Интеллектуальные информационные системы

Кафедра информатики и автоматизации научных исследований

Специальность: Прикладная информатика

Преподаватель: Басалин П.Д.

Практически в любой области своей деятельности человеку приходится сталкиваться с кругом задач (проблем), алгоритмы (сценарии) решения которых заранее не известны. Это проблемы трудноформализуемого и неформального (творческого, интеллектуального) плана, возникающие на различных этапах принятия решений при проектировании сложных объектов, контроле и управлении сложными системами, прогнозировании социальных, экономических и политических процессов, планировании финансовых операций и т.д.

Существенную помощь человеку в решении указанных и многих других проблем способна оказать надежная и гибкая система интеллектуальной поддержки, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что способна предложить «разумный» совет или осуществить «разумное» решение поставленной задачи. Такая система должна уметь рассуждать при сомнительных, неполных данных, объяснять ход своих рассуждений понятным пользователю способом,  самообучаться и адаптироваться к конкретным условиям применения.

Системы интеллектуальной поддержки могут использоваться в качестве автономных экспертных систем в предметных областях, для которых не существует функционально полных математических теорий описания объектов и моделей принятия решений (например, медицинская диагностика, поиск полезных ископаемых, обучение и т.д.). Анализ возникающих в них ситуаций осуществляется с использованием полученных эмпирическим путем знаний, отражающих связи и закономерности предметной области.

Неформальные задачи возникают и в предметных областях (например, проектирования сложных объектов, контроля и управления сложными системами, прогнозирования и многих других), проблемы математического описания которых в основном решены. Рабочие сценарии поиска и принятия решений в таких предметных областях складываются из формальных этапов обращения к стандартным программным процедурам определенного функционального назначения. Такие обращения, как правило, перемежаются с неформальными этапами оценки результатов выполнения очередной формальной процедуры и планирования следующих формальных действий. Ощутимую помощь в принятии решений на этих этапах можно получить от системы интеллектуальной поддержки, аккумулирующей в себе эмпирические знания о предметной области и способной их интерпретировать в конкретных условиях возникшей ситуации. Такая система может быть организована в виде интеллектуальной надстройки над прикладными программами, а может и интегрироваться с последними, придавая им интеллектуальность.

С точки зрения базовых принципов организации средств интеллектуальной поддержки, заслуживает внимания концепция системы, основанной на знаниях (СОЗ). Это система декларативного (не предписывающего) типа, предполагающая четкое отделение друг от друга базы знаний и механизма вывода, максимально обеспечивающая модульный принцип построения, открытость и возможность создания оболочек, настраиваемых через формализм базы знаний на различные предметные (проблемные) области.

Эмпирические знания, хранимые и накапливаемые в базе знаний СОЗ,  в сочетании с механизмом интерпретации этих знаний (механизмом вывода) могут быть эффективно использованы для генерации (в автоматическом режиме) рабочего сценария поиска и принятия решений, оставляя за ЛПР только функции контроля и вмешательства в процесс принятия решений в критических ситуациях.

Аналитический способ рассуждений СОЗ позволяет отслеживать логику принятия решений, но отличается громоздкостью и не всегда срабатывает в реальном масштабе времени. Компенсировать отмеченный недостаток позволяют нейросетевые технологии распознавания ситуаций. Обученная искусственная нейронная сеть реализует синтетический, образный подход к восприятию ситуации. Она обладает быстрой реакцией, но исключает при этом возможность логического обоснования принятого решения. Поэтому создание средств интеллектуальной поддержки процессов принятия решений целесообразно осуществлять на основе гибридных архитектур, сочетающих в себе базовые принципы концепции СОЗ и нейромодельного подхода к построению интеллектуальных информационных систем (ИИС).

Целями освоения дисциплины «Современные интеллектуальные информационные технологии»  являются:

  • получение знаний об основных принципах, моделях и методах интеллектуальной поддержки процессов принятия решений;
  • приобретение умений и практических навыков построения ИИС, базирующихся на концепции системы, основанной на знаниях (СОЗ), и нейросетевых технологиях принятия решений.

