CC BY
164
Раздел III. Искусственный интеллект и нечеткие
системы
УДК 519.24
В.В. Бова, В.В. Курейчик, Е.В. Нужнов
ПРОБЛЕМЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНТЕГРИРОВАННЫХ СИСТЕМАХ ПОДДЕРЖКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ*
Посвящается рассмотрению проблем и состоянию моделей представления знаний в системах принятия решений. Предлагаются способы организации моделей представления предметных знаний в интегрированных системах поддержки управленческих решений.
Искусственный интеллект; принятие решений; экспертная система; база знаний; система поддержки принятия решений.
V.V. Bova, V.V. Kureichik, E.V. Nuzhnov PROBLEMS OF KNOWLEDGE PRESENTATION IN MANAGEMENT DECISION SUPPORT OF INTEGRATED SYSTEMS
Problem is considered in article about models of knowledge representation in decision support systems. The new approaches to organization models of knowledge presentation in management decision support of integrated systems are offered.
Artificial intelligence; solution making; expert system; knowledge base; system of solution support.
Введение. Устойчивой тенденцией развития современных процессов, протекающих в сфере человеческой деятельности (социальной, экономической, научной, образовательной, технологической), становится усложнение задач, которые приходится решать на различных уровнях управления. Это связано с ростом объемов разнородной информации, необходимой для обоснованного принятия решений, и с сокращением времени, имеющегося для принятия решений. Причем, основными причинами трудной формализуемости являются сложность процессов, происходящих в системе, относительно которой принимается решение, трудности формализации цели и неопределенность влияния среды на ситуацию, в которой приходится принимать решение. В настоящее время для поддержки решений трудноформализуемых задач используются различные интеллектуальные системы, среди которых можно выделить системы поддержки принятия решений (СППР) и экспертные системы (ЭС).
Появившиеся в последнее время интеллектуальные решающие системы, использующие модели предметной области для поиска решений, получили название интегрированных систем поддержки принятия решений (ИСППР) [1]. Такие системы содержат в базе знаний модели, отражающие основные закономерности исследуемой системы, с априорно формализованной структурой, Однако специфика решения трудноформализуемых задач требует, чтобы проектируемая компьютер-
*
Работа выполнена при поддержке: РФФИ (гранты № 09-07-00318, № 10-01-00115), г/б № 2.1.2.1652.
ная система базировалась не на моделях с заранее заданной жесткой структуры, а на моделях с настраиваемой структурой. Это делает систему гибкой, достаточно универсальной, и, кроме того, оставляет за пользователем свободу участия в процедуре синтеза моделей в соответствии с собственной логикой рассуждений, в которой отражаются его накопленный опыт, интуиция, предпочтения.
1. Модели представления знаний в ИС1111Р. Одной из наиболее важных проблем, характерных для СППР, является представление знаний, форма которых оказывает существенное влияние на характеристики и свойства системы. Проблема представления знаний - это проблема перехода от внешнего представления некоторого объекта и его связей во внутреннее представление системы. В рамках этого направления решаются задачи, связанные с формализацией и структурированием характерных признаков знаний (внутренняя интерпретируемость, структурированность, связность, семантическая метрика и активность) с помощью специально разработанных моделей представления предметных знаний [2].
В отличие от методов представления данных, базирующихся на строгих алгоритмах, модели представления знаний имеют дело с информацией, получаемой от специалиста в конкретной предметной области (когнитолога), которая часто носит качественный и даже противоречивый характер. Тем не менее, в силу специфики построения сложных динамических объектов на основе методов интеллектуального анализа и извлечения данных, подобная информация должна быть формализована. Это осуществляется использованием различных методов на основе принципов самоорганизации и эволюционного развития. При работе со знаниями используются два основных подхода.
1. Логический (формальный), когда основное внимание уделяется изучению и применению теоретических методов представления знаний, формализации, а также логической полноте (например, создание моделей представления знаний на основе некоторых логических исчислений).
2. Эвристический (когнитивный), который ориентируется на обеспечение возможности решения задачи и основан на принципе организации человеческой памяти и эвристическом моделировании. В отличие от формальных эвристические модели имеют разнообразный набор средств, передающих специфические особенности предметных областей. Именно поэтому эвристические модели превосходят логические по выразительности и возможности адекватно описать предметную область.
