CC BY
31
ИНФОРМАЦИОННЫЕ И КОММУНИКАЦИОННЫЕ ТЕХНОЛОГИИ ДЛЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ
Касторнова Василина Анатольевна,
Федеральное государственное бюджетное научное учреждение «Институт управления образованием Российской академии образования», ведущий научный сотрудник, кандидат педагогических наук, доцент, kastornova_vasya@mail. ru
ТЕХНОЛОГИЯ ИСПОЛЬЗОВАНИЯ ПРОГРАММНЫХ СРЕД ИНФОРМАЦИОННО-ОБРАЗОВАТЕЛЬНОГО ПРОСТРАНСТВА ПРЕДМЕТНОЙ ОБЛАСТИ «ИНФОРМАТИКА» В ОСУЩЕСТВЛЕНИИ КОНТРОЛЯ ЗНАНИЙ
Аннотация
В статье рассматриваются вопросы использования интеллектуальных программных средств при осуществлении систематизации и контроля знаний учебной дисциплины «Информатика». Здесь изучаются особенности применения экспертных обучающих систем и нейронных сетей для распознавания видов программного обеспечения ЭВМ на основе их характерных признаков (атрибутов). Ключевые слова:
искусственный интеллект; идентификация (распознавание) объектов; контроль знаний; экспертная обучающая система; нейронная сеть; атрибут; алгоритмы обучения экспертных систем и нейронных сетей.
В наше время все большую популярность приобретают компьютерные технологии, связанные с понятием искусственного интеллекта (далее - ИсИ). ИсИ наделен способностью производить рассуждения и действия для решения всевозможных задач, включая сюда и осуществление систематизации и контролирования знаний в учебном процессе [5]. Искусственный интеллект позволяет решать неформализованные (неалгоритмизированные) задачи из разных областей знаний, среди которых следует выделить идентификацию объектов с помощью проверки наличия у них характерных признаков в различных областях знаний, включая и информатику [2]. Примером использования ИсИ при осуществлении систематизации и контроля знаний в дисциплине «Информатика» является изучение вопросов аппаратного (hard) и программного обеспечения (soft) ЭВМ, таких как умение классифицировать: типы ЭВМ, виды программного обеспечения (системного и прикладного), типы языков программирования, а также соответствующие им системы программирования. Решение такого рода задач основывается на выделении характерных признаков (атрибутов) объектов. Их распознавание вполне можно осуществлять с помощью так называемых экспертных систем и нейросетей, являющихся составной частью систем ИсИ. Ниже следуют примеры использования таких интеллектуальных систем для решения обозначенного круга задач.
1. Экспертные системы
Экспертная система (далее - ЭкС) представляет собой набор программ, заменяющих работу эксперта-человека при решении задач из некоторой предметной области. ЭкС используются преимущественно для получения, накопления, корректировки знаний из некоторой предметной области. Технологически ЭкС - это прикладная программа, осуществляющая следующие действия: анализ фактов, предоставляемых пользователем; исследование ситуации, процесса, явления; выдача экспертного заключения или рекомендации по решению задачи. Составными структурными частями ЭкС являются: база знаний (далее - БаЗ) и решатель.
БаЗ является самым важным компонентом ЭкС, представляющей собой «интеллектуальные способности» экспертной системы. Ее особенностью является тот факт, что БаЗ может пополняться и модифицироваться в процессе работы ЭкС, то есть быть ее «переменной» составляющей. Она состоит из набора эмпирических правил, служащих для представления эвристических знаний, т.е. неформальных способов рассуждения. Эти правила вырабатываются на основе опыта и профессиональной деятельности экспертов, которыми в системе образования являются в большинстве случаев преподаватели и сотрудники учебных заведений.
Решатель представляет собой машину логического вывода ЭкС, и он позволяет получать новые знания на основе уже имеющихся. Знания представляются в ЭкС в символьном формате, поэтому они легко обрабатываются на ЭВМ. В силу того что в ЭкС заложен не алгоритм решения задачи, а алгоритм обработки знаний, то это приводит иногда к получению результата при решении конкретной задачи, который заранее был неочевиден. Как правило, процесс обработки знаний в ЭкС неизвестен (работает принцип черного ящика) и формируется по ходу решения задачи на основании эвристических правил, заложенных в БаЗ. При решении такого рода задач (в отличие от алгоритмического подхода) она (задача) декларируется (описывается) в виде совокупности фактов и правил, описывающих некоторую ситуацию, и система с помощью базы знаний на основе заложенных в нее правил пытается сделать вывод из этих фактов (получить новое знание).
Системы, основанные на знаниях, вполне вписываются в компьютерные системы обучения, поэтому для целей обучения создаются обучающие экспертные системы. Экспертная обучающая система (далее -ЭОС) является средством представления знаний и организации диалога пользователя с системой, обеспечивая при этом выработку стратегии и тактики решения задач изучаемой предметной области, а также осуществление контроля уровня знаний [4].
Для разработки и последующего использования ЭОС существуют различные инструментальные и программные средства. К числу таких средств относятся языки обработки символьной информации, такие как декларативные (логические) языки Пролог и Лисп. Для этих целей можно также использовать и процедурные языки программирования Си, Ассемблер, Паскаль, Фортран, Бейсик и др.
Предлагаемая нами программная оболочка для создания ЭОС разработана на языке Паскаль и состоит из следующих модулей: инициализация системы, ввод примера, тренировка и обучение системы, основной модуль диалога с пользователем - нормальное функционирование системы, запоминание текущего состояния и загрузка экспертной системы, контроль правил и примеров, добавление и удаление новых переменных и исходов, запись на диск схемы ЭкС [3].
Отметим, что она является универсальной и в нее можно помещать наполнение из любой предметной области. Разработчик ЭОС должен решить, по существу, три проблемы:
1. Выбрать оптимальное число узлов для правильной идентификации (узнавания) объектов.
2. Подобрать для каждого узла соответствующие признаки (переменные) каждого его объекта (исхода).
3. Обучить путем многократной «прогонки» программы базу знаний ЭОС, используя при этом либо удаление неиспользуемых признаков, либо добавление новых, если система допускает ошибки.
При инициализации системы разработчик определяет структуру базы знаний, где указывается число узлов, переменных и исходов, которые затем вводятся в эту базу. При этом набор переменных для каждого узла задает характерные признаки, присущие объектам (исходам) этого узла. Например, в предлагаемой нами базе знаний «Программное обеспечение ЭВМ» среди переменных первого узла указываются такие признаки: «Создает исполняемые файлы», «Управляет работой ЭВМ», «Создает программы», «Решает практические задачи» и пр., которые определяют классификацию ПО ЭВМ: системное ПО, прикладное ПО и система программирования. В число переменных второго узла входят исходы первого узла и дополнительные переменные (признаки), которые позволяют отличить программные продукты, принадлежащие одному и тому же типу ПО. Например, нужно отличить друг от друга MS DOS и Windows NT, MS Word и MS Access, Паскаль и Ассемблер (см. рис. 2). Затем идет обучение системы на конкретных примерах. Этот процесс продолжается до тех пор, пока она не научится распознавать все заложенные в нее исходы. Полученная база знаний в виде системы правил записывается на диск в виде отдельного файла. Готовая система потом может быть использована учителем и учащимися для систематизации и контроля знаний по той или иной теме курса. ЭкС позволяет также производить ее модификацию путем удаления или добавления новых переменных и исходов с последующим ее дообучением.
В рассматриваемой оболочке сами объекты называются исходами, а их характерные признаки - переменными. ЭОС может работать с разным числом узлов. ЭОС с одним узлом содержит один набор переменных и один список исходов (см. рис. 1).
При двух и более узлах исходы предыдущего узла могут стать (все или частично) переменными для следующего узла (см. рис. 2).
Рис. 1. Одноузловая ЭОС Рис. 2. Двухузловая ЭОС
Система на основании характерных признаков объектов вырабатывает правила и потом по результатам ответов, полученных от пользователя, узнает нужный объект (число задаваемых системой вопросов, как правило, меньше, чем число характерных признаков объекта).
Итак, программная оболочка ЭОС состоит из следующих модулей:
1. Блок инициализации. Здесь разработчик определяет число узлов, максимальное число переменных для всех узлов, максимальное число исходов для всех узлов. Это делается для того, чтобы определить максимальный размер массивов, куда будут записываться данные. Затем вводятся последовательно все узлы: сначала указывается число переменных и число исходов для каждого узла, а потом - сами переменные и исходы. В завершение ввода данных рекомендуется записать эту информацию на диск с помощью пункта 6 данной программы.
2. Ввод примеров. Когда все переменные и исходы введены, следует приступить к обучению ЭОС через примеры (см. рис. 3).
ЭКСПЕРТНАЯ СИСТЕМА Классификация ПО ЭВМ
УЗЕЛ 1
ВВОП примеров:
ВНИМАНИЕ - число примеров равно количеству исходов данного узла?? Сколько примеров приготовлено для этого узла? - 3 ПРИМЕР i для цзла i
Свойство "Управляет работой ЭВМ" есть у объекта ""? <1/И> i Свойство "Решает практические задачи" есть у объекта ""? <i/U)> 0 Свойство "Создает программы" есть у объекта ""? <1/й> 0 Свойство "Создает исполняемые Файлы" есть у объекта ""? <1/й> 0 Свойство "Осуществляет трансляцию" есть у объекта ""? <1/0> 0_
Укажите допустимый исход:
1 Системное ПО
2 Прикладное ПО
3 Система программирования
с цказанием его номера 1
Рис. 3. Вввод примеров
Как правило, число примеров для каждого узла равно числу его исходов - надо указать через 0 или 1 наличие того или иного признака (свойства) у каждого исхода. Ввод примера также завершается записью его на диск.
3. Тренировка системы. С помощью этого модуля на основании введенных примеров вычисляется массив правил для работы системы как эксперта по узнаванию объектов (см. рис. 4).
Рис. 4. Массив правил 1-го узла системы
Из рисунка видно, что правила представляют собой двумерный массив, в котором положительность коэффициента (веса) в строке соответствует наличию этого свойства соответствующему исходу. Коэффициенты (веса) других исходов получают при этом отрицательные значения. Например, свойство «4. Создает исполняемые файлы» присуще только исходу «3. Системы программирования» (коэффициент 1 в четвертой строке), а свойство «1. Управляет работой ЭВМ» присуще только исходу «1. Системное ПО» (коэффициент 1 в первой строке). Полученный числовой массив весовых коэффициентов записывается на диск.
4. Обучение системы. Этот модуль используется, если после ввода примеров и вычисления массива правил система работает ненадежно и дает неправильные варианты исходов. В этом случае необходимо переобучить систему, вводя дополнительные примеры. После ввода каждого примера система спрашивает, надо ли запоминать ответ, и если да, то она сама осуществляет коррекцию массива правил, который изменяет свои значения в тех строках, где речь идет о переменных, относящихся к свойствам неправильно узнанных исходов. Для надежности рекомендуется вводить один и тот же пример дважды. Можно дать столько же примеров, как было при вводе примеров на втором этапе. Можно же ограничиться примерами только для тех случаев, когда система выдает ошибочные исходы. В завершение сеанса обучения результаты записываются на диск.
5. Нормальное функционирование системы. Этот модуль предназначен преимущественно для работы с ЭОС обучаемым (пользователем), а не разработчиком. При запуске модуля на экране появляются вопросы, которые система последовательно ставит пользователю. Тот сообщает ей, какие признаки у того объекта, название
которого он желает узнать с помощью ЭОС. Ответы пользователя должны быть точны, иначе ЭОС не даст правильного ответа (исхода). При многоуровневой ЭОС сначала выдается исход 1-го узла, а потом -окончательный ответ (см. рис. 5).
Узел 1
Свойства "Создает программы" есть у объекта "MS 8CCESS"? <1/0> 1 Свойство "Решает практические задачи" есть у объекта "HS ftCCESS"? <1/0> 1 Свойство "Создает исполняемые Файлы" есть у объекта "MS 8CCESS"? <1-^0)> 0 Свойство "Осуществляет трансляцию" есть у объекта "MS ftCCESS"? <1/0> 0
Предлагается "Прикладное ПО" в качестве возможного исхода
Узел 2
Свойство "Использует режим Форм" есть у объекта "МБ ПССЕЯК"? <1/0> 1 Свойство "Решает математические задачи" есть у объекта "И5 ПССЕКЗ"? <1/0> 0 Свойство "Создает БД" есть у объекта "МБ ПССЕКЗ"? <1/0> 1
Предлагается "МБ ЙССЕБЗ" в качестве возможного исхода Угадали
Рис. 5. Работа пользователя с ЭОС
Оболочка данной ЭОС устроена так, что после завершения сеанса работы с ней создается файл-протокол сеанса работы с ней.
6. Запоминание текущего состояния системы. Этот модуль записывает на диск массивы переменных, исходов, их число, массив примеров и правил (в общей сложности 7 файлов).
7. Загрузка экспертной системы. Заполнение массивов из файлов. Этот модуль делает ЭОС готовой к работе. Теперь можно переходить либо к обучению системы, либо к работе с готовой системой.
8. Контроль правил и примеров. Здесь, на экране монитора, можно просмотреть список всех переменных и исходов, введенные примеры и массив правил.
9. Модификация системы. Здесь можно удалять и вводить новые переменные и исходы. Переменные рекомендуется удалять только тогда, когда в процессе обучения система совсем не задает вопросов о наличии у объектов этого признака - значит, он несущественен, его надо удалить. Добавлять новые переменные нужно тогда, когда системе не удается отличить один объект от другого. После модификации исходных данных рекомендуется с помощью модуля 4 переобучить систему и записать результаты на диск.
10. Запись структуры ЭОС на диск. Этот модуль полезен тем, что после ввода переменных и исходов их можно вывести в текстовый файл (в отличие от модуля 8, который выводит только на экран монитора) для последующей корректировки системы (см. рис.1).
Работа пользователя (обучаемого) начинается с загрузки ЭОС с внешнего носителя в ОЗУ и последующего диалога с ней. При диалоге с пользователем на экране монитора появляются вопросы, на которые ответ происходит в форме ввода с клавиатуры значений 0 или 1 в зависимости от наличия или отсутствия указанных свойств у искомого объекта (исхода). Количество поставленных ЭОС вопросов, а также порядок их следования во многом зависят от степени ее обученности экспертом (преподавателем). Иногда правильный ответ получается за 2-3 вопроса, порой задается большее число вопросов (все зависит, естественно, от общего числа введенных в БЗ переменных и искомых исходов). В нашем примере ЭОС «Прикладное обеспечение ЭВМ» для идентификации исхода ACCESS система в 1 узле ставит вопросы: «Создает программы» - 1, «Создает исполняемые файлы» - 0, «Имеет транслятор» - 0, «Графический режим работы» - 1 и принимает решение, что это - «3. Прикладное ПО», а потом во 2 узле спрашивает: «Создает графику», «Проводит вычисления», «Создает БД».
При создании ЭОС в какой-либо предметной области, прежде всего, нужно определиться с выбором темы курса, знание которой планируется проверить с ее помощью. Например, в базовом курсе информатики одними из немаловажных являются вопросы классификации видов компьютеров, программного обеспечения и языков программирования. Как уже было сказано выше, ЭОС идентифицирует объекты по их характерным признакам (свойствам, атрибутам). Поэтому разработчик ЭОС должен в первую очередь набрать достаточное число этих свойств, которые мы
называем входами или переменными. Их количество варьируется в зависимости от числа распознаваемых объектов - исходов.
После ввода в ЭОС всех переменных и исходов следует режим задания примера, в котором для каждого исхода всех узлов задается наличие его характерных признаков путем введения числа 1 для указанного признака. За вводом примера следует режим тренировки системы. На этом этапе формируется массив правил, которые призваны по набору некоторых значений переменных (не обязательно всех) определить соответствующий им исход. Однако при этом чаще всего образуется такой набор правил, который не всегда правильно узнает объект по своим характерным признакам (переменным). Поэтому после режима тренировки производится так называемое обучение системы. В данном режиме система на базе сформированного ранее массива правил ставит уточняющие вопросы по поводу наличия тех или иных свойств выбранного исхода. Процесс обучения завершается при условии, что ЭОС безошибочно узнает все распознаваемые объекты. При этом результаты обучения заносятся в модифицированный массив правил.
Первоначально следует подобрать как можно больше переменных, а потом, после обучения системы, неиспользуемые переменные (а ими окажутся те, которые совсем не будет вызывать система) можно удалить из базы. Может оказаться, что система не различает два похожих друг на друга объекта. В этом случае следует ввести в базу дополнительную переменную. Система готова к работе, и ее можно использовать в качестве эксперта.
