CC BY
102
Раздел II. Интеллектуальные системы поддержки принятия решений и управления
УДК 004.891.2 DOI 10.23683/2311-3103-2017-3-78-96
А.Н. Целых, В.С. Васильев, Л.А. Целых, С.А. Барковский
ЭКСПЕРТНАЯ СИСТЕМА НА ОСНОВЕ ЭФФЕКТИВНЫХ УПРАВЛЕНИЙ С ИСПОЛЬЗОВАНИЕМ КОГНИТИВНЫХ МОДЕЛЕЙ*
Представлен композитный модуль извлечения знаний продукционной экспертной системы на основе эффективных управлений (ЭСЭУ). Строение модуля ориентировано на обнаружение нового знания из концептуальной модели предметной области, т.е. из трансформированных экспертных знаний. Предлагается интеграция методологии когнитивного моделирования и алгоритмов их обработки в единый механизм эффективных управлений, который позволит выявить скрытые знания об исследуемой системе. Данный механизм сочетает в себе три аспекта: системное представление предметной области, математическую поддержку и техники автоматизации извлечения знаний. Нечеткие когнитивные карты в полной мере могут представить решаемую проблему в аспекте понимания ее структуры и взаимосвязей. Блок алгоритмической обработки предназначен для обработки нечетких ориентированных взвешенных знаковых графов с циклами обратной связи: выделение кластеров, выявление наиболее существенных факторов влияния и воздействия и формирование набора значимых факторов. Этот набор является основой для выработки соответствующих антецедентов и консеквентов для нечетких правил ЭС, основанной на механизме нечеткого логического вывода. Представлена реализация ЭСЭУ в численном эксперименте с использованием алгоритма эффективных управлений, основанного на теории систем и системном анализе, и адаптированного для решения задач управления в социально-экономических системах. Показано, что алгоритм является вычислительно эффективным и применимым для данной предметной области. Снижение уровня субъективизма пользователя при постановке экспертизы являлось приоритетной задачей при проектировании ЭСЭУ. Полученные на этой основе результаты повышают интеллектуальность логического вывода. Прототип ЭСЭУ был смоделирован с ориентацией на требования пользователей и максимальный отклик информационной системы на основе упрощенного гибридного гибкого итерационного подхода. Технологии реализации информационной системы включают использование реляционной системы управления базами данных MySQL, модифицированной системы сбора ошибок (error reporting system) с учетом типа приложения, стандартизации языка UML 2.4.1, UML-диаграммы.
Экспертные системы; эффективные управления; извлечение знаний; обнаружение знаний.
A.N. Tselykh, V.S. Vasilev, L.A. Tselykh, S.A. Barkovskii
EFFECTIVE CONROL-BASED EXPERT SYSTEM USING COGNITIVE
MODELS
In this paper we present a composite module of knowledge acquisition for a productive expert system based on effective controls (ECES). The operation of the module is aimed at discovering new knowledge from the conceptual domain model, i.e., from transformed expert knowledge. We propose to integrate the methodology of cognitive simulation and processing algorithms into a
* Данная работа произведена при поддержке гранта РФФИ № 16-01-00098.
single mechanism of effective controls, which allows revealing the hidden knowledge of the system under investigation. This mechanism combines three aspects: the system representation of the domain, the mathematical support and the knowledge retrieval automation technique. Fuzzy cognitive maps can fully lay out the problem in hand in the aspect of understanding of its structure and relationships. The algorithmic processing unit is designed to handle fuzzy directed weighted signed graphs with feedback loops: selection of clusters, identifying the most important factors of influence and impact, formation of a set of relevant factors. This set is the basis for the development of relevant antecedents and consequents for ES fuzzy rules based on the mechanism offuzzy inference. This paper presents the ECES implementation in a numerical experiment using an algorithm of effective control based on systems theory and systems analysis, and adapted to address the control problems in the socio-economic systems. It is shown that the algorithm is computationally efficient and applicable for the given domain. Reducing user subjectivity was a priority in the design of the ECES. The obtained results increase the intelligence of the logical inference. The ECES prototype was modeled with a focus on user requirements and the maximum response of the information system based on simplified hybrid flexible iterative approach. The technology of realization of the information system includes the use of MySQL relational database management system, a modified error reporting system taking into account the application type, standardization of the UML 2.4.1 language and the UML-diagram.
Expert systems; effect control; knowledge acquisition; knowledge discovery.
Введение. В новом технологическом цикле (экономике знаний) возрастает востребованность информационных систем, основанных на знаниях, и экспертных систем. Более того, в экономиках развивающихся стран, в том числе и в России, наблюдается всплеск интереса к таким системам в аграрном секторе, атомной энергетике, экологическом мониторинге, нефтяной и газовой промышленности, военно-промышленном комплексе. Прикладной интерес возникает не только в реальных секторах экономики, но и в образовании, медицине. Повышение интереса вызвано не только новым уровнем управления в физических системах, но и осознанием необходимости применения систем, основанных на знаниях, в задачах управления в социально-экономических системах.
При разработке ЭС узким местом остается блок извлечения знаний (Knowledge Acquisition) [1], [2]. Исследованию вопросов разработки процедур, методов извлечения знаний посвящено большое количество научных работ.
Большое междисциплинарное исследование Leu G. и Abbass H. [3] классифицирует методы извлечения знаний в системах человеческой деятельности на основе степени участия человеческого фактора и типе взаимодействия между одним или несколькими инженерами по знаниям и одним или несколькими экспертами предметной области. Возможные варианты автоматизации этого взаимодействия (до полной замены) формируют три основные категории методов: человеческих агентов, человеко-вдохновленных агентов и машинных агентов. Роль информационных систем фиксируется либо в копировании человеческого поведения при решении задач (первая и вторая категория), либо в полном отстранении человека-эксперта и замене его знаний неструктурированными артефактными данными (третья категория). В работе [3] отмечается, что рассмотренные методы не учитывают изменение познания сущности как результата взаимодействия знания, поиска сущности, не включают в себя механизмы для обработки изменения собственного уровня знаний. Констатируется факт, что восприятие полученных знаний изменяется в течение процесса их извлечения и воздействует на онтологическую конструкцию знаний. Эти выводы предопределяют новую четвертую категорию развития методов извлечения знаний, которые изменяют роль как человека, так и информационных систем.
