Понятие интеллектуальной информационной системы

Лекция 1. Понятие интеллектуальной информационной системы Роль интеллектуальных информационных систем в современном мире Прогресс в сфере экономики немыслим без применения современных информационных технологий, представляющих собой основу экономических информационных систем (ИС). Информационные системы в экономике имеют дело с организацией и эффективной обработкой больших массивов данных в компьютеризированных системах предприятий, обеспечивая информационную поддержку принятия решений менеджерами. Глобализация финансовых рынков, развитие средств электронной коммерции и формирование в Интернете доступных для анализа баз данных финансовоэкономической информации, снижение стоимости программной реализации ИС, привели за последние два года к беспрецедентному росту их использования в экономике. ИС позволяют объективно оценить достигнутый уровень развития экономики, выявить резервы и обеспечить успех их деятельности на основе применения правильных решений. Работы в области искусственного интеллекта в течение довольно длительного времени представлялись многим как причуды оторванных от реальности информантов-интеллектуалов, обучающих компьютер игре в шахматы или распознаванию сцен, или же пытающихся создать автономно ориентирующиеся в пространстве мобильные роботы. Появление экспертных систем МYСIN, DЕNDRАL, РRОSРЕСТОR, а так же обнадеживающие результаты их успешного применения в области медицины, технической диагностики, геофизики, управления непрерывными технологическими процессами решительно изменили ситуацию. Стало очевидным, что методы правдоподобных и дедуктивных выводов могут быть хорошим дополнением или частичной заменой специалиста, ставящего медицинский или технический диагноз и вообще принимающего решения в форме выбора одной из альтернативных гипотез на основании наблюдаемых данных. Эти успехи стимулировали применение технологий и методов искусственного интеллекта в самых разных отраслях экономики, в первую очередь, для анализа и диагностирования эффективности экономической деятельности предприятий, выбора эффективной стратегии поведения трейдера на рынке ценных бумаг, выбора оптимальных вариантов инвестиционных проектов в условиях неопределенности и при наличии трудно формализуемых факторов. Первые экспертные системы были оторваны от корпоративных информационных систем и строились как самостоятельные программы, имели собственную организацию хранения данных и знаний. Поэтому их применение к реальным проблемам в сфере экономики первоначально не дало ожидаемого результата. Возникли проблемы, связанные с высокой трудоемкостью создания и реорганизации базы знаний традиционными методами интервьюирования экспертов, а также с загрузкой, хранением и актуализацией больших объемов данных, на которые не были рассчитаны эти экспертные системы. Новая волна и значительный эффект от применения технологии искусственного интеллекта получены в результате разработки и применения интеллектуальных информационных систем, явившихся синтезом экспертных и информационных систем. Создание ИИС стало естественным продолжением широкого применения информационных систем классического типа. Системы реинжиниринга бизнес-процессов показали возможность упорядочения информационных потоков и совершенствования структуры предприятия при внедрении информационных технологий, помогли освоить методологию разработки информационной модели предприятия. Интегрированные ИС предприятия обеспечивают информационную поддержку всех производственных процессов и служб предприятия, включая проектирование, изготовление и сбыт продукции, финансово-экономический анализ, планирование, управление персоналом, маркетинг, сопровождение эксплуатации изделий, перспективное планирование. Внедрение информационных систем типа ЕRР (Еntеrрrisе Rеsоurcе Planing) увеличивает эффективность работы предприятия на 2030%. В результате появились полностью компьютеризованные информационно-технологические связи между корпорациями (системы В2В или бизнес-бизнес) и связи корпорации с клиентами (системы В2С или системы бизнес-клиент). История исследований в области искусственного интеллекта и основные понятия в данной области Зарождение исследований в области искусственного интеллекта (ИИ). Два направления: логическое и нейрокибернетическое. Ранние исследования в 50-60-е годы (Н. Винер, Тьюринг, Мак-Каллок, Розенблатт, Саймон, Маккарти, Слэйджл, Сэмюэль, Гелернер, Н. Амосов). Появление первого развитого языка программирования LISP для построения систем ИИ. Появление в конце 60-х годов интегральных (интеллектуальных) роботов и первых экспертных систем. Успехи экспертных систем и застой в нейрокибернетике в 70-е годы. Новый бум нейрокибернетики в начале 80-х годов (модель Хопфилда). Появление логического программирования и языка PROLOG. Программа создания ЭВМ 5-го поколения. Стратегическая компьютерная инициатива США. Исследования по ИИ в СССР и России. С самого начала исследований в области моделирования процесса мышления (конец 40-х годов) выделились два до недавнего времени практически независимых направления:  o o логическое нейрокибернетическое. Первое было основано на выявлении и