Интеллектуальные информационные системы. Московский государственный университет печати

Лекция №1 ИИС

В силу своего предназначения интеллектуальные информационные системы могут применяться практически в любой сфере человеческой деятельности. Примерами областей, где использование данного подхода уже приносит ощутимые результаты, являются :

· Промышленность:

Управление производством: составление и оптимизация производственной цепочки посредством распределения технологических шагов как между внутренними подразделениями, так и между сторонними подрядчиками.

Контроль производственных процессов: сбор и анализ текущей информации, коммуникации с агентами, контролирующими другие подсистемы, принятие и реализация оперативных решений.

Управление воздушным транспортом: моделирование и оптимизация диспетчерской деятельности аэропорта.

· Предпринимательство:

Управление информацией: поиск источников, сбор, фильтрация и анализ данных, интеллектуальная обработка больших объемов информации.

Электронная коммерция открывает широкие возможности для использования интеллектуальных агентов как на стороне продавца, так и на стороне покупателя.

Управление бизнес-процессами: гибкая автоматизация корпоративной организационной деятельности со сложной внутренней логикой и большим количеством участвующих сторон.

· Медицина:

Мониторинг пациентов: непрерывный сбор, учет и анализ большого количества отслеживаемых характеристик состояния пациентов на протяжении продолжительного промежутка времени.

Здравоохранение: возможность обследования и диагностирования пациентов с использованием виртуальных специалистов из различных областей медицины.

· Индустрия развлечений:

Компьютерные игры: возможность достижения качественно новых уровней посредством использования интеллектуальных агентов для различных участвующих сторон.

Интерактивные приложения (телевидение, театр, кинематограф): агенты могут создавать иллюзию реальности происходящего действия, позволяя пользователю принимать в нем участие.

Приме­ры ИИС в экономике:

· Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Фирма: Information System Department, New York University. Проблема огромного количества постоянно растущих альтернатив стра­хования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обширную сферу различных опти­мальных решений для менеджеров по риску. В данной системе разработ­ка страхования от риска сформулирована как многоцелевая оптимизаци­онная задача. Данная задача оптимизации включает несколько сложностей, с которыми существующие технические решения не справляются. Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эму­ляцию первичных рассуждений, управляющих риском, полезных для вы­водов и их объяснений.

· Система рассуждений в прогнозировании обмена валют. Фирма. Department of Computer Science City Polytechnic University of Hong Kong Представляет новый подход в прогнозировании обмена 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 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: NTT Data, The Tokai Bank, Science University of Tokyo. Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов; более практична и дает лучшие решения, чем обычные системы принятия решений. Краткие харак­теристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с тех­никой линейного программирования. Система работает на Sun-станциях.

· PMIDSS: Система поддержки принятия решений при управлении портфелем. Разработчики: Финансовая группа Нью-Йоркского 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.

В настоящее время наиболее значительная доля использования интеллектуальных информационных систем приходится на интеллектуальные информационные агенты.

Назначение и функции интеллектуальных информационных агентов

Одним из фундаментальных понятий во многих областях теории искусственного интеллекта (и, в частности, задаче планирования) является концепция агента – того объекта, который действует в некотором окружении с целью выполнения определенных функций. Несмотря на широкую распространенность самого термина «агент», до настоящего времени не существует общепринятого определения этого понятия. В последующем изложении понятие интеллектуального агента будет интерпретироваться в смысле двух определений :

1. Слабое определение интеллектуального агента: интеллектуальный агент – аппаратная или программная система, обладающая следующими свойствами: автономность, реактивность, активность и коммуникативность.

2. Сильное определение интеллектуального агента: интеллектуальный агент – вычислительная система, обладающая перечисленными свойствами и, кроме того, реализованная на основе концепций, наиболее применимых к людям.

В работе определения сформулированы несколько иным образом по отношению к приведенным выше: под агентом понимается самостоятельная программная система, имеющая возможность принимать воздействие из внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию, тогда как понятие интеллектуального агента соответствует агенту, который обладает рядом знаний о себе и окружающем мире и поведение которого определяется этими знаниями

Наряду с перечисленными определениями в литературе по искусственному интеллекту встречается еще несколько десятков разнообразных формулировок определения агента , тем не менее, большинство из них сводится к наличию перечисленного набора ключевых признаков. Рассмотрим определяющие свойства интеллектуальных агентов более подробно:

· Автономность – способность функционировать независимо от внешних управляющих воздействий (например, контроля оператора). Высокой степени автономности способствуют такие возможности агента как гибкие алгоритмы работы, способность к самообучению, возможность работы с неполной информацией.