Тогда эволюционное развитие извлечения знаний (KA) преобразуется в обнаружение знаний (Knowledge Discovery), которое, с нашей точки зрения, можно сформулировать следующим образом. Обнаружение знаний (KD) является результатом поискового процесса, включающего применение различных алгоритмических процедур (автоматической обработки) к наборам исходных знаний, выявление скрытых знаний и представление их в качестве новых знаний, пригодных для целей пользователей. К источникам исходных знаний можно отнести не только реляционные базы данных, изображения или тексты, но и созданные человеком модели систем.
Другой аспект трудностей, возникающих при разработке блока извлечения знаний ЭС, связан с субъектами КА, которые могут быть разделены на три основные категории природные (естественные), технические и системы человеческой деятельности. Социально-экономические системы относятся к последней категории и имеют следующие специфические характеристики:
♦ многосвязность системы;
♦ целостность системы;
♦ качественный характер параметров, которые вследствие чего не имеют физического измерения [4], и их множественность;
♦ неочевидность причинно-следственных связей «решение-результат» и «факторы-результат»;
♦ не всегда ясен закон взаимовлияния элементов системы;
♦ наличие существенных, определяющих систему связей;
♦ связь с внешним миром;
♦ неопределенный статус существования некоторых элементов системы (коллективные психологические феномены);
♦ возникновение новых факторов, связанных с эволюционированием системы со временем;
♦ большой временной лаг результата, вследствие чего затруднено получение отклика системы.
Многие из этих особенностей не встречаются в природных и технических системах, а в совокупности характерны только для социально-экономических систем.
Третий аспект, который необходимо учитывать при разработке КА, это особенности лица, принимающего решения (ЛПР):
♦ неполное знание;
♦ неполное понимание причинно-следственных связей;
♦ ошибочность представлений о системе;
♦ ошибки при принятии решений;
♦ невозможность оценки правильности решения ЛПР;
♦ непригодность ретроспективного поведения;
♦ нетипичность (неповторяемость) задач для ЛПР и др.
Построение ЭС, модуль КА которой учитывал бы перечисленные аспекты, является трудной задачей. Для решения данной задачи представляется обоснованным конструирование блока КА на основе интеграции трех подходов: (1) системного представления предметной области, учитывающего специфический характер социально-экономических систем; (2) применение методов обнаружения знаний (KD) и (3) математического инструментария, снижающего риски ЛПР.
Системный подход предлагается реализовать в виде когнитивных моделей общего вида, представляющих собой взвешенные ориентированные знаковые графы, имеющие циклы и причинно-следственные связи.
Реализация KD подхода заключается в разработке механизма математической поддержки на основе теории эффективных управлений [5] в составе блоков кластерного анализа, анализа влияний и формирования эквивалентного графа системы. В экспериментальной части будет продемонстрирована работа алгоритма выделения эффективных управлений в механизме выработки атрибутов ЭС для оценки качества управления в социально-экономической системе. Отбор факторов для базы правил осуществляется автоматически с использованием численных методов линейной алгебры.
2. Связанные работы. В этом разделе мы приводим обзор научных исследований, связанных с установлением компонент модуля извлечения знаний ЭС, необходимых для повышения его функциональных возможностей, в том числе для использования в управлении социально-экономическими системами.
В статье Lee K.Ch. и Lee S. [6] предпринята попытка сформировать атрибуты ЭС электронной торговли на основе модели с причинно-следственными связями. Описана ЭС для планирования фондовой торговой Интернет-системы (CAKES-ISTS). Система представлена в виде когнитивной модели специального вида, названной уровневой структурной FCM. Вычисление влияния основано на простых выражениях, носящих интуитивный характер (последовательные вычисления произведений вектора воздействия на матрицу смежности), в которых транзитивная передача влияния рассматривается между результатами уровней, а не между факторами системы. Приведенная система требует предварительного определения взаимоотношений системных качеств в виде факторов влияния и целевого фактора.
Авторы Gomez и др. [7] предложили решить данную задачу на стадии целостного тестирования с применением, так называемой, техники карты знаний. Предлагаемая карта знаний представляет собой графическую схему, имеющую строго иерархическую структуру характеристик системы вывода целевого решения. Карта знаний строится на основе традиционного подхода посредством диалога эксперта предметной области и инженера по знаниям. Таким образом, в целом предложено снизить субъективизм и вероятность неправильного решения из-за ошибочных рассуждений путем построения строгой логической цепочки.
В работе [8] предлагается автоматический инструмент приобретения знаний для ЭС в области сельского хозяйства с использованием библиотечного компонента, включающего онтологии и ранее разработанные модели предметной области. Изменение и совершенствование моделей предусматривается только через непосредственное участие эксперта, т.е. автоматизация заключается в возможности автоматизированного выбора характеристик задачи предметной области и проверки полноты этого выбора. Структура предлагаемой ЭС не предусматривает какую-либо проверку правильности и адекватности построенной модели.
Знание-автоматизированная ЭС, представленная Ozdena и др. в [9] для мониторинга дорожного трафика, расширяет одну функцию - функцию ввода данных пользователем с помощью интерактивного инструмента (TMDEST), который дает возможность выбора типа данных, вводимых пользователем: простой вход через пользовательский интерфейс или сложный входной файл данных в базу знаний ЭС для расчета/оценки результатов с получением аналитических выводов. Тем не менее, расширение ввода данных ограничено требованиями транспортных инструкций. Пользователю предоставляется ограниченный набор данных, когда он может выбрать: использовать все или только самые простые. Получение новых знаний или обновление базы знаний никаким образом не предусмотрено.
Много работ посвящено усовершенствованию (например, обеспечение работы с Интернетом) и облегчению работы пользователя с ЭС [10].
В [11] представлена ЭС (SINTA и NETICA) для обнаружения дефектов в литографической промышленности. Главная мысль, изложенная при разработке модели, заключалась в необходимости системного подхода к моделированию с использованием метода системографии. Системность выразилась в создании семантической сети на основании серии последовательных мероприятий процесса приобретения знаний, включающих использование инструментов качества, ассоциированных с методами извлечения знаний, для преобразования коллективного неявного знания в явное знание. Модуль извлечения знаний включает в себя три составляющих: блок первичного тестирования объекта (инструменты качества), блок извлечения экспертных знаний, блок формирования семантической сети. Надо отметить, что семантическая сеть доведена до простой двухуровневой иерархической модели в процессе выявления и отсечения факторов на основе взаимодействия с экспертами, т.е. без применения математического инструментария.
