34. Перспективы использования систем ии.

Сис-ма ИИ широко исп-ся для извл-ния знаний из инф-ных хранилищ. Инф-ные хранилища (ИХ) – предметно-ориент-ные некоррект-мые, незав-мые от времени коллекции данных, предназ-ные для создания ЭС и СППР. В хранилищах данных (ХД) данные объединены в категории и хранятся в соотв. с обл-ми знаний. Операции обраб-ки знаний и данных из ХД наз-тся Data Mining. Это направление включает: ассоц-ции (выявление связан. между собой событий); послед-ть (построение цепочки связан. во времени событий); клас-ции (выявление признаков, хар-щих группу событий или знаний); кластеризация (выявление родствен. групп событий или знаний); прогноз-ние (выявление зак-тей данных).

Для извлечения исп-ся след. инстр. ср-ва: нейрон. сети (НС); деревья решений (построение логич. цепочек связей); визуализация данных (выявление отклонений); индуктивн. обучение (процесс получения знаний путем выполнения выводов из фактов); нечетк. множества; статистич. методы.

НС – сов-ть связан. узлов, модел-щих структуру биолог. нейрона. НС делятся на: 1)сети общ. назн-ния, кот. настраиваются на решение конкр. задач; 2) объектно-ориентир-ные – исп-мые для распознания символов, управ-ния произ-вом, предсказания сит-ций на вал. рынках; 3) гибридные – исп-мые вместе с опред. ПО (Excel, Lotus). Обл-ти применения НС: - распознание ручн. и печатн. шрифтов, чтение текстов; - контроль кач-ва на произ-ве, клас-ция дефектов; - фин. анализ и прогн-ние инвестиц. проектов, курса валют и цен. бумаг.

Нечетк. множества (НМ) - обраб-ка нечетк. (стахостич./ вероятностных) данных; реал-ся логическ. операции «OR-или», «AND-и», «NOT-не». НМ задает какую-н. группу объектов, каждый из кот. опред-ся вероят-тью принадлеж-ти к этому множеству. НМ исп-ся при описании неопредел. ситуаций в обл-ти фин-сов, управ-нии произ-вом, инвестицион. анализе и проект-нии СППР.

При форм-нии ИХ следует обследовать потенциально интересные внутр. и внешн. источники инф-ции, оценить потенциальн. объем и содержание переносимых в ИХ сведений, требований к структур-ции инф-ции и возм-ти ее поддержания.

Инф-ное, программн. и технич. обеспечение призваны системат-ть как внутр., так и внешн. источники инф-ции.

В кач-ве внутр. источников инф-ции м. выступать: транзакцион. сис-мы, предназ-ные для операцион. работы; сис-ма внутрифирмен. эл. док-тооборота; док-ты из эл. хранилищ; док-ты на бум. носителях.

К внешним источникам информации относятся: инф-ные агентства, постав-щие данные как в эл. виде, так и на бум.

35. Экспертн. Сис-мы (эс), их стр-ра и назначение

ЭС – интелл. вычислит. сис-ма, в кот. включены знания опытн. спец-тов (экспертов) о нек. предметн. обл-ти, и кот. в пределах этой обл-ти способна принимать экспертн. решения (давать советы, ставить диагнозы). ЭС ориент-ны на решение задач: 1) не имеющих четк. алгоритма решения; 2) содержащих больш. объем плохо структурир. инф-ции, имеющих противоречив. данные; 3) требующих больш. объем операт. памяти при огранич. временном ресурсе.

Структура ЭС: 1. Рабоч. память (РП) - для хранения исходн. и промежут. данных решаемой в дан. момент задачи. 2. База знаний (БЗ) - для хранения долгосроч. данных о рассм-мой обл-ти и правил преобраз-ния этих данных. 3. Решатель - на осн-нии исходн. данных из РП и знаний из БЗ формирует послед-ть правил, приводящих к решению задач. 4. Объяснительный компонент (ОК) - объясняет как сис-ма получила решение задачи и какие правила она при этом исп-ла. 5. Компонент приоб-ния знаний (КПЗ) – автом-рует процесс наполнения ЭС знаниями. 6. Диалоговый компонент (ДК) – ориен-ван на орг-цию удобн. интерфейса, исп-мого для решения задач и приоб-ния знаний. 7. Пакет прикладн. прог-м (ППП) – внешн. ППП и СУБД.

Режимы работы ЭС: 1. Режим приоб-ния знаний от эксперта или инженера по знаниям. 2. Режим консультации с конечн. польз-лем.

