CC BY
32г0,9х1 + 0,7х2 + 0,6х3 + 0,6х4 + 0,8х5 < 760, I 0,5х2 + 0,4х3 + 0,2х4 + 0,2х5) < 340, i 0,1х1 + 0,2х4 < 210
условия неотрицательности неизвестных х, > 0,= 15,
(2)
(3)
(4)
Введем переменные х6 > 0, х7 > 0, х8 > 0, и запишем условия ограничения (2) в виде:
г0,9х1 + 0,7х2 + 0,6х3 + 0,6х4 + 0,8х5 + х6 = 760, I 0,5х2 + 0,4х3 + 0,2 х4 + 0,2х5 + х7 = 340, ( 0,1х1 + 0,2х4 +х8 = 210.
(5)
В таблице 2 показаны полученные методом Гаусса-Жордана данные, соответствующие оптимальному решению задачи (1)-(5).
Задача (1)-(4) является задачей линейного программирования [1, с. 101]. К ее решению может быть применен симплекс метод.
Таблица 2
Данные, соответствующие оптимальному плану задачи (1)-(5)
Базис А Х1 Х2 Хз Х4 Х5 Х6 Х7 Х8
Х4 887,5 2,81 0 0,125 1 1,625 3,125 -4,375 0
Х2 325 -1,125 1 0,75 0 -0,25 -1,25 3,75 0
Х8 32,5 -0,46 0 -0,025 0 -0,325 -0,625 0,875 1
Р 1277,5 0,46 0 0,025 0 0,325 1,625 0,125 0
Разработана программа в соответствии с алгоритмом решения задачи в среде С#, которая позволяет определить оптимальное решении при любых корректно заданных данных. Разработанная программа при условиях рассматриваемой задачи позволяет принять оптимальное решение об организации производства кондитерской продукции.
Литература:
1. Васильев Ф.П. Численные методы решения экстремальных задач. 2-е изд., переработ. и доп. — М.: Наука, 1988, 552 с.
2. Коробов П.Н. Математическое программирование и моделирование экономических процессов. Санкт-Петербург, 2002, 364 с.
СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ «ФУНГУС» ДЛЯ РАСПОЗНАВАНИЯ ГРИБОВ ПО ОПИСАНИЮ ИХ ВНЕШНЕГО ВИДА
Душкин Кирилл Романович
Аналитик
Агентство Искусственного Интеллекта, г. Москва Душкин Роман Викторович Директор по науке и технологиям Агентство Искусственного Интеллекта, г. Москва
Фадеева Сандра Главный аналитик Агентство Искусственного Интеллекта, г. Москва Лелекова Василиса Алексеевна Аналитик
Агентство Искусственного Интеллекта, г. Москва
Оптимальное решение задачи имеет следующий вид:
х1 = 0; х2 = 325; х3 = 0; х4 = 887,5; х5 = 0;
Р(х) = 1 • 0 + 1,2 • 325 + 1 • 0 + 1 • 887,5 + 1 • 0 = 1277,5.
Вычислив доход от производства продукции по формуле (4) получаем:
О = 2,8 • 0 + 3,4 • 325 + 3 • 0 + 3,6 • 887,5 + 3,2 • 0 = 4300Д7Ы.
Таким образом, по плану производства кондитерской продукции х1 = 0, х2 = 325, х3 = 0, х4 = 887,5, х5 = 0 будет расходован 1277,5кг кондитерского сырья, при этом общий доход от продажа продукции составят 4300AZN.
DECISION SUPPORT SYSTEM «FUNGUS» FOR RECOGNITION OF MUSHROOMS BASED ON
DESCRIPTIONS OF THEIR APPEARANCE
Dushkin Kirill
Analyst
Artificial Intelligence Agency, Moscow Dushkin Roman Director of Science and Technology Artificial Intelligence Agency, Moscow Fadeeva Sandra Chief Analyst Artificial Intelligence Agency, Moscow Lelekova Vasilisa Analyst
Artificial Intelligence Agency, Moscow
АННОТАЦИЯ
В этой работе представлена методика разработки системы поддержки принятия решений и внедрению чат-бота «Фунгус» для определения грибов по описанию их внешнего вида. Система «Фунгус» повышает уровень знаний в области микологии и помогает при сборе или покупке грибов. В настоящей статье показана актуальность внедрения системы поддержки принятия решений для обучающих целей и метод её разработки на примере системы распознавания грибов «Фунгус».