В [12] описана основа модели для оценки эффективности распределенной архитектуры системы программного обеспечения, ориентированной на пользователя. Формирование организационных переменных, а также соотнесение организационных факторов и факторов оценки эффективности осуществлялось на основе анкетирования пользователей с использованием 5-балльной шкалы Лайкерта, отбор с помощью множественного регрессионного анализа. Надо отметить, что такая модель не отражает внутренних межфакторных связей и причинно-следственных зависимостей, что значительно снижает ее полноту и достоверность.
В [13] представлена специализированная ЭС на основе нейро-нечеткой гиб-ридизированной модели оценки эффективности программного обеспечения на уровне планирования его архитектуры (NFPEM). Авторами указываются системные ограничения по гибкости и масштабируемости (фиксированность входных переменных и автоматической функции), повторному использованию результатов. Надо отметить, что блок извлечения знаний имеет стандартную однокомпонент-ную базу для взаимодействия с экспертами на основе анкетирования.
В [14] Guillaume и Charnomordic предложена экспертная система на основе сочетания экспертных знаний и данных, позволяющая также их выбор. Такой подход можно рассматривать как расширение модуля извлечения знаний. Набор переменных формируется путем извлечения из данных и получения от экспертов. Вопрос выбора наиболее важных переменных (из набора) предложено решить с помощью нечеткого дерева решений. Однако сложные системы имеют, во-первых, большое количество ненаблюдаемых факторов, во-вторых, имеют циклические, а иногда и петлевые связи, и формализовать их в иерархическое дерево без потери целостности представляется весьма трудной, если не сказать невозможной, задачей.
В [15] предложен композитный инструмент обработки знаний (K-Expert), который последовательно извлекает неявные знания, а также визуализирует преобразованные знания в форме дерева решений в приложении для медицинских ЭС. Используются два типа источников знаний: база данных и экспертные знания. С точки зрения новшеств в построении блока извлечения знаний интересен блок трансформации со встроенным текстовым редактором для преобразования устных знаний экспертов в виде записанных текстов. Поскольку ЭС предназначена для медицинской экспертизы, то в данном случае имеются ввиду знания экспертов нетрадиционной медицины. В предлагаемой ЭС установление связей между факторами рассматривается только с иерархической точки зрения, что значительно сужает область ее применения.
Таким образом, на основании вышеописанного можно сделать следующие выводы о современных тенденциях развития блока извлечения знаний в ЭС, представляемых в пяти аспектах:
1. Переход от традиционного подхода (одноблочного) построения модуля извлечения знаний к композитному.
2. Развитие техник автоматизации извлечения знаний.
3. Системное представление предметной области.
4. Накопление знаний.
5. Развитие математической обработки полученной информации.
Каждое из этих направлений реформации модуля извлечения знаний требует соответствующих инструментов для достижения высокой степени полноты и достоверности получаемой из него информации.
В данном исследовании показан новый подход к представлению сложной системы предметной области, обеспечивающий учет не только иерархических, но и перекрестных, горизонтальных связей, их цикличность. Такое представление требует разработки соответствующих инструментов математической поддержки, которые также представлены ниже.
3. Описание разработанной экспертной системы
3.1. Архитектура модуля извлечения знаний экспертной системы на основе метода эффективных управлений (ЭСЭУ). Предлагаемый модуль извлечения знаний ЭСЭУ представляет собой трехкомпозитную систему, учитывающую системный подход, математическую поддержку и требования автоматизации.
Архитектура модуля извлечения знаний ЭСЭУ состоит из следующих компонентов:
a. Пользователь (эксперт предметной области, инженер по знаниям, пользователь организации).
b. Компоненты Базы знаний.
а Механизм эффективного управления: г Нечеткая когнитивная карта и. Кластерный анализ. ш. Анализ влияний. гу. Эквивалентный граф.
d. Механизм поддержки принятия решений (DSE).
e. Механизм логического вывода
£ Отчет механизма.
Контекстная диаграмма архитектуры представлена на рис. 1, представляющая обзор ЭСЭУ. Архитектура ЭСЭУ представлена на рис. 2.
Пользователь
Вжшеннын ориентированный граф
Набор антецедентов и консеквентов
0
Экспертная система База знаний
Данные
Данные
Механизм эффективного управления
Рис. 1. Контекстная диаграмма ЭСЭУ на основе эффективных управлений
Рис. 2. Архитектура ЭСЭУ для задач управления в социально-экономических
системах
3.2. Модификация модуля извлечения знаний. Решающее значение в области управления социально-экономических системами имеет требование достоверности и интерпретируемости получаемого результата, а также уровень автоматизации всех процессов работы пользователя. Точность, напротив, не является первоочередным требованием в этой области. Должен быть достигнут компромисс между точностью и интерпретируемостью [16].
Как отмечают авторы [15], работая со сложными системами, специалисты сталкиваются с двумя трудностями: как определить наиболее важные переменные и как формализовать взаимодействия переменных. Как показано в [14], использование нечеткого формализма не является достаточным для обеспечения интерпретируемость базы знаний. Три условия должны быть выполнены.
Во-первых, должна соблюдаться семантическая целостность в пределах разделения.
Во-вторых, количество правил, должно быть небольшим.
Третье условие является специфическим для сложных систем с большим числом входных переменных: правила не должны систематически включать в себя все входные переменные, но только важные в контексте правил.
Выбор представления системы в виде когнитивных карт был сделан на основании изучения литературы в области задач разработки концептуальных моделей представления знаний. Фундаментальный обзор Вгеикег [17] об опыте и перспективах когнитивной науки стал исходной точкой в этом выборе. Как отмечено в [17], развитие области извлечения знаний лежит в понимании концептуальной модели. Получение новых отдельных фактов недостаточно для открытия новых знаний о системе в целом. Однако изучение математического инструментария обработки когнитивных карт показало явную недостаточность для использования в ЭС.
