CC BY
30
Кластер 2 Кластер 3
Кластер 5 Кластер 6
□ Кластер 1 (к-средних)
Рис. 5. Распределение объектов кластера 1 из решения методом к-средних по кластерам, полученным методом карманной кластеризации
Сегмент 3 Сегмент 5
Да, помогаю П Нет, не помогаю
Рис. 6. Факторы «Взаимодействие респондента с учительским сообществом через Интернет» и «Помогает ли респондент коллегам в освоении ИКТ»
Кластер 1
Кластер 4
Первый кластер содержит целиком третий (21 объект) и более половины пятого (рис. 5) кластера (30 объектов). Таким образом, карманная кластеризация более точно разграничила два типа инно-ваторов, что было проверено с помощью построения профилей по дополнительным вопросам исследования.
Так, респонденты из третьего кластера на практике не применяют ИКТ и не помогают коллегам в их освоении (рис. 6), значит, в действительности они не являются инноваторами. Отсюда следует, что решение по методу к-средних содержит неверные сведения и как минимум 21 человек попал в искомый сегмент по ошибке. По результатам проведенного исследования планировалось выделение авторских грантов, поэтому выбор неверного решения мог привести к негативным общественным последствиям.
В заключение можно отметить, что метод карманной кластеризации в данном случае оказался более эффективным, чем традиционный метод к-средних, так как он не требовал многократных расчетов для различных кластерных решений.
Также было показано, что качество решения авторским методом в смысле оказалось выше, чем при первом методе. Практическая оценка качества кластеризации, проведенная с помощью профилирования полученных кластеров по вопросам исследования и интерпретации полученных результатов, показала, что с помощью метода к-средних был получен неверный состав объектов в целевом сегменте инноваторов.
Литература
1. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: учебник. М.: Финансы и статистика, 2003.
2. Киреев В.С., Синицын С.В. Оптимальность кластерных решений, получаемых методом «карманной кластеризации» // Современные технологии в задачах управления, автоматики и обработки информации: тр. XVI Междунар. науч.-технич. сем. Алушта, 2007. С. 58.
3. Айвазян С.А., Мхитарян В.С. Прикладная статистика. Основы эконометрики: учебник для вузов: в 2 т. Т. 1: Теория вероятностей и прикладная статистика. М.: ЮНИТИА-ДАНА, 2001.
ПРИМЕНЕНИЕ МНОГОАГЕНТНЫХ ТЕХНОЛОГИИ ПРИ РАЗРАБОТКЕ ВСТРОЕННЫХ В ПОРТАЛ ЭКСПЕРТНЫЙ СИСТЕМ
(Работа выполнена при поддержке гранта РФФИ № 09-07-00297-а)
Д.Ю. Лазарев; В.Е. Туманов, к.х.н.
(Институт проблем химической физики РАН, г. Черноголовка, tve@icp.ac.ru)
В статье рассматривается разработка архитектуры встроенных в портал экспертных систем на основе технологии программных агентов. Программные агенты предназначены для моделирования работы экспертов и производства новых профессиональных знаний, для взаимодействия экспертной системы с хранилищем знаний предметно-ориентированных систем научной осведомленности, являющихся компонентами центров профессиональной компетенции в Интернете.
Ключевые слова: программные агенты, хранилища знаний, экспертные системы, информационные порталы.
Многоагентные технологии широко используются в конструировании программных компо-
нентов интеллектуальных информационных систем, начиная от решения задач выборки информа-
ции, распознавания образов и вплоть до решения задач когнитивных наук, в том числе при конструировании экспертных систем (ЭС) [1].
ЭС являются программами для производства знаний в узкоспециализированных предметно-ориентированных областях профессионального знания. ЭС могут стать эффективными активными компонентами пополнения хранилищ знаний (ХЗ) центров профессиональной компетенции (ЦПК), предназначенных, в частности, для эксплуатации в среде Интернет. ЦПК являются местом сбора, хранения, обработки и производства новых профессиональных знаний.
В настоящей статье обсуждается программная архитектура ЭС, предназначенных для активного взаимодействия с ХЗ ЦПК.
ХЗ рассматривается как предметно-ориентированная, интегрированная, поддерживающая временные ряды данных электронная коллекция, которая содержит данные, знания, процедуры генерирования знаний и используется для анализа и исследования данных, производства новых знаний и поддержки принятия решений. Архитектура ХЗ для предметно-ориентированных систем научной осведомленности как узлов распределенного центра профессиональной компетенции в сети Интернет рассмотрена в [2]. На рисунке 1 показано позиционирование ЭС в общей архитектуре ХЗ.
Основное назначение ЭС - производство новых предметно-ориентированных знаний и данных. БЗ ЭС, как и сама система, является составной частью программной архитектуры ХЗ. ЭС представляет собой активный элемент ХЗ, который помогает пользователям наполнять ХЗ новыми профессиональными данными.
Программная архитектура встроенных в портал ЭС. Предназначенные для функционирования в среде Интернет ЭС конструируются в виде набора интеллектуальных программных агентов - автономных программ с определенным поведением. Под агентом понимается вычислительная система, помещенная во внешнюю среду, способная взаимодействовать с ней, совершая автономные рациональные действия для достижения определенных целей [3].