· Реактивность – способность к восприятию агентом состояния окружающей среды (внешнего мира) и изменений этого состояния, а также к учету этой информации в своей деятельности. Крайними формами использования свойства реактивности являются жесткая схема работы агента, при которой действия выполняются по заранее разработанному плану, не модифицируемому в процессе выполнения, и полностью реактивная схема поведения, когда агент не имеет заранее подготовленного плана и действует только на основании информации о текущем состоянии среды.

· Целеустремленность – способность агента не только к реактивным действиям, но и к целенаправленному поведению для достижения некоторой заданной цели, устанавливаемой самостоятельно или извне.

· Коммуникативность – свойство агентов взаимодействовать между собой, а также с другими интеллектуальными существами (например, людьми). Например, в задаче распределенного искусственного интеллекта в системе действуют несколько агентов, некоторым образом взаимодействующих между собой. В простом случае взаимодействие ограничивается лишь обменом информацией, в более сложных системах агенты могут кооперироваться и корректировать свою деятельность для достижения общих целей.

Примером интеллектуального агента является софтбот (программный робот) – система, взаимодействующая с компьютерной средой (например, операционной системой) посредством выполнения команд и интерпретации результатов команд и других сообщений среды.

Как показывает практика, в большинстве случаев применение интеллектуальных агентов сводится к одному из двух вариантов:

1. Автономное выполнение специфических функций вместо человека, а в ряде случаев, даже от лица человека.

2. Помощь в выполнении некоторых видов деятельности посредством высокоуровневого взаимодействия с человеком.

В результате анализа известных прикладных систем, реализованных на базе рассматриваемого подхода, можно выделить следующие типы интеллектуальных агентов :

1. Кооперативные агенты, способные не только к автономному изолированному функционированию, но и к совместной деятельности с другими агентами, в частности координации действий, разработке общих планов и разрешению конфликтов. Примерами агентов являются проект Pleiades университета Карнеги-Меллон , системы MII и ADEPT .

2. Интерфейсные агенты, задачей которых является взаимодействие с пользователем (а не с другими агентами) и помощь ему в выполнении некоторой деятельности. Данный тип агентов также иногда называют персональными ассистентами. Существующие реализации включают различные справочные системы , торговые помощники , системы поддержки документооборота и развлекательные системы .

3. Мобильные агенты, обладающие способностью выполнять свои функции при различном расположении внутри среды обитания. Наиболее естественной средой функционирования для таких агентов являются различные вычислительные сети или системы связи . Необходимо также заметить, что сама по себе мобильность не является ни необходимым, ни достаточным свойством интеллектуального агента.

4. Информационные агенты возникли в виде отдельного класса в результате резко возникшей необходимости поиска, сбора и переработки большого количества информации с относительно простым доступом. В первую очередь к данной группе относятся системы поиска в Интернет, например поиск в WWW (Jasper , Webwatcher ) и фильтрация архивов телеконференций (NewT ).

5. Реактивные агенты составляют специальную группу агентов, которые не располагают какой-либо внутренней моделью среды, а действуют лишь в ответ на определенное состояние окружающей среды или изменение состояния. Примерами таких систем являются “ситуационный автомат” , различные системы моделирования общественного поведения , игровые приложения .

6. Гибридные агенты, совмещающие в себе особенности, присущие различным вышеперечисленным классам. К данной группе относятся, в частности, InteRRaP , сочетающий в себе реактивный и кооперативный модули, система мониторинга пациентов Guardian , а также различные мобильные информационные агенты.

7. Гетерогенные агентные системы, в отличие от гибридных агентов, состоят из нескольких агентов, принадлежащих к разным классам. Основной мотивацией при создании таких систем является построение интеграции существующих специализированных систем (ARCHON ), при этом одним из основных вопросов оказывается организация взаимодействия между агентами .

Несмотря на очевидные преимущества и перспективы применения интеллектуальных агентов в различных научных и практических областях, данному подходу присущ также ряд ограничений, в частности:

· Отсутствие общего контроля над интеллектуальными агентами может повлечь значительные сложности при необходимости учета глобальных ограничений, требований гарантированного ответа в реальном времени и обхода возможных тупиковых ситуаций.