В данном исследовании предлагается композитная модель модуля извлечения знаний (рис. 2), сочетающая системное представление решаемой проблемы в виде когнитивной карты и механизма алгоритмической обработки. Механизма
алгоритмической обработки представлен в виде трех блоков имеющих как самостоятельную значимость, так и совокупную: блок кластерного анализа, анализа влияний и моделирования эквивалентного графа.
Далее представлен алгоритм механизма эффективных управлений, в основу которого положены следующие рассуждения.
Рассмотрим конечный граф С = ( 7,Е), где 7 = { г^.г^ ,. . -.гп} - конечное множество вершин, п - количество вершин, Е = { ( гу, г?к) | гу 6 7, г?к £ 7] - конечное множество дуг. Графу С соответствует матрица смежности А = | | Оу к | | , где вес Оу к дуги ( гу.г^) может выражать наличие дуги (булево значение), кратность дуги, вес дуги, нечёткую меру смежности вершин гу и гк и др.
Модель управления может быть представлена в матричной форме [5]:
х = и + 5Атх или ( Е - 8Ат)х = и , (1)
где х = (хх х2 . . . хп) т - вектор роста показателей, связанных с вершинами; и = (и 1 и2. . . ип) т - вектор управляющих воздействий; 8 - декремент затухания;
- единичная матрица. Для учёта отличительных (от технических) свойств социально-экономических систем вектор определяется из решения оптимизационной задачи максимизации Д - отношение квадратов норм | | х | | 2 и | | и | | 2 [4]: _ ||Я||. _ ((Е- 5А7'Ат)~1А7'и,(Е- 8АгАг^)~1Аги^ _ (Ви,и)
к = № = (ии) = тиит ^ т ах, (2)
где - симметричная
положительно определённая (полуопределённая) матрица; Ъ = Е - 8АА;
Р = (ЪТЪ) - хАт - находится из решений СЛАУ с единой матрицей (Ъ тЪ) , но разными правыми частями: j-й столбец матрицы Р является решением СЛАУ с правой частью - -й строкой матрицы смежности .
Интерес будут представлять первые наиболее эффективные управления . Для поддержки принимаемого решения по величинам ,
вычисляются величины :
5 ( = - Д ( - 1 + 2 Д ( - Д (+1. Смена знака в последовательности указывает границу : , ,
5+1 < 0.
Для нахождения из решения
х = Ат( и + 8АТх) или ( Е - 8АТАТ)х = Ати (3)
определяем .
Для каждой компоненты каждого отобранного управления определяется индекс обеспечения управляемости для j-ой вершины:
2 '-'¿у
г = ми+м?2+• • •+иУ (4)
а для компонент соответствующего решения X; - индекс результативности для j-ой вершины:
2 ^ ¿у
= х? +*? +• • • +*? , (5),
л 1,1 1,2^ т 1,П
которые затем упорядочиваются по убыванию.
Подробное описание алгоритма эффективных управлений, которые будут использоваться в модуле извлечения знаний, представлено в [5]. Схема реализации алгоритма представлена на рис. 3.
Рис. 3. Схема реализации алгоритма эффективных управлений
Механизм поддержки принятия решений принимает выходной сигнал от механизма эффективных управлений, где принимается окончательное решение выбора переменных для механизма логического вывода на основе решений, определенных в алгоритме.
Механизм Отчета отвечает за представление всех отчетов, предусмотренных для системы.
3.3. Компоненты Базы знаний, формируемые из модуля извлечения знаний. В этом разделе представлены различные объекты, представленные в базе знаний системы и сущности-отношения (E-R) из механизма эффективного управления.
Общая База знаний ЭС включает в себя компоненты, формируемые из модуля извлечения знаний, и разработана с использованием системы управления базами данных MySQL.
Субъекты и их отношения представляются с использованием компонентов базы знаний. Компоненты состоят из данных о пользователе, задачах, данных когнитивной модели (вершины и связи), инструментах математической поддержи (алгоритмы кластеризации, эффективных управлений, эквивалентного графа), результатах (по трем алгоритмам), определенных как для механизма логического вывода, так и для отдельного использования. Реляционная модель данных принимается для представления объектов в базе данных для системы. Отношения семан-
тически связаны между собой и это является предметом отношений между субъектами. Общий вид отношения выглядит следующим образом: R[A1; А2; ... Ак; Аф1; ... Ап1]. Имя отношения представлено Я, множество {А1}, 1 = 1, 2, ..., п, представляет атрибуты отношения R. Рис. 4 представляет диаграмму Е-Я, которая показывает логические отношения данных объектов субъектов.
Рис. 4. Диаграмма Б-Я для компонента базы знаний из модуля извлечения знаний
Потенциальные конечные пользователи могут иметь очень разные профили: эксперты предметной области; специалисты организации; исследователи нечеткой логики; консультанты в области когнитивного моделирования, исследователи в области социальных и экономических наук, требующие инструментов системного моделирования, студент, который делает проект в области искусственного интеллекта.
Номинальный пользователь относится к специалисту предметной области разного уровня, который определяет решаемую задачу управления, формирует/модифицирует когнитивную модель, которая будут использоваться в этих задачах, назначает потенциал эквивалентного графа, необходимый для формирования продукционных правил. Уровень пользователя определяется в зависимости от потребностей организации.
Данные, представленные конечными пользователями, хранятся в базе знаний для использования во время решения задач. В базе знаний хранятся как временные, так и постоянные данные. Временные данные включают те данные, которые хранятся для использования во время процесса формирования когнитивной карты и впоследствии очищаются. Постоянные данные включают в себя те, которые остаются постоянными в системе: данные когнитивной модели в виде матрицы смежности, результаты решения алгоритмов, определенные переменные, которые используются в системе логического вывода. Кроме того, промежуточные значения сохраняются в базе знаний для повторного использования (как временные, так и постоянные данные).
Механизм эффективного управления состоит из четырех субкомпонентов, которые работают вместе для достижения результатов обработки данных пользователей в разумных пределах, с которыми может быть как принято решение непосредственно через передачу в механизм поддержки принятия решений, так и может быть передано в механизм логического вывода.
Структура композитного модуля извлечения знаний представлена на рис. 5. Схема генерации атрибутов для механизма логического вывода показана на рис. 6. Диаграмма последовательности для некоторых операций представлены на рис. 7. Алгоритм, используемый в механизме эффективного управления, представляет собой алгоритм, описанный в [5], схема реализации которого представлена на рис. 3.
