Бизнес-интеллект (Business Intelligence)

Агентство Gartner Group, занимающееся анализом рынков информационных технологий, в 1980-х годах ввело термин "Business Intelligence" (BI), деловой интеллект или бизнес-интеллект. Этот термин, предложен для описания различных концепций и методов, которые улучшают бизнес-решения путем использования систем поддержки принятия решений.

В 1996 году агентство уточнило определение данного термина.

Business Intelligence – программные средства, функционирующие в рамках предприятия и обеспечивающие функции доступа и анализа информации, которая находится в хранилище данных, а также обеспечивающие принятие правильных и обоснованных управленческих решений.

Понятие BI объединяет в себе различные средства и технологии анализа и обработки данных масштаба предприятия.

На основе этих средств создаются BI-системы, цель которых – повысить качество информации для принятия управленческих решений.

BI-системы также известны под названием Систем Поддержки Принятия Решений (СППР, DSS, Decision Support System). Эти системы превращают данные в информацию, на основе которой можно принимать решения, т.е. поддерживающую принятие решений.

Gartner Group определяет состав рынка систем Business Intelligence как набор программных продуктов следующих классов:

ü средства построения хранилищ данных (data warehousing, ХД);

ü системы оперативной аналитической обработки (OLAP);

ü информационно-аналитические системы (Enterprise Information Systems, EIS);

ü средства интеллектуального анализа данных (data mining);

ü инструменты для выполнения запросов и построения отчетов (query and reporting tools).

Классификация Gartner базируется на методе функциональных задач, где программные продукты каждого класса выполняют определенный набор функций или операций с использованием специальных технологий.

2.13. Информационная технология экспертных систем

2.13.1. Характеристика и назначение. Определения.

Решение специальных задач требует специальных знаний. Однако не каждая компания может себе позволить держать в своем штате экспертов по всем связанным с ее работой проблемам или даже приглашать их каждый раз, когда проблема возникла. Главная идея использования технологии экспертных систем заключается в том, чтобы получить от эксперта его знания и, загрузив их в память компьютера, использовать всякий раз, когда в этом возникнет необходимость. Это позволяет использовать знания и опыт специалистов высокой квалификации в данной предметной области специалистами менее высокой квалификации в той же предметной области при решении возникающих перед ними проблем.

Являясь одним из основных приложений искусственного интеллекта, экспертные системы представляют собой компьютерные программы, трансформирующие опыт экспертов в какой-либо области знаний в форму эвристических правил (эвристик). Эвристики не гарантируют получения оптимального результата с такой же уверенностью, как обычные алгоритмы, используемые для решения задач в рамках технологии поддержки принятия решений. Однако часто они дают в достаточной степени приемлемые решения для их практического использования. Все это делает возможным использовать технологию экспертных систем в качестве советующих систем.

Приведём несколько определений ЭС.

Экспертная система (ЭС, expert system) – программный продукт, использующий знания экспертов для высокоэффективного решения задач в интересующей пользователя предметной области.

Экспертная система — компьютерная программа, способная заменить специалиста-эксперта в решении проблемной ситуации.

Экспертная система – программа, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала.

Экспертная система – компьютерная система, использующая знания одного или нескольких экспертов, представленные в некотором формальном виде, а также логику принятия решения человеком-экспертом в трудно- или неформализуемых задачах. ЭС способна в сложной ситуации (при недостатке времени, информации или опыта) дать квалифицированную консультацию (совет, подсказку), помогающую специалисту или менеджеру принять обоснованное решение.

Экспертные системы — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.

Осознание полезности систем, которые могут копировать дорогостоящие или редко встречающиеся человеческие знания, привело к широкому внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века.

 

Преимущества экспертных систем перед человеком-экспертом:

· у них нет предубеждений и они устойчивы к различным помехам;

· они не делают поспешных выводов;

· эти системы выдают не первое нашедшееся, а оптимальное (по определенным критериям) решение;

· база знаний может быть очень и очень большой. Введенные в машину один раз, знания сохраняются навсегда. Человек же имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются.

 

2.13.2. Основные компоненты ЭС

На рисунке 2.11 изображена обобщенная структура экспертной системы.

Рис. 2.11. Обобщенная структура экспертной системы

 

База знаний (БЗ) предназначена для хранения экспертных знаний о предметной области, используемых при решении задач экспертной системой.

Чаще всего для представления знаний в ЭС используются системы продукций и семантические сети. Допустим, БЗ состоит из фактов и правил (если <посылка> то <заключение>). Если ЭС определяет, что посылка верна, то правило признается подходящим для данной консультации и оно запускается в действие. Запуск правила означает принятие заключения данного правила в качестве составной части процесса консультации.

База данных предназначена для временного хранения фактов или гипотез, являющихся промежуточными решениями или результатом общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диалог с экспертной системой.

Машина логического вывода - механизм рассуждений, оперирующий знаниями и данными с целью получения новых данных из знаний и других данных, имеющихся в рабочей памяти. Для этого обычно используется программно реализованный механизм дедуктивного логического вывода (какая-либо его разновидность) или механизм поиска решения в сети фреймов или семантической сети.

Машина логического вывода может реализовывать рассуждения в виде:

1. дедуктивного вывода (прямого, обратного, смешанного);

2. нечеткого вывода;

3. вероятностного вывода;

4. унификации (подобно тому, как это реализовано в Прологе);

5. поиска решения с разбиением на последовательность подзадач;

6. поиска решения с использованием стратегии разбиения пространства поиска с учетом уровней абстрагирования решения или понятий, с ними связанных;

7. монотонного или немонотонного рассуждения,

8. рассуждений с использованием механизма аргументации;

9. ассоциативного поиска с использованием нейронных сетей;

10. вывода с использованием механизма лингвистической переменной.

Подсистема общения (интерфейс пользователя) служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также для предоставления возможности пользователю в какой-то степени контролировать и корректировать ход рассуждений экспертной системы.

Подсистема объяснений объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Она необходима для того, чтобы дать возможность пользователю контролировать ход рассуждений и, может быть, учиться у экспертной системы. Если нет этой подсистемы, экспертная система выглядит для пользователя как "вещь в себе", решениям которой можно либо верить либо нет. Нормальный пользователь выбирает последнее, и такая ЭС не имеет перспектив для использования.

Подсистема приобретения знаний служит для корректировки и пополнения базы знаний. В простейшем случае это - интеллектуальный редактор базы знаний, в более сложных экспертных системах - средства для извлечения знаний из баз данных, неструктурированного текста, графической информации и т.д.

 

Среди инструментальных средств для создания ЭС наиболее популярны такие языки программирования, как LISP и PROLOG, а также экспертные системы-оболочки (ЭСО): KEE, CENTAUR, G2 и GDA, CLIPS, АТ_ТЕХНОЛОГИЯ, предоставляющие в распоряжение разработчика - инженера по знаниям широкий набор для комбинирования систем представления знаний, языков программирования, объектов и процедур

 

Сущность практически любой экспертной системы состоит в следующем. В базе знаний системы записан перечень возможных проблемных ситуаций, в соответствие с каждой из которых поставлен какой-либо ответ, совет или непосредственное действие. Программная оболочка системы, получив от пользователя информацию относительно реальной проблемной ситуации, должна однозначно определить ее соответствие одному или нескольким "клише" из записанных в базе знаний (или констатировать неизвестную ситуацию, если подходящего шаблона в базе не окажется). Информация "выведывается" у пользователя путем задавания ряда вопросов, причем, как правило, содержание последующих вопросов зависит от ответов на предыдущие. К примеру, если мы выяснили, что человек находится в Москве, бесполезно спрашивать, видит ли он Медного всадника.

То есть здесь понятие информации принимает свое "первозданное" значение - информация понимается как уменьшение неопределенности. Каждый новый кусочек информации, передаваемый в качестве ответа на вопрос, уменьшает неопределенность относительно проблемной ситуации. Разумеется, уменьшение неопределенности происходит только в том случае, если у экспертной системы есть соответствующие знания - но это уже другой вопрос. Правильно построенная система должна точно идентифицировать проблемную ситуацию, обходясь минимальным количеством вопросов.

В целом, экспертные системы могут функционировать на различных принципах. Одной из наиболее простых и общих является схема, при которой в систему заложен ряд правил (rules), позволяющих на основе известных фактов (facts) делать выводы относительно фактов пока неизвестных. Примерно это выглядит как "если факт1 и факт2, то факт3". Соответственно, для того чтобы делать выводы, экспертной системе нужны факты. Большинство из них берется из ответов пользователя, некоторые известны заранее, некоторые могут быть получены от баз данных и других приложений. И, наконец, все эти валы и шестеренки крутятся благодаря наличию двигателя в виде цели (goal).

