Классификация по связи с реальным временем.

Статические ЭС разрабатываются в предметных областях, в которых БЗ и интерпретируемые данные не меняются во времени. Например, диагностика неисправностей в автомобиле.

Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени. Примером таких систем служат микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса один раз в 4-5 часов и анализируется динамика полученных показателей по отношению к результатам предыдущего измерения.

Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени, включая непрерывную интерпретацию поступающих в систему данных. Например, системы управления гибкими производственными комплексами, системы мониторинга в реанимационных палатах.

Классификация по типу ЭВМ.

На сегодняшний день существуют:
§ ЭС для уникальных стратегически важных задач, решаемых на супер-ЭВМ (Эльбрус, CRAY, CONVEX и др.);
§ ЭС на ЭВМ средней производительности (типа mainframe);
§ ЭС на символьных процессорах и рабочих станциях (SUN, Silicon Graphics, APOLLO);
§ ЭС на мини- и супермини-ЭВМ (VAX, micro-VAX и др.);
§ ЭС на персональных ЭВМ (IBM PC, MAC II и др.).

Классификация по типу интеграции с другими программами.

Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически «экспертных» задач, решение которых требует привлечения традиционных методов обработки данных (расчетов, моделирования и т.д.).

Гибридные ЭС представляют собой программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование или СУБД) и средства управления знаниями. Это может быть интеллектуальная надстройка над пакетами прикладных программ (ППП) или интегрированная среда для решения сложной задачи с элементами экспертных знаний. Разработка гибридных систем является задачей значительно более сложной, чем разработка автономной ЭС, поскольку при создании гибридной ЭС возникает необходимость стыковки не только разных пакетов программ, но и разных методологий.

Примеры экономических экспертных систем

Существует ряд специализированных ЭС, используемых в сфере экономики и менеджмента. В дополнение к примерам таких систем, приведенным в п. 3.2.3, рассмотрим еще несколько экономических экспертных систем:

1. FliPSiDE (разработчик Case Western Reserve University) – система логического программирования финансовой экспертизы. Даная система позволяет решать такие задачи, как мониторинг состояния рынка ценных бумаг; мониторинг состояния текущего портфеля ценных бумаг; обзор будущих условий рынка; планирование и организация продаж. В качестве платформы программирования в системе используется язык Пролог. Оригинальным решением, используемым в системе, стало применение парадигмы «Классной доски», описанной Ньюэллом. На «Классной доске» представляются исходные данные для различных знаний.

2. Splendors – система управления портфелем ценных бумаг. Данная система относится к классу систем реального времени и использует специализированный язык высокого уровня Profit. Система Splendors предоставляет возможности создания портфеля инвестиций как для опытных программистов на языке Си, так и для непрограммирующего финансового аналитика. Оптимальные инвестиционные портфели строятся в реальном масштабе времени за счет игры на учете быстрых изменений на фондовой бирже. Система отличается большой гибкостью, что позволяет достигать разнообразных инвестиционных целей в условиях быстро меняющихся данных.

3. PMIDSS (разработчик Финансовая группа Нью-Йоркского университета) – система поддержки принятия решений при управлении портфелем инвестиций. В число решаемых системой задач входят: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Данная ЭС является смешанной системой представления знаний и использует разнообразные механизмы ввода.

4. Le Courtier (фирмы Cognitive System Inc.) – система ассистент-эксперт для менеджера портфеля инвестиций. Система предназначена для поддержки процесса определения инвесторами своих предпочтений и управления портфелем инвестиций. Данная ЭС обладает мощным языковым интерфейсом, в качестве механизмов вывода использует эвристические правила.

5. ИНТЕР-ЭКСПЕРТ (НПО «Центрпрограммсистем»). Эта система является русифицированным вариантом гибридной оболочки GURU, разработанной фирмой Micro Data Base System, и ориентирована в основном на решение экономических задач. Для представления знаний в ней применяются правила продукции if ... then. При обработке знаний используются как прямой, так и обратный методы вывода (см. п. 3.3). В системе учитывается неопределенность знаний (правилу можно присвоить приоритет и цену, а логические выводы можно выдавать с учетом факторов уверенности). Во время работы можно использовать информацию из Dbase III, Lotus 1-2-3. ИНТЕР-ЭКСПЕРТ может обновлять записи баз данных, исполнять процедурные программы. В системе предусмотрена связь с удаленными компьютерами, обеспечивающая двусторонний диалог и передачу файлов. Система написана на языках Си и Ассемблер. Дополнительными средствами, предоставляемыми системой, являются: встроенные база данных и текстовый процессор, электронные ведомости, графика, средства генерации отчетов и управления сложными формами, статистический анализ, выполнение стандартных запросов на языке SQL, многофункциональный вычислитель.