Современные информационные технологии, использующие идеи и методы искусственного интеллекта, позволяют поддерживать оба подхода и осуществлять эффективную интеграцию моделей разного вида в единую модель объекта. Наиболее широкое распространение получили модели представления знаний в виде семантических сетей, систем продукций, фреймовых и логических моделей. Отметим, что проблему представления знаний нельзя отделять от проблемы определения состава знаний. Вопрос представления знаний можно разделить на две независимые задачи: как организовать (структурировать) знания и как представить знания в выбранной форме. При решении проблемы представления знаний необходимо рассмотреть следующие вопросы: определение состава представляемых знаний; определение организации знаний; определение формы представления знаний.
В частности, для ИСППР определение обобщенной модели представления знаний, характеризуется следующими факторами [3]: проблемной средой; архитектурой системы; целями пользователей. С учетом архитектуры системы знания подразделяются на интерпретируемые и неинтерпретируемые. Неинтерпретируе-мые знания исполняют роль описаний, как интерпретируемых знаний, так и действий системы и содержат информацию о причинах ввода знаний, о назначении знаний, описывают способ использования знаний и получаемый эффект.
Интерпретируемые знания можно разделить на предметные знания, управляющие знания и знания о представлении. Предметные знания содержат данные о предметной области и способах преобразования этих данных при решении труд-ноформализуемых задач. Отметим, что по отношению к предметным знаниям знания о представлении и знания об управлении являются метазнаниями. В предметных знаниях можно выделить описатели и собственно предметные знания. Описатели содержат определенную информацию о предметных знаниях такую, как: коэффициент определенности правил и данных, меры важности и сложности. Предметные знания разбиваются на факты и исполняемые утверждения. Факты определяют возможные значения сущностей и характеристик предметной области. Исполняемые утверждения содержат информацию о том, как можно изменять описание предметной области в ходе решения задач. Другими словами, исполняемые утверждения - это знания, задающие процедуры обработки. Эти знания могут быть заданы не только в процедурной, но и в декларативной форме [4].
Вопросы организации знаний необходимо рассматривать в любом представлении, и их решение в значительной степени не зависит от выбранного способа (модели) представления. Выделим следующие аспекты проблемы организации знаний:
♦ организация знаний по уровням представления и по уровням детальности;
♦ организация знаний в рабочей памяти;
♦ организация знаний в базе знаний.
Для того чтобы ИСППР могла управлять процессом поиска решения, была способна приобретать новые знания и объяснять свои действия, она должна уметь не только использовать свои знания, но и обладать способностью понимать и исследовать знания. Выбор рационального способа представления знаний о предметной области является центральной проблемой построения любой интеллектуальной системы.
2. Механизмы построения моделей представления предметных знаний. Представление знаний в ИСППР подразумевает четкое разграничение экспертных знаний об объекте моделирования (предметной области) и эвристических знаний (правил и методов), используемых при описании процедур построения модели предметной области. Модель представления знаний о предметной области на основе анализа обобщенной модели знаний, иерархически структурирующей предметную область, представлена на рис. 1.
Возмущение поступающая из ПрО во внешнюю среду
Рис. 1. Модель представления предметных знаний
Отличительной чертой ИСППР является возможность использования различных форм знаний. Для этого выделяется ядро - база знаний (БЗ), обеспечивающее возможность оперировать сложными формами знаний для решения основных трудноформализуемых задач. Отделение блока по работе со знаниями от блока по работе с данными является одной из основных характеристик модели представления предметных знаний в ИСППР. Данные - это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства [4]. Применительно к ИСППР данные, объединенные в базы данных (БД) и банки данных, являются основой информационного обеспечения. Основой же построения системы, основанной на знаниях, служит концептуальная модель БЗ, наиболее полно представляющая все множество имеющихся знаний об объекте моделирования, его структуре, свойствах, а также отношениях их характеризующих.
БЗ в ИСППР состоит из трех основных блоков [5]:
♦ база общих знаний хранит знания, необходимые для решения всех задач принятия решений;
♦ база системных знаний хранит знания обо всех внутренних связях самой системы;
♦ база прикладных знаний хранит все прикладные знания (описание предметных областей, правила и ограничения на процесс принятия решений).
В отличие от баз данных БЗ позволяет обрабатывать знания и в результате этого получать новые знания. Выше отмечалось, что в БЗ ИСППР размещается информация о закономерностях поведения системы (приближенные модели), о задачах, целях и критериях, используемых при их решениях (фактические знания, отражающие накопленный опыт решения задач), алгоритмы поддержки решения задач (процедурные знания). В связи с этим при формировании БЗ должны быть решены следующие основные задачи формирования:
♦ знаний о закономерностях поведения системы;
♦ фактических знаний;
♦ процедурных знаний.