ABSTRACT
This paper presents a methodology of developing a decision support system and implementing a chatbot «Fungus» to identify mushrooms by description of their appearance. «Fungus» increases the level of knowledge in the field of mycology and helps in gathering or purchasing mushrooms. This article shows the relevance of implementing a decision support system for training purposes and the method of its development on the example of the mushroom recognition system «Fungus».
Ключевые слова: искусственный интеллект, распознавание образов, дерево решений, искусственная нейронная сеть, обработка естественного языка, диагностика, чат-бот, диалоговый интерфейс, объяснимый искусственный интеллект, микология.
Keywords: artificial intelligence, pattern recognition, decision tree, artificial neural network, natural language processing, diagnostics, chatbot, dialog interface, explicable artificial intelligence, mycology.
Введение
В настоящее время сфера искусственного интеллекта сильно развита по всему миру. И, естественно, интерес к ней только растёт с каждым годом. Нейронные сети применяются повсеместно, как в программах для широкого круга пользователей, так и в узкоспециализированных целях.
По определению, чат-бот представляет собой программу по имитации диалога с человеком для решения определённых задач [1]. Одной из таких задач является распознавание класса объектов по их характеристикам. Некоторые чат-боты используют сложные системы обработки естественного языка, однако, существуют и более простые системы, такие как сканирование ключевых слов на входе, а затем выбор ответа, совпадающего с большинством ключевых слов или формулировок из базы данных [2]. Система распознавания грибов «Фунгус» базируется на мессенджере Telegram, поддерживающем создание чат-ботов, поскольку он является одним из самых распространённых в России по данным пресс-службы «Мегафон» [3].
Тем не менее, сама система распознавания грибов «Фунгус», в силу методики разработки, по большей части представляет из себя систему поддержки принятия решений (СППР), реализованную при помощи чат-бота.
Системы поддержки принятия решений - это компьютерные системы, которые, путём сбора и анализа большого объёма информации могут влиять на процесс принятия решения человеком [4]. СППР решает две основные задачи: выбор наилучшего решения, то есть оптимизация, и упорядочение возможных решений, то есть ранжирование. В этой работе используется так называемая активная СППР — система, которая непосредственно участвует в разработке правильного решения.
Основной целью настоящей работы является разработка системы поддержки принятия решений, реализованной в виде чат-бота в мессенджере Telegram, которая будет максимально удобной для пользователя, а также сможет определить гриб и дать информацию о нём на основе его словесного описания. Для её достижения необходимо решить ряд задач: изучить источники знаний о грибах, разработать базу данных, создать на её основе дерево решений, непосредственно реализовать СППР в виде чат-бота по распознаванию грибов, а также расширить функциональность системы возможностью распознавания объекта по фотографии.
Материалы и методы
Извлечение знаний из источников знаний второго рода — создание поля знаний из структурированных (реляционных баз данных,
XML) и неструктурированных (тексты, документы, изображения) источников данных [5]. Из источников знаний необходимо выделить набор характеристик, по которым можно различить объекты. Каждый из объектов должен входить в какое-либо множество характеристик таким образом, чтобы его можно было однозначно и последовательно определить по ним. В итоговом формате полученное поле знаний представляет из себя машинно-интерпретируемую матрицу, способную к преобразованию в дерево решений.
Формализация знаний в продукционную модель и деревья решений. В теории машинного обучения дерево решений — это средство поддержки принятия решений для прогнозных моделей. Суть его работы заключается в разбиении множества данных на непересекающиеся классы, которые также подвергаются разбиению по каким-либо критериям [6]. Эта модель считается крайне эффективной из-за высокой точности решения многих задач, а также высокого уровня интерпретируемости этих решений. Освоенные деревом решений «знания» напрямую формируются в иерархическую структуру, которая хранит и представляет знания в понятном даже для неспециалистов виде [7].