применении в интеллектуальных системах различных логических и эмпирических приемов (эвристик), которые применяет человек для решения каких-либо задач. В дальнейшем с появлением концепций «экспертных систем» (ЭС) (в начале 80-х годов) это направление вылилось в научно-технологическое направление информатики «инженерия знаний», занимающееся созданием т. н. «систем, основанных на знаниях» (Knowledge Based Systems). Именно с этим направлением обычно ассоциируется термин «искусственный интеллект» (ИИ). Второе направление – нейрокибернетическое – было основано на построении самоорганизующихся систем, состоящих из множества элементов, функционально подобных нейронам головного мозга. Это направление началось с концепции формального нейрона МакКаллокаПиттса и исследований Розенблатта с различными моделями перцептрона – системы, обучающейся распознаванию образов. В связи с относительными успехами в логическом направлении ИИ и низким технологическом уровнем в микроэлектронике нейрокибернетическое направление было почти забыто с конца 60-х годов до начала 80-х, когда появились новые удачные теоретические модели (например, «модель Хопфилда») и сверхбольшие интегральные схемы. Логическое направление можно рассматривать как моделирование мышления на уровне сознания или вербального или логического (целенаправленного) мышления. Его достоинствами являются:  o o o возможность относительно легкого понимания работы системы; легкость отображения процесса рассуждений системы на ее интерфейс с пользователем на естественном языке или каком-либо формальном языке; достижимость однозначности поведения системы в одинаковых ситуациях. Недостатками логического подхода являются:  o o o трудность и неестественность реализации нечетких знаков (образов); трудность (или даже невозможность) реализации адекватного поведения в условиях неопределенности (недостаточности знаний, зашумленности данных, не точно поставленной цели и т.п.); трудность и неэффективность распараллеливания процесса решения задач. Нейрокибернетическое направление (или нейроинформатика) можно рассматривать как моделирование образного мышления и мышления на подсознательном уровне (моделирование интуиции, творческого воображения, инсайта). Его достоинства – это отсутствие недостатков, свойственных логическому направлению, а недостатки – отсутствие его достоинств. Кроме того, в нейрокибернетическом направлении привлекает возможность (быть может, иллюзорная), задав базовые весьма простые алгоритмы адаптации и особенности структуры искусственной нейронной сети, получить систему, настраивающуюся на поведение сколь угодно сложное и адекватное решаемой задаче. Причем его сложность зависит только от количественных факторов модели нейронной сети. Еще одним достоинством в случае аппаратной реализации нейронной сети является ее живучесть, т.е. способность сохранять приемлемую эффективность решения задачи при выходе из строя элементов сети. Это свойство нейронных сетей достигается за счет избыточности. В случае программной реализации структурная избыточность нейронных сетей позволяет им успешно работать в условиях неполной или зашумленной информации. Чем отличается понятие «знание» от понятия «данные» или «информация»? В последнее время ученые приходят к выводу, что наряду с веществом и энергией информация является объективно существующей неотъемлемой частью материального мира, характеризующей его упорядоченность (неоднородность) или структуру. Способность живых существ сохранять свою структуру (упорядоченность) в мире, где, вероятно, превалирует стремление к увеличению энтропии (однородности), обусловлена их способностью распознавать структуру окружающего мира и использовать результат распознавания (т.е. знания о мире) для целей выживания. Таким образом, знания – это воспринятая живым существом (субъектом) информация из внешнего мира и в отличие от «информации знание» субъективно. Оно зависит от особенностей жизненного опыта субъекта, его истории взаимоотношения с внешней средой, т.е. от особенностей процесса его обучения или самообучения. На этом уровне абстракции знание уникально и обмен знанием между индивидуумами не может происходить без потерь в отличие от данных, в которых закодирована информация (неоднородность), и которые могут передаваться от передатчика к приемнику без потерь (не учитывая возможность искажения вследствие помех). Знание передается между субъектами посредством какого-либо языка представления знаний, наиболее типичным представителем которого является естественный язык. Создавая и используя естественный язык, человек с одной стороны стремился в нем формализовать и унифицировать знания для того, чтобы передавать их одинаковым образом наибольшему количеству людей с разным жизненным опытом, а с другой стороны, пытался дать возможность передавать все богатство личного знания. Первая тенденция привела к появлению различных формализованных специальных диалектов языка в различных областях знаний (математике, физике, медицине и т.д.). Вторая привела к появлению художественной литературы, в основе которой лежит стремление средствами языка вызвать ассоциации (переживания) в мозгу человека, т.