Автоматизированные информационные системы в экономике

Проблемы представления  знаний в компьютерных системах решаются на трех уровнях:

1) техническом — реализация  сложного представления знаний, требующая ЭВМ с чрезвычайно развитой функциональной структурой, которая обеспечивает параллельные вычисления в режиме реального времени;

2)  программном — создание программ, которые обеспечивают выполнение всех алгоритмов, необходимых для представления знаний;

3)  концептуальном — выработка концепций, моделей, образующих методологию искусственного интеллекта.

Под представлением знаний подразумевают соглашение о том, как описывать реальную ПрО, в частности понятия и отношения. Иногда такое соглашение называют нотацией. Каждая модель определяет форму представления знаний, будучи формализмом, призванным отобразить объекты, связи между ними, иерархию понятий ПрО и изменение отношений между объектами. Для решения проблемы представления знаний разработаны разнообразные МПЗ. В системах искусственного интеллекта используются в основном четыре типа МПЗ", логическая, продукционная, семантическая сеть и фрейм.

Логические  МПЗ представляют знания в виде формул, которые состоят из констант, переменных, функций, предикатов, логических связок и кванторов. Каждая логическая формула дает частичное описание состояния ПрО.

В основе всех логических схем представления знаний лежит понятие  формальной системы, которую можно  задать четверкой: 

 

M=<T,P,A,F>,

где Т— множество базовых элементов (алфавит формальной системы);

Р — множество синтаксических правил, позволяющих строить синтаксически правильные выражения А из Т;

А — множество аксиом (любое множество синтаксически правильных выражений);

F — правила вывода, позволяющие расширять множество аксиом.

Среди реализаций логических МПЗ различают системы дедуктивного типа (имеют фиксированную систему правил вывода) и индуктивного типа (правила вывода порождаются системой на основе конечного числа обучающих примеров).

В логических схемах синтаксис  задается набором правил построения правильных синтаксических выражений, а семантика — набором правил преобразования выражений и разрешающей процедурой, позволяющей однозначным образом и за конечное число шагов определить, является ли данное выражение семантически правильным. К достоинствам логических МПЗ относятся: высокий уровень модульности знаний, лаконичность представления, наличие четкого объекта анализа и определение понятия логического вывода. Они позволяют формальным путем получить новые знания. К недостаткам можно отнести чрезмерный уровень формализации знаний, слабая наглядность, трудность прочтения логических формул и сложность их понимания. Кроме того, логические МПЗ имеют технологические ограничения: низкая производительность при отработке знаний, необходимость большой памяти, отсутствие выразительности средств для отражения особенностей ПрО и структурирования знаний, громоздкость при описании больших объемов знаний. Чаще всего логические МПЗ применяются в сочетании с другими моделями.

Продукционные МПЗ задаются в виде выражений: «если имеется условие, то предполагается выполнить действие»; «если имеется причина, то она влечет следствие»; «если возникает ситуация, то предполагается решение». Продукционные модели могут быть реализованы, в частности, процедурно. В процедурных системах присутствуют три компонента: БД, некоторое число продукционных правил (продукций), состоящих из условий и действий; интерпретатор, который последовательно определяет, какие продукции могут быть активированы в зависимости от содержащихся в них условий. В БД хранятся известные факты выбранного ПО. Продукционные правила (продукции) содержат специфические знания ПО о том, какие еще дополнительные факты могут быть учтены, есть ли специфические данные в БД. В АИИС, построенных на использовании продукционных МПЗ, БД представляет собой переменную часть, а правила и интерпретатор не изменяются. Благодаря свойству модульности, присущему продукционным МПЗ, можно добавлять и изменять знания (правила, факты). Поэтому продукционные МПЗ применяются в ПО, где нет четкой логики и задачи решаются на основе независимых правил (эвристик). Продукционные правила несут информацию о последовательности целенаправленных действий. Продукционные модели благодаря причинно-следственному характеру правил хорошо отражают прагматическую составляющую знаний.

АИИС продукционного типа удобна, если решается небольшая задача. С увеличением объема знаний эффективность такой АИИС снижается.

