15.Интеллектуальные базы данных. Гипертекстовые системы. Системы контекстной помощи

Интеллектуальные  базы  данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся  в  базе данных. Примерами таких запросов могут быть следующие:

- “Вывести  список товаров, цена которых  выше среднеотраслевой”,

- “Вывести  список товаров-заменителей некоторой  продукции”,

- “Вывести  список потенциальных покупателей  некоторого товара” и т.д.

Для выполнения первого типа запроса  необходимо сначала проведение статистического  расчета среднеотраслевой цены по всей базе данных, а уже после этого  собственно отбор данных. Для выполнения второго типа запроса необходимо вывести значения характерных признаков объекта, а затем поиск по ним аналогичных объектов.  Для третьего типа запроса требуется сначала определить список посредников-продавцов, выполняющих продажу данного товара, а затем провести поиск связанных с  ними покупателей.

Во  всех перечисленных типах запросов требуется осуществить поиск  по условию, которое должно быть доопределено в ходе решения задачи. Интеллектуальная система без помощи пользователя по структуре базы данных сама  строит путь доступа к файлам данных.   Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя  форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса.

Гипертекстовые  системы предназначены для реализации  поиска  по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются  возможностью  более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с  базой  знаний  ключевых  слов,  а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и  на  поиск мультимедийной информации, включающей помимо текстовой и цифровой информации графические, аудио и видео- образы.

Системы контекстной помощи можно рассматривать,  как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).

16. Системы когнитивной графики (общая характеристика)

Когнитивная графика — это совокупность приемов и методов образного представления условий задачи, которое позволяет либо сразу увидеть решение, либо получить подсказку для его нахождения.

Поспелов сформулировал три основных задачи когнитивной компьютерной графики:

создание таких моделей представления знаний, в которых была бы возможность однообразными средствами представлять как объекты, характерные для логического мышления, так и образы-картины, с которыми оперирует образное мышление,

визуализация тех человеческих знаний, для которых пока невозможно подобрать текстовые описания,

поиск путей перехода от наблюдаемых образов-картин к формулировке некоторой гипотезы о тех механизмах и процессах, которые скрыты за динамикой наблюдаемых картин.

Системы когнитивной графики  позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами.  Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой  ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации.  

Системы когнитивной графики широко используются также в обучающих и тренажерных  системах на основе использования принципов  виртуальной реальности, когда графические  образы моделируют ситуации, в которых  обучаемому необходимо принимать решения и выполнять определенные действия.

17. Когнитивная графика — это совокупность приемов и методов образного представления условий задачи, которое позволяет либо сразу увидеть решение, либо получить подсказку для его нахождения.

Методы когнитивной графики используются в искусственном интеллекте в системах, способных превращать текстовые описания задач в их образные представления, и при генерации текстовых описаний картин, возникающих во входных и выходных блоках интеллектуальных систем, а также в человеко-машинных системах, предназначенных для решения сложных, плохо формализуемых задач.

Поспелов сформулировал три основных задачи когнитивной компьютерной графики:

создание таких моделей представления знаний, в которых была бы возможность однообразными средствами представлять как объекты, характерные для логического мышления, так и образы-картины, с которыми оперирует образное мышление,

визуализация тех человеческих знаний, для которых пока невозможно подобрать текстовые описания,

поиск путей перехода от наблюдаемых образов-картин к формулировке некоторой гипотезы о тех механизмах и процессах, которые скрыты за динамикой наблюдаемых картин.

Система линейных уравнений , например, может быть решена без привлечения математического аппарата. Введём систему координат и построим два графика, уравнениями которых являются выражения, входящие в систему. Решение системы задается точкой пересечения прямых.

Применение когнитивной графики актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах и оперативных системах принятия решений, работающих в режиме реального времени.

18. Самообучающиеся системы (общая характеристика и классификация) Основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.

Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций. Обучение методом критики является промежуточным между первыми двумя. Предполагается, что имеется возможность только оценивать правильность работы сети и указывать желаемое направление обучения. Подобная ситуация часто встречается в системах, связанных с оптимальным управлением.

В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. В свою очередь, из обобщающих правил автоматически формируется ба за знаний, которая периодически корректируется.

Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки:

•  относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;•  низкую степень объяснимости полученных результатов;•  поверхностное описание проблемной области и узкую направленность применения.

Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети – обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.

В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:

• получение информации о текущей проблеме;• сопоставление полученной информации со значениями признаков прецедентов из базы знаний;•  выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;•  адаптация выбранного прецедента к текущей проблеме;•  проверка корректности каждого полученного решения;•  занесение детальной информации о полученном решении в БЗ.

Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. В системах, основанных на прецедентах, до пускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов. Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.

Информационные хранилища – это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений. Предметность означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных.