Информационные технологии на базе концепции искусственного интеллекта

В чем различие, между " четкой" (Crisp Logic) и " нечеткой" (Fuzzy Logic) логикой"? В четкой логике ожидаемое следствие всегда однозначно следует заявленной посылке, если заданы четкие правила выполнения условия — например, " если А, то Б", или, " если А и Б, то В". Когда логика нечеткая, границы выполнения условия не определены или определены нечётко: " если А, то в промежутке времени [Т1, Т2] Б может быть много больше В, а может быть почти равно В" — всё зависит от начальных и текущих условий, которые могут быстро измениться даже внутри зафиксированного промежутка времени [Т1, Т2].

Алгоритмы для анализа таких ситуаций реализуют, как правило, сценарные варианты развития ситуации с оценкой риска каждого варианта. Соответственно, ИС в таком случае, помимо стандартных функций сбора, хранения и передачи данных, должна содержать модули, реализующие обработку и многовариантный анализ информации. Поскольку развитие бизнес-ситуации может определяться несколькими параметрами, и модели, описывающие такие ситуации, редко бывают линейными, то реальная задача чаще всего сводится к задачам многофакторного оценивания и нелинейной оптимизации.

В связи с этим, аналитические модули ИС поддержки принятия решения (Decision Support System — DSS), экспертных систем (Expert Information System — EIS), систем поддержки исполнения решения (Executive Support System — ESS), диагностических систем (Diagnostic Information System — DIS), систем распознавания изображений (Image Recognition System — IRS), а также поисковых систем (Searching System) обычно строятся с использованием принципов, называемых " принципами искусственного интеллекта".

Искусственный интеллект (Artificial Intelligence) можно определить, как " совокупность теоретических методов и физических вычислительных устройств, задача которых состоит в воссоздание разумных рассуждений и действий, имеющих целью достижение ожидаемого или нового результата".

В настоящее время в области исследования искусственного интеллекта сложились два основных направления:

· семиотическое (символьное) — моделирование высокоуровневых процессов мышления человека, основанное на представлении знаковых систем и использовании знаний;

· нейрокибернетическое (нейросетевое) — моделировании отдельных низкоуровневых структур мозга (нейронов) и алгоритмов их работы.

Отсюда следует, что научный аспект проблемы искусственного интеллекта касается попыток объяснения его работы и исследует возможность построения общих алгоритмов его функционирования. Прикладной аспект ИИ включает компьютерное решение разнообразных задач, не имеющих явного алгоритмического решения, или многовариантных задач типа " А что если…", то есть задачи с нечеткими целями и нечеткой логикой. При этом используются " человеческие" способы решения таких задач, то есть имитирование ситуации, когда такую задачу решает человек.

В 50-х годах ХХ века появились работы Винера, Ньюэлла, Саймана и Шоу, исследовавших суть процессов решения различных задач. Результатами явились алгоритмы и компьютерные программы " Логик-теоретик", предназначенная для доказательства теорем в исчислении высказываний, и " Общий решатель задач". Эти работы положили начало первому этапу исследований в области искусственного интеллекта, связанному с разработкой алгоритмов и программ для решения задач на основе применения разнообразных эвристических методов. В отличие от алгоритмических методов, позволяющих проводить формальную верификацию правильности, эвристические методы решения задачи рассматриваются как свойственные человеческому мышлению вообще, для которого характерно возникновение интуитивных догадок о пути решения задачи.

Таким образом, общей задачей использования искусственного интеллекта является построение компьютерной интеллектуальной системы, которая обладала бы уровнем эффективности решений неформализованных задач, сравнимым с человеческим или превосходящим его. На Рис.41 показана функциональная структура такой системы.

В качестве высокоуровневого критерия интеллектуальности систем, разрабатываемых на основе технологии искуственного интеллекта, предложен мысленный эксперимент, известный как " тест Тьюринга", предложенный Аланом Тьюрингом в 1950 г. в статье " Вычислительные машины и разум" для проверки, является ли компьютер " разумным" в человеческом смысле слова.

Области применения методов искусственного интеллекта чрезвычайно широки:

· доказательства неформальных теорем и решение задач с нечеткой логикой;

· теория игр, исследование игровых ситуаций и возможности синтеза решений (теория и практика компьютерных шахмат);

· распознавание образов (символов, текстов, речи, изображений и т. д.) с целью поиска, обработки и адаптации;

· адаптивное программирование;

· имитация творческой деятельности — сочинение литературных текстов, стихов, музыки;

· обработка и трансформация данных на естественных языках, машинный перевод;

· машинное зрение, построение виртуальной реальности;

· обучающие и обучающиеся системы на базе нейросетей;

· управляющие системы и робототехника (автомобилестроение, авиация, космонавтика, человекоподобные многофункциональные роботы и многое другое);

· построение специализированных ИС для поддержки принятия решений в бизнесе.

Рис. 41. Функциональная структура использования системы искусственного интеллекта

Класс технологий и систем, созданных на базе таких принципов и предназначенных для поддержки принятия делового решения в условиях развивающейся неопределенности, стал широко применяться в бизнесе и получил название " системы интеллектуального анализа данных" (Business Intelligence — BI).

Впервые термин " Business Intelligence" был введен в обращение аналитиками Gartner в конце 1980-х годов, как " пользователецентрический процесс, который включает доступ к информации и её исследование, анализ, выработку интуиции и понимания, которые ведут к улучшенному и неформальному принятию решений". Позже, в 1996 году появилось уточнение — это инструменты для анализа данных, построения отчетов и запросов, которые могут помочь бизнес-пользователям преодолеть сложности с обработкой, интерпретацией и представлением данных для того, чтобы синтезировать из них значимую информацию. Эти инструменты в совокупности попадают в категорию, называемую " инструменты бизнес-интеллекта" (Business Intelligence Toolware).

Сегодня категории BI-продуктов включают: BI-инструменты и BI-приложения. BI-инструменты можно разделить на следующие виды:

· генераторы запросов и отчетов (Query/Report Generator — QRG);

· развитые BI-инструменты — прежде всего, инструменты оперативной аналитической обработки данных (Online Analytical Processing — OLAP);

· корпоративные BI-наборы (Enterprise BI Suites — EBIS) различной конфигурации, встраиваемые в ERP-системы;

· BI-платформы.

Многомерные OLAP-серверы, а также реляционные OLAP-механизмы являются BI-инструментами и инфраструктурой для BI-платформ, на базе которых разрабатываются разнообразные приложения с " заказными" пользовательскими интерфейсами. Указанные инструменты применяются для доступа к данным, их многомерного и многофакторного анализа и генерации отчетов по данным, которые чаще всего располагаются в различных витринах (оперативных складах), базах или хранилищах данных. В качестве примера BI-приложения можно указать ИС (подсистему) поддержки деятельности руководителя (Executive Support System — ESS).

BI-приложения обычно ориентированы на конкретные важные функции организации, такие как анализ тенденций рынка, анализ рисков, анализ и прогноз продаж, планирование бюджета и т.п. Они могут применяться и более широко — для построения систем сбалансированных показателей (Balanced Scorecard System) или для управления эффективностью предприятия в целом (Enterprise Perfomance Management). На рисунке 42 показан пример общей корпоративной архитектуры BI-архитектуры.

Рис.42. Пример общей корпоративной BI-архитектуры

Методы и системы интеллектуального анализа данных, построенные на базе нейронных самообучающихся сетей, находят разнообразное применение при создании современных ИС. Это большой класс систем, архитектура которых имеет некоторую аналогию с построением нервной ткани из нейронов. В одной из наиболее распространенных архитектур — многослойном персептроне с обратным распространением ошибки — имитируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя.

На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать какие-то решения, прогнозировать развитие ситуации и т. д. Эти значения рассматриваются как сигналы, передающиеся в следующий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ — реакция всей сети на введенные значения входных параметров.

Для того чтобы сеть можно было применять в дальнейшем, ее прежде надо " натренировать" на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. " Тренировка" состоит в подборе весов межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам. На рисунке 43 приведена схема " интеллектуальной самообучающейся подсистемы", которая может быть использована в составе экспертной, диагностической, поисковой и прочих подобных систем.

Программа работы " запускает" набор начальных данных, граничных условий и приблизительное условие выхода из итерационной цепи. Эти параметры связаны с наборами известных ситуаций и известными решениями. Нейронная сеть анализирует данные, выявляет корреляции, а затем выбирает наборы наиболее вероятных решений. Этот набор образует начальную модель. Далее параметры варьируются и добавляются новые данные и правила, генерируемые с помощью бока эвристики. Когда перебор вероятных значений не приводит к улучшению модели, срабатывает условие выдачи окончательного прогноза.

В последнее время активно развиваются эволюционные алгоритмы, которые предполагают создание некоторые популяции программ, их обучение, мутации, скрещивание (обмен частями программ) и тестирование на выполнении целевой задачи. Программы, работающие лучше всего, выживают — и после множества поколений получается наиболее эффективная программа. Весьма эффективны методы создания интеллектуальных поисковых и ИС с использованием технологий активных агентов (Multi Agent System), которые действуют в информационном пространстве, интерпретируя поставленную задачу в зависимости от условий и результатов поиска. Под агентом понимается программная или программо-аппаратная сущность, способная действовать в интересах достижения целей, поставленных перед ним пользователем.

Рис.43. Схема интеллектуальной самообучающейся подсистемы

Уровень интеллектуальности агента можно оценить как его способность использовать " старые" и строить " новые" знания для выполнения поставленной задачи в заранее неизвестных ему ситуациях и проблемных областях, где оцениваемый агент применяется как активный решатель задач. На рисунке 44 представлена схема система интеллектуальной поддержки принятия решения на основе технологии мультиагентных систем.

Рис.44. Схема интеллектуальной системы поддержки принятия решения (DSS) на основе технологии мультиагентных систем (начало)

Рис.45. Схема интеллектуальной системы поддержки принятия решения (DSS) на основе технологии мультиагентных систем (продолжение)

Первые проекты по моделированию на компьютере реалий человеческого мозга отчетливо показали перспективы этого направления. Так, амбициозная цель проекта " IBM Blue Brain" — научиться к 2012 году модельно симулировать работу той части мозга, которая отвечает за восприятие, моторные функции, пространственное воображение, язык и сознание. По количеству элементов и скорости вычислений человеческий мозг пока ещё впереди, но если и дальше будет действовать закон Мура, то недолго осталось до того времени, когда способности искусственного интеллекта сравняются с возможностями человеческого мозга (подробнее про теорию и технологии мультиагентых систем будет рассказано в следующей главе).