Исходная цель требует от системы установить значение какого-либо факта (как правило, установление этого факта и означает полную идентификацию проблемной ситуации). Система, порывшись в списке правил, отыскивает те из них, которые позволяют установить этот факт на основе других фактов. Если эти интересующие систему факты неизвестны, то генерируется соответствующее количество новых целей - и так до тех пор, пока все необходимые факты не будут установлены.

 

2.13.3. Основные характеристики ЭС

· В ЭС знания отделены от данных, и мощность экспертной системы обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач.

· Решаемые ЭС задачи являются неформализованными или слабоформализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области.

· В основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма).

· Решения экспертных систем обладают "прозрачностью", т.е. могут быть объяснены пользователю на качественном уровне. Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях.

· Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом.

Обычно экспертные системы рассматриваются с точки зрения их применения в двух аспектах: для решения каких задач они могут быть использованы и в какой области деятельности. Эти два аспекта накладывают свой отпечаток на архитектуру экспертной системы.

Можно выделить следующие основные классы задач, решаемых экспертными системами:

· диагностика,

· прогнозирование,

· идентификация,

· управление,

· проектирование,

· мониторинг,

· планирование,

· обучение,

· поддержка принятия решений и др.

Наиболее широко встречающиеся области деятельности, где используются экспертные системы:

· медицина,

· вычислительная техника,

· военное дело,

· микроэлектроника,

· радиоэлектроника,

· юриспруденция,

· экономика,

· экология,

· геология (поиск полезных ископаемых),

· математика.

2.13.4. Примеры ЭС

Примеры широко известных и эффективно используемых (или использованных в свое время) экспертных систем:

· DENDRAL – ЭС, разработанная в Стэнфордском университете в середине 60-х годов для распознавания структуры сложных органических молекул по результатам их спектрального анализа (считается первой в мире экспертной системой). Система выводит молекулярную структуру химических веществ по данным масс-спектрометрии и ядерного магнитного резонанса.

· PROSPECTOR - разработана в Стэнфордском университете в 1974-1983 годах для оценки геологами потенциальной рудоносности района. Система содержит более 1000 правил и реализована на INTERLISP. Программа сравнивает наблюдения геологов с моделями разного рода залежей руд. Программа вовлекает геолога в диалог для извлечения дополнительной информации. В 1984 году она точно предсказала существование молибденового месторождения, оцененного в многомиллионную сумму.

· MYCIN - разработана в Стэнфордском университете в середине 70-х годов для диагностики и лечения инфекционных заболеваний крови. MYCIN в настоящее время используется для обучения врачей.

· MOLGEN - ЭС для выработки гипотез о структуре ДНК на основе экспериментов с ферментами,

· XCON - ЭС для конфигурирования (проектирования) вычислительных комплексов VAX-11 в корпорации DEC в соответствии с заказом покупателя;

· PUFF - ЭС диагностики легочных заболеваний;

· MACSYMA - ЭС для символьных преобразований алгебраических выражений;

· YES/MVS - ЭС для управления многозадачной операционной системой MVS больших ЭВМ корпорации IBM;

· DART - ЭС для диагностики больших НМД корпорации IBM;   

· POMME - ЭС для выдачи рекомендаций по уходу за яблоневым садом;

· набор экспертных систем для управления планированием, запуском и полетом космических аппаратов типа "челнок";

· ЭСПЛАН - ЭС для планирования производства на Бакинском нефтеперерабатывающем заводе;

· МОДИС - ЭС диагностики различных форм гипертонии.

 

2.14. Технологии управления знаниями

2.14.1. Двойственность понятия «управление знаниями»[26]

Понятие «управление знаниями» появилось в середине 90-ых годов в крупных корпорациях, для которых проблемы обработки информация приобрели особую остроту и стали критическими. При этом стало очевидным, что основным узким местом является работа (сохранение, поиск, тиражирование) со знаниями, накопленными специалистами компании, так как именно знания обеспечивают преимущество перед конкурентами. Обычно информации в компаниях накоплено даже больше, чем она способна оперативно обработать. При этом часто одна часть предприятия дублирует работу другой просто потому, что невозможно найти и использовать знания, находящиеся в соседних подразделениях.