БЗ содержит объекты, понятия и атрибуты, которые формируют базовую структуру проблемной области. Связь между объектами, понятиями и атрибутами организуется через правила вывода, также имеющиеся в базе знаний. В состав БЗ включаются также критерии качества принимаемых решений и алгоритмы решения задач данного класса [6].
Основным отличием базы знаний ИСППР от традиционных экспертных систем является объединение имеющихся в БЗ разнотипных частных моделей (функциональных, логических, лингвистических) в общую многоуровневую модель исследуемой системы с учетом информации, извлекаемой из БД, и в соответствии с правилами, введенными в БЗ экспертами. ИСППР необходимо дать возможность получить знания от большего числа экспертов, а также получать данные и знания от пользователей, т.е. расширить её круг общения.
Понятие «знания» неоднозначно, но оно принимает вполне конкретное значение в ИСППР, которое можно классифицировать по следующим категориям [4]:
♦ поверхностные - знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области;
♦ глубинные - абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих в предметной области. Эти знания объясняют явления и могут использоваться для прогнозирования поведения объектов.
Существует несколько путей передачи знаний:
♦ знания могут быть получены от эксперта посредством инженера знаний;
♦ приобретение знаний из текстов и различных, уже специализированным образом, обработанных данных с помощью механизмов автоматизированного извлечения знаний.
В настоящее время в механизмах автоматизированного приобретения знаний, показанных на рис. 2, выделяют три поколения. Это автоматизированные системы приобретения знаний от экспертов с использованием множества наработанных технологий и методологий.
Рис. 2. Способы приобретения знаний
Первое поколение - автоматизированные системы извлечения знаний без участия экспертов из существующих знаний и из текстов, массивов данных (Data mining, Knowledge Discovery in Databases) [2]. Второе поколение, начиная с 90-х годов представлено применением методологии СADS, в основе которой лежит понятие интерпретационной модели, позволяющей рассматривать процессы структурирования и формализации знаний как «интерпретацию» лингвистических знаний в другие представления и структуры. Представитель, данной методологии оболочка CommonСADS, KELLY, MEDIS. Третье поколение - это более сложные, гибкие, использующие графические возможности современных рабочих станций, достижения программных средств и CALS- и CASE-технологий, представлено в [7].
Извлечение знаний (data mining (DM)) - это процесс обнаружения в «сырых» данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретаций знаний (закономерностей). Под DM понимается процесс нахождения определенных закономерностей, взаимосвязей и тенденций в больших массивах данных. Процесс принятия решений тесно связан с извлечением, добычей знаний. При этом важную роль играет интеграция полученных результатов [8].
Механизм извлечения знаний позволяет выделять различные однородные группы данных. Для извлечения потенциально ценной информации из массива данных используются ассоциативные методики, сегментирование, классификация, анализ взаимозависимостей и отклонений.
Анализ ассоциаций имеет целью формирование правил, которые описывают взаимозависимости или закономерности, часто встречающиеся в массивах данных. Классификация служит, например, для создания профилей альтернативных решений. Прогноз похож на классификацию, но в нем дополнительно учитывается фактор времени. Сегментирование позволяет разбить большие массивы данных на более мелкие однородные подмножества в соответствии с требованиями предметной области. Наборы данных, отнесенные к этим подмножествам (так называемым кластерам), обладают определенными свойствами, представляющими интерес для
исследования. Эта технология используется в различных СППР. Принятия решений можно выполнять на основе методов индуктивного машинного вывода. Они на основе множества данных, для которых определены классы элементов, устанавливают правила, позволяющие идентифицировать незнакомые объекты. Широкое распространение этого метода обусловлено, в первую очередь, возможностью понятного представления сложного набора правил. К тому же наборы решений генерируется сравнительно быстро. Отметим, что этот метод весьма чувствителен к неопределенности и несогласованности данных.
Ассоциативные и адаптивные методы помогают извлекать из существующих наборов часто встречающиеся пары объектов. Поиск подобных сочетаний математически основан на анализе частоты появления комбинаций решений. Методы группирования служат для формирования наборов решений. Они призваны распознавать с учетом всех имеющихся свойств однородные подмножества (группы). Особую роль играют методы распределения и построения иерархии, рассмотренные в [9].