6. ЭКСПЕРТ-ПРИЗ (Институт Кибернетики АН ЭССР, 1989). Данная система наиболее всего подходит для таких областей, в которых наряду с использование эмпирических знаний необходимы математические вычисления и доступ к базам данных.

7. RAD (разработчик Kestelyn, 1992). ЭС предназначена для формирования портфеля инвестиций и оценки финансовых рисков.

8. RUNE (автор – Durkin, 1998). ЭС по налогообложению, которая позволяет находить рациональные решения при уплате различных налогов.

В заключение, можно сказать, что к настоящему моменту ЭС стали одной из серьезных коммерческих отраслей информационной индустрии. По мнению специалистов, в недалеком будущем ЭС будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки товаров и оказания услуг. Технология ЭС, получившая коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей. Уже сегодня эта технология существенно расширяет круг практически значимых задач, решение которых при помощи компьютеров приносит значительный экономический эффект.

Нейронные системы

В основу построения нейронных сетей положена модель мыслительной деятельности человеческого мозга.

Для понимания основных принципов построения нейронных систем напомним, что мозг человека состоит из большого числа нейронов, каждый из которых можно рассматривать как обладающий определенными весовыми коэффициентами пороговый элемент, имеющий около 200 тыс. входов и всего один выход. В живом организме все нервные клетки посредством синапсов (точек соединений входов и выходов нейронов) связаны друг с другом в длинные цепочки и образуют единую сеть, постоянно обучаемую в течение жизни. Процесс обучения состоит в образовании новых синапсов и в установке весовых коэффициентов, определяющих условия появления нервного сигнала на выходе того или иного нейрона.

Подобно живому мозгу, нейрокомпьютеры состоят из электронных нейросхем, весьма упрощенно моделирующих поведение реальных нейронов. Поведение обученного до рождения или в процессе жизни нейрокомпьютера определяется набором весовых коэффициентов или, как иногда говорят, синоптической матрицей. Хотя искусственные нейронные сети еще далеки от своего прототипа — человеческого мозга, в поведении и тех, и других просматривается много общего. Технология создания, обучения и эксплуатации нейронной сети строится следующим образом.

1. Сначала формулируется постановка задачи и выделяется набор параметров, характеризующих некоторую проблему, или проблемную ситуацию. Параметры определяются на основании опыта множества экспертов, но этот набор их может быть избыточным и противоречивым, кроме того, нет необходимости заранее определять значимость того или иного параметра. Их важность определяется в процессе обучения и эксплуатации нейронной сети.

2. Подготавливается набор обучающих примеров, представляющих собой последовательности, состоящие из наборов входных параметров, для которых определены верные выходные значения. Эти заведомо верные выходные значения называют эталонными.

3. Осуществляется первоначальная настройка нейронной сети — весовым коэффициентам присваиваются случайные значения.

4. Обучающие последовательности в определенном порядке предъявляются нейронной сети. Нейронная сеть формирует выходные значения, которые сопоставляются с эталонными. На основе этого сравнения происходит автоматическая коррекция весовых коэффициентов нейронной сети. В случае совпадения полученного значения с эталонным происходит увеличение весовых коэффициентов тех параметров, которые способствовали получению верного результата, и, наоборот, происходит понижение весовых коэффициентов тех параметров, которые способствовали выработке неверного решения. Процесс коррекции весовых коэффициентов называется процессом обучения.

5. Процесс предоставления обучающих последовательностей повторяется многократно до тех пор, пока сеть не придет в стационарное состояние, то есть результаты, вырабатываемые нейронной сетью с заданной вероятностью, совпадут с эталонными результатами.

6. После этого нейронная сеть считается настроенной (обученной) на определенную проблему, и ее можно использовать для решения реальных задач. Кроме того, в процессе эксплуатации нейронной сети также может происходить ее последующее обучение. Например, если имеется возможность оценить правильность решений, полученных в процессе эксплуатации сети, то эти данные также могут быть использованы для коррекции весовых коэффициентов. Обучение нейронной сети, как и обучение человека, длится долго, стоит достаточно дорого и во многом представляет собой настоящее искусство. Скорость обучения сети зависит не только от характеристик нейронной сети, но и от метода обучения, количества и качества обучающих последовательностей, порядка их предоставления нейронной сети. В настоящее время известно большое число математических алгоритмов обучения нейронных сетей, которые исследуются в рамках особой научной дисциплины, называемой нейроматематикой.

