Системы поддержки принятия решений.

Экспертные системы.

В течение последних десятилетий многочисленные попытки исследователей были направлены на создание систем, способных заменить специалиста в конкретной предметной области, т.е. решать задачи в отсутствии людей-экспертов. Эти системы получили название экспертных систем (ЭС). Отличия ЭС от других видов ИС:

· ЭС имеют дело с предметами реального мира, операции с кот. обычно требуют наличия значит. опыта, накопленного человеком.

· ЭС должна за достаточно малое время найти решение, кот. было бы не хуже, чем то, кот. может предложить специалист в этой предметной области.

· ЭС должна обладать способностью объяснить, почему предложено именно такое решение, и доказать его обоснованность. Пользователь должен получить всю инф-ию, чтобы удостовериться, что решение принято "не с потолка". ЭС проектируется в расчете на взаимодействие с разными пользователями, для кот. ее работа должна быть, по возможности, прозрачной.

ЭС(также «инженерия знаний» или «системы, основанные на знаниях») – система, объединяющая возможности комп-а со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. Доп. характеристика такой системы – способность системы пояснять по требованию ход своих рассуждений в понятной для спрашивающего форме.

ЭС обязательно содержит в своем составе:

1.БЗ и механизм логических выводов. Часто для представления фактич. знаний используется отдельный механизм - БД, а в БЗ остаются лишь процедурные знания. Кроме того, для ведения БЗ и дополнения ее при необходимости знаниями, полученными от эксперта, требуется отдельный модуль приобретения знаний.

2.Пользовательский интерфейс. Необходим для правильной передачи ответов польз-лю в удобной для него форме.

3.Модуль советов и объяснений. Способен при помощи механизма логического вывода предложить разумный совет или осуществить разумное решение поставленной задачи, сопровождая его по требованию пользователя различными комментариями, поясняющими ход проведенных рассуждений. Также он важен и для эксперта, кот. с его помощью определяет, как работает система и как используются предоставленные им знания.

На рис. базовая структура ЭС

ЭС может полностью взять на себя функции, выполнение кот. обычно требует привлечения опыта специалиста, или играть роль ассистента для человека, принимающего решение. Правильное распределение ф-ций между чел-ом и машиной – одно из ключевых условий высокой эф-сти внедрения ЭС.

Важность ЭС: технология ЭС существенно расширяет круг практически значимых задач, решаемых на компьютерах, решение которых приносит значит. экономический эффект; ЭС будут играть ведущую роль во всех фазах проектирования, разработки, пр-ва, распред-ния, продажи, поддержки и оказания услуг. При разработке реальных ЭС обычно используют так называемые языки искусственного интеллекта типа ЛИСП и ПРОЛОГ.

Системы поддержки принятия решений.

СППР (Decision Support System - DSS)– это ИС, разработанные для помощи менеджеру (лицу, принимающему решения –ЛПР) в принятии решений управления, объединяя данные, сложные аналитические модели и удобное для него ПО в единую ИС.

Существенное отличие СППР от вышеописанных экспертных систем состоит в том, что СППР призвана помочь человеку (ЛПР) в решении стоящей перед ним проблемы, а экспертные системы стараются заменить человека при решении некоторой проблемы.

СППР предоставляют возможность ЛПР оценить альтернативные варианты решения. Решение о выборе альтернативы принимает человек. Существует 2 варианта:

1. Вариант без использования критериев оценки альтернатив.В этом случае СППР должна решить следующие задачи:

· сформировать множество альтернативных вариантов решения,

· получить результаты сравнения (например, попарного) альтернатив,

· выбрать лучшую альтернативу, имеющую наилучший ранг (место), которая и выдается системой в качестве рекомендации.

2. Критериальный вариант оценки альтернатив.СППР должна решать задачи :

· сформировать множество альтернатив,

· сформировать множество критериев оценки альтернатив,

· получить оценки альтернатив по критериям,

· выбрать лучшую альтернативу, кот. и выдается системой в качестве рекомендации.