Семантические сети МПЗ основываются на результатах изучения организации долговременной памяти человека. Характерная особенность семантических сетей в том, что они для образования своей структуры используют два компонента — вершинам сети соответствуют понятия (объекты, события, процессы, явления), а дугам, их соединяющим, — отношения, связи между понятиями.

В зависимости от структуры  узлов и характера отношений  между ними различают следующие сети: простые и иерархические, однородные и неоднородные. Последние делятся на функциональные сети, сценарии и семантические сети.

В семантических сетях  знания представлены в терминах естественного языка и естественных отношений между ними (элемент-класс, класс-подкласс, функциональные дуги). Основные общие характеристики сетей следующие:

•  описание объектов производится на естественном языке;

•  все знания накапливаются в относительно однородной структуре

памяти;

•  на сетях определяются унифицированные отношения между объектами, которым соответствуют унифицированные методы вывода;

• методы вывода в соответствии с запросами определяют участки  семантического знания, имеющего отношение  к поставленной задаче;

• аппарат вывода определяет процедуру понимания запроса  и соответствующую цепь выводов по решению задачи.

К достоинствам семантических  сетей можно отнести: логическую гибкость, полученную благодаря наличию  свойств ассоциативности и иерархичности; гармоничность и естественность сочетания декларативного и процедурного, синтаксического и семантического знаний; наглядность отображения объектов, связей, отношений в силу присущей им возможности графической нотации; лучшую читаемость и понимаемость знаний; высокую степень структуризации знаний. Среди недостатков следует выделить: сложность и трудность разработки алгоритмов анализа семантической сети в силу нерегулярности структуры и большого количества дуг, несущих синтаксическую информацию; пассивность структуры сети, для обработки которой необходим сложный аппарат формального вывода и планирования; разнообразие типов вершин и связей, произвольность структуры, требующие большого разнообразия процедуры обработки; трудность представления и обработки неточных и противоречивых знаний. В целом семантические сети позволяют представлять семантику ПО, а также осуществлять за счет наличия связей и отношений между понятиями целевую ориентацию и, таким образом, отражать прагматическую составляющую знаний. В связи с указанными недостатками предприняты попытки усовершенствования семантических сетей, которые нацелены в основном на организацию процессов обобщения, решение проблемы поиска и повышение изобразительных возможностей сетей.

Фреймовые МПЗ — это особые познавательные структуры, дающие целостное представление о явлениях и их типах. Основной элемент этой МПЗ — фрейм. В общем виде фрейм представляется так:

Фреймы отражают концептуальную основу организации памяти человека. Слоты — это некоторые структурные  элементы фрейма, заполнение которых  приводит к тому, что фрейм ставится в соответствие некоторому объекту — предмету или явлению. Значениями слота могут быть конкретные данные, процедуры и даже продукции. В качестве слота может быть указано имя другого фрейма. Слот может быть пустым (незаполненным). Из всех ранее рассмотренных МПЗ только фреймам свойственна высокая структурируемость, внутренняя интерпретируемость посредством имен и значений и связность слотов и их значений.

Кроме того, фреймы обладают высокой наглядностью и модульностью, объединяют достоинства декларативного и процедурного представления знаний. Однако фреймы наиболее эффективны при обработке семантической составляющей знаний. У фреймов, как и у семантических сетей, отсутствуют универсальные процедуры их обработки, что приводит к неэффективному использованию ресурсов процессора и памяти ЭВМ.

Рассмотренные МПЗ — это в некотором смысле разновидности структур данных, хотя эти МПЗ и используются в АИИС для обработки знаний. На основе МПЗ строятся технологии приобретения знаний.

Технология приобретения знаний. Главная задача при построении АИИС

— приобретение знаний. От качества и полноты первоначальных знаний, введенных в БЗ, в решающей степени зависят эффективность работы АИИС и качество решения задач пользователя.

В современных экспертных системах генерация знаний базируется на следующих основных компонентах (рис. 4.8):

•  БЗ;

•  подсистеме приобретения знаний;

•  интерфейсе пользователя;

•  подсистеме объяснения;

•  машине вывода;

•  доске объявлений (рабочая память);

•  подсистеме совершенствования вывода.