· Отсутствие глобальной перспективы: поскольку в реальности агентные системы не могут обладать полной системой знаний об окружающем мире, возникает вопрос о возможности нахождения оптимальных или субоптимальных решений на основе локальной базы знаний.

· Проблема доверия: насколько можно доверять интеллектуальным агентам при автономном выполнении возложенных на них функций, особенно когда такой агент действует в реальном мире от имени некоего физического лица или организации.

Тем не менее, в настоящее время наблюдается повышенный спрос на технологию интеллектуальных агентов со стороны ведущих мировых корпораций, что стимулирует большой объем научно-исследовательской работы в данной области, которая ведется в нескольких основных направлениях:

· Направление по теории агентов занимается исследованием и разработкой спецификаций, концептуализацией агентов, определением свойств и способов их формализованного представления. В работе исследуются признаки, отличающие интеллектуальных агентов от обычного программного обеспечения, а в и содержится достаточно полный обзор существующих теоретических подходов.

· Направление по архитектуре агентов изучает вопросы реализации спецификаций, аппаратные и программные аспекты проблемы построения вычислительной системы, удовлетворяющей заданным свойствам. Примерами наиболее известных архитектур интеллектуальных агентов являются: GISA (Generic Intelligent Software Agent) , BDI (Belief-Desire-Intention) и FIPA (Foundation for Intelligent Physical Agents) .

· Направление по языкам программирования агентов исследует способы формального описания теоретических принципов, вопросы поиска оптимальных примитивов при кодировании агентов, эффективной компиляции и выполнении программ. К данной группе, в частности, относятся работы, посвященные реализации агентов для Интернет и корпоративных сетей , исследованию особенностей применения объектно-ориентированного подхода и концепции агенто-ориентированного программирования .

Наука и техника идут вперёд семимильными шагами. Особенно решительный рывок был сделан в последние десятилетия нашего века, и касается он компьютерных технологий, информационных систем.

Что такое ИИС?

Задача специалистов нанотехнологий и компьютерного интеллекта заключается в том, чтобы создать такой искусственный мозг, который мог бы справляться с проблемами, требующими неоднозначного подхода и креативных путей решения. В искусственный интеллект необходимо вложить опыт, умения, знания, даже таланты, которыми обладает человеческая личность. И это не только для того, чтобы компьютер мог справиться с одним определённым заданием. Ведь аналогичных или близких ситуаций может быть бесконечное множество. И, «научившись» справляться с одной, компьютерная модель без труда сможет распознавать и разрешать подобные. Потому что в ее памяти будут внедрены знания данного человека, его интеллектуальные возможности, жизненный опыт и ещё многие другие Такой мозг, без сомнения, адаптируется для применения в других соответствующих сферах.

Самый непростой момент в такой задаче - это именно смоделировать такой искусственный интеллект, в котором присутствовала бы интуиция, сознание, подсознание в соответствие с человеческим. Подобные интеллекты в программировании принято называть «интеллектуальные информационные системы» - ИИС. Системы эти должны общаться с человеком на его родном, человеческом языке. А машинный перевод должен уметь уловить и обработать, «понять» всё богатство, смысловое и эмоциональное, человеческой речи.

Иначе говоря, интеллектуальные информационные системы - это компьютерные модели возможностей человеческого интеллекта в области целевого поиска, текущих сведений об окружающем мире для получения новых знаний о нём и решения на их основе особо важных задач. И если первые информационные системы просто работали на основе каталогов и классификаторов, выполняя решение соответствующих проблем, если автоматические информационные системы опирались на банки и базы данных, то ИИС включают в свой рабочий потенциал не что-нибудь, а базу знаний. Помимо сбора, обработки и хранения информации, интеллектуальные информационныесистемы разбираются с интеллектуальными проблемами и заданиями.

Основные направления в работе над ИИС

Работа над искусственным интеллектом ведётся в трёх основных направлениях. Первое - это раскрыть тайны человеческого мышления, исследовать структуру мозга и механизмы его работы. Учёные работают над изучением психофизиологических данных человека, отрабатывают гипотезы, связанные с работой механизмов разных видов рассматривают внедрение их в интеллектуальные информационные системы.