Обработка естественного языка на базе нейросетевого подхода. Метод используется для обработки и «понимания» естественного языка системой поддержки принятия. Обработка естественного языка (Natural Language Processing, NLP) — термин, относящийся к различным способам вычислительной обработки человеческих языков. Сюда входят как алгоритмы, принимающие на входе созданный человеком текст, так и алгоритмы, порождающие тексты, которые выглядят как естественные [8].
Фрейморк DialogFlow для разговорных агентов — диалоговая система или разговорный агент (conversational agent, СА), предназначенный для общения с человеком, разработанная на базе нейросети Google TensorFlow [9]. Диалоговые системы используют один или несколько способов коммуникации как на входном, так и на выходном канале. Наборы компонентов, входящих в диалоговую систему и распределение их функциональности разнится от системы к системе. Основным элементом любой диалоговой системы является менеджер диалогов, который представляет из себя компонент, организующий стратегию ведения диалога. Обычно, цикл деятельности текстовой диалоговой системы представлен следующими стадиями:
• текст анализируется единицей понимания естественного языка (Natural language understanding unit, NLU), которая может включать идентификацию собственного имени, маркировку части речи, синтаксический и семантический анализаторы;
• семантическая информация анализируется диалоговым менеджером, который ведет историю и состояние диалога и управляет общим потоком разговора.
Мессенджер Telegram для чат-ботов. Чат-боты включены в мессенджер Telegram как сторонние приложения. Пользователи могут взаимодействовать с чат-ботами, отправляя им сообщения, команды и встроенные запросы. По сути, чат-боты — это интерфейсы программ с прописанными алгоритмами вопрос-ответ. Взаимодействовать с ними можно двумя способами:
1. отправлением сообщения или команды чат-ботам, открывая с ними чат или добавляя их в группы;
2. отправлением запроса непосредственно из поля ввода, набрав идентификатор бота (в формате @username) и запрос.
Сообщения, команды и запросы, отправляемые пользователями, передаются программному обеспечению, работающему на специальном сервере через простой HTTPS-интерфейс.
Язык разметки ответов чат-ботов на базе языка программирования JSON. JsonML, язык разметки JSON — это текстовый формат обмена данными, используемый для сопоставления языков XML (Extensible Markup Language) и JSON (JavaScript Object Notation). Он преобразует XML-фрагмент в структуру данных языка JSON для использования в средах JavaScript, например, веб-браузерах. Это позволяет взаимодействовать с XML-данными без синтаксического анализатора языка XML. Таким образом, при получении браузером строки JSON, информация декодируется и сразу выводится на страницу, открытую пользователем.
Google Cloud Vision API. Application programming interface — программный интерфейс приложения, интерфейс прикладного
программирования. Платформа Google Cloud Vision обладает мощными моделями машинного обучения, предварительно обученными с помощью REST (Representational State Transfer — архитектуры программного обеспечения для распределённых систем) и RPC API (Remote Procedure Call — передачи управления, процедур и данных внутри программы). С помощью платформы Google Cloud Vision можно распознавать объекты, печатный или рукописный текст. Изображения, попадающие в среду, помечаются характерными для них метками и распределяются по категориям.
Google Translate. Веб-служба компании Google, автоматически переводящая текст на необходимый язык посредством статистического машинного перевода. В настоящей работе используется для автоматического перевода меток, полученных через Google Cloud Vision на русский язык.
Результаты и их обсуждение
В первую очередь были изучены справочники по микологии [10]. На их основе было сформировано поле знаний из основных характеристик грибов. Далее была составлена база
данных, на основе который сделано дерево решений, представленное на рис. 1.
Рисунок 1. Дерево решений.
Для более полного понимания работы дерева вопросов и ответов «да/нет», по дереву можно решений на рис. 2 представлен фрагмент ветви определить более видов 150 грибов. решений. Посредством последовательных
Рисунок 2. Пример ветви дерева решений.