Существенным также является вопрос определения числа узлов будущей ЭОС. Самый простой вариант - одноузловая система. В ней множество всех свойств объектов дают все переменные узла, а узнаваемые объекты (виды ЭВМ, ПО ЭВМ и языки программирования) - множество исходов. Построение двухузловых и или более систем связано в большей степени с выбранными системами классификации объектов. ЭОС призвана проверить знания обучаемых в как можно большем объеме, поэтому желательно создавать многоузловые системы. В случае классификации ЭВМ существует классическое их разделение на суперЭВМ, большие ЭВМ, миниЭВМ и микроЭВМ. В результате будет получаться двухузловая ЭОС (первый узел определяет принадлежность к указанному виду, а второй узел определяет конкретный тип ЭВМ (БЭСМ, Apple и пр.)). В случае типизации ПО его можно отнести к трем видам: системное, прикладное и инструментальное. Такое деление определяет двухузловую систему. При построении трехузловой системы рекомендуется указанные три вида подразделить на поддержку ПО тем или иным типом операционной системы (однозадачная, многозадачная, сетевая, несетевая). Для языков программирования, а точнее, для их систем программирования, можно взять градации: процедурные, декларативные, функциональные и пр. Строя трехузловую систему, можно применить аналогичный классификации ПО подход.
Для целей обучения ЭОС может быть использована в различных формах:
1. Работа с созданной и обученной ЭОС. Эта форма работы используется для контроля знаний, когда обучаемому ставится задание распознать все предусмотренные системой исходы. При этом преподаватель может просмотреть протокол работы обучаемого с ЭОС.
2. Обучение ЭОС. Здесь рекомендуется ввести в БаЗ только переменные и исходы, а учащимся предложить обучить ее до получения правильных ответов. Можно также обучить БаЗ узнаванию только нескольких исходов, а учащиеся должны обучить систему узнаванию всех оставшихся исходов.
3. Модификация БаЗ. На этом этапе работы с обученной БаЗ ставится задача изучения работоспособности системы, выявления лишних переменных, удаления их из базы и проведения ее последующего переобучения.
4. Добавление к БаЗ новых объектов. При добавлении к БаЗ новых объектов (исходов) выясняется, достаточно ли существующих в исходной базе характерных признаков (переменных) для узнавания нового объекта или же необходимо дополнить этот список новой(ми) переменными.
Экспертные обучающие системы, технология создания которых была рассмотрена выше, призваны, в отличие от традиционных тестов, «интеллектуализировать» диагностику знаний, где обучающийся не выбирает правильный ответ из предлагающихся вариантов, а последовательно отвечает на ряд вопросов системы. Успех обучения зависит от квалификации эксперта (преподавателя), который в каждом случае контроля знаний должен грамотно построить узлы системы, сформулировать в них вопросы (переменные), ответы (исходы) и обучить полученную систему, то есть сформировать соответствующую базу знаний.
Мы считаем, что таким образом организованная и функционирующая ЭОС обладает большими методическими возможностями для усвоения, систематизации и контроля знаний по различным учебным дисциплинам.
2. Нейронные сети
В настоящее время существует два основных направления реализации нейронных сетей. К первому из них относятся специализированные компьютеры, которые получили название нейрокомпьютеры или нейроЭВМ (например, Synapse, NeuroMatrix). Второе направление основано на использовании нейросетевых программных продуктов, которые включают в себя нейропакеты общего назначения. Нейропакеты решают задачи в диалоговом режиме с пользователем. Сюда относятся такие пакеты, как BrainMaker Professional, NeuroForecaster, Deductor Academic и др. Каждый нейропакет моделирует работу нейроЭВМ, то есть является эмулятором нейронной сети. Входные и выходные данные представляются в программе в числовом и символьном видах. Все эти данные имеют текстовый формат и могут быть созданы и отредактированы в текстовом редакторе типа «Блокнот».
Пакет Deductor Academic, который является свободно распространяемым ПО для учебных целей, позволяет решать задачу построения различных видов нейросетей на основе имеющихся в нем инструментов, называемых «Мастер обработки». В режиме Мастера обработки Deductor Academic способен сконструировать нейронную сеть с заданной структурой, определить ее параметры (число скрытых слоев и количества нейронов в каждом слое) и обучить полученную сеть с помощью одного из доступных в системе алгоритмов обучения. В результате строится эмулятор нейронной сети, с помощью которого можно решать различного рода задачи, включая кластеризацию (классификацию) объектов из различных предметных областей.
В режиме обучения сети следует задать входные и выходные параметры, которые и формируют обучающую выборку. Как правило, они задаются в виде двумерной таблицы со столбцами-входами и строками-выходами. Обучающая выборка позволяет нейросети находить зависимости выходных параметров от входных. После обучения на вход сети подаются некоторые значения (даже те, на которых нейросеть не обучалась). Для этого используется визуализатор «Что-если».