Такая структура обеспечивает пользователю возможность наполнения ЭС нужными данными и знаниями и проведения консультаций с системой при решении экономических задач. Среда разработки используется разработчиком ЭС для введения и представления экспертных знаний. Среда консультации доступна пользователям для получения экспертных знаний и подсказок.

В подсистеме приобретения знаний происходит сбор, передача и  преобразование опыта решения экономических  задач из определенных источников знаний в компьютерные программы при их создании или расширении. Источники знаний — это эксперты, специалисты, БД, научные отчеты, учебная литература, опыт

пользователей - экономистов. Извлечение знаний в силу своей сложности — узкое место в создании и технологии ЭС. Для построения БЗ нужен инженер по знаниям. Он оказывает эксперту методическую помощь в структурировании его знания о ПрО, интерпретирует и интегрирует ответы на вопросы, находит аналогии, предлагает контрмеры и выявляет затруднения в определении концептуального уровня задач.

В БЗ содержится все необходимое для понимания, формирования и решения задач. Она содержит два основных элемента: факты (данные) из ПрО и специальные правила, или так называемые эвристики, которые управляют использованием фактов при генерации знаний. Кроме того, БЗ может включать метаправила, т.е. правила о правилах для решения проблем и получения выводов. Эвристики выражают формальные суждения о ПрО. Для ЭС первичный исходный материал — знания, а не факты. Информация БЗ включается в программу ЭВМ в процессе представления знаний.

«Мозг» экспертной системы — машина вывода, или интерпретатор правил. Этот блок — программа ЭВМ, поддерживающая методологию обработки информации из БЗ, получение и представление заключений и рекомендаций посредством формирования и организации последовательности процедур, необходимых для решения задачи. Машина вывода состоит из следующих основных элементов:

•  интерпретатор, выполняющий выбранные процедуры с применением соответствующих правил базы знаний;

•  планировщик, управляющий процессом выполнения процедур посредством оценки эффекта применения различных правил с точки зрения приоритетов или других критериев.

Доска объявлений как область  рабочей памяти выделяется для описания текущей задачи посредством специфицированных входных данных. Она используется также для записи промежуточных результатов. Здесь регистрируются текущие гипотезы и управляющая информация. В частности, план (стратегия для решения задачи), повестка (потенциальные действия, ожидающие выполнения), решения (гипотезы и альтернативные способы действий, порожденные ЭС).

Интерфейс пользователя ЭС играет существенную роль в эффективности решения задач. ЭС имеет лингвистический процессор, который обеспечивает дружественный и проблемно-ориентированный интерфейс пользователя с ЭВМ. Здесь может использоваться многооконное меню с естественным языком и графикой.

Подсистема объяснения обеспечивает возможность проверки соответствия выводов их посылкам и имеет важное значение как при передаче опыта, так и при решении задач. Подсистема объяснения может проследить соответствие и объяснить поведение ЭС, интерактивно отвечая на вопросы типа: «Как было получено это заключение?», «Почему эта альтернатива была отвергнута?», «Какова последовательность подготовки решения?» и др.

Компонент совершенствования  вывода основан на обратной связи. В  процессе решения задач ЭС проводит двусторонний диалог с пользователем. Она запрашивает его о фактах, уточняя конкретную ситуацию решаемой задачи. После получения ответов ЭС пытается получить заключение. Эта попытка выполняется машиной вывода. Она определяет, какие эвристики необходимо использовать, чтобы установить порядок применения знаний из БЗ. При необходимости пользователь может запросить объяснение ЭС ее заключений. Истинность вывода зависит от метода, который был выбран для представления знаний, полноты БЗ и логического аппарата машины вывода.

Эксперты проводят тщательную работу по накоплению знаний, опыта, набора правил порождения знаний и др. Это позволяет в дальнейшем анализировать и оценивать успешность принятых решений, методик и средств, задействованных при построении и эксплуатации ЭС. Это приводит к «очищению» знаний, улучшению их представления и выработки, к совершенствованию технологии ЭС в целом.

В осуществлении процесса приобретения знаний принимают участие инженеры по знаниям, программисты и так называемые источники знаний. В роли источников знаний выступают эксперты, факты, примеры, данные ПрО, в частности учебники, монографии,