После создания основного «механизма» работы СППР необходимо определить место размещения интерфейса, с которым будет взаимодействовать пользователь. При этом важно учитывать следующие ограничения, возникающие при создании чат-ботов и СППР:
• База данных фиксирована и ограничена, поэтому при генерации выходных данных СППР может потерпеть неудачу при работе с несохраненным запросом.
• Эффективность самой СППР сильно зависит от её способности обрабатывать
естественный язык и порождать тексты, которые выглядят как естественные.
• Чат-боты не могут одновременно отвечать на несколько вопросов одному пользователю, следовательно, возможности общения ограничены.
• Для обучения СППР требуется большое количество данных, полученных из непосредственного разговора с человеком.
• Некоторые пользователи, в силу возраста или иных причин, могут испытывать затруднения при взаимодействии с новыми технологиями.
Поэтому, в силу простоты и удобства интерфейса, а также самой возможности реализации СППР в виде чат-бота, для размещения системы распознавания грибов «Фунгус» был выбран мессенджер Telegram.
После создания интерфейса СППР в мессенджере, к системе было подключено специальное программное обеспечение (СПО) Web-hook, разработанное на языке программирования Go и расположенное на Google Cloud Platform. Это СПО необходимо, чтобы СППР могла определить, поступает от пользователя картинка или текст. Для процесса интерпретации текста к системе был подключен фреймворк DialogFlow. СППР может обучаться на наборе данных, который содержит интенты (категории), паттерны (шаблоны) и ответы, используя специальную рекуррентную нейронную сеть глубокого обучения (Long short-term memory,
LSTM). Нейронная сеть LSTM используется, чтобы классифицировать, к какой категории относится сообщение пользователя, а затем предоставить ответ из списка ответов.
В настоящей работе набором данных для СППР «Фунгус» послужило составленное дерево решений, имплементированное в интенты агента на платформе DialogFlow.
В случае, если пользователем отправлено изображение, авторским коллективом было решено провести экспериментальную интеграцию с решениями Google Cloud View и Google Translator с системой. Платформа Google Cloud View необходима для распознавания гриба на изображении и придания ему конкретных меток, например «гриб» или «боровик». Метки передаются на СПО Web-hook, откуда они поступают в программное средство Google Translator, переводятся и возвращаются обратно в Web-hook. СПО обрабатывает их и оформляет в один из шаблонных ответов пользователю.
Основная аудитория пользователей СППР «Фунгус» не будет сильно заинтересована в простых «машинных» ответах. Поэтому, в системе реализованы элементы объяснимого
искусственного интеллекта (Explainable artificial intelligence, XAI) [11], облегчающие понимание ответа массовым пользователем.
На рис. 3 представлена схема общей архитектуры СППР «Фунгус».
дереву ре-шении
Рисунок 3. Общая архитектура системы поддержки принятия решений «Фунгус»
Обобщая всё вышесказанное, итоговые функции системы поддержки принятия решений «Фунгус» можно представить тремя пунктами:
1. Распознавание грибов по описанию их внешнего вида на основе вопросов, включённых в дерево решений и предоставление ссылки на основную статью про гриб в Википедии.
2. Объяснение результатов распознавания гриба при помощи дерева решений.
3. Распознавание гриба по изображению. Чат-бот «Фунгус» доступен в мессенджере
Telegram по идентификатору — @Mushrom_Bot или по ссылке https://t.me/Mushrom Bot. Пример работы СППР «Фунгус» приведён на рис. 4.
Фунгус
What can (his hot do?
Приветствую! Я специальный бот. посвященный распознаванию грибов по их внешнему виду Надеюсь, что я буду полезен для пас
марта 9
Оговорка об ответственности
Чат-бот «Фунгус» - это система поддержки принятия решений (СППР) для определения грибов Как и при использовании любой СППР ответственность за принятое решение лежит на лице, принимающем решение Не используйте чат-бот «фунгус» для принятия решения о том. употреблять ли найденные грибы в пищу или нет. Вы должны принимать решение об использовании грибов в пищу исключительно на основании личного опыта и под полную собственную ответственность о возможных последствиях Никогда не берите грибы, которые вам неизвестны, а тем более не употребляйте их в пищу
Чтобы попробовать распознать гриб, напишите мне об этом обычными словами (например. «Давай распознаем гриб«), или воспользуйтесь командой recognize. пилил
Прекрасно! Давайте же скорее распознаем ваш гриб
Какой у гриба гимен офор?