Заключение. Проблема представления знаний для ИСППР чрезвычайно актуальна и обусловливается необходимостью создания особого подхода формализации данных и знаний с возможностью динамической адаптации модели предметной области, а также самообучения и изменения границ компетентности с целью автоматизации процессов моделирования и автоформализации знаний о предметной области.
Рассмотрев модели и подходы к организации знаний, необходимо отметить, что процесс проектирования ИСППР требует применения различных моделей знаний, поэтому при создании архитектуры информационных систем необходимо обеспечить эффективное использование всех имеющихся в системе видов знаний для поддержки управления процессами принятия решений. Разделение знаний по уровням представления обеспечивает расширение области применимости системы и позволяет:
♦ за счет уменьшения времени принятия решения на трудноформализуемых этапах ускорить процесс в целом;
♦ улучшить качество принятия решений за счет использования накопленного опыта;
♦ уменьшить влияние субъекта (пользователя) на процесс принятия решений.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: Учеб. пособие. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. - 304 с.
2. Курейчик В.М., Писаренко В.И., Кравченко Ю.А. Инновационные образовательные технологии в построении систем поддержки принятия групповых решений // Известия ЮФУ. Технические науки. - 2008. - № 4 (81). - С. 216-221.
3. Гречин И.В., Курейчик В.В., Курейчик В.М., Сороколетов П.В. Элементы динамических экспертных систем: Монография. - Таганрог: Изд-во ТРТУ, 2007. - 123 с.
4. Бова В.В., Гладков Л.А., Курейчик В.В. и др. Модели и методы представления знаний в интеллектуальных системах поддержки принятия решений. - Таганрог: Изд-во ТТИ ЮФУ, 2010.
5. Сороколетов П.В. Построение интеллектуальных систем поддержки принятия решений // Известия ЮФУ. Технические науки. - 2009. - № 4 (93). - С. 117-124.
6. Курейчик В.В., Сороколетов П.В. Проблемы использования экспертных систем при принятии решений. Интеллектуальные системы. - М.: Физматлит, 2007. - C. 131-152.
7. Кравченко Ю.А. CALS- и CASE- технологии: Учеб. пособие. - Таганрог: Изд-во ТРТУ, 2005.
8. Кравченко Ю.А. Оценка когнитивной активности пользователя в системах поддержки принятия решений // Известия ЮФУ. Технические науки. - 2009. - № 4 (93). - С. 113-117.
9. Бова В.В., Гладков Л.А., Курейчик В.В. и др. Технологии интеллектуального анализа и извлечения данных на основе принципов эволюционного моделирования. - Таганрог: изд-во ТТИ ЮФУ, 2009. - 124 с.
Бова Виктория Викторовна
Технологический институт федерального государственного автономного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail: [email protected].
347928, г. Таганрог, нер. Некрасовский, 44.
Тел.: 88634371651.
Курейчик Владимир Викторович
E-mail: [email protected].
Нужнов Евгений Владимирович
E-mail: [email protected].
Тел.: 88634371625.
Bova Viktoria Viktorovna
Taganrog Institute of Technology - Federal State-Owned Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: [email protected].
44, Nekrasovskiy, Taganrog, 347928, Russia.
Phone: +78634371651.
Kureichik Vladimir Viktorovich
E-mail: [email protected].
Nuzhnov Eugene Vladimirovich
E-mail: [email protected].
Phone: +78634371625.
УДК 681.3
Ю.О. Чернышев, Н.Н. Венцов
ПРИМЕНЕНИЕ АВТОМАТА АДАПТАЦИИ ПРИ РАЗРАБОТКЕ АДАПТИВНОГО АЛГОРИТМА ОПТИМИЗАЦИИ ДОСТУПА К ДАННЫМ*
Приведено описание адаптивного алгоритма решения задачи выбора оптимального порядка соединения отношений, использующего автомат адаптации. Особенность данного алгоритма - возможность адаптации вычислительного процесса под обрабатываемые информационные массивы.
Адаптация; оптимизация; информационные массивы.
Y.O. Chernyshev, N.N. Vencov
APPLICATION OF THE AUTOMATIC MACHINE OF ADAPTING BY DEVELOPMENT OF ADAPTIVE ALGORITHM DATA ACCESS
OPTIMIZATION
In work the description of adaptive algorithm of the decision of a problem of a choice of an optimum order of connection of the relations using the automatic machine of adaptation is resulted. Feature of the given algorithm - possibility of adaptation of computing process under processed information files.
Adaptation; optimization; information files.
*
Работа выполнена нри поддержке: РФФИ (грант № 10-01-00481-а), г/б № 2.1.2.1652.
