7.9. Компьютерные технологии интеллектуальной поддержки управленческих решений

Рассмотренные выше технологии отражают так называемый алгоритмический (процедуральный или процедурный) подход, кото­рый основывается на математических моделях и интерпретируется как механическое осуществление заданной последовательности шагов, детерминированно приводящей к правиль­ному ответу. Свойственная этому подходу ограниченность не позволяет использовать его при решении огромного класса неформализованных или слабоформализованных задач, требующих применения эвристических, эмпирических знаний и творчества. К их числу относятся зрительное распознавание пространственных сцен, общение на естественном языке, обучение на опыте, постановка новых задач и нахождение алгоритмов их решения, выработка новых понятий, создание новых научных теорий, открытие новых свойств и законов и т.д. В этой связи алгоритмическому подходу противопоставляется эвристический, свойственный человеческому мышлению, для которого характер­но обращение к интуиции, здравому смыслу, опыту, аналогии, а также абстрагирование, возникновение «догадок» о пути решения с последующей их провер­кой и т.д. Этот подход разрабатывается в рамках комплексного научного направления, метафорически обозначаемого как искусственный интеллект.

Искусственный интеллект ставит целью создание программно-аппаратных средства, позволяющих имитировать с помощью компьютера отдельные элементы творческого процесса, свойственного человеку, автоматизировать целенаправленное поведение роботов, обеспечивать диалоговое общение с компьютером пользователей на языке их предметной области, создавать системы, работа которых опирается на знания, формируемые экспертами. Речь идет о решении задач, с которыми специалист справляется, но не располагает для этого строгими математическими алгоритмами в силу неформализуемости соответствующих знаний, отсутствия точных математических моделей. Это научное направление объединяет математиков, лингвистов, психологов, инженеров. Состав дисциплин, относящихся к искусственному интеллекту, постоянно расширяется. В него входят представление знаний, решение задач с использование алгоритмов профессиональной деятельности, экспертные системы, средства общения с ЭВМ на естественном язы­ке, обучение, когнитивное моделирование, обработка визуальной ин­формации, робототехника, нейрокомпьютерные технологии и др.

Считается необходимым использовать два класса знаний экспертов. Вербализуемый опыт специалист может выразить словами в терминах данной предметной области, в виде некоторых общих высказываний и правил, описания конкретных примеров, образцов решений и действий в конкретных ситуациях. Невербализуемый опыт формируется у человека в виде образов, интуитивных предчувствий, предпочтений, предвидений, ассоциативных связей, неосознаваемых реакций. Этот опыт не укладывается в четко осознаваемые человеком правила, принципы, закономерности, связи и т.д. Существует гипотеза, согласно которой описание подсознательного опыта следует осуществлять не столько в контексте описания внешнего поведения человека, сколько «в терминах» нейронных структур человеческого мозга и их связей, обеспечивающих самоорганизацию его деятельности. Составной частью исследований по искусственному интеллекту является разработка экспертных систем.

Экспертная система (ЭС) – это прикладная система искусственного интеллекта, способная получать, накапливать, корректировать знания из некоторой узкой предметной области, выводить новые знания, находить на основе этих знаний решения практических задач, близкие по качеству к решениям экспертов и объяснять ход решения этих задач. Речь идет по существу о компьютерных технологиях интеллектуальной поддержки управленческих решений. Основные функции экспертных систем: интерпретация (классификация, описание ситуации по имеющимся признакам), диагностика (выявление неправильного функционирования системы), прогно­зирование (определение вероятных последствий ситуации), планирование (определение оптимальной последовательности действий), контроль (сравнение результатов наблюдений с ожидаемым результатом), обучение (диагностика, объяснение, корректировка поведения обучаемого), консультирование и управление. Области применения экспертных систем - самые разные: страхование, банков­ское дело, медицина, промышленность, сельское хозяйство, геология, метеорология, юриспруденция, военное дело и т.д. Выходные результаты являются качественными (а не количе­ственными).