Рис. 5. Модель композитного модуля извлечения знаний
Рис. 6. Схема генерации атрибутов в модуле извлечения знаний ЭС: 1 - {х1,х2, •••, х5} множество вершин исходного графа; 2 - {х2, х5} ; {х1,х3,х4} множества консеквентов и антецедентов, соответственно; G - исходный граф;
{С;} - множество кластеров
Рис. 7. Диаграммы последовательности
Иерархия реализации модуля ЭСЭУ представлена на рис. 8. Иерархия показывает различные операции, которые могут быть выполнены с помощью системы пользователями.
Рис. 8. Иерархия организации системы
Система состоит из модуля администратора, который предназначен для управления логикой информационной системы и базами данных, и модуля пользователя, который позволяет просматривать данные, все доступные задачи и модели, формировать контент когнитивной модели, необходимый для решения управленческих задач, задавать параметры модели и алгоритмов эффективного управления.
Для доступа к ЭСЭУ, используется имя пользователя и пароль. Если право доступа предоставляется, отображается домашняя страница. Домашняя страница оснащена несколькими гиперссылками, которые подключаются к различным мо-
дулям системы и облегчают навигацию между различными узлами системы. Внешние интерфейсы ориентированы на удобство пользователя. Экран интерфейса результатов компонента анализа влияний (алгоритм 2) представлен на рис. 9.
Интерфейс пользователя учитывает важные особенности процесса построения (формирования) когнитивной модели, которые демонстрируют динамическое поведение ЭС: функция «открыть с мастером», сопровождающий помощник выполнения задачи; графическая поддержка в виде графовой иллюстрации с возможностью уровневого анализа введенных факторов; проверка результатов моделирования в разных форматах: матричном, математической записи, графическом; возможность он-лайн изменений модели на любом этапе; настройка фильтров по характеристикам факторов модели; текущий файл данных отображается в виде таблицы, каждая строка данных также может быть включена / выключена; динамическая обработка всех операций; обновление всех текущих окон; помощник пользователя (редактор рассуждений причинно-следственной логики; кросс-сводка связей факторов с выделением петель и циклов; оценка репрезентативности модели; сравнение с примерами); библиотека: моделей и онтологий предметной области.
э» (спврт-ивнвджмвш ■ 4- — и *
Х> | 127,0.0.11 с Поиск * ■ л ( ä О 4 =
эм j^m ЭКСПЕРТ-МЕНЕДЖМЕНТ
УПРАВЛЕНЧЕСКАЯ ЗАДАЧА J_ КАЧЕСТВО КОРПОРАТИВНОГО УПРАВЛЕНИЯ
СЕ тавная | [ настройка | [ Файлы [ Результаты ] [ Анализ | ( Графики J |_Прс >аноэ | | Демо ]| aar [ Примеры
Н L L* L* • _ га в
^итивыный ananuj J 1 J [_Параметры_]
Кпветер ы расчетов "Влияние" "Влияние" Кластер
Влияние _____ Влияние
=; _ц"1|— 37 47 51 0.174729 0,135527 0.107660 Интегральное 0,174729 0,310258 0.417916 |э,.„. =
Е: 1 "I IIIIIIIII........ ::: Ii 0.088855 0.506771 1
I7R.1.1..1.U.M IM* i 5 0.07243В 0.07243В
Влияние Воздействие 12 0.06391 0,136348
39 0.063811 0,200159
щ I | _ J™ | Впарод
а Л Г| Ii 1 О © С £3 - и ani
Рис. 9. Интерфейс результатов решения алгоритма эффективных управлений
3.4. Технологии реализации информационной системы. Обработка баз данных. В нашем проекте используется реляционная система управления базами данных MySQL, организованная в соответствии с основами проектирования и реализации баз данных [18], а также современными представлениями об обработке базы данных.
Система сбора ошибок использует классические методы исправления ошибок в постоянно развивающихся продуктах с помощью систем отчетов об ошибках (error reporting system), таких как Microsoft's Windows Error Reporting, AutoCAD's Customer Error Reporting, Mozilla's Crash Reporter [19] с учетом типа приложения. Так как тестировщики в большинстве случаев не могут снова воспроизвести момент, при котором возникла ошибка у пользователя - система отчетов об ошибках сможет дать дополнительные сведения об ошибке благодаря так называемым "снимкам" (snapshot), которые хранят данные о процессах на стороне пользователя в момент возникновения ошибок. Разработанная информационная система так же будет производить сбор ошибок во время работы пользователей, но "снимки", созданные во время ошибки в приложении будут включать в себя этапы работы поль-
зователей с экспертной системой. Так как предлагаемая информационная система является web-приложением, то информацию, связанную с работой операционной системы пользователя или наличии работы других приложений во время использования нашей информационной системы "снимки" содержать не будут.
Язык унифицированного моделирования (Unified Modeling Language - UML) является стандартом для визуализации, конкретизации, построения и документирования артефактов программной интенсивной системы. Мы используем стандартизацию языка UML 2.4.1, являющейся современной версией [20], которая принята в качестве международного стандарта ISO/IEC.
Подходы и шаблоны для создания UML-диаграмм (Диаграмм последовательности, Диаграмм иерархии, Модель сущность-связь) использованы в соответствии с Руководством [21], описывающим методы и шаблоны для создания хорошо продуманных, надежных и ремонтопригодных объектов и систем.
В разработке информационной системы использован упрощенный гибкий итерационный подход к управлению требованиями без функциональных спецификаций, использующийся для веб-приложений, основа которого предложена в [22]. Для формирования предварительного представления о работе пользователей с информационной системой сначала был разработан интерфейс программы, а потом её функциональная часть (модель «Getting Real»).
4. Реализация ЭСЭУ для оценки качества управления в социально-экономических моделях. Численный эксперимент нахождения результативных компонент эффективных управлений рассмотрен на примере когнитивной модели оценки качества корпоративного управления в виде ориентированного взвешенного графа с причинно-следственными связями, имеющий циклы. Граф представлен матрицей смежности размерностью 75х75 с 411 дугами общим весом 216.5 [23].