ЭС делятся на: малые (ориен-ны на СУБД Access, MS SQL, Dbase); средние (поддер-ют среды прог-ния Delphi, Visual Basic, СУБД Oracle, исп-т ОС типа Unix); большие (ориен-ны на пром. СУБД Oracle, Sybase, Informix, исп-т язык логич. прог-ния Visual Prolog).

Клас-ция ЭС: по типам решаем. задач: диагностика, проект-ние, прогноз, план-ние, обучение; по хар-кам задач: структурир-ные/ неструктурир-ные, достоверные/ с опред. вероят-тью достоверности; по внутр. струк-ре: фреймовые (представ-щие классы знаний), исп-щие предикаты (т.е. отношения между знаниями), семантические сети, на основе правил алгебры, логики и нечетк. множеств.

Применение ЭС в сфере эк-ки: 1. ЭС Management Advisor (консультант менеджера) – помогает руков-лю в план-нии коммерч. деят-ти. 2. ЭС Expertax – подготовка рекомендаций ревизорам и налоговым инспекторам. 3. Финаудитэксперт, Stateexpert.

36.СИС-МЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ (СППР), ОСНОВНЫЕ КОМПОНЕНТЫ И НАЗНАЧЕНИЕ.

СППР – автомат-ная сис-ма, использ-щая модели выработки и принятия решений, обеспеч-щая польз-лей эф. доступом к распредел. БД и представл-щая разл. способы отображения инф-ции. СППР–сис-мы, обес-щие лиц, приним-щих реш-ния(ЛПР), необход. для их принятия данными, знаниями, выводами и/или реком-циями. Сущность СППР: предостав-ние возм-сти ЛПР оценить или ранж-ть альтер. варианты решения. Реш-е о выборе альтер-вы приним-т чел-к. СППР предназначены для оказания помощи руков-лю по исп-нии данных знаний и моделей при подготовке и принятии решений, за кот. руководитель несет ответственность. Классы СППР: 1. EIS (для руков-ва высшего уровня). 2. DSS (для руков-ва среднего уровня). Подклассы СППР: 1) стратег. инф. сис-мы (SIS); 2) производ. инф. сис-мы обраб-ки транзакций (TPS); 3) управ-кие инф. сис-мы (MIS).

Клас-ция СППР: по концепт. моделям: инф-го подхода, искусств. интел-та (инструм. подход); по решаем. задачам: уник., повтор-ся, целостн. (многокритериальн.), объективн., субъективн.; по орг-ным уровням: стратегич., управленч., инженерн., операт.; по обл-ти прим-ния: микро- и макроэк-ка, оценка тех-гий, план-ние и прогноз-ние. Этапы проект-ния и разраб-ки СППР: 1. Идентификация задачи. 2. Концептуализация задачи. 3. Формализация БД, знаний и моделей. 4. Построение БД, знаний и моделей и всей сис-мы в целом. 5. Тестирование. 6. Опытная эксплуатация. Методы многокритериал. оценки альтернатив: 1. Аксиоматич. методы – опред-ся правила колич-ной оценки полезности с учетом конкр. требований (аксиом). 2. Прямые методы – полезность задается как ф-ция оценок по отд. видам критериев. 3. Методы компенсации – эквивалентно оцениваемые альтернативы исключ-ся из рассмотрения. 4. Методы порогов несравнимости – задаются правила срав-ния пар альтернатив. 5. Чел-ко-машин. методы – строятся колич-ные модели поведения управляемого объекта или процесса. Для многокритер. варианта оценки альтернатив необходимо: 1) сформ-ть множество альтер-в; 2) сформ-ть множество критериев оценки альтер-в; 3) получить оценки альтер-в по критериям; 4) выбрать лучш. альтер-ву, кот. и выдается сис-мой в кач-ве реком-ции.

Архит-ра СППР: СППР – сов-ть след. подсис-м: комплекс распределит. технич. ср-в; комплекс матер. моделей, анализа состояний и выраб-ки решений; БД, сис-ма управ-ния моделями данных; сис-мы обраб-ки и отображения инф-ции. Осн. типы архит-р СППР: ф-ная, незав-мые витрины данных, 2-х и 3-уровнев. ХД. Этапы работы СППР: 1) идентиф-ция проблемы, выявление целей и ресурсов; 2) структур-ция задачи - построение схемы критериев, выбор шкалы оцен-ния критериев; 3) генерация альтер-в; 4) оцен-ние альтер-в по критериям; 5) выбор лучш. альтер-в и их ранжирование; 6) анализ выбран. альтер-в; 7) реал-ция рез-тов.