Экспертная система состоит из пяти основных частей: базы зна­ний (БЗ), механизма вывода (интерпретатора правил), а также компонентов - приобретения знаний, объяснительного и диалогового. База знаний предназначена для хранения долгосрочных зна­ний, описывающих рассматриваемую предметную область, и вклю­чает в себя рабочую память (РП), которая предназначена для хранения исходных и промежуточных данных решаемой в текущий момент за­дачи, и базу правил, описывающих целесообразные преобразования данных этой области. Механизм вывода, используя исходные данные из РП и знания из БЗ, формирует такую последовательность правил, которые, в результате их применения к исходным данным, приводят к решению зада­чи. Механизм вывода может сочетаться с дру­гими базами знаний для создания новых экспертных систем

Компонент приобретения знаний реализует наполнение ЭС знаниями. Представление знаний - наиболее важная область исследований по искусственному интеллекту. Знания имеют форму описаний объектов, взаимосвязей и процедур. Создание общей теории или метода представления знаний явля­ется проблемой. Объяснительный компонент комментирует, как система получила ре­шение задачи (или почему не получила решения) и какие знания при этом использованы. Это облегчает тестирование отладку системы и повышает доверие пользователя к полученному результату. Диалоговый компонент реализует дружественный интерфейс для пользователя и используется в ходе решения задач, приобретения знаний, объяснения результатов работы.

Построение экспертной системы требует специфичной формы взаимодей­ствия создателя ЭС (программиста - инженера знаний) и экспертов в соответствующей предметной области. Инженер знаний опрашивает экспертов относительно процедур, стратегий, эмпирических правил, которые они используют при реше­нии задач, и встраивает эти знания в экспертную систему. Это весьма длительный и трудоемкий процесс, наиболее узким местом которого является приобретение зна­ний. Существует парадокс экспертизы (инжене­рии знаний), который заключается в том, что чем выше компетентность эксперта, тем меньше его способность описать знания, используемые им для решения задач (эксперты обычно описывают правдо­подобные линии рассуждений, но не те, которыми они действительно пользуются). Технологию построения экспертных систем называют инженери­ей знаний.

Под знаниями в ЭС понимается вся совокупность информации, необходимой для решения задачи, включающая в себя, в том числе информацию о системе понятий предметной области; формальных моделях, на основе которых реша­ются задачи; взаимном соответствии указанных систем понятий и моделей; текущем состоянии предметной области; методах решения задач. В ЭС содержатся три типа знаний:

- статические знания о предметной области (после выявления этих знаний, они не изменяются);

- динамические знания о предметной области, они обновляются по мере выявления новой информации;

- рабочие знания, необходимые для решения конкретной задачи.

Построение базы знаний включает три этапа: описание предметной области; выбор модели представления знаний; приобретение знаний. Наиболее значимые знания для ЭС в настоящее время приобретаются от экспертов. Дополнительные знания могут быть получены из различных источников: книг, научных отчетов, баз данных, эмпирических данных, от инженера знаний и т.д.

Основные модели представления знаний – логические, сетевые, фреймовые, продукционные. Логические модели базируются на формальной логике и рассмат­ривают систему знаний, необходимую для решения прикладных задач и организации взаимодействия пользователя с ЭВМ, как со­вокупность утверждений (формул). Факты представляются в виде формул, составленных средствами некоторой логики (предикатов, многозначной, модальной или иной). Система знаний представляется совокупностью формул. Логические модели могут быть заданы в виде:

L = < B, Р, А, V>, где

B - множество базовых элементов, входящих в состав некоторого набора (могут иметь различную при­роду). Для B существует некоторый способ определения принадлежности к нему произвольного элемента;

Р - множество синтаксических правил, с по­мощью которых из элементов B образуют синтаксически правильные совокуп­ности;

А - подмножество аксиом, выделяемых в множестве синтаксически правильных совокупностей (это те информационные единицы, которые введены в базу знаний извне);

V - множество правил вывода. Правила применяются к элементам А, при этом формируются новые синтаксически правильные совокупности, к которым снова допускается применение правил из В. Таким образом получаются новые знания, про­изводные от исходных.

Преимущества логических моделей: развитый аппарат вы­вода новых фактов на основе тех, что представлены в базе знаний в явном виде, возможность контроли­ровать логическую целостность базы знаний, простота записи фактов. Это определяет интенсивное использование логических методов при создании ЭС. Их недостаток - отсутствие заданных моделью четких принципов организации фактов в базе знаний. Без определения и пос­ледовательного соблюдения таких принципов затруднительным становится их анализ и обработка. Как следствие, логические модели используются, главным образом, в тех предметных областях, где система знаний невелика по объему и проста по структуре.