ЛгиЬк — Трубчатый /р1аМ - Пластинчатый /о!(№! - Какой-то другой
Фунгус
Где растет гриб?
/earth - На земле /чееО - на дереве
Покрыта ли шляпка гриба «маслом»?
/у0 - Да
/по - нет
Есть ли у гриба кольцо на ножке?
/у! - Да /П100 - Нет
Какой цвет шляпки гриба?
/orangl - Оранжевый /ЬголпЗ — Коричневый
Ура! Удалось распознать гриб Это масленок лиственничный
Ура! Удалось распознать гриб. Это масленок лиственничный
Подробнее: Ь !Ц)5 //с1сК_Ш/02Ь23 *И>|«|
М ас ленок лиственничный ЯОЯ
Масленок лиственничный (лат. 5«По» уем««*)-гриб из " 2 род* Масленок (пат Зи111м) Произрастает с листсммицем и имоет шляпку различных оттенков жатого или оранжевого цмта
10 ИРМ
Хотите узнать, почему я так решил? Давайте объясню Нажмите сюда:.
8ш1!и5Сгеу1Не1 «о и см
/Sn.llusGfev.lte4 101М
В соответствии с моими знаниями, полученными из справочников. Масленок лиственничный является трубчатым грибом, который растет на земле, и его шляпка покрыта маслом. Также у него есть кольцо на ножке Кроме того, у него оранжевый цвет шляпки Вы дали именно такие ответы на мои вопросы, поэтому я считаю, что это именно этот гриб
© Message
<3 О
Рисунок 4. Пример диалога с чат-ботом «Фунгус» в мессенджере Telegram
Актуальность проекта «Фунгус» обусловлена не только популярностью мессенджеров и чат-ботов, но и стремлением людей к безопасному познанию окружающего мира. Опираясь на исследование, представленное Брандзеком и Фольстедом в 2017 году, можно конкретизировать причины, по которым люди хотят взаимодействовать с чат-ботами. Согласно ему, основными факторами, мотивирующими людей использовать чат-ботов, являются [12]:
1. Эффективность. Большинство респондентов прокомментировало удобство и быстроту чат-ботов как источников информации.
2. Досуг. Этот пункт касается развлекательной ценности чат-ботов и интереса их использования. Некоторые респонденты сообщили о том, что используют чат-ботов, когда им скучно или нужно «убить время».
3. Социальность. Использование чат-ботов в социальных целях или для общения. Как правило, чат-боты рассматриваются как имеющее человечность средство взаимодействия, которое имеет социальную ценность. Некоторые респонденты используют чат-боты для улучшения навыков социального взаимодействия с другими людьми.
Касательно безопасности, по данным Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека в Российской Федерации ежегодно регистрируется
порядка одной тысячи пострадавших от отравления грибами, около тридцати случаев заканчивается летальными исходами [13]. Отравление грибами относится к состоянию острой интоксикации и часто приводит к смертельным последствиям из-за различных токсинов, содержащихся в грибах, которые не следует употреблять в пищу. Все токсичные грибы вызывают симптомы отравления, значительно различающиеся от типа грибов. Как правило, грибы, которые вызывают симптомы рано (в течение 2 часов), менее опасны, чем те, которые вызывают симптомы позже (обычно через 6 часов) [14].
Основной причиной пищевых отравлений грибами является неумение распознавать и отличать ядовитые грибы от съедобных. Чтобы избежать такой ошибки, которая может стать фатальной, необходимо хорошо изучить общие признаки грибов и знать характерные отличия ядовитых видов. СППР «Фунгус» нацелен на повышение уровня знаний в этой области и гораздо удобнее в использовании, чем бумажный справочник.
Практическая значимость проекта «Фунгус» заключается в двух основных моментах:
• Система не требует особых навыков и понятна основному множеству пользователей, поскольку доступна через чат-бот в мессенджере на любом персональном устройстве.