Различные организации пытаются решать этот вопрос по-своему, но при этом каждая компания стремится увеличить эффективность обработки знаний.

 

Рис.2.12. Двойственность УЗ

 

Фактически «Управление знаниями» можно рассматривать и как новое направление в менеджменте, и как направление в информатике для поддержки процессов создания, распространения, обработки и использования знаний внутри предприятия (рис.2.12).

2.14.2. Системы управления знаниями

Новая концепция «управление знаниями» действительно помогает поменять взгляд на автоматизацию корпорации, так как акцент в ней ставится на ценность информации. Новизна концепции УЗ заключается в принципиально новой задаче – копить не только разрозненную информацию, бумаги, графики, файлы, но и знания, т.е. закономерности и принципы, позволяющие решать реальные производственные и бизнес-задачи. При этом в расчет берутся и те знания, которые «невидимы» – они хранятся в памяти специалистов, а не на материальных носителях.

Ресурсы знаний различаются в зависимости от отраслей индустрии и приложений, но, как правило, включают руководства, письма, новости, информацию о заказчиках, сведения о конкурентах и технологии, накопившиеся в процессе разработки.

Сами эти ресурсы могут находиться в различных местах: в базах данных, базах знаний, в картотечных блоках, у специалистов и могут быть рассредоточены по всему предприятию. Разнообразие информационных составляющих представлено на рис.2.13.

Традиционно проектировщики систем УЗ (СУЗ) ориентировались лишь на отдельные группы потребителей — главным образом, менеджеров. Более современные СУЗ спроектированы уже в расчете на целую организацию

Из-за этого разнообразия СУЗ вынуждены интегрировать разнообразные технологии:

· электронная почта и Интернет-ресурсы;

· системы управления базами данных (СУБД) и сами базы данных (БД);

· средства создания хранилищ данных (Data Warehousing);

· системы поддержки групповой работы;

· локальные корпоративные системы автоматизации;

· системы документооборота и workflow;

· порталы знаний, экспертные системы и др.

 

Рис. 2.13. “Цветок“ информационных составляющих

 

При этом ни одна из этих технологий (кроме последней) не включает «знания» в контексте интеллектуальных (экспертных) систем, т.е. баз знаний.

Нечеткость различий в понятиях «информация», «данные» и «знания» льет воду на мельницу спекуляций на эту тему. Если трактовать информацию, как общий термин для всех информационных ресурсов предприятия, то в реальности многие современные СУЗ занимаются проблемой организации только части информации, в основном документооборота в компании.

Фактически системы, позиционирующие себя как СУЗ – системы управления знаниями (Fulcrum, Documentum i4, Knowledge Station, etc.) реализуют лишь отдельные элементы вышеприведенного списка. Все они работают либо с неструктурированной информацией в форме документов, либо с данными.

Понятие «знания» трактуется в УЗ очень широко. Под знаниями можно скорее понимать информационно-знаниевые ресурсы.

В СУЗ знаниями называют все виды информации (они включают руководства, письма, новости, информацию о заказчиках, сведения о конкурентах и технологии, накопившиеся в процессе разработки), в то время как традиционно под знаниями понимаются закономерности предметной области, позволяющие специалистам решать свои задачи. Они получены в результате практического опыта или почерпнуты из литературы.

Знания могут быть явными и неявными.

Явные знания – объективно хранимые знания в форме явных лингвистических выражений и артефактов (документов, файлов, БД, сообщений эл. почты и т.д.).

Неявные знания – ментально хранимые знания индивидуумов и групп (хранятся в головах специалистов и экспертов).

 

Реально управление знаниями представляет собой систематический процесс создания и преобразования индивидуального и группового, научного и практического опыта таким образом, чтобы знания могли быть перенесены в процессы, услуги и продукты, предлагаемые организацией с тем, чтобы увеличивалась их общая стоимость, а соответственно и совокупная продуктивность организации[27].

Ключом к управлению знаниями является, таким образом, доставка нужных знаний нужным людям в пределах группы людей и организации в нужное для эффективной реализации бизнес-процессов время. По сути своей, смысл управления знаниями заключается в том, чтобы помочь людям лучше работать вместе, используя растущие ресурсы знаний и эффективно управляя ими. Результатом успешно работающей системы управления знаниями, как это уже отмечалось ранее, должна стать знающая, самообучающаяся и развивающаяся организация.

