- •Суми 2009
- •Напрямки робіт у галузі ші
- •Когнітивні процеси
- •Загальна структура смислового простору
- •Поняття знань.
- •Схеми проблем
- •Евристичні моделі подання знань.
- •1. Продукційне подання знань
- •2. Мережна модель (мм)
- •3. Подання знань у вигляді фреймів
- •Логічні моделі(лм) подання знань
- •1. Логіка висловлювань
- •Нечітка модель (нм) подання знань
- •Штучні нейронні мережі (шнм)
- •Біологічний нейрон
- •Штучний нейрон
- •Штучна нейромережа
- •Стратегії та методи виведення знань
- •І. Виведення за аналогією (вза)
- •Іі. Індуктивне умовиведення (ів)
- •Ііі. Виведення на основі категоріальних знань (вкз)
- •1. Концептуальні умовиводи (ку)
- •2. Дедуктивне виведення
- •2. 1. Виведення в продукційних системах (пс)
- •2.2. Виведення в умовах невизначеності (вун)
- •2.3. Виведення в семантичних мережах(см)
- •2.4. Виведення в мережах фреймів (мф)
- •2.5. Виведення в логічних системах (лс)
- •2.6. Метод резолюції
- •1. Нечітке виведення (нв)
- •1.1.Формування нечіткого логічного висновку:
- •2. Штучні нейронні мережі (шнм). Нейропарадигми.
- •2. 1. Процес навчання
- •2.2. Алгоритм навчання хебба
- •2.3. Алгоритм навчання кохонена
- •2.4. Алгоритм навчання процедурою зворотного поширення помилки
- •3. Експертні системи. Основні визначення
- •3.Класифікація експертних систем (ес)
- •4. Архітектура ес
- •2. Методи машинного навчання
- •2.1. Індуктивне навчання (ін)
- •2.2. Навчання формування гіпотез на основі зростаючих пірамідальних мереж
- •1. Стан і тенденції розвитку штучного інтелекту
- •2. Успіхи систем штучного інтелекту і їхньої причини
- •3. Експертні системи реального часу - основний напрямок штучного інтелекту
- •4. Основні виробники
- •5. Архітектура експертної системи реального часу
- •6. Розширення прототипу до додатка
- •7. Тестування додатка на наявність помилок
- •8. Тестування логіки додатка й обмежень (за часом і пам'яттю)
- •9. Супровід додатка
- •2. Стисла історія розвитку систем підтримки прийняття рішень
- •2.1. Зародження і розвиток концепції сппр
- •2.2. Теорія розроблення сппр
- •2.3. Розширення рамок сппр
- •2.4. Технологічні просування
- •3. Цілі сппр та чинники,що сприяють їх досягненню
- •4. Посилення конкурентної переваги завдяки сппр
- •1. Еволюція концепції і структури сппр
- •2. Способи взаємодії особи, що приймає рішення, з сппр
- •3. Еволюція сппр
- •4. Характеристика сучасних сппр
- •5. Підсистеми програмного забезпечення сппр
- •1. Галузі застосування сппр
- •2. Приклади застосування сппр
- •3. Сппр Marketing Expert
- •4. Сппр Decision Grid
- •5. Сппр RealPlan
- •6. Сппр tax advisor
- •7. Сппр Advanced Scout
- •8. Система бізнесової інформації(Business Intelligence) FedEx
- •9. Сппр ShopKo
- •1. Архітектура систем підтримки прийняття рішень
- •2. Компоненти користувацького інтерфейсу
- •2.1. Призначення та загальні ознаки користувацького інтерфейсу
- •2.1.1. Важливість та ефективність користувацького інтерфейсу сппр
- •2.1.2. Основні теми та механізмистворення користувацького інтерфейсу
- •2.1.3. Загальні висновки щодо користувацького інтерфейсу
- •2.1.4. Компоненти мови відображень (презентацій)
- •2.1.4. Роль знань у користувацькому інтерфейсі
- •2.1.5. Питання проектування користувацького інтерфейсу
- •Тема: Класифікаційні групи та моделі систем підтримки прийняття рішень.
