31. Факторы коммерциализации ис искусственного интеллекта

Причины, приведшие системы искусственного интеллекта к коммерческому успеху, следующие:

1. Специализация. Переход от разработки инструментальных средств общего на-значения к проблемно/предметно специализированным средствам, что обеспечива-ет сокращение сроков разработки приложений, увеличивает эффективность исполь-зования инструментария, упрощает и ускоряет работу эксперта, позволяет повторно использовать информационное и программное обеспечение (объекты, классы, пра-вила, процедуры).

2. Использование языков традиционного программирования и рабочих станций. Пе-реход от систем, основанных на языках искусственного интеллекта (Lisp, Prolog и т.п.), к языкам традиционного программирования (С, С++ и т.п.) упростил "интегри-рованность" и снизил требования приложений к быстродействию и емкости памяти. Использование рабочих станций вместо ПК резко увеличило круг возможных прило-жений методов искусственного интеллекта.

3. Интегрированность. Разработаны инструментальные средства искусственного ин-теллекта, легко интегрирующиеся с другими информационными технологиями и средствами (с CASE, СУБД, контроллерами, концентраторами данных и т.п.).

4. Открытость и переносимость. Разработки ведутся с соблюдением стандартов, обеспечивающих данные характеристики.

5. Архитектура клиент/сервер. Разработка распределенной информационной систе-мы в данной архитектуре позволяет снизить стоимость оборудования, используемо-го в приложении, децентрализовать приложения, повысить надежность и общую производительность, поскольку сокращается объем информации, пересылаемой между ЭВМ, и каждый модуль приложения выполняется на адекватном оборудова-нии.

Перечисленные причины могут рассматриваться как общие требования к инстру-ментальным средствам создания систем искусственного интеллекта.

32. Добыча знаний в ткс.

Data Mining (DM) - Дословно эти слова означают «добыча, раскопки, извлечение данных». Добываются данные из баз данных (БД), где они как бы свалены в кучу. Добываются они не просто так, а для поддержки принятия решений (DS). Каких — не суть важно.

Схема примерно такая: Обнаружение знаний - Использование знаний

Обнаружение знаний (knowledge discovery) — нахождение скрытых структур (patterns), которые преобразуют данные в информацию (в то, что уточняет наши знания). Это поиск регулярностей среди групп записей. Обнаружение знаний делит-ся на прямое и косвенное. В косвенном не делается предварительных предположе-ний, данные говорят сами за себя. Прямое — пытается объяснить или разбить на категории конкретные поля БД, косвенное не задает конкретных полей.

Использование знаний (knowledge deployment) — применение найденных знаний для достижения преимуществ в бизнесе.

Технология DM придумана для решения вопросов бизнеса, которые программиро-вание на SQL и средства Query/OLAP не могут решить адекватно.

Зачем нужна добыча знаний?

Пример из области финансов: "Кто из ваших заказчиков имеет наибольшую пред-расположенность отозваться на предложение вашей новой Золотой кредитной кар-ты?".

В телекоммуникации: "Кто из заказчиков наиболее вероятно перейдет к конкурентам в условиях кризиса?".

В дистрибуции: "Через какой канал и кому следует предлагать эти продукты?".

В розничной торговле: "Какие продукты следует продвигать со скидками, чтобы это привело к росту продаж наиболее прибыльных линеек?";

"Кто наши наиболее выгодные покупатели, какова потенциальная прибыль от них и каков риск их истощения?".

Замечание: первые два примера относятся к области простых прогнозов, которые составляют около 75% сегодняшнего применения data mining (так называемый predictive modeling).

В случае, если с помощью DM удается ответить на поставленный вопрос, фирма сможет увеличить прибыль, повысить уровень обслуживания клиентов (предвидеть запросы, лучше удовлетворять спрос) и добиться конкурентного преимущества на рынке.