е. заставить его думать и переживать на основе знаний, почерпнутых из прочтенного, и своих собственных знаний. По большому счету все разновидности искусства направлены на это – передачу знаний с использованием ассоциаций. Если перейти от такого высокого уровня абстракции (философского) к более приземленному, то можно сравнивать знания и данные в их формализованном виде, что обычно и делается в литературе по искусственному интеллекту. Тогда можно сформулировать следующие отличия знаний от данных:  o o o o знания более структурированы; в знаниях наибольшее значение имеют не атомарные элементы знаний (как в данных), а взаимосвязи между ними; знания более самоинтерпретируемы, чем данные, т.е. в знаниях содержится информация о том, как их использовать; знания активны в отличие от пассивных данных, т.е. знания могут порождать действия системы, использующей их. Следует иметь в виду, что резкой границы между данными и знаниями нет, т.к. в последние двадцать лет разработчики систем управления базами данных все более делают их похожими на знания. Примером может служить применение семантических сетей (формализма для представления знаний) для проектирования баз данных, появление объектно-ориентированных баз данных, хранимых процедур (это делает в какой-то мере данные активными) и т.п. Таким образом, отличия знаний от данных, перечисленные выше, с развитием средств информатики сглаживаются. В инженерии знаний различают следующие основные понятия о знаниях, заимствованные из семиотики – науки о знаковых системах:  o o o экстенсиональные знания – поверхностные или конкретные знания; интенсиональные знания – глубинные или абстрактные знания (знания о закономерностях); синтаксис – структура знаковой системы (данных или знаний); o o семантика – смысл знаковой системы (знаний), т.е. эквивалентное ее представление в другой парадигме представления знаний (внутренней); прагматика – цели, связанные со знаковой системой (например, цели или назначение предложения на естественном языке – команда, вопрос, пояснение и т.п.). Интеллектуальная информационная система и ее основные свойства Интеллектуальные информационные системы (ИИС) — естественный результат развития обычных информационных систем, сосредоточили в себе наиболее наукоемкие технологии с высоким уровнем автоматизации не только процессов подготовки информации для принятия решений, но и самих процессов выработки вариантов решений, опирающихся на полученные информационной системой данные. ИИС способны диагностировать состояние предприятия, оказывать помощь в антикризисном управлении, обеспечивать выбор оптимальных решений по стратегии развития предприятия и его инвестиционной деятельности. Благодаря наличию средств естественно-языкового интерфейса появляется возможность непосредственного применения ИИС бизнес пользователем, не владеющим языками программирования, в качестве средств поддержки процессов анализа, оценки и принятия экономических решений. ИИС применяются для экономического анализа деятельности предприятия, стратегического планирования, инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга и т.д. В этом случае потребовался значительно больший объем информации как собственно о предприятии, так и о его окружении, т.е. природных, политических, экономических и других факторах, конкурентах, поставщиках и т.д., а также значительно более сложные вычисления, необходимость учета слабо формализуемых факторов, высокий уровень интерфейса. Поставленные задачи реализованы в системах поддержки принятия решений. Их отличительная черта — значительно более высокий уровень «интеллекта», чем у обычных интегрированных систем управления производством; наличие специальных процедур для отбора и ввода данных, в том числе и по расписанию из различных внешних систем. В системах поддержки принятия решений производится заблаговременное вычисление (в целях обеспечения уменьшения времени реакции) агрегированных данных, часто используемых в запросах; используется специальная организация хранения данных, обеспечивающая возможность многоаспектного поиска с изменяемой 16 глубиной агрегирования/дезагрегирования данных. Эта технология получила название хранилищ и витрин данных в сочетании с оперативной аналитической обработкой данных. Наиболее мощные фирмы, разрабатывающие системы управления базами данных (СУБД) — ОRАСLЕ, ВАSЕ, Мicrosoft, — поставляют на рынок системы, в которые модули поддержки принятия решений входят как компонента. В состав таких входят технологии искусственного интеллекта — нейронные сети, интеллектуальный анализ данных. Объектноориентированная структура этих баз данных сделала реальностью идеологию фреймов, разработанную в рамках искусственного интеллекта. Технические решения, необходимые для создания полномасштабных интеллектуальных информационных систем — средства ведения баз знаний на основе объектноориентированных баз данных, автоматизации формирования баз знаний на основе методов интеллектуального анализа данных, полнотекстовые системы поиска и семантические анализаторы естественного языка для естественноязыкового интерфейса — стали производиться как серийно выпускаемые программные изделия. Не реализованными в рамках таких СУБД пока остаются технологии