В семантических сетях предметная область рассматривается как совокупность сущностей (объектов) и отно­шений (связей) между ними и представляется в виде ориентированного графа. Эти сети используют три основных типа объектов: понятия, события и свойства. Понятия представляют собой сведения об абстрактных или физических объектах предметной области. Собы­тия - это действия, которые могут внести изменения в предметную область. Результатом события может стать новое состояние предметной области. Может быть задано некоторое состояние предметной области и поставлена задача отыскания на сети последовательности событий, приводящей к этому состоянию. Свойства используются для уточнения понятий, событий и других свойств. Применительно к понятиям свойства описывают их особен­ности или характеристики (цвет, размеры, качество); применительно к событиям - свойства (продолжительность, место, время и т. п.).

Сетевые модели могут быть заданы в виде:

S = <I, T, G>, где

I – множество информационных единиц;

T – множество типов связей между информационными единицами;

G – отображение, задающее для информационных единиц конкретные связи из заданного множества их типов.

Различа­ют классифицирующие, функциональные, сценарные и семантические сети. В классифицирующих сетях базируются на иерар­хических отношениях между информационными единицами. Функциональные сети (вычислительные модели) содержат функциональ­ные отношения и позволяют описывать процедуры вычислений одних инфор­мационных единиц посредством других. В сценарных сетях отражаются отношения типа «средство - результат», «орудие - действие», а также каузальные (причинно-следственные). Существуют сети, допускающие связи различного типа. Аппарат семантических сетей широко исполь­зуется в практике представления знаний. Его достоинства: выразительность, естественность и на­глядность, близость семантической структуре фраз естественного языка.

Фреймовые модели являются разновидностью сетевых. Фрейм - это структура данных, представляю­щих стереотипную ситуацию в данной предметной области, снабженная развитым аппаратом описания того, как использовать фрейм, чего можно ожидать далее, а также что следует делать, если эти ожидания подтвердятся. Все, что касается объекта или ситуации и важно с позиций решаемых задач, не рассредоточивается по сети, а представляется в концентрированном виде во фрейме. Это позволяет более эффективно использовать процедурные знания.

Фрейм является сетью узлов и отношений, организован­ных иерархически, где верхние узлы представляют общие понятия, а нижние - более частные. Совокупность фреймов, моделирующая предметную область, - это иерархическая сетевая структура, в ко­торой фреймы соединяются между собой с помощью родовидовых связей и обладают свойством наследования значений харак­теристик родительских структур по умолчанию (если они не со­держат собственных значений этих характеристик). Сложность конструкции фреймовых систем снижает скорость работы механизма вывода и увеличивает тру­доемкость процедур внесения изменений.

Продукционные модели наиболее эффективны при отражении процедурных знаний. Под продукцией понимается выражение вида:

(i) Q; P; A => B; N, где

i - имя продукции, которое позволяет выделить ее из всего множества продукций;

Q - характеризует сферу применения продукции;

=> - знак секвенции (логического сле­дования);

А => В - ядро продукции (ее основной элемент). Ин­терпретация ядра продукции зависит от того, что стоит слева и справа от знака секвенции. Ядро продукции читается так: ЕСЛИ А, ТО В. Более сложные конструкции ядра допускают в правой части альтернативный выбор, например ЕСЛИ А, ТО В1 ИНАЧЕ B2. Возможны и другие интерпретации ядра, в частности: А описывает некоторое условие, при котором совершается действие В;

P - условие применимости ядра продукции, как правило, это логическое выражение. Когда P принимает значение «истина», ядро продукции активизирует­ся. Если P «ложно», ядро продукции не может быть использовано;

N - постусловия продукции. Они актуализиру­ются, когда ядро продукции реализовалось. По­стусловия описывают действия и процедуры, которые не­обходимо выполнить после реализации В;

Для системы продукций задаются специ­альные процедуры управления продукциями, реализующие актуализацию и выбор продукции для выполнения.

Инструментальные средства построения экспертных систем: языки программирования, среды программирования, пустые экспертные системы (оболочки). В качестве языков программирования используются как специализированные средства (Пролог, Лисп и др.), так и языки программирования общего назначения (Ассемблер, Си, Фортран, Бейсик и др.). Их недостатком при создании экс­пертных систем являются большое время разработки систе­мы, необходимость привлечения высококвалифицированных програм­мистов, трудности с модификацией готовой системы, высокая стоимость.

