, металлоемкость. Для выпол-нения каждой операции предлагается несколько машин и в конце по каждому показателю показывается min и max, т.е. у какой машины тот или иной показатель минимальный, а у какой - максимальный. Далее оператор выбирает нужную ему машину, оценивая ее по одному или нескольким показателям. Результаты моделирования и расчетов вы-даются на экран или на печать в виде технологической карты, которая содержит информацию о составе технических средств и технико-экономических показателях технологии. Пример технологической карты приведен на рис. 3.

Производственная проверка фрагментов технологии, спроек-тированной на основе АРМ «ЛУГА» в ОПХ «Каложицы» в 2004 г. подтвердила ее адекватность. Расхождение расчетных и фактических показателей не превышает 10%. Рациональные варианты технологии, рассчитанные с помощью АРМ технолога-луговода, обеспечили:

• повышение урожайности трав на 34%, за счет внесения опти-мальных доз удобрений и извести, освобождения полезной площади от камней и т.д.;

• снижение удельных затрат на производство 1 ц зеленой мас-сы на 16,3 руб. и энергозатрат на 14-38% за счет подбора адаптивной технологии и комплекса технических средств.

Используя АРМ «ЛУГА», специалист имеет возможность опе-ративно решать следующие задачи:

• проектировать типовые (базовые) технологии для регионов

• типичными почвенно-климатическими условиями с учетом экономи-ческого положения хозяйств;

• проектировать наиболее рациональные технологии для конкретного хозяйства с учетом имеющейся в хозяйстве материально-технической базы;

• прогнозировать эффективность использования в условиях хозяйства новой техники или технологических приемов;

• готовить информацию для принятия управленческих реше-ний путем оперативного расчета возможных вариантов улучшения при изменении почвенных, материальных и других условий.

Статья №18.

Структура стенда для исследования человеко-машинного интерфейса на естественном языке

D. A. Suranova

Structure of the Stand for the Creation of Human-Machine