4. Интеллектуальные системы поддержки принятия решений.

Система поддержки принятия решений – компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. СППР возникли в результате слияния управленческих информационных систем и систем управления БД.

Для анализа и выработок предложений СППР используются следующие методы: информационный поиск, интеллектуальный анализ данных, поиск знаний в БД, рассуждение на основе прецедентов, имитационные моделирование. Нейронные сети и др.

СППР – интерактивная автоматизированная система, которая помогает пользователю (ЛПР) использовать данные и модели для идентификации и решения задач, принятия решений.

Характеристики СППР:

1. СППР использует данные и модели

2. СППР предназначены для помощи менеджерами для решения слабоструктурированных и неструктурированных задач

3. СППР поддерживают выработку решений менеджерами

4. Цель СППР – улучшение эффективности решений.

Идеальная СППР:

1. Оперирует со слабоструктурированными решениями

2. Мб адаптирована для группового и индивидуального использования

3. Предназначена для пользователей различного уровня

4. Поддерживает как взаимозависимые, так и последовательные решения

5. Является гибкой и адаптируется к изменениям

6. Проста в использовании

7. Поддерживает моделирование

8. Позволяет использовать знания

Классификация СППР:

- на уровне пользователя:

• Пассивная: помогает процессу принятия решения, но не может вынести предложение, какое решение принять;

• Активная: может сделать предложение, какое решение следует выбрать;

• Кооперативная: позволяет пользователю улучшать, пополнять или изменять решения, после чего система проверяет решение пользователя и вносит изменения…

- на концептуальном уровне:

• Управляемые документами

• Управляемые сообщениями

• Управляемые данными

• Управляемые моделями

- в зависимости от данных, с которыми работают:

• Оперативные

• Стратегические: анализ значительных объемов разнородной информации, собираемых из различных источников.

5. Экспертные системы

Понятие

Экспертные системы

это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания «бывалых» специалистов. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.

Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, как например нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.

Экспертное знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов.

Экспертная система – это не простая программа, которая пишется одним или несколькими программистами.

Экспертная система

является плодом совместной работы экспертов в данной предметной области, инженеров по знаниям и программистов.

Но стоит отметить, что встречаются случаи, когда программы пишутся самими экспертами в данной области.

Эксперт предоставляет необходимые знания о тщательно отобранных примерах проблем и путей их решения. Например, при создании экспертной системы диагностики заболеваний врач рассказывает инженеру по знаниям об известных ему заболеваниях. Далее эксперт раскрывает список симптомов, которые сопровождают каждое заболевание и в заключение рассказывает об известных ему методах лечения. Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.

Первую экспертную систему, которую назвали Dendral, разработали в Стэнфорде в конце 1960-х г.г. Эта была экспертная система, определяющая строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. Ценность Dendral заключалась в следующем. Органические молекулы, как правило, очень велики и поэтому число возможных структур этих молекул также велико. Благодаря эвристическим знаниям экспертов-химиков, заложенных в экспертную систему, правильное решение из миллиона возможных находилось всего за несколько попыток. Принципы и идеи, заложенные в Dendral оказались настолько эффективными, что они до сих пор применяются в химических и фармацевтических лабораториях по всему миру.

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Как правило, эти области хорошо изучены и располагают более менее четкими стратегиями принятия решений. Сейчас развитие экспертных систем несколько приостановилось, и этому есть ряд причин:

• Передача экспертным системам «глубоких» знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации эвристических знаний экспертов.

• Экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Как правило, экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.

• Отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.

• Экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою востребованность.

Об экспертных системах

Экспертные системы как отдельное направление выделилось из общего русла исследований по искусственному интеллекту в начале 80-х г.г. Основным предметом исследований нового направления являются знания – их приобретение, представление и использование. Специалисты, работающие в этой области все чаще используют для ее наименования термин «инженерия знаний».

Очень значимым отличием экспертных систем от классических программ, работа которых основана на точных данных является то, что экспертные системы могут ошибаться. Причина ошибок лежит в том, что знания специалистов, как и знания, заложенные в экспертные системы, не точны. Важно, по крайней мере, чтобы экспертные системы ошибались не чаще, чем ошибается человек-эксперт.

Т.о. можно сформулировать следующее определение экспертной системы. Экспертная система – это вычислительная система, в которую включены знания специалистов о некоторой узкой предметной области в форме базы знаний. Экспертные системы должны уметь принимать решения вместо специалиста в заданной предметной области.

Характерными чертами экспертной системы являются:

• четкая ограниченность предметной области;

• способность принимать решения в условиях неопределенности;

• способность объяснять ход и результат решения понятным для пользователя способом;

• четкое разделение декларативных и процедурных знаний (фактов и механизмов вывода);

• способность пополнять базу знаний, возможность наращивания системы;

• результат выдается в виде конкретных рекомендаций для действий в сложившейся ситуации, не уступающих решениям лучших специалистов;

• ориентация на решение неформализованных (способ формализации пока неизвестен) задач;

• алгоритм решения не описывается заранее, а строится самой экспертной системой;

• отсутствие гарантии нахождения оптимального решения с возможностью учиться на ошибках.

Экспертные системы применяются для решения только трудных практических (не игрушечных) задач. По качеству и эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают прозрачностью, т.е. могут, быть объяснены пользователю на качественном уровне (в отличие от решений, полученных с помощью числовых алгоритмов, и в особенности от решений полученных статистическими методами). Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

Особенности

Особенности экспертных систем, отличающие их от обычных программ, заключаются в том, что они должны обладать следующими качествами.

1. Компетентностью, а именно:

• достигать экспертного уровня решений, т.е. в конкретной предметной области иметь тот же уровень профессионализма, что и эксперты-люди;

• быть умелой, т.е. применять знания эффективно и быстро, избегая, как и люди, ненужных вычислений;

• иметь адекватную робастность, т.е. способность лишь постепенно снижать качество работы по мере приближения к границам диапазона компетентности или допустимой надёжности данных.

2. Возможностью к символьным рассуждениям, а именно:

• представлять знания в символьном виде;

• переформулировать символьные знания. На языке искусственного интеллекта символ – это строка знаков, соответствующая содержанию некоторого понятия. Символы объединяют, чтобы выразить отношения между ними. Когда отношения представлены в экспертной системе они называются символьными структурами.

3. Глубиной, а именно:

• работать в предметной области, содержащей трудные задачи;

• использовать сложные правила, т.е. использовать либо сложные конструкции правил, либо большое их количество.

4. Самосознанием, а именно:

• исследовать свои рассуждения, т.е. проверять их правильность;

• объяснять свои действия.

Существует ещё одна важная особенность экспертных систем. Если обычные программы разрабатываются так, чтобы каждый раз порождать правильный результат, то экспертные системы разработаны с тем, чтобы вести себя как эксперты. Они, как правило, дают правильные ответы, но иногда, как и люди, способны ошибаться.

Преимущества экспертных систем перед человеком экспертом

Возникает вопрос: «Зачем разрабатывать экспертные системы? И не лучше ли обратиться к человеческому опыту, как это было в прошлом?». Отметим лишь основные преимущества, которые даёт использование экспертных систем. Преимуществом искусственной компетенции являются следующие качества.