реализации правдоподобных (вероятностных) и логических (дедуктивных) выводов. По материалам кадровых агентств, в Интернете существует устойчивый высокий спрос на специалистов, владеющих современными технологиями проектирования и разработки ИИС. Поскольку технические и программные средства изменяются достаточно быстро (их полное обновление происходит в течение 2-3 лет), а принципы работы интеллектуальных систем изменяются относительно медленно (на протяжении 15-20 лет). Первоначально ИИС использовали знания нескольких экспертов в каждой из областей инвестиций. В настоящее время базы знаний частично формируются посредством машинного обучения, используя методы индукции, генетические алгоритмы и некоторые другие методы извлечения знаний. Менеджер, используя такую схему, теоретически может принимать решения более эффективно и с меньшей стоимостью, чем это смог бы сделать любой индивидуальный эксперт в данной области. Наиболее очевидным преимуществом интеграции некоторых форм искусственного интеллекта в процессе принятия решений по сравнению с постоянным консультированием с группой экспертов обычно является более низкая стоимость и большее соответствие результатов задаче. В отличие от обычных аналитических и статистических моделей, ИИС позволяют получить решение трудно формализуемых слабо структурированных задач. Возможность ИИС работать со слабоструктурированными данными подразумевает наличие следующих качеств: − решать задачи, описанные только в терминах «мягких» моделей, когда зависимости между основными показателями являются не вполне определенными или даже неизвестными в пределах некоторого класса; − способность к работе с неопределенными или динамичными данными, изменяющимися в процессе обработки, позволяет использовать ИИС в условиях, когда методы обработки данных могут изменяться и уточняться по мере поступления новых данных; − способность к развитию системы и извлечению знаний из накопленного опыта конкретных ситуаций увеличивает мобильность и гибкость системы, позволяя ей быстро осваивать новые области применения. Возможность использования информации, которая явно не хранится, а выводится из имеющихся в базе данных, позволяет уменьшить объемы хранимой актуальной информации при сохранении богатства доступной пользователю информации. Направленность ИИС на решение слабоструктурированных, плохо формализуемых задач расширяет область применения ИИС. Наличие развитых коммуникативных способностей у ИИС дает возможность пользователю выдавать задания системе и получать от нее обработанные данные и комментарии на языке, близком к естественному. Система естественно-языкового интерфейса (СЕЯИ) транслирует естественно-языковые структуры на внутри машинный уровень представления знаний. Включает морфологический, синтаксический, семантический анализ и соответственно в обратном порядке синтез. Программа интеллектуального интерфейса воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель. Важнейшее требование к организации диалога пользователя с ИИС — естественность, означающая формулирование потребностей пользователя с использованием профессиональных терминов конкретной области применения. Для ИИС характерны следующие признаки: 1. Развитые коммуникативные способности: возможность обработки произвольных запросов в диалоге на языке максимально приближенном к естественному (система естественно-языкового интерфейса — СЕЯИ). 2. Направленность на решение слабоструктурированных, формализуемых задач (реализация мягких моделей). плохо 3. Способность работать с неопределенными и динамичными данными. 4. Способность к развитию системы накопленного опыта конкретных ситуаций. и извлечению знаний из 5. Возможность получения и использования информации, которая явно не хранится, а выводится из имеющихся в базе данных. 6. Система имеет не только модель предметной области, но и модель самой себя, что позволяет ей определять границы своей компетентности. 7. Способность к аддуктивным выводам, т.е. к выводам по аналогии. 8. Способность объяснять свои действия, неудачи пользователя, предупреждать пользователя о некоторых ситуациях, приводящих к нарушению целостности данных. Наибольшее распространение ИИС получили для экономического анализа деятельности предприятия, стратегического планирования, инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга. Традиционно считается, что ИИС содержит: 1. Базу данных. 2. Базу знаний. 3. Интерпретатор правил или машину вывода. 4. Компоненту объяснения и естественно языкового интерфейса, обеспечивающих связный диалог пользователя и системы с попеременным переходом инициативы. Отличительные особенности ИИС по сравнению с обычными ИС состоят в следующем: 1. Интерфейс с пользователем на естественном языке с использованием понятий, характерных для предметной области пользователя. 2. Способность объяснять свои действия и подсказывать пользователю, как правильно ввести экономические показатели и как выбрать подходящие к его задаче параметры экономической модели. 3. Представление модели экономического объекта и его окружения в виде базы знаний и средств дедуктивных и правдоподобных выводов в сочетании с возможностью работы с неполной или неточной информацией. 