Достижение столь очевидной и кажущейся простой цели на практике сталкивается с рядом серьезных препятствий объективного характера. На пути эффективного накопления, распространения, совместного и повторного использования знаний возникает ряд естественных барьеров, схематически представленных на рис.

 

Рис. 2.14. Барьеры на пути совместной интеллектуальной деятельности

 

Прежде всего, это барьер существенных различий в объемах и уровнях знаний людей, который, по понятным причинам, носит латентный характер. За ним следует барьер готовности личностей и групп к совместной интеллектуальной деятельности. Серьезным препятствием является и коммуникационный барьер, без преодоления которого невозможен оперативный обмен и распространение разных форм и видов знаний даже в пределах группы, не говоря уже об организации в целом. Наконец, пространственно-географический барьер, вызванный взаимной удаленностью мест приложения труда в современных крупных вертикально или как-то иначе интегрированных компаниях, не говоря уже о транснациональных корпорациях.

Для преодоления перечисленных барьеров и достижения желаемых целей корпоративные СУЗ должны, очевидно, удовлетворять ряду требований, а именно:

· обеспечивать систематизированное описание, классификацию и агрегацию знаний;

· обеспечивать фиксацию и хранение явных и неявных знаний;

· обеспечивать накопление и обновление знаний, доступ к ним работников компании со своих рабочих мест;

· обеспечивать распространение знаний в соответствии с установленным регламентом (кому, что, когда) и по запросам;

· обеспечивать разведку знаний, семантический поиск и навигацию по знаниям;

· поддерживать в компании язык профессионального общения (состоящий из терминов, понятий, связей и отношений между ними, соединяющий с помощью метаописаний информационные ресурсы с понятиями онтологии (см. Модели представления знаний));

· поддерживать широкий спектр средств (среду) для профессионального общения и обмена знаниями между специалистами, экспертами, командами, проектными группами и сообществами по интересам;

· обеспечивать хранение и обновление профилей компетентности специалистов компании, поддерживать процессы экспертизы и консультирования;

· содействовать интенсификации процесса генерации новых идей, их апробации и использованию в бизнес-процессах;

· обеспечивать поддержку процесса принятия решений;

· система должна быть прозрачной для пользователей, то есть не должна создавать дополнительных трудностей во взаимодействии с СУЗ, отличных от взаимодействия с информационной системой компании.

СУЗ существенно отличается от ИС организации:

Предназначение ИС – эффективное хранение, обработка и предоставление пользователям по регламенту или запросу искомой информации.

Предназначение СУЗ – увеличение объема и повышение уровня использования знаний организации за счет их эффективного поиска и фильтрации, включения в коллективную память компании профессиональных знаний и опыта, в том числе хранящегося в головах специалистов.

Информационная система рассматривает специалиста как функционера, то есть как человека, выполняющего определенную функцию, которую она (система) обязана информационно обеспечить. СУЗ рассматривает специалиста как основной источник знаний, которому она (СУЗ) обязана оказывать помощь в предоставлении недостающих знаний, в использовании имеющихся знаний в процессе генерации идей и решении задач, а также в создании новых знаний.

То есть СУЗ должна быть тесно связана со специалистами организации и обеспечивать их всеми видами знаний, как имеющимися в организации, так и за ее пределами с помощью интеллектуального интерфейса к глобальным базам и банкам знаний. По сути, СУЗ должна предоставить сотрудникам организации возможность более быстрого и качественного выполнения их работы со знаниями в бизнес-процессах, в которых они участвуют в соответствии со своими обязанностями.

Новые, отличные от информационной системы, возможности в оперировании знаниями у СУЗ появляются главным образом потому, что она предоставляет специалистам компании широкий набор средств, эффективную среду для профессионального общения на более высоком уровне - на уровне моделирования бизнес-процессов с помощью теорий, концепций, достоверных знаниевых утверждений и представлений. Это достигается наличием в СУЗ языка профессионального общения, опирающегося на метаописания и онтологии предметных областей.

Ввиду относительной новизны проблематики, представления о структуре и составе элементов СУЗ не являются устоявшимся.