- •1. Класифікація на основі інструментального підходу
- •2. Класифікація за ступенем залежності опр у процесі прийняття рішень
- •3. Класифікація за часовим горизонтом
- •Характеристика інформаціїдля різних управлінських рівнів
- •4. Інституційні сппр та сппр на даний випадок
- •1. Моделі в аспекті інформаційного підходу
- •2. Модель, основана на знаннях
- •3. Модель єрархії управління
- •4. Моделі, орієнтовані на особистість опр
- •Характерні аспекти процесів оброблення інформації людиною
- •5. Моделі для планування та прогнозування
- •6. Модель для конторської діяльності
- •1. Облікові і фінансові моделі
- •1.1. Аналіз беззбитковості
- •1.2. Моделі фінансового планування
- •1.3. Орієнтовні фінансові звіти (баланси)
- •1.4. Аналіз на основі розрахунку коефіцієнтів за даними звітності
- •2. Моделі аналізу рішень
- •2.1. Аналітичний єрархічний процес (ahp)
- •2.2. Дерева рішень і моделі багатоатрибутної корисності
- •2.3. Діаграми впливу
- •2.4. Прийняття ризикованих рішень за допомогою функції вигідності
- •3. Моделі прогнозування
- •4. Сітьові і оптимізаційні моделі
- •5. Імітаційні (симуляційні) моделі
- •6. Мови моделювання і електронні таблиці
- •1. Стратегія оцінювання і вибору методів підтримки прийняття рішень у сппр
- •2. Процес прийняття рішень
- •3. Ситуації, пов’язані з прийняттям рішень
- •4. Функції і завдання прийняття рішень
- •5. Узагальнена матриця методів/ситуацій, пов’язаних з прийняттям рішень
- •1. Генетичні успадкування — концептуальна засада генетичних алгоритмів
- •2. Загальна схема генетичних алгоритмів
- •3. Доступне програмне забезпечення генетичних алгоритмів
- •1. Визначення виконавчих інформаційних систем
- •2. Призначення віс
- •3. Визначальні характеристики віс
- •Інформаційні потреби опр, реалізовані засобами віс
- •Вимоги щодо моделювання у віс
- •Вимоги щодо користувацького інтерфейсу віс
2. Успіхи систем штучного інтелекту і їхньої причини
Використання експертних систем і нейронних мереж приносить значний економічний ефект. Так, наприклад: - American Express [1] скоротила свої втрати на 27 млн. доларів у рік завдяки експертній системі, що визначає доцільність видачі або відмови в кредиті тій або іншій фірмі; - DEC щорічно заощаджує [1] 70 млн. доларів у рік завдяки системі XCON/XSEL, що за замовленням покупця становить конфігурацію обчислювальної системи VAX. Її використання скоротило число помилок від 30% до 1%; - Sira скоротила витрати на будівництво трубопроводу в Австралії на 40 млн. доларів [3] за рахунок керуючим трубопроводом експертної системи, реалізованої на базі описуваної нижче системи G2. Комерційні успіхи до експертних систем і нейронних мереж прийшли не відразу. Протягом ряду років (з 1960-х років) успіхи стосувалися в основному дослідницьких розробок, що демонстрували придатність систем штучного інтелекту для практичного використання. Починаючи приблизно з 1985 (а в масовому масштабі, імовірно, з 1988-1990 років), у першу чергу, експертні системи, а в останні два роки й нейронні мережі стали активно використатися в реальних додатках. Причини, приведшие системи штучного інтелекту до комерційного успіху, що випливають: 1. Спеціалізація. Перехід від розробки інструментальних засобів загального призначення до проблемно/предметно спеціалізованих засобів [4], що забезпечує скорочення строків розробки додатків, збільшує ефективність використання інструментарію, спрощує й прискорює роботу експерта, дозволяє повторно використати інформаційне й програмне забезпечення (об'єкти, класи, правила, процедури). 2. Використання мов традиційного програмування й робочих станцій. Перехід від систем, заснованих на мовах штучного інтелекту (Lisp, Prolog і т.п.), до мов традиційного програмування (З, З++ і т.п.) спростив "інтегрованість" і знизив вимоги додатків до швидкодії і ємності пам'яті. Використання робочих станцій замість ПК різко збільшило коло можливих додатків методів штучного інтелекту. 3. Інтегрованість. Розроблено інструментальні засоби штучного інтелекту, що легко інтегруються з іншими інформаційними технологіями й засобами (з CASE, СУБД, контролерами, концентраторами даних і т.п.). 4. Відкритість і переносимость. Розробки ведуться з дотриманням стандартів, що забезпечують дані характеристики [5]. 5. Архітектура клієнт/сервер. Розробка розподіленої інформаційної системи в даній архітектурі дозволяє знизити вартість устаткування, використовуваного в додатку, децентралізувати додатка, підвищити надійність і загальну продуктивність, оскільки скорочується обсяг інформації, що пересилає між ЕОМ, і кожен модуль додатка виконується на адекватному встаткуванні. Перераховані причини можуть розглядатися як загальні вимоги до інструментальних засобів створення систем штучного інтелекту. З п'яти факторів, що забезпечили їхній успіх у передових країнах, у Росії, мабуть, повністю не реалізовані чотири з половиною (у деяких вітчизняних системах здійснений перехід до мов традиційного програмування, однак вони, як правило, орієнтовані середовище на MS-DOS, а не ОС UNIX або Windows NT. Крім того, у Росії й СНД у ряді напрямків дослідження практично не ведуться, і, отже, у цих напрямках (нейронні мережі; гібридні системи; міркування, засновані на прецедентах; міркування, засновані на обмеженнях) не можна очікувати й появи комерційних продуктів.
Отже, в області штучного інтелекту найбільшого комерційного успіху досягли експертні системи й засоби для їхньої розробки. У свою чергу, у цьому напрямку найбільшого успіху досягли проблемно/предметно спеціалізовані засоби. Якщо в 1988 році доход від них склав тільки 3 млн. доларів, то в 1993 році - 55 млн. доларів.