4. Способность автоматического обнаружения закономерностей бизнеса в ранее накопленных фактах и включения их в базу знаний. Применение ИИС совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики для планирования при комплексной автоматизации деятельности предприятия, приносит принципиальные выгоды: реально снижаются операционные издержки; повышается качество управленческих решений. Интеллектуальные информационные системы особенно эффективны в применении к слабо структурированным задачам, в которых пока отсутствует строгая формализация, и для решения которых применяются эвристические процедуры, позволяющие в большинстве случаев получить решение. Отчасти этим объясняется то, что диапазон применения ИИС необычайно широк: от управления непрерывными технологическим процессами в реальном времени до оценки последствий от нарушения условий поставки товаров по импорту. По мере совершенствования принципов логического и правдоподобного вывода, применяемых в ИИС за счет использования нечеткой, модальной, временной логики, байесовских сетей вывода, ИИС начинают проникать в высокоинтеллектуальные области, связанные с разработкой стратегических решений по совершенствованию деятельности предприятий. Этому способствуют более современные алгоритмы анализа и синтеза предложений естественного языка, облегчающие общение пользователя с системой. Включение в состав ИИС классических экономико-математических моделей, методов линейного, квадратичного и динамического программирования позволяет сочетать анализ объекта на основе экономических показателей с учетом факторов и рисков политических и внеэкономических факторов, оценивать последствия полученных их ИИС решений. Наличие в составе ИИС объектно-ориентированной базы данных позволяет однородными средствами обеспечить хранение и актуализацию как фактов, так и знаний. Классификация интеллектуальных информационных систем Интеллектуальные информационные системы можно классифицировать по разным основаниям. Базовые основания и классификация по ним приведены ниже и на рис. 1.1. 1. Предметная область применения: − ИИС менеджмента; − ИИС риск-менеджмента; − ИИС инвестиций; − ИИС в военной сфере и др. 2. Степень автономности от корпоративной ИС или базы данных: − автономные в виде самостоятельных программных продуктов с собственной базой данных; − сопрягаемые с корпоративной; − полностью интегрированные. 3. По способу и оперативности взаимодействия с объектом: − статические ИИС; − динамические ИИС: − ИИС реального времени; − советующие ИИС, в контур которых вовлечен пользователь. 4. По адаптивности: − обучаемые ИИС, т.е. системы, параметры и структура которых, могут изменяться в процессе обучения или самообучения (нейронные сети, генетические алгоритмы и др.); − ИИС, параметры которых изменяются администратором базы знаний (экспертные системы и др.). 5. По модели представления знаний: − методы резолюций исчисления предикатов; − Немонотонные, модальные и временные логики; − Марковские и Баесовские сети вывода; − Казуальные деревья и теория веры; − Теория Демпстера-Шейфера; − Нечеткие системы. Примеры интеллектуальных информационных систем Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска от фирмы Information System Departm, New York University. Проблема огромного количества постоянно растущих альтернатив страхования от рисков, быстрое принятие решений менеджерами по рискам, а также недостаток машинной поддержки в процессе страхования от рисков предполагает различные оптимальные решения для менеджеров по риску. В данной системе разработка страхования от риска сформулирована как многоцелевая оптимизационная задача, которая включает несколько сложностей, с которыми существующие технические решения не справляются. Система рассуждений в прогнозировании обмена валют. Фирма: Department of Computer Science City Polytechnic University of Hong Kong. Представляет новый подход в прогнозировании курсов валют, основанный на аккумуляции и рассуждениях с поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков — это Классификация ИИС По области применения ИИС Менеджмента Медицинские ИИС Военные ИИС По степени интеграции Автономные Сопрягаемые Интегрированн По оперативности Динамические Статические Реального времени Советующие По адаптивности Обучаемые Настраиваемые Немонотонные, модальные и временные логики Марковские и Баесовские сети вывода Казуальные деревья и теория веры Теория Демпстера- Шейфера ТНМ и ТНЛ По модели представления знаний Исчисление предикатов 22 заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования. Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера—Шейфера. Nereid: Система поддержки принятия решений для оптимизации работы с валютными опционами. Фирма: NТТ Dаtа, The Тоkai Ваnk, Sсiеnсе University of Тоkуо. Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов. Краткие характеристики: система разработана с использованием фреймовой системы СLР, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sunстанциях. PMIDSS: Система поддержки принятия решений при управлении портфелем. Разработчики: Финансовая группа НьюЙоркского университета. Решаемые задачи: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.