Среды программиро­вания позволяют разработчику не программировать некоторые или все компоненты экспертной системы, а выбирать их из заранее составленного набора.

Использование пустой ЭС освобождает разработчика от программирования: он занимается только наполнением базы знаний. Это резко сокращает сроки создания работоспособной ЭС. Вместе с тем определенные трудности представляет выбор подходящей оболочки.

Проблемы формулируются перед эк­спертной системой в виде совокупности фактов, описывающих некоторую ситуацию. ЭС на основе базы знаний пытается вывести заключение из этих фактов. Система функционирует в цик­лическом режиме: выбор (запрос) данных или результатов анализа, наблюдение, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор сле­дующей порции данных или результатов анализов. Эта последовательность операций повторяется до тех пор, пока не поступит информация, достаточная для окончательного заключения. Для эффективности разрешения проблем принципиальное значение имеет стратегия вывода (метод поиска решения, порядок применения правил).

Стратегии вывода классифицируются по направлению по­иска и по способу управления выводом. По направлению поиска различают прямой, обратный и циклический вывод. В системах с обратным выводом вначале выдвигается некоторая гипотеза, далее отыскиваются факты, подтверждающие ее истинность. Если она оказалась правиль­ной, то выбирается следующая гипотеза, детализирующая первую и являющаяся по отношению к ней подцелью. Далее отыскиваются факты, подтверждающие истинность подчиненной гипотезы. Обрат­ный поиск применяется, когда известны цели и их немного, в частности, в планирующих системах. Системы с прямым выводом, применяемые, прежде всего, при диагностике, по известным фактам отыскивает следующее из них заключение. Если такое заключение найдено, оно заносится в рабочую память. Системы цикли­ческого вывода реализуют сочетание указанных методов - обратного и ограниченного прямого.

По мере увеличения количества правил в базе знаний особое значение для минимизации времени и эффективности поиска приобретает стратегия управления выводом. По способу управления выводом различают стратегии поиска в глубину, поиска в ширину, разбиения на подзадачи и альфа-бета алгоритм. Поиска в глубину означает, что при выборе очередной подцели в пространстве состояний предпочтение всегда (если это возможно) отдается той, которая соответствует следующему, более детальному уровню описания задачи. При поиске в ширину система сначала анализирует все признаки, находящиеся на одном уровне пространства состояний, даже если они относятся к различным объектам, и только потом переходит к признакам следующего уровня детализации. Стратегия разбиения на подзадачи предполагает структурирование исходной задачи, т.е. выделение в ней подуровней (системы иерар­хически связанных задач). Решение исходной задачи сводится к последовательному решению совокупности значительно более простых задач. Альфа-бета алгоритм сводит задачу поиска к уменьшению пространства со­стояний путем удаления в нем ветвей, неперспективных для поиска успешного решения. Просматриваются только те вершины, в которые можно попасть в результате следующего шага, после чего неперспективные направления исключаются из дальнейшего рас­смотрения.

Экспертные системы, имеют некоторые преимущества перед человеком-экспертом: они не имеют предубеждений, устойчивы к воздействию внешних факторов и не делают поспешных выводов, на процесс решения не оказывают влияния знания, не связанные непосредственно с задачей, достигнутая компетентность не утрачивается, для них не свойственен эффект «забывания», стоимость эксплуатации невысока, имеется возможность копирования.

Вместе с тем, ЭС не заменяют при выработке и принятии решения человека. Большинство экспертных систем не пригодны для применения конечным пользователем. Многие системы оказываются доступными только тем экспертам, которые создавали их базы знаний. Навыки системы не всегда возрастают после сеанса экспертизы. Без постоянного обслуживания и совершенствования экспертами сложные ЭС постепенно теряют эффективность и точность предлагаемых решений.

В творческой деятельности человек обладает несравнимо более высокими возможностями, чем экспертные системы, он способен учитывать всю сложность реальных задач, генерировать новые подходы к их решению, непосредственно воспринимать и использовать при выработке решения, помимо символьной, и иные виды сенсорной информации – визуальную, графическую, звуковую и т.д. Преобразование сенсорной информации в символьную, доступную компьютеру, сопровождается потерей ее части.