• Представленная методика разработки СППР может быть использована для создания схожих СППР по распознаванию природных объектов различных видов по их свойствам, что может быть адаптировано и внедрено в учебные процессы в качестве междисциплинарных проектов.
Заключение
В настоящем проекте авторским коллективом была создана полностью функционирующая система поддержки принятия решений по распознаванию грибов. В процессе работы был представлен метод создания СППР, достигнуты основные цели проекта в виде подробного дерева решений по распознаванию грибов, интегрирования чат-бота в целостную систему СППР, возможности распознавания гриба по изображению, а также внедрению элементов объяснимого искусственного интеллекта.
В дальнейшем возможно пополнение базы данных СППР, её развитие на основе информации, полученной от непосредственных пользователей и, следовательно, самообучение системы с помощью диалогового фреймфорка DialogFlow.
Литература:
1. Михайлов В. А., Михайлов С. В. Особенности развития информационно -коммуникативной среды современного общества // Сборник научных трудов «Актуальные проблемы теории коммуникации». СПб., 2004. С. 34-52.
2. Messina Chris. 2016 will be the year of conversational commerce // A Medium Corporation. URL: https://goo.su/4jr5 (дата обращения: 07.03.2021).
3. Мобильные операторы назвали самые популярные у россиян мессенджеры. URL: https://tass.ru/ekonomika/10544793 (дата обращения: 07.03.2021).
4. Раджабов К.Я. Учебное пособие дисциплины «Системы поддержки принятия решений» для направления подготовки Бизнес -информатика, профиль «Электронный бизнес». -Махачкала: ДГУНХ, 2019 г. С. 17-24.
5. Структурированные и неструктурированные данные: сравнение и
объяснение // Асу-аналитика. URL: https://clck.ru/TrLVW (дата обращения: 22.03.2021).
6. В. В. Воронина, А. В. Михеев, Н. Г. Ярушкина, К. В. Святов Теория и практика машинного обучения: учебное пособие. Ульяновск : УлГТУ, 2017. С 52-56.
7. Ураев Д. А. Классификация и методы создания чат-бот приложений — М.: International scientific review, 2019. — 30 с.
8. Гольдберг Й. Нейросетевые методы в обработке естественного языка // пер. с анг. А. А. Слинкина. М.: ДМК Пресс, 2019. 282 с.
9. Абади М., Бархэм П., Чен Д., Чен Ж., Дэвис Э., Дин Дж., Дэвин М., Гемават С., Ирвинг Дж., Исард М., Кудлур М., Левенберг Дж., Монга Р., Мур Ш., Мюррэй Д. Дж., Штейнер Б., Такер П., Васудеван В., Варден П., Вик М., Ю Ю., Ченг К., Google Brain TensorFlow: Система для крупномасштабного машинного обучения. Machine Learning Proceedings of the 12th USENIX Symposium on OSDI. Саванна, Джорджия, США, 2016. 21 с.
10. Вишневский М. В. Грибы. Определитель грибов русских лесов и полей. — М.: Эксмо-Пресс, 2014 г.
11. Арийета А.Б., Диаз-Родригез Н., Дель Сера Х., Беннетот А., Табик С., Барбадо А., Гарсия С., Гил-Лопез С., Молина Д., Бенджамин Р., Шатила Р., Геррера Ф., Объяснимый искусственный интеллект (XAI): Концепции, классификации, возможности и проблемы на пути к ответственному искусственному интеллекту. TECNALIA, Испания, 2019. 72 с.
12. Brandtzaeg P. B., Folstad A. Why people use chatbots? / The 4th International Conference on Internet Science, November 2017. Lecture Notes in Computer Science. — URL: https://btfr.cc/dmz (дата обращения: 09.03.2021).
13. Методические материалы Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека в Российской Федерации. — URL: https://goo.su/4Jr (дата обращения: 07.03.2021).
14. Гаврюченков Д. В., Лемещенко Е. Ю. Массовые отравления грибами. — М.: Медицинская сестра. Профессия: теория и практика, 2015. — С. 48-49.