СЛАУ оказалась плохо обусловленной, но разрешимой при значении декремента затухания 5 = 1. Результат алгоритмической обработки показал, что функционирование системы определяется одним ведущим направлением развития, очень сильно преобладающим над остальными. Сортировка полученных значений R1(R2,—,Rn показывает значительный разрыв значений первого вектора от второго (3 ■ 103). Из структуры матрицы следует, что в силу сильной взаимосвязи показателей воздействие на любой из них приводит к одинаковому вектору роста, но с различными масштабами. Тогда достаточно взять один управляемый показатель (максимальный). Для более эффективного управления принято решение отобрать компоненты, находящиеся в заметном отрыве от остальных, и обеспечивающие более 50 % максимального роста (табл. 2) Полученный результат выражает возможность отбора эффективного управления для социально-экономической системы, представленной когнитивной моделью (рис. 10). Задание уровня потенциала системы на следующем шаге дает возможность сформировать эквивалентный граф, который может быть передан в модуль поддержки принятия решений.
Рис. 10. Индекс обеспечения управляемости и Индекс результативности
факторов
Таблица 1
Отобранные факторы с соответствующими значениями индексов
X; Интегральное Гу Индекс результативности х; Интегральное vfj Индекс обеспечения управляемости
Х37 0,174729 х5 0,072438
х47 0,310256 Х12 0,136348
Х51 0,417916 Х39 0,200159
Х41 0,506771
5. Обсуждение результатов. Построение ЭС, включающих концептуальный подход, не является чем-то новым [24]. Некоторые из наиболее важных вопросов, обсуждаемых в этой статье, были уже рассмотрены в литературе, включая развитие структурированных библиотек многократного использования.
Тем не менее, основное различие между этими подходами и работой, представленной здесь, касается качества работы целевых пользователей, к которым мы отнесли и работников организации (определенного уровня). Большой объем исследований по созданию систем, основанных на знаниях, направлен на поддержку взаимодействия инженеров по знаниям и экспертов предметной области. Тем не менее, два основных недостатка, которые в первую очередь характеризуют процесс приобретение знаний, как узкое место, сформулированы Feigenbaum [2] в 1977 году и остаются до сих пор актуальными: высокая стоимость и подверженность ошибкам. Ошибки порождаются высокой степенью субъективизма участников процесса (человеческий фактор) и низкой его автоматизацией.
В своем исследовании мы сосредоточились на создании инструмента, который снижает уровень субъективизма за счет применения трех подходов: системности, математической поддержки и автоматизации. Соответственно система должна реализовывать следующие возможности:
♦ создание модели исследуемой области или области принятия решений экспертами предметной области самим, без вмешательства инженера по знаниям (простота использования, ориентированность на целевого пользователя);
♦ применимость механизмов моделирования в разных областях знаний (многократность использования);
♦ управление изменениями и оценка результатов (гибкость);
♦ поддержка знаний (дружественность);
♦ автоматическая обработка модели с минимальным вмешательством специалиста предметной области (ориентированность на целевого пользователя).
За счет применения вышеописанного подхода к проблеме приобретения знаний, мы приводим основные результаты, которые презентуются предлагаемой ЭСЭУ:
1. Снижение сложности приобретения знаний для специалистов предметной области за счет использования инструментов когнитивного моделирования, не требующего обязательного участия инженера по знаниям.
2. Достижение гибкости модуля извлечения знаний за счет применения соответствующей алгоритмической поддержки, не предъявляющей жестких требований.
3. Повышение качества базы знаний за счет применения композитного модуля извлечения знаний.
4. Снижение стоимости базы знаний за счет исключения инженера по знаниям из цикла извлечения знаний, трансформируя его в цикл обнаружения знаний.
Выводы. Настоящее исследование является попыткой разработать ЭС, использующие глубокое знание для поддержки принятия решений в социально-экономических системах. Как отмечено в [25] эффективно развернутая экспертная система должна делать больше, чем воплощать опыт. База знаний ЭС должна быть достоверной, полной, непротиворечивой и разумной.
В этой статье мы представили структуру модуля извлечения знаний веб-поддерживаемой ЭС, ориентированной на пользователей различного уровня знаний и опыта. Система предоставляет возможности для использования не только экспертами или специалистами высокого уровня, но и, благодаря наличию библиотеки моделей, блоков помощников и автоматизированного процесса обработки, специалистами организации, не имеющими экспертного опыта.
Обнаруженная информация может извлекаться не только из данных, но и из трансформированных знаний экспертов, что способствует раскрытию скрытого потенциала управленческих решений, повышая тем самым их эффективность. Представленный алгоритм эффективных управлений выполняет еще одну важную функцию - проверку извлеченных знаний, т.е. соответствие исходной модели представлениям о предметной области. Такое свойство алгоритма обеспечивает в определенной мере достоверность модели и, соответственно, достоверность базы знаний. Обновление знаний может осуществляться самим специалистом и позволяет сделать это быстро и легко. Кросс-инструментарий позволяет эксперту проверить, что система работает в соответствии с его ментальными представлениями о работе системы в целом, прежде чем использовать для принятия решений.
В данном исследовании мы предлагаем композитный модуль приобретения знаний, который ориентирован на системное представление решаемой проблемы. Эффект синергизма трех инструментов, когнитивных карт, численных методов и нечеткого логического вывода, реализуется в архитектуре экспертной системы. Как отмечалось в [7], хотя нечеткие когнитивные карты широко используются для представления знаний и логическом выводе, сама теория нечетких когнитивных карт может быть улучшена. Повышение степени математической поддержки обработки нечетких когнитивных карт будет способствовать улучшению качества базы знаний, основанной на моделях предметной области. Мы представили в ЭСЭУ метод нахождения влияния, который выделяет главные свойства системы, которые можно использовать в качестве атрибутов для дальнейшей экспертизы или самостоятельного использования в процессе принятия решений.
Этот инновационный подход, как ожидается, по крайней мере, поможет выявить наиболее эффективные точки приложений управляющих воздействий, что, соответственно, снизит стоимость и повысит эффективность этих решений для социально-экономических систем.
Использование дружественных и интегрированных инструментов программного обеспечения с возможностями автоматизированного извлечения знаний может дать толчок дальнейшего развития ЭС в социально-экономических областях.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Hayes-Roth F., Waterman D.A. a Lenat D.B. Building Expert Systems. - New York: Addison-Wesley, 1983. - 443 p.