Рассмотрим этот процесс на примере классификации программного обеспечения ЭВМ, как это было сделано нами для экспертных систем. Проиллюстрируем работу Deductor Academic на примере создания нейросети «Виды ПО».
Первоначально создается таблица, в столбцах которой перечисляется список всех атрибутов (входные данные), а в строках - перечень объектов распознавания (выходные данные), которая с помощью редактора «Блокнот» импортируется в Deductor Academic. В качестве входного параметра выбираются признаки объектов, а выходного - узнаваемый объект. Построенная при этом таблица может быть обработана с помощью различных Мастеров обработки, из которых, на наш взгляд, для решения рассматриваемой задачи классификации объектов эффективными являются «Дерево решений» и «Кластеризация».
1. «Дерево решений». С помощью мастера «Дерево решений» решаются вопросы определения принадлежности какого-либо объекта, представленного строкой в наборе данных, к одному из существующих классов. Поэтому данный мастер является, по существу, своего рода классификатором, полученным из обучающего множества, содержащего объекты (выходы) и их характерные признаки (входы), в процессе обучения.
При построении нейросети с помощью инструмента «Дерево решений» сначала в главном меню мастеров обработки выбирается «Дерево решений», а затем задаются назначения столбцов данных. В нашем примере входными значениями сделаем тип «Атрибуты ПО ЭВМ», выходным -«Виды ПО» (см. рис. 6).
1^1 Мастер обработки - Дерево решений (2 из 3}
Настройка назначений столбцов
Задайте назначения исходных столбцов данных
И
m
Цр] Создает БЗ
Создает презентации IVi] Процедурный язык Операторный язык Низкий уровень языка Поддерживает работу сети Решает магематические задачи Надстройка над Pascal (Vi] Сетевая надстройка над MS DOS ^>Видь: ПО
ггг
Настройка нормализации...
Имя столбца Тип данных Назначение Вид данных
C0L2Ü
Строковый Выходное
Неиспользуемое Входное
Уникальные значеь о.. Выходное Кол-во уникальных I
, i ¡Информационное
ASSEMBLER BASIC DELPHI MATHCAD MS ACCESS MS DOS
□
Рис. 6. Настройка назначений столбцов
В качестве способов отображения (визуализация) данных выберем подпункты пункта Data Mining: дерево решений, правила вывода, значимость атрибутов и инструмент «Что-если» (см. рис. 7).
Название Описание
0 р' Data Mining >
S3J] Дерево решений Отображение дерева решений в виде дерева
S? Правила Отображение списка правил дерева решений
v* Значимость атрибуте Отображение значимости ¿ттрибутсз
К Т аблица сопряженности Результаты построения модели в виде таблицы сопряженности Ï
* Что-если Анализ построенной модели по принципу что-если
0 Г" Т айличньге данные
Рис. 7. Выбор способа отображения нейронной сети
Визуализатор «Дерево решений» позволяет увидеть, как на основе алгоритмической структуры «если-то-иначе» система осуществляет классификацию объектов (см. рис. 8)
Визуализатор «Значимость атрибутов» показывает, какие атрибуты значимы при проведении классификации объектов (см. рис. 9).
Рис. 8. Дерево решений
Рис. 9. Значимость атрибутов сети «Виды ПО»
Как видно, для решения задачи достаточно 13 атрибутов, однако для целей обучения следует оставить их все, чтобы получить полную картину о свойствах распознаваемых объектов.
Визуализатор «Что-если» позволяет работать с обученной нейронной сетью, придавая значения «да» и «нет» узнаваемым объектам (см. рис. 10).
Поле Значение э Внсдные
ab Создает папки нег
аЬ Загружается автоматически нет
аЬ Многозадачный режим работы нег
аЬ Графический интерфейс да
а!) Создает исполняемые файлы да
аЬ Создает программы да
ab Производит трансляцию да
аЬ Создает тексты нет
all Создает БД нег
аЬ Создает графику нет
а!) Создает БЗ нег
аЬ Создает презентации нет
all Процедурный язык да
аЬ Операторный язык да аЬ Низкий уровень языка
аЬ Поддерживает работу сети нвГ-
а!) Решает математические задачи нег
аЬ Надстройка над Pasca! да aíi Сетевая надстройка над MS DOS нег Выходные
all Виды ПО DELPHI
Рис. 10. Распознавание объектов по их свойствам
2. Кластеризация. Пакет Deductor Academic имеет в своем распоряжении Мастер обработки «Кластеризация». Этот мастер обработки позволяет при решении задач указанного типа изменить подход для получения результатов обучения сети с помощью визуализатора «Что-если». Сеть можно настроить так, что атрибуты становятся выходными значениями, а выходной параметр - входным (см. рис. 11).