По одной из точек зрения СУЗ можно рассматривать как некоторую надстройку над современной ИС компании, развивающую ее функциональность не только в количественном, но и в качественном отношении.

Вариант архитектуры такой надстройки приведен на следующем рисунке.

Рис. 2.15. Концептуальная архитектура системы SEAL

 

2.14.3. Модели представления знаний[28]

Существует множество обстоятельств, которые затрудняют распространение и обмен знаниями между людьми, столь необходимыми для их систематического пополнения и накопления.

Но дело не только в том, что народы мира думают, говорят и пишут на разных языках. Многие проблемы в обмене и создании знаний связаны с неоднозначным или неадекватным восприятием смысла данных, информации, знаний различными участниками знаниевого процесса. Дело в том, что в цепи передачи знаний (рис. 2.16) отправитель и получатель знания зачастую пользуются различными представлениями, различной терминологией и понятийным аппаратом.

 

Рис. 2.16. Движение знаний между отправителем и получателем

 

Из-за различий в образовании и в предшествующем опыте они могут руководствоваться различными моделями деятельности и культурой мышления. Много неструктурированных и полуструктурированных информационных источников доступно в сети Web и на различных корпоративных порталах, основное содержание которых представлено на естественном языке в формате HTML. Эта информация не понимается Машиной, что приводит к множеству проблем при поиске необходимой информации.

Вследствие этих объективных обстоятельств весьма желательно, чтобы информация и знания были структурированы и описаны таким образом, чтобы получатель (пользователь) был способен понять и текст, и контекст (смысл) сообщения. В идеале, сообщение (знаниевая сущность) должна структурироваться таким образом, чтобы компьютер, а не только образованный человек был способен «понять» его. Под словом «понять» здесь имеется в виду, что компьютер будет способен обработать документ (знаниевую сущность) посредством использования известных ему правил с помощью некоторого логического языка, а также будет способен вывести новые факты и знания из данного документа.

Описанием знаний уже достаточно давно занимается такая дисциплина, как «Искусственный интеллект» (ИИ), а также такие ее разделы, как «Представление знаний» и «Инженерия знаний». Учитывая, что ИИ занимается работой со знаниями с 50-х годов, в данной дисциплине накоплен достаточно большой опыт в области представления (моделирования) знаний. В вопросе описания знаний дисциплина «Управления знаниями» имеет общие интересы с ИИ. У них общий объект исследования - знания, но цели его исследования в этих дисциплинах разные.

Цель ИИ заключается в создании моделей и методов работы со знаниями, которые позволят их использовать без участия (или почти без участия) человека. Например, в [Люггер Д.Ф., 2003] дается следующее определение: «ИИ можно определить как область компьютерной науки, занимающейся автоматизацией разумного поведения».

Целью УЗ является организация эффективной работы со знаниями (повышение эффективности процессов преобразования знаний на пред­приятии, создание, сбор, накопление, распространение, использование), при этом использование знаний выполняет человек, сотрудник органи­зации. УЗ направлено на повышение эффективности создания, хранения и использования знаний, но не на замену человека компьютером. На­оборот, в УЗ считается, что единственным источником новых знаний и основным их потребителем является человек (специалист).

В настоящее время существуют и развиваются разные методы пред­ставления и описания знаний, например, такие, как: продукционные модели, семантические сети, фреймы, онтологии.

Продукционная модельили модель, основанная на правилах, позволя­ет представлять знания в виде предположения типа «if - then»: если (ус­ловие), то (действие). Под «условием» понимается некоторое предложе­ние - образец, по которому осуществляется поиск в базе знаний, а под «действием» - выполняемые в результате успешного поиска действия.

Продукционные модели чаще всего применяются в промышленных экспертных системах при фиксации совокупности правил поведения персонала в некотором множестве ситуаций.

Семантическая сетьозначает «смысловая» сеть, а, собственно, се­мантика - это наука, устанавливающая отношения между символами и объектами, которые они обозначают. Иначе говоря, семантика - это наука, определяющая смысл знаков [Люггер Д.Ф., 2003].

По своей структуре семантическая сеть - это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними. Харак­терной особенностью семантических сетей является наличие трех типов отношений:

• отношение класс - элемент класса;

• отношение свойство - значение свойства;

• отношение фрагмент - элемент класса.