Абстрактно агент может быть представлен функцией
action: S^A, (1)
где внешняя среда описывается множеством состояний среды S, а возможные действия агента описываются множеством действий А.
Резидентные агенты - это интеллектуальные агенты. Они имеют свою БЗ и механизм вывода для принятия решений. Резидентный агент является, как правило, агентом с состоянием: он обладает внутренней структурой данных, которая может быть модифицирована в зависимости от восприятия текущего состояния внешней среды. Таким образом, текущее состояние внешней среды влияет на выбор действий агента.
Пусть I - множество внутренних состояний агента, P - множество возможных восприятий окружающей среды. Тогда резидентного агента можно представить парой функций: функцией, отвечающей за изменение внутреннего состояния, refine: IxP^I и функцией действия action: I^A.
Реактивные агенты-вычислители не имеют своей БЗ и функционируют по схеме «условие-действие». Они принимают входные данные, обрабатывают их и возвращают ответ резидентному агенту. Действие этих агентов определяется текущим состоянием и может быть представлено функцией (1).
Реактивные обучаемые агенты имеют свою БЗ и наделены возможностью ее обучения и расширения. Обучение агента выполняется в автономном режиме с участием эксперта или без него. Возможность использования накопленного опыта агентом может быть представлена функцией action: SxA^A.
Отметим, что условие автономности обучения предполагает пассивность агента в обучении, такого агента нельзя считать самообучающимся, поскольку он только периодически повышает свою квалификацию.
Поисковый агент предназначен для поиска и извлечения необходимых данных из БД и БЗ ХЗ и может быть представлен функцией (1).
На рисунке 2 схематично показана много-агентная программная архитектура встроенной в портал ЭС.
На приведенной схеме программные агенты функционируют в рамках простой модели «запрос-ответ-соглашение». После получения входных данных производится опрос резидентных агентов.
Резидентные агенты на основе полученных ответов принимают решение, какому агенту поручить выполнение предусмотренных в ЭС действий. После опроса агентов формируется матрица ответов, на основе анализа которой решается, какому агенту отдать выполнение задачи. При некоторых условиях решение задачи может быть отдано двум агентам.
1~ Поисковый агент
<
Рис. 2
ЭС оценки энергии диссоциации связи по кинетическим данным. Реализация рассмотренной многоагентной архитектуры ЭС была выполнена на портале системы научной осведомленности по физической химии радикальных реакций. На рисунке 3 приведена многоагентная архитектура ЭС оценки энергии диссоциации связей органических молекул по кинетическим данным в радикальных реакциях.
Энергия диссоциации связи является одной из фундаментальных характеристик молекулы и влияет на скорость протекания химической реакции, которая описывается совокупностью характеристик: константой скорости реакции, энергией активации реакции, показателем частоты соударений реагирующих ингредиентов и температурой (кинетическими данными).
Как видно из рисунка 3, ЭС обслуживают следующие агенты.
• Агент типа А1 выполняет поиск в базе расчетных данных; он предлагает свои услуги, если в базе расчетных данных ХЗ по энергиям диссоциации связей имеются данные.
• Агент типа А2 выполняет поиск в базе экспериментальных данных ХЗ: предлагает свои услуги, если в базе экспериментальных данных по энергиям диссоциации связей имеются данные.
:Ч Iе
БД расчетных значении! I БД эк<
Рис. 3
• Агент типа А3 выполняет оценку энергии диссоциации связи молекулы на основе эмпирической модели радикальных реакций [4]: он предлагает свои услуги, если вектор входных параметров содержит достаточно данных для проведения расчета. Оценка реакционной способности может быть выполнена в жидкой и в газовой фазах.
• Агент типа А4 использует для оценки энергии диссоциации связи молекулы обученную искусственную нейронную сеть; он принимает решение об оказании своих услуг, если его обученная искусственная нейронная сеть отвечает заданным входным данным. Агент имеет возможность переобучать свою сеть в автономном режиме.
• Интеллектуальный агент-резидент анализирует входные данные, выбирает агентов-исполнителей, оценивает полученный результат и возвращает его на интерфейс ЭС.
• Пользователь с помощью интерфейса ЭС может сохранить полученный результат в базе расчетных данных, заполнив специальную анкету проведения расчета.
Для представления знаний в БЗ интеллектуального агента-резидента используется продукционная модель, то есть знания представляются в виде продукций: (Г):0; Р; А^Б; N где 1 - имя продукции; Q - сфера применения продукции; Р -условие применимости ядра продукции; А^Б -ядро продукции; N - постусловия продукции. В БЗ продукция представляется в виде таблиц правил и фактов. Таблица правил содержит ядра продукций в виде пары объектов <условие>-<вывод>, например: ЕСЛИ радикал = алкильный И молекул = парафин, ТО класс = К1+К1Ы. Таблицы фактов содержат описания параметров класса, радикала и молекулы.