2. Feigenbaum E. The art of artificial intelligence: themes and case studies of knowledge engineering // in Proceedings of the Fifth International Joint Conference on Artificial Intelligence, Cambridge, MA, 1977.
3. Leu G. and Abbass H. A multi-disciplinary review of knowledge acquisition methods: From human to autonomous eliciting agents // Knowledge-Based Systems. - 2016. - Vol. 105.
- P. 1-22.
4. Altay A. and Kayakutlu G. Fuzzy cognitive mapping in factor elimination: A case study for innovative power and risks // in WCIT-2010. Procedia Computer Science, Istanbul, Turkey, 2011.
5. Целых А.Н., Васильев В.С., Целых Л.А. и Барковский С.А. Метод выделения эффективных управлений в нечетких когнитивных моделях, представленых ориентированными взвешенными графами // Известия ЮФУ. Технические науки.
- 2016. - № 5 (178). - P. 5-19.
6. Lee K.C. and Lee S. A causal knowledge-based expert system for planning an Internet-based stock trading system // Expert Systems with Applications. - 2012. -Vol. 39. - P. 8526-8635.
7. Gomez A., A. Morenoa, J. Parosa and Sierra-Alonso A. Knowledge maps: An essential technique for conceptualization // Data & Knowledge Engineering. - 2000. - Vol. 33.
- P. 169-190.
8. Rafea A., Hassen H. and Hazman M. Automatic knowledge acquisition tool for irrigation and fertilization expert systems // Expert Systems with Applications. - 2003. - Vol. 24. - P. 49-57.
9. Ozdena A., Faghria A. and Li M. Using Knowledge-Automation Expert Systems to Enhance the Use and Understanding of Traffic Monitoring Data in State DOTs // in International Conference on Sustainable Design, Engineering and Construction. Procedia Engineering, 2016.
10. Ruiz-Mezcua B., Garsia-Crespo A., Lopez-Cuadrado J.L. and Gonzalez-Carrasco I. An expert system development tool for non AI experts // Expert Systems with Applications. - 2011.
- Vol. 38. - P. 597-609.
11. Do Rosário C.R., Kipper L.M., Frozza R. and Mariani B.B. Modeling of tacit knowledge in industry: Simulations on the variables of industrial processes // Expert Systems with Applications. - 2015. - Vol. 145, Issue 3. - P. 1613-1625.
12. Akinnuwesi B.A., Uzoka F.-M.E., Olabiyisi S.O. and Omidora E.O. A framework for user-centric model for evaluating the performance of distributed software system architecture // Expert Systems with Applications. - 2012. - Vol. 39. - P. 9323-9339.
13. Akinnuwesi B.A., Uzoka F.-M.E. and Osamiluyi A.O. Neuro-Fuzzy Expert System for evaluating the performance of Distributed Software System Architecture // Expert Systems with Applications. - 2013. - Vol. 40, Issue 9. - P. 3313-3327.
14. Guillaume S. and Charnomordic B. Fuzzy inference systems: An integrated modeling environment for collaboration between expert knowledge and data using FisPro // Expert Systems with Applications. - 2012. - Vol. 39. - P. 8744-8755.
15. Kim J.S. Development of a Composite Knowledge Manipulation Tool: K-Expert // Expert Systems with Applications. - 2014. - Vol. 41. - P. 4337-4348.
16. Casillas J., Cordón O., Herrera F. and Magdalena L. Interpretability Improvements to Find the Balance Interpretability-Accuracy in Fuzzy Modeling: An Overview // in Accuracy Improvements in Linguistic Fuzzy Modeling. Series Studies in Fuzziness and Soft Computing.
- Berlin: Springer, 2003. - Vol. 129. - P. 3-24.
17. Breuker J. A cognitive science perspective on knowledge acquisition // International Journal of Human-Computer Studies. - 2013. - Vol. 71. - P. 177-183.
18. Kroenke M.D. Database processing - Fundamentals, design and implementation. - Addison Wesley, 2014. - 640 p.
19. Muthitacharoen А. and Saeed A.K. Examining user involvement in continuous software development (a case of error reporting system) // Communications of the ACM. - 2009.
- Vol. 52 (9). - P. 113-117.
20. Larman, Applying UML and Patterns: An Introduction to Object-Oriented Analysis and Design and Iterative Development. - Lebanon, Indiana: Prentice Hall, 2004. - 616 p.
21. Booch G., Rumbaugh J. and Jacobson I. Unified Modeling Language User Guide. - Addison Wesley Professional, 2005. - 496 p.
22. Ambler S.W. The Object Primer 3rd Edition: Agile Model Driven Development with UML 2.
- New York: Cambridge University Press, 2004. - 572 p.
23. Целых А.Н. и Целых Л.А. Методология сравнительного когнитивного моделирования на основе анализа нечетких целевых и управляющих факторов // Известия ЮФУ. Технические науки. - 2015. - № 7 (168). - С. 101-115.
24. Clancey W.J. The epistemology of a rule based system - a framework for explanation // Artificial Intelligence. - 1983. - Vol. 20. - P. 215-251.
25. Owrang O.M.M. Database systems techniques and tools in automatic knowledge acquisition for rule-based expert systems // Knowledge-Based Systems. - 2000. - Vol. 1. - P. 201-248.
REFERENCES
1. Hayes-Roth F., Waterman D.A. a Lenat D.B. Building Expert Systems. New York: Addison-Wesley, 1983, 443 p.
2. Feigenbaum E. The art of artificial intelligence: themes and case studies of knowledge engineering, in Proceedings of the Fifth International Joint Conference on Artificial Intelligence, Cambridge, MA, 1977.
3. Leu G. and Abbass H. A multi-disciplinary review of knowledge acquisition methods: From human to autonomous eliciting agents, Knowledge-Based Systems, 2016, Vol. 105, pp. 1-22.
4. Altay A. and Kayakutlu G. Fuzzy cognitive mapping in factor elimination: A case study for innovative power and risks, in WCIT-2010. Procedia Computer Science, Istanbul, Turkey, 2011.
5. Tselykh A.N., Vasil'ev V.S., Tselykh L.A. i Barkovskiy S.A. Metod vydeleniya effektivnykh upravleniy v nechetkikh kognitivnykh modelyakh, predstavlenykh orientirovannymi vzveshennymi grafami [Method of the selection of effective controls in fuzzy cognitive models represented as directed weighted graphs], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2016, No. 5 (178), pp. 5-19.