Во втором направлении ведутся работы по собственно моделированию, т.е. созданию такой системы при помощи компьютерной техники и т.д. Его представители заняты разработкой программного обеспечения, алгоритмических схем для вычислительной техники такого рода и класса, которая бы выступала как интеллектуальная система и решала проблемы на человеческом, осознанном и творческом уровне.

Учёные, представляющие так называемое третье направление, работают в, казалось бы, совершенно фантастической области - создание конкретных человеко-роботов, в которых функции информационной системы, т.е. искусственного разума, сочетались бы с возможностями естественного человеческого интеллекта.

Как отмечают задействованные теоретики и практики, наиболее сложный этап в исследованиях и конструируемых моделях - найти и воплотить оптимально возможное сочетание слияния человеческого и машинного разумов, организовать в языковом плане адекватный диалог между системой и человеком.

Слово «интеллект » в русском языке происходит от латинского «intellectus» (ум, познание, понимание, рассудок, разум) и означает способность человека к мышлению и рациональному познанию действительности. Также интеллектом можно называть способность человека осуществлять мыслительную деятельность с целью познания действительности и рационального поведения в ней путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

По аналогии с этим, интеллектом искусственно созданных автоматических систем или «искусственным интеллектом » (artificial intelligence) принято называть воплощенные в них модели некоторых интеллектуальных способностей человека, например, способность выбирать и принимать оптимальные или рациональные решения на основе приобретенных знаний, опыта и анализа внешних воздействий.

Термин искусственный интеллект (ИИ) был предложен Джоном Маккарти в 1956 году на конференции в Дартмутском университете.

Иску́сственный интелле́кт (ИИ , англ. Artificial intelligence, AI ) - наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ.

На сегодняшний день не существует единого определения, которое однозначно описывает это понятие.

Чтобы определить понятие «искусственный интеллект», необходимо понимать отличие интеллектуальной задачи от простой. Принято считать, если для задачи найден алгоритм её решения, то она не относится к интеллектуальным. Это связано с тем, что, имея алгоритм, процесс решения данного класса задач становится таким, что его может в точности выполнить человек или компьютер, не имеющие ни малейшего представления о сущности самой задачи. С другой стороны, отыскание алгоритма для задач некоторого типа связано со сложными рассуждениями, требующими большой изобретательности и высокой квалификации. Таким образом, интеллектуальная задача – это отыскание алгоритма решения определённого класса задач.

Интеллектуальные информационные системы (ИИС) - технические и программные системы, ориентированные на решение большого и очень важного класса задач, называемых неформализованными . Интеллектуальная информационная система (ИИС) должна уметь в наборе фактов распознать существенные и из имеющихся фактов и знаний сделать выводы не только с использованием дедукции, но и с помощью аналогии, индукции и т.д. Кроме того, она должны обладать средствами оценки результатов собственной работы. С помощью подсистем объяснения она может ответить на вопрос, почему получен тот или иной результат. Наконец, ИИС должна уметь обобщать, улавливая сходство между имеющимися фактами, и накапливать опыт.

Необходимой частью любой ИИС являются знания. При этом возникает естественный вопрос, что такое знания и чем они отличаются от обычных данных, обрабатываемых компьютером.

Знания являются более сложной категорией информации по сравнению с данными. Они описывают не только отдельные факты, но и взаимосвязи между ними.

Знания – это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений.

Знания – это вид информации, которая хранится в базе знаний и отображает знания специалиста в конкретной предметной области. Знания – это интеллектуальный капитал.

По своей природе знания можно разделить на:

– декларативные знания – это описания фактов и явлений, фиксирование наличия или отсутствия таких фактов, а также описания основных связей и закономерностей между этими фактами и явлениями;

– процедурные знания – это описания действий, которые возможны при манипулировании фактами и явлениями.

Для того чтобы наделить систему знаниями, их необходимо представить в определённой форме. Базы знаний являются моделями человеческих знаний. Однако все знания, которые привлекает человек в процессе решения сложных задач, смоделировать невозможно. Поэтому в ИИС требуется чётко разделить знания на те, которые предназначены для обработки компьютером, и те, которые используются человеком.

Экспертная система (ЭС) – это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Она включает базу знаний с набором правил и механизмом вывода и позволяет на основании предоставляемых пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия.