Для представления внутренних состояний и возможных действий в зависимости от текущего состояния внешней среды используется внутренняя структура в виде матрицы «состояние-действие». История изменений внутреннего состояния резидентного агента сохраняется в его БЗ для обеспечения возможности возврата к предыдущему состоянию, если текущие действия агента признаются экспертом (человеком) неадекватными.
Подытоживая, отметим, что авторами разработан прототип оригинальной, встроенной в портал гибридной ЭС, который использует модули, основанные на выведенных из данных правилах, и обученные искусственные нейронные сети.
Разработана многоагентная архитектура ЭС, являющаяся составной частью хранилища предметно-ориентированных знаний для сбора, хранения, выборки, производства и распространения профессиональных знаний в сети Интернет.
ЭС оценки энергии диссоциации органических молекул в радикальных реакциях позволяет профессиональным исследователям в среде Интернет проводить оценку энергии диссоциации
связей органических молекул по кинетическим данным в радикальных реакциях в жидкой и газовой фазах, а преподавателям, студентам и аспирантам соответствующих специальностей использовать настоящую систему в качестве активного справочного пособия.
Созданный прототип ЭС и ее основные компоненты могут по соответствующей адаптации составить основу при создании активных компонент распределенных сетей для сбора, хранения, извлечения, интеллектуального анализа, распространения и производства знаний в узкоспециализированных областях исследований и технологий.
Литература
1. Wooldridge M., Jennings N.R., editors. Intelligent AgentsTheories, Architectures, and Languages. Lecture Notes in Artificial Intelligence. V. 890. Springer-Verlag, January 1995. 407 p.
2. Туманов В.Е. Производство знаний в предметно-ориентированной системе научной осведомленности // Программные продукты и системы. 2008. № 4. С. 93-95.
3. Wooldridge M., Jennings N. Intelligent Agents: Theory and Practice // Knowledge Engineering Review. 1995. № 10 (2).
4. Туманов В.Е., Кромкин Е.А., Денисов Е.Т. Оценка энергий диссоциации С-Н-связей в кислородсодержащих соединениях по кинетическим данным радикальных реакций отрыва // Изв. АН. Сер. Химическая. 2002. № 9. С. 1508-1516.
ПОСТРОЕНИЕ МОДЕЛИ ЗНАНИЙ О ТЕХНОЛОГИЯХ С ПОМОЩЬЮ ДИСКРИМИНАНТНЫХ АЛГОРИТМОВ
В.И. Пименов, к.т.н. (Санкт-Петербургский университет технологии и дизайна, v_pim@mail.ru)
Рассматриваются особенности представления в компьютерных обучающих системах технологических знаний, которые описывают процессы, направленные на производство материального или информационного продукта. Предложен подход, основанный на выделении классов.
Ключевые слова: технологический процесс, обучение распознаванию образов, решающее правило, база знаний.
Специальная литература представляет технологический процесс (ТП) как текстовое описание (вербальную модель), снабженное иллюстрациями, формулами, таблицами. До конца не исследованные технологии, процессы, описывающие создание новых материалов, сопровождаются также наличием большого количества экспериментальных данных.
Этапность выполнения технологических операций, выделение классов готовой продукции, наличие диапазонов значений технологических параметров, обеспечивающих получение готового продукта требуемого качества, приводят к построению дискретных моделей знаний о технологических процессах. Многие исходные ингредиенты являются результатом выполнения других технологических процессов (переделов). Поэтому с точки зрения описания понятий и их свойств вопросы описания и формализации исходных ингредиентов и готового продукта должны решаться одинаково.
При реализации обучающей системы в гипер-медиатехнологиях в основе ее логической схемы прежде всего лежит модель предметной области, которая чаще строится в виде многосвязного графа логических связей учебных элементов. Основная проблема при преобразовании первичного материала в систему гипермедиакомпонент - выделение информационных блоков и установление логических связей-гиперссылок между сотнями, а иногда и тысячами учебных элементов.
Модель знаний о ТП представляется как совокупность статической и динамической составляющих. Статическая модель отражает множество классов О: возможные наименования продукции, сортность, уровни потребительских и эксплуатационных показателей качества. Описание технологического процесса массивом «объект-атрибуты-значения» позволяет представить задачу проектирования динамической модели знаний как обучение распознаванию образов (ОРО), когда из БД извлекается система решающих правил, описывающих порядок изготовления продукции заданных классов. Ее графическое представление дает модель поля знаний, на котором распределяются информационные блоки и устанавливаются связи-гиперссылки. Значения атрибутов ХА, характеризующих сырье, материалы, детали, изделия, и достаточное число прецедентов позволяют выделить информативное подмножество признаков ХР для разделения ТП по выпуску продукции различных классов. Признаки-свойства, не вошедшие в рабочий словарь ХР, определяют в исходных текстах базовые понятия, общие места или дополнительную мультимедийную информацию.
Алгоритмическое обеспечение процесса проектирования модели знаний обучающих систем технологической направленности следующее. Исходными данными являются описания ХА производимых объектов с указанием их принадлежности соответствующему классу. Список призна-