Важно отметить, что обученная нейронная сеть представляет собой самостоятельный отчуждаемый продукт. Механизмы построения нейронных сетей позволяют обучить нейронную сеть решать конкретную задачу и затем продать результаты обучения (числовую матрицу весовых коэффициентов), не раскрывая покупателю самой методики обучения.

Обучение нейронной сети представляет собой сложный процесс, реализуемый достаточно сложными алгоритмами, требующими значительных вычислительных ресурсов. Установлено, что реализация нейросетевых алгоритмов на обычном вычислительном оборудовании неэффективна. Для создания и обучения нейронных сетей используются дорогостоящие пакеты программ, эксплуатация которых требует высокопроизводительного вычислительного оборудования. В связи с этим в лексиконе вычислительной техники появилось новое понятие — нейрокомпьютер.

Под нейрокомпьютером понимается вычислительная система, аппаратное и программное обеспечение которой имеет архитектуру, ориентированную на эффективную реализацию нейросетевых алгоритмов. Нейрокомпьютеры могут представлять собой самостоятельные устройства, а также строиться на основе обычных вычислительных устройств за счет включения в них специальных нейроплат — нейроакселераторов для рабочих станций и персональных компьютеров.

Системы извлечения знаний

Прорыв в области высокоскоростных коммуникаций, ориентация сети Internet на реализацию коммерческих приложений привели к тому, что объем данных, требующих осмысленной обработки, возрос настолько, что появилась реальная потребность в недорогих, простых в обращении, но достаточно гибких программах для осмысленного анализа лавинообразного потока «сырой» информации. В результате этого спроса возник рынок интеллектуальных систем нового поколения. Стали появляться программы, способные самостоятельно, без предварительного обучения на опыте эксперта, извлекать информацию (знания) из баз данных большого объема и глобальных информационных сетей. Многие из этих программ были выпущены на рынок не совсем доработанными, что объясняется стремлением их производителей закрепиться в новой рыночной нише, однако темпы роста нового рынка и интерес, проявляемый к нему со стороны бизнесменов и политиков, позволяют специалистам предсказывать ему большое будущее.

В настоящее время нет строго определенного термина, обозначающего новый класс интеллектуальных систем.

Чаще всего в литературе для их обозначения используется англоязычное словосочетание «data mining». В русскоязычном варианте можно встретить названия: «системы добычи данных (знаний)», «системы извлечения знаний», DM-системы и некоторые другие.

Наиболее важными отличительными особенностями систем, относимых к DM-системам.

1. Прежде всего, DM-системы обеспечивают автоматическое выявление корреляций между различными атрибутами элементов данных в реляционных БД. Сих помощью можно получить ответы, например, на такие вопросы, как: «Какие факторы способствуют увеличению числа продаж того или иного товара? Какие события влияют на изменения котировок ценных бумаг? Какова общая картина политических симпатий избирателей по регионам?» Часто в качестве одного из контролируемых параметров выступает шкала времени, тогда система имеет возможность отображать динамику валютных торгов, прогнозы пополнения сырьевых запасов, эволюцию взглядов электората.

Современные DM-системы способны не только находить корреля ционные зависимости, но и оценивать вероятность каждой гипотезы. А наиболее мощные системы, использующие аппарат нечеткой логики, способны оперировать как количественными, так и качественными параметрами — «популярный», «прибыльный», «стабильный» и др.

2. Важной функцией DM-систем является автоматическая кластеризация данных для ответов, например, на такие вопросы: «На какие группы делятся клиенты страховой компании?» «Какая группа наиболее представительна?» «Какая наиболее доходна?» Обычно пользователей интересует не только количество и размер кластеров, но и расположение их центров, характеризующее черты типичного представителя данного класса объектов, четкость границ и многие другие параметры.

3. Следующим важным атрибутом больших DM-систем является возможность автоматизированной обработки неструктурированной текстовой информации.

4. Еще одна важная особенность — каждая DM-система в той или иной степени обладает способностью генерировать итоговые отчеты в форме, максимально приближенной к тексту на естественном языке.

Для решения основной задачи DM-систем — выделения корреляционных зависимостей между данными — чаще всего используются три подхода: многомерный корреляционный анализ, обработка гипотез по принципу «запрос-отчет» и так называемые «интеллектуальные агенты».

Основными потребителями систем искусственного интеллекта в настоящее время являются военно-промышленные комплексы, а также финансовые и банковские структуры. Индустриальные компании, обладающие исследовательским потенциалом, обычно идут по пути создания собственных систем для обработки технической, управленческой и маркетинговой информации.