6. Lee K.C. and Lee S. A causal knowledge-based expert system for planning an Internet-based stock trading system, Expert Systems with Applications, 2012, Vol. 39, pp. 8526-8635.
7. Gomez A., A. Morenoa, J. Parosa and Sierra-Alonso A. Knowledge maps: An essential technique for conceptualization, Data & Knowledge Engineering, 2000, Vol. 33, pp 169-190.
8. Rafea A., Hassen H. and Hazman M. Automatic knowledge acquisition tool for irrigation and fertilization expert systems, Expert Systems with Applications, 2003, Vol. 24, pp. 49-57.
9. Ozdena A., Faghria A. and Li M. Using Knowledge-Automation Expert Systems to Enhance the Use and Understanding of Traffic Monitoring Data in State DOTs, in International Conference on Sustainable Design, Engineering and Construction. Procedia Engineering, 2016.
10. Ruiz-Mezcua B., Garsia-Crespo A., Lopez-Cuadrado J.L. and Gonzalez-Carrasco I. An expert system development tool for non AI experts, Expert Systems with Applications, 2011, Vol. 38, P. 597-609.
11. Do Rosário C.R., Kipper L.M., Frozza R. and Mariani B.B. Modeling of tacit knowledge in industry: Simulations on the variables of industrial processes, Expert Systems with Applications, 2015, Vol. 145, Issue 3, pp. 1613-1625.
12. Akinnuwesi B.A., Uzoka F.-M.E., Olabiyisi S.O. and Omidora E.O. A framework for user-centric model for evaluating the performance of distributed software system architecture, Expert Systems with Applications, 2012, Vol. 39, pp. 9323-9339.
13. Akinnuwesi B.A., Uzoka F.-M.E. and Osamiluyi A.O. Neuro-Fuzzy Expert System for evaluating the performance of Distributed Software System Architecture, Expert Systems with Applications, 2013, Vol. 40, Issue 9, pp. 3313-3327.
14. Guillaume S. and Charnomordic B. Fuzzy inference systems: An integrated modeling environment for collaboration between expert knowledge and data using FisPro, Expert Systems with Applications, 2012, Vol. 39, pp. 8744-8755.
15. Kim J.S. Development of a Composite Knowledge Manipulation Tool: K-Expert, Expert Systems with Applications, 2014, Vol. 41, pp. 4337-4348.
16. Casillas J., Cordón O., Herrera F. and Magdalena L. Interpretability Improvements to Find the Balance Interpretability-Accuracy in Fuzzy Modeling: An Overview, in Accuracy Improvements in Linguistic Fuzzy Modeling. Series Studies in Fuzziness and Soft Computing. Berlin: Springer, 2003, Vol. 129, pp. 3-24.
17. Breuker J. A cognitive science perspective on knowledge acquisition, International Journal of Human-Computer Studies, 2013, Vol. 71, pp. 177-183.
18. Kroenke M.D. Database processing - Fundamentals, design and implementation. Addison Wesley, 2014, 640 p.
19. Muthitacharoen А. and Saeed A.K. Examining user involvement in continuous software development (a case of error reporting system), Communications of the ACM, 2009, Vol. 52 (9), pp. 113-117.
20. Larman, Applying UML and Patterns: An Introduction to Object-Oriented Analysis and Design and Iterative Development. Lebanon, Indiana: Prentice Hall, 2004, 616 p.
21. Booch G., Rumbaugh J. and Jacobson I. Unified Modeling Language User Guide. Addison Wesley Professional, 2005, 496 p.
22. Ambler S. W. The Object Primer 3rd Edition: Agile Model Driven Development with UML 2. New York: Cambridge University Press, 2004, 572 p.
23. Tselykh A.N. i Tselykh L.A. Metodologiya sravnitel'nogo kognitivnogo modelirovaniya na osnove analiza nechetkikh tselevykh i upravlyayushchikh faktorov [Methodology for comparative cognitive modeling based on the analysis of fuzzy target and control factors], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2015, No. 7 (168), pp. 101-115.
24. Clancey W.J. The epistemology of a rule based system - a framework for explanation, Artificial Intelligence, 1983, Vol. 20, pp. 215-251.
25. Owrang O.M.M. Database systems techniques and tools in automatic knowledge acquisition for rule-based expert systems, Knowledge-Based Systems, 2000, Vol. 1, pp. 201-248.
Статью рекомендовал к опубликованию д.т.н., профессор Г.Е. Веселов.
Целых Александр Николаевич - Южный федеральный университет; e-mail: ant@sfedu.ru; 347928, г. Таганрог, пер. Некрасовский, 44; тел.: +79185562047; кафедра ИАСБ; д.т.н.; профессор.
Васильев Владислав Сергеевич - e-mail: vsvasilev@sfedu.ru; тел.: +79185983647; кафедра ИАСБ; к.т.н.; доцент.
Барковский Симон Антонович - e-mail: kharitonov.simon@yandex.ru; тел.: +79188522964; кафедра ИАСБ; аспирант.
Целых Лариса Анатольевна - Таганрогский институт им. А.П. Чехова (филиал) Ростовского государственного экономического университета (РИНХ); e-mail: l.tselykh58@gmail.com; 347936, г. Таганрог, ул. Инициативная, 48; тел.: +79897207928; кафедра экономики и предпринимательства; к.э.н., доцент.
Tselykh Alexander Nikolaevich - Southern Federal University; e-mail: ant@sfedu.ru; 44, Nekrasovskiy, Taganrog, 347928, Russia; phone: +79185562047; the department IASB; dr. of eng. sc.; professor.
Vasilev Vladislav Sergeevich - e-mail: vsvasilev@sfedu.ru; phone: +79185983647; the department IASB; dr. of eng. sc.; the senior lecturer.
Barkovskii Simon Antonovich - e-mail: kharitonov.simon@yandex.ru; phone: +79188522964; the department IASB; graduate student.
Tselykh Larisa Anatolievna - Chekhov Taganrog Institute (branch) of Rostov State University of Economics; e-mail: l.tselykh58@gmail.com; Initsiativnaya, 48, Taganrog, 347936, Russia; phone: +79897207928; the department of Economics and business; dr. of ec. sc., the senior lecturer.