Экспертные системы предназначены для воссоздания опыта, знаний профессионалов высокого уровня и использования этих знаний в процессе управления. Они разрабатываются с использованием математического аппарата нечеткой логики для эксплуатации в узких областях применения, поскольку их использование требует больших компьютерных ресурсов для обработки и хранения знаний. В основе построения экспертных систем лежит база знаний, которая основывается на моделях представления знаний. В силу больших финансовых и временных затрат в российских экономических ИС экспертные системы не имеют большого распространения.

Считается, что любая экспертная система – это система, основанная на знаниях, но последняя не всегда является экспертной. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний . Проблемы ставятся перед системой в виде совокупности фактов , описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

Система функционирует в следующем циклическом режиме : выбор (запрос) данных или результатов анализов, наблюдение, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

Более простые системы, основанные на знаниях, функционируют в режиме диалога, или режиме консультации . После запуска система задает пользователю ряд вопросов о решаемой задаче, требующих ответа «да» или «нет». Ответы служат для установления фактов, по которым может быть выведено окончательное заключение.

В любой момент времени в системе содержится три типа знаний :

· структурированные статические знания о предметной области, после того как эти знания выявлены, они уже не изменяются;

· структурированные динамические знания – изменяемые знания о предметной области; они обновляются по мере выявления новой информации;

· рабочие знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний . Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

Архитектура экспертной системы . Архитектура ЭС представлена на рис. 7.2. База знаний (БЗ) отражает знания экспертов. Однако далеко не каждый эксперт в состоянии грамотно изложить всю структуру своих знаний.

Выявлением знаний эксперта и представлением их в БЗ занимаются специалисты – инженеры знаний .

ЭС должна обладать механизмом приобретения знаний для ввода знаний в базу и их последующее обновление.

В простейшем случае – это интеллектуальный редактор, который позволяет вводить единицы знаний в базу, а также проводить их анализ на непротиворечивость.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: прогнозирование, планирование, контроль и управление, обучение .

Технологию построения экспертных систем называют инженерией знаний . Этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему.

Рис. 7.2. Архитектура ЭС

В результате появляется система, решающая задачи во многом так же, как человек-эксперт.

Ядро экспертной системы составляет база знаний , которая создается и накапливается в процессе ее построения. Знания выражены в явном виде и организованы так, чтобы упростить принятие решений. Накопление и организация знаний – одна из самых важных характеристик экспертной системы.

Наиболее полезной характеристикой экспертной системы является то, что она применяет для решения проблем высококачественный опыт . Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому также способствует гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности системы по мере необходимости.

Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие.

Важным свойством экспертных систем является возможность их применения для обучения и тренировки персонала . Экспертные системы могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. Остается только добавить программное обеспечение, поддерживающее соответствующий требованиям эргономики интерфейс между обучаемым и экспертной системой. Кроме того, должны быть включены знания о методах обучения и возможном поведении пользователя.

Итак, в настоящее время ЭС является инструментом, усиливающим интеллектуальные способности всей системы в целом, и выполняет следующие задачи:

1) консультация для неопытных (непрофессиональных) пользователей,

2) помощь при анализе различных вариантов принятия решения,

3) помощь по вопросам, относящимся к смежным областям деятельности.

Наиболее широко и продуктивно ЭС применяются в бизнесе, производстве, медицине, менее – в науке.

В соответствии с перечисленными выше признаками ИИС делятся на (данная классификация – одна из возможных) (рис. 1):

системы с коммутативными способностями (с интеллектуальным интерфейсом);

экспертные системы (системы для решения сложных задач);

самообучающиеся системы (системы, способные к самообучению);

адаптивные системы (адаптивные информационные системы).

Рис. 1. Классификация интеллектуальных информационных систем по типам систем

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.

Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль – разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ – установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.

Естественно-языковой интерфейс используется для:

доступа к интеллектуальным базам данных;

контекстного поиска документальной текстовой информации;

машинного перевода с иностранных языков.

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 цифровую информацию.

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).

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.

Экспертные системы предназначены для решения задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области.

Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе.

Для многоагентных систем характерны следующие особенности:

проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;

применение множества стратегий работы механизма вывода заключений в зависимости от типа решаемой проблемы;

обработка больших массивов данных, содержащихся в базе данных;

использование различных математических моделей и внешних процедур, хранимых в базе моделей;

способность прерывания решения задач в связи с необходимостью получения дополнительных данных и знаний от пользователей, моделей, параллельно решаемых подпроблем.