Наибольшие проблемы возникают с обоснованием критериев. Прежде всего, не всегда удается обосновать тот набор критериев, кот. необходим и достаточен для решения задачи принятия решения. Еще сложнее определить вес критериев. Можно сказать, что веса критериев – самое тонкое место в проблеме критериального упорядочения альтернатив. Чаще всего веса назначают, исходя из интуитивного представления о сравнительной важности критериев.

При выборе могут оказаться альтернативы, которые имеют оценки по всем критериям хуже, чем другие альтернативы. Сразу ясно, что такие альтернативы неконкурентоспособны. Их можно смело вычеркивать. После вычеркивания заведомо наихудших альтернатив, в остаются только такие альтернативы, которые хотя бы по одному критерию, не хуже, чем другие. Множество таких альтернатив получило название "множество недоминируемых альтернатив", или "множество Парето".

Ориентация на компьютерные ИТ позволяет основные функции СППР реализовать аппаратно-программными средствами. При этом реализация автоматизированных СППР воз­можна как в локальном, так и в сетевом варианте (SQL-технологии, Web-технологии).

Области применения СППР: микроэкономика, макроэкономика, офисная деятельность, оценка и распространение технологий, юриспруденция, медицина и др.

Прогнозирование и планирование деятельности предприятий – наиболее перспективная сфера практич. применения СППР. Для решения проблем в этой сфере в состав СППР включают такие методы и модели, как мат. программирование, статистический анализ, теорию принятия решений при неопределенности, эвристические методы, включающие адаптивность и обучение при решении слабоструктурированных задач, методы теории игр и др.

В последнее время в качестве БД СППР все чаще используют хранилище данных (Data Warehous), основанное на многомерных моделях БД.

Нейронные сети.

Нейронные сети- это раздел технологий искусственного интеллекта, в котором для обработки информации используются явления, аналогичные происходящим в нейронах живого существа. Первая модель нейронной сети была разработана в 1943 г.

Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами.

Строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов - дендриты, по которым принимаются импульсы, и единственный аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса. При прохождении синапса сила импульса меняется в определенное число раз, которое можно считать весом синапса.

На рис. (математическая модель нейрона) изображена модель нейрона с тремя входами (дендритами), причем синапсы этих дендритов имеют веса w₁, w₂, w₃. К синапсам поступают импульсы силы x₁, x₂, x₃ соответственно, тогда после прохождения синапсов и дендритов к нейрону поступают импульсы w₁x₁, w₂x₂, w₃x₃. Нейрон преобразует полученный суммарный импульс:

x=w₁x₁+ w₂x₂+ w₃x₃ в соответствии с некоторой передаточной функцией f(x).

Сила выходного импульса равна: y=f(x)=f(w₁x₁+ w₂x₂+ w₃x₃).

Таким образом, нейрон полностью описывается своими весами w_k и передаточной функцией f(x).

Искусственная нейронная сеть (ИНС, нейросеть) -это набор нейронов, соединенных между собой. Как правило, передаточные функции f(x) всех нейронов в сети фиксированы, а веса w i являются параметрами сети и могут изменяться.

Архитектуру нейронной сети разделяют на однослойную и многослойную модель

Основной смысл работы нейронной сети заключается в возможности классифицировать (распознавать) вектор входных сигналов X по заранее обученным образцам этого вектора. Процесс

обучения происходит за счет изменения весовых коэффициентов w i.

После того, как сеть обучена, она может применяться для решения полезных задач. Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в кот. он не бывал в процессе обучения. Напр., мы можем читать почти любой почерк, даже если видим его первый раз в жизни. Так же и нейросеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Веса обученной сети хранят достаточно много информации о сходстве и различиях букв, поэтому можно рассчитывать на правильный ответ и для нового варианта изображения.

Т.о. использование нейронной сети состоит из трех основных этапов:

1. Выбор типа (архитектуры) сети.

2. Подбор весов (обучение) сети.

3. Использование обученной сети для прикладных задач.

Для использования нейронных сетей в настоящее время существуют специальные программные продукты NeuroOffice, NeuroPro, NeuroInterator и др.