Рис. 11. Назначение столбцов при кластеризации
В этом случае получается рабочий инструмент, который позволяет, выбирая вид ПО, получить его атрибуты, то есть характерные признаки объекта (см. рис. 12).
Поле
Э Видные
i!) Виды ПО ф Выходные
л!) Создает папки ah Загружается автоматически ah Многозадачный режим работы ah Графический интерфейс ah Создает исполняемые Файлы ah Создает программы ah Производит трансляцию ah Создает тексты ab Создает £Д а!) Создает графику ab Создает £3 а!) Создает презентации лЬ Процедурный язык ah Операторный язык лЬ Низший уровень языка ah Поддерживает работу сети ah Решает математические задачи ah Надстройка над Pascal ah Сегевая надстройка над MS DOS
Значение
DELPHI
нет
нет
нет
да
нет
нет
нет
нег
нет
да
нет
нег
нет
нет
нет
нег
нет
нет
нет
ASSEMBLER BASIC
MAlniiAD MS ACCESS MS DOS MS EXSEL MS POWER POINT MS WORD PAINT PASCAL PROLOG VISUAL BASIC WINDOWS NT WINDOWS 3.1 WINDOWS XP
Рис. 12. Значение атрибутов выбираемых объектов
Как и для ЭОС, нейронные сети также могут быть использованы для целей обучения в различных формах.
1. Работа с созданной и обученной НС. Эта форма работы используется для контроля знаний, когда учащемуся дается задание получить на все выходные объекты. Это производится с помощью инструмента «Что-если».
2. Обучение НС. В этом случае учащийся после загрузки исходной таблицы проверяет правильность построения сети по узнаванию всех объектов и производит ее корректировку в случае наличия неправильных ответов. Можно также частично обучить НС и предложить учащимся получить безошибочные ответы путем ввода достаточного числа обучающих примеров.
3. Модификация НС. На этом этапе работы с готовой НС ставится задача изучения работоспособности сети, выявления с помощью инструмента «Значимость атрибутов» лишних атрибутов, удаления их из базы и проведения ее последующего обучения.
4. Добавление к НС других объектов. При добавлении к сети новых объектов происходит проверка ее работоспособности. Выясняется, достаточно ли существующих в исходной таблице атрибутов для узнавания нового объекта или же необходимо дополнить этот список новой(ми) атрибутами.
5. Образование новой НС. При создании новой НС предварительно продумывается список всех характерных признаков и объектов, создается исходная таблица данных, которая затем экспортируется в Deductor Academic, конструируется архитектура НС и производится ее обучение. Все эти этапы создают у учащихся целостную картину работы с нейронными сетями.
Вывод
Рассмотренные нами два способа (с помощью экспертных систем и нейронных сетей) решения задач идентификации объектов, несмотря на их внешнее различие, имеют и много общего. Оба они предполагают составление списков входных данных (переменных) и выходных (исходов). У обоих способов создается база знаний (система правил), базирующаяся на весовых коэффициентах. Оба проходят этап обучения, однако на этом этапе и наблюдаются существенные отличия. Так, обучение нейронной сети производится нейроэмулятором Deductor Academic после ввода обучающей выборки. В экспертных же системах, как отмечалось выше, после ввода примеров и получения системы правил чаще всего приходится их улучшать путем дополнительного дообучивания.
Есть еще одно характерное отличие ЭОС от нейронной сети. Как уже отмечалось, экспертная система может быть многоузловой, что обуславливается многоуровневой классификацией объектов. В рассматриваемом нами примере идентифицируемая компьютерная программа сначала в первом узле соотносится по своим признакам с системным, прикладным ПО или системой программирования, а во втором -по переменным этого узла определяется название программы. Нейросеть, по определению, не имеет узлов, в ней задается только один список атрибутов, позволяющих сразу определить название узнаваемой программы. Этот список атрибутов может совпадать со списком переменных второго узла ЭОС, таким образом, нейросеть можно формально считать одноузловой экспертной системой.