Чаще всего в семантических сетях используются следующие отно­шения:

• связи типа часть - целое (например, элемент - класс);

• функциональные связи (определяются глаголами типа «произво­дит», «влияет»...);

• количественные отношения (больше, меньше, равно);

• пространственные отношения (далеко от, близко от...);

• временные отношения (раньше, позже, в течение ...);

• атрибутивные связи (иметь свойство, иметь значение);

• логические связи (И, ИЛИ, НЕ);

• лингвистические связи и др.

На рис. 2.17 показана семантическая сеть, графически представляющая базу знаний о птицах и самолетах. Линии указывают на отношения между узлами, содержащими информацию. Например, глядя на рисунок, можно сказать, что узел “двигатель” связан с узлом “бензин” отношением “использует”, т.е. двигатель использует бензин.

Рис. 2.17. Семантичекая сеть, отражающая взаимоотношения между атрибутами птицы и самолета

 

Термин фрейм (от английского frame, что означает «каркас» или «рамка») был предложен Марвином Минским, одним из пионеров ИИ, в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование.

Фрейм – это абстрактный образ для представления некоторого стереотипа восприятия.

В психологии и философии известно понятие абстрактного образа. Например, произнесение вслух слова «комната» порождает у слушающих образ комнаты: «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, пло­щадью 6-20 м²». Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть «дырки» или «слоты» — это незаполненные значения некоторых атрибутов — например, количество окон, цвет стен, высота потолка, покрытие пола и др.

В теории фреймов такой образ комнаты называется фреймом комнаты. Фреймом также называется и формализованная, модель для отображения образа.

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фрей­мы-экземпляры, которые создаются для отображения реальных фактических си­туаций на основе поступающих данных. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

· фреймы-структуры, использующиеся для обозначения объектов и понятий (заем, залог, вексель);

· фреймы-роли (менеджер, кассир, клиент);

· фреймы-сценарии (банкротство, собрание акционеров, празднование име­нин);

· фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

 

Традиционно структура фрейма может быть представлена как список свойств:

(ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

…

(имя N - ro слота: значение N - ro слота)).

Ту же запись можно представить в виде таблицы, дополнив ее двумя столбцами.

Таблица 2.1. Структура фрейма

Имя фрейма
Имя слота	Значение слота	Способ получения значения	Присоединенная процедура

В таблице дополнительные столбцы предназначены для описания способа полу­чения слотом его значения и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма, так образуются сети фреймов. Существует несколько способов получения слотом значений во фрейме-экзем­пляре:

• по умолчанию от фрейма-образца (Default-значение);

• через наследование свойств от фрейма, указанного в слоте АКО;

• по формуле, указанной в слоте;

• через присоединенную процедуру;

• явно из диалога с пользователем;

• из базы данных.

Важнейшим свойством теории фреймов является заимствование из теории се­мантических сетей — так называемое наследование свойств. И во фреймах, и в се­мантических сетях наследование происходит по АКО-связям (A- Kind- Of= это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, то есть переносятся, значения аналогичных слотов.

Например, в сети фреймов на следующем рисунке понятие «ученик» наследует свойства фреймов «ребенок» и «человек», которые находятся на более высоком уровне иерархии. Так, на вопрос «любят ли ученики сладкое» следует ответ «да», так как этим свойством облада­ют все дети, что указано во фрейме «ребенок». Наследование свойств может быть час­тичным, так как возраст для учеников не наследуется из фрейма «ребенок», поскольку указан явно в своем собственном фрейме.

2019-11-21

299

Обсуждений (0)

Бизнес-интеллект (Business Intelligence) 0.00 из 5.00 0 оценок

Скачать документ

---

Обсуждение в статье: Бизнес-интеллект (Business Intelligence)

Обсуждений еще не было, будьте первым... ↓↓↓

Имя * Email (необязательно) Комментарий * Отправить сообщение

Популярное:

Как построить свою речь (словесное оформление): При подготовке публичного выступления перед оратором возникает вопрос, как лучше словесно оформить свою...

Личность ребенка как объект и субъект в образовательной технологии: В настоящее время в России идет становление новой системы образования, ориентированного на вхождение...

Почему в редких случаях у отдельных людей появляются атавизмы?

Почему двоичная система счисления так распространена?: Каждая цифра должна быть как-то представлена на физическом носителе...