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики.

Характерными признаками самообучающихся систем являются:

самообучающиеся системы «с учителем», когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);

самообучающиеся системы «без учителя», когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

Индуктивные системы используют обобщение примеров по принципу от частного к общему. Процесс классификации примеров осуществляется следующим образом:

Выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу, например в соответствии с максимальным числом получаемых подмножеств примеров).

По значению выбранного признака множество примеров разбивается на подмножества.

Выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу.

Если какое-то подмножество примеров принадлежит одному подклассу, то есть у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются).

Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с пункта 1 (каждое подмножество примеров становится классифицируемым множеством).

Нейронные сети представляют собой устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров. Каждый процессор такой сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам.

В экспертных системах, основанных на прецедентах (аналогиях), база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты.

Поиск решения проблемы в экспертных системах, основанных на прецедентах, сводится к поиску по аналогии (то есть абдуктивный вывод от частного к частному).

В отличие от интеллектуальной базы данных, информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного ситуационного анализа данных (реализации OLAP-технологии).

Типичными задачами оперативного ситуационного анализа являются:

определение профиля потребителей конкретных объектов хранения;

предсказание изменений объектов хранения во времени;

анализ зависимостей признаков ситуаций (корреляционный анализ).

Адаптивная информационная система – это информационная система, которая изменяет свою структуру в соответствии с изменением модели проблемной области.

При этом:

адаптивная информационная система должна в каждый момент времени адекватно поддерживать организацию бизнес-процессов;

адаптивная информационная система должна проводить адаптацию всякий раз, как возникает потребность в реорганизации бизнес-процессов;

реконструкция информационной системы должна проводиться быстро и с минимальными затратами.

Ядром адаптивной информационной системы является постоянно развиваемая модель проблемной области (предприятия), поддерживаемая в специальной базе знаний – репозитории. На основе ядра осуществляется генерация или конфигурация программного обеспечения. Таким образом, проектирование и адаптация ИС сводится, прежде всего, к построению модели проблемной области и ее своевременной корректировке.

Так как нет общепринятого определения, четкую единую классификацию интеллектуальных информационных систем дать затруднительно. Например, если рассматривать интеллектуальные информационные системы с точки зрения решаемой задачи , то можно выделить системы управления и справочные системы, системы компьютерной лингвистики, системы распознавания, игровые системы и системы создания интеллектуальных информационных систем (рис. 2).

При этом системы могут решать не одну, а несколько задач или в процессе решения одной задачи решать и ряд других. Например, при обучении иностранному языку система может решать задачи распознавания речи обучаемого, тестировать, отвечать на вопросы, переводить тексты с одного языка на другой и поддерживать естественно-языковой интерфейс работы.

Рисунок 2 – Классификация интеллектуальных информационных систем по решаемым задачам

Если классифицировать интеллектуальные информационные системы по критерию «используемые методы» , то они делятся на жесткие, мягкие и гибридные (рис. 3).

Мягкие вычисления – это сложная компьютерная методология, основанная на нечеткой логике, генетических вычислениях, нейровычислениях и вероятностных вычислениях.Жесткие вычисления – традиционные компьютерные вычисления (не мягкие).Гибридные системы – системы, использующие более чем одну компьютерную технологию (в случае интеллектуальных систем – технологии искусственного интеллекта).

Рис. 3. Классификация интеллектуальных информационных систем по методам

Возможны и другие классификации, например, выделяют системы общего назначения и специализированные системы (рис. 4).

Рис. 4. Классификация интеллектуальных систем по назначению

Кроме того, эта схема отражает еще один вариант классификации по методам: системы, использующие методы представления знаний, самоорганизующиеся системы и системы, созданные с помощью эвристического программирования. Также в этой классификации системы генерации музыки отнесены к системам общения.

К интеллектуальным системам общего назначения относятся системы, которые не только исполняют заданные процедуры, но на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач.

Специализированные интеллектуальные системы выполняют решение фиксированного набора задач, предопределенного при проектировании системы.

Отсутствие четкой классификации также объясняется многообразием интеллектуальных задач и интеллектуальных методов, кроме того, искусственный интеллект – активно развивающаяся наука, в которой новые прикладные области осваиваются ежедневно.