В данной работе мы показали технологию использования двух подходов к искусственному интеллекту при решении задач распознавания объетов, что лежит в основе систематизации и контроля знаний в различных областях, в том числе и в предметной области «Информатика». Эти два вида программных сред (оболочка ЭОС и Deductor Academic) эффективно использовать совместно с целью оптимизации числа атрибутов (характерных признаков) распознаваемых объектов. Действительно, работая в среде ЭОС довольно трудно определить значимые и незначимые атрибуты (переменные). А инструмент дедуктора «Значимость атрибутов» позволяет легко определить лишние атрибуты (свойства объектов). При этом надо учитывать то обстоятельство, что ЭОС и нейросети ведут себя по-разному. Так, нейросеть может идентифицировать объект по отсутствию у него указанных свойств. И это логично, так как отсутствие у объекта какого-либо свойства есть его характеристика. А для ЭОС идентификация объекта обязательно требует наличия у него хотя бы одного характерного признака, т.к. такова особенность работы алгоритма, заложенного в ее оболочку.
Кроме того, нейронная сеть, созданная с помощью «Дерева решений», позволяет, в отличие от ЭОС, определить значимый набор свойств каждого узнаваемого объекта. Для этой цели применяется визуализатор «Правила». Следует заметить, что список признаков, входящих в соответствующее объекту правило, включает в себя не все свойства объектов, которые указаны в исходной таблице для построения нейронной сети. Сюда входят только те из них, которые позволяют сети отличить один объект от другого с учетом того, что они могут иметь одинаковые характерные признаки. А это позволяет с методической точки зрения обратить внимание обучаемых на важные (уникальные) свойства изучаемых объектов в той или иной предметной области.
Литература
1. Касторнов А.Ф. Нейрокомпьютинг - современный интеллектуальный инструмент познания // Ученые записки ИУО РАО. 2017. №1-2(61). С. 58-61.
2. Касторнов А.Ф., Касторнова В.А. Интеллектуальное тестирование знаний // Сборник трудов VIII Всероссийской научно-практической конференции «Информационные и педагогические технологии в современном образовательном учреждении». Череповец: ЧГУ, 2017. С. 14-17.
3. Нейлор К. Как построить свою экспертную систему / пер. с англ. М.: Энергоатомиздат, 1991. 286 с.
4. Применение и перспективы развития технологии модульного проектирования экспертных систем контроля знаний в сфере образования /
B.А. Касторнова, А.Е. Андреев, А.Ф. Касторнов, Г.Ю. Яламов // Управление образованием: теория и практика. 2016. №1(21). URL: http: //iuorao. ru//image s/j urnal/16_1 /Kastornova. pdf
5. Сердюкова Н.А., Сердюков В.И. Направления совершенствования компьютерных систем контроля знаний // Ученые записки ИУО РАО. 2017. №1-2(61). С. 147-150.
6. Сердюкова Н.А., Сердюков В.И., Глухова Л.В. Алгебраический подход к системному представлению знаний в интеллектуальной автоматизированной системе обучения и контроля // Вектор науки Тольяттинского государственного университета. 2015. №3-2(33-2). С. 328-335.
7. Шихнабиева Т.Ш. Совершенствование системы контроля знаний с использованием интеллектуальных методов и моделей // Педагогическая информатика. 2017. №2. С. 60-69.
8. Шихнабиева Т.Ш., Рамазанова И.М. Описание логической структуры представления знаний в интегрированных интеллектуальных системах образовательного назначения // Педагогическая информатика. 2015. №3.
C. 59-63.
Kastornova Vasilina Anatolevna,
The Federal State Budget Scientific Institution
«Institute of Education Management of the Russian Academy of Education»,
the Leading Scientific Researcher, Candidate of Pedagogics, the Associate
professor,
kastornova_vasya@mail. ru
THE TECHNOLOGY OF PROGRAM ENVIRONMENTS OF INFORMATION AND EDUCATION SPACE OF THE SUBJECT
OF «COMPUTER SCIENCE» DURING THE CONTROL OF KNOWLEDGE
Annotation
The issues of the use of intellectual software during the systematization and the control of knowledge of the subject of «Computer science» are considered in the article. The features of application of the expert training systems and neural networks for the recognition of different types of the computer software on the basis of their characteristics (attributes) are studied. Keywords:
artificial intelligence; identification (recognition) of objects; the control of knowledge; the expert training system; neural network; an attribute; algorithms of training of expert systems and neural networks.