Данная дисциплина относится к базовой части общенаучного цикла ООП и изучается студентами 2-го курса магистратуры в 3-м семестре обучения.

Наряду с дисциплинами, дающими представление о базовых принципах организации и методологии проектирования традиционных  информационных систем (ИС) предписывающего типа, данная дисциплина расширяет это представление в направлении создания ИИС декларативного типа, базирующихся на концепции СОЗ и нейросетевых технологиях принятия решений.

Для освоения дисциплины необходимо знание основ математического анализа, алгебры и геометрии, теории вероятностей и математической статистики, дискретной математики, алгебры логики, методов оптимизации, физики.

В результате освоения дисциплины «Современные интеллектуальные информационные технологии» обучающийся должен:

Знать:

- основные понятия, связанные с концепцией СОЗ (интеллектуальная система, база знаний, механизм интерпретации знаний, подсистема объяснения, подсистема приобретения знаний, дедуктивный вывод, прямой и обратный вывод, индуктивный вывод и т.д.);

- основные формы представления знаний на инфологическом и концептуальном уровнях (граф решений; логические модели, основанные на исчислениях; продукционные модели; семантические сети; иерархические структуры фреймов);

- известные алгоритмы логического вывода на знаниях продукционного типа, стратегии управления выводом, а также возможные направления их развития;

- основные понятия, связанные с нейросетевым подходом к построению ИИС (искусственный нейрон, синаптические связи, веса синаптических связей, искусственная нейронная сеть (ИНС), обучение ИНС и т.д.);

- конкретные архитектуры нейронных сетей (многослойный персептрон, сеть Хопфилда, сеть Хемминга, RBF-сеть, самоорганизующаяся сеть Кохонена) и алгоритмы их обучения;

Уметь:

- проводить аналитическое обследование предметной (проблемной) области и осуществлять формализацию знаний с использованием известных форм их представления;

- решать проблему приобретения (извлечения) конкретных знаний;

Владеть:

-  базовыми принципами и методологией построения ИИС (САПР, АСУ, АОС и т.д.) как систем, основанных на знаниях (СОЗ);

- методологией применения ИНС в качестве средств интеллектуальной поддержки процессов принятия решений;

- базовыми принципами построения гибридных ИИС, сочетающих в себе концепцию СОЗ и нейросетевые технологии принятия решений.

Содержание

  1. Концепция интеллектуальной поддержки процессов принятия решений. Трудноформализуемые и неформальные этапы принятия решений. Цели и средства интеллектуальной поддержки процессов принятия решений.
  2. Модели и методы искусственного интеллекта в интеллектуальных информационных системах. Понятие информационной системы. Понятие интеллектуальной информационной системы (ИИС). Искусственный интеллект (ИИ) как научное направление. Восходящий и нисходящий методы построения систем искусственного интеллекта. Основные проблемы искусственного интеллекта как научного направления.
  3. Концепция системы, основанной на знаниях. Понятие экспертной системы (ЭС). Понятие системы, основанной на знаниях (СОЗ). Характерные особенности СОЗ. Области применения СОЗ. Критерии целесообразности создания и использования СОЗ. Автономная и неавтономная СОЗ. Оболочка СОЗ и ее основные компоненты: база знаний, механизм интерпретации знаний, подсистема объяснения, подсистема приобретения знаний, интеллектуальный интерфейс.
  4. Модели представления знаний. Данные и знания как категории информационного обеспечения задач. Базовые свойства знаний: внутренняя интерпретируемость, структурированность и связность, шкальная и ассоциативная упорядоченность, активность. Концептуальная модель представления знаний как интеллектуальная основа ИИС. Логические модели представления знаний. Сетевые модели представления знаний. Иерархические структуры фреймов как форма представления знаний. Представление знаний в виде набора продукционных правил.
  5. Построение базы знаний. Исследование и описание предметной области. Выбор модели представления и формализация знаний. Приобретение знаний. Представление знаний продукционного типа на инфологическом уровне в виде дерева (графа) решений.
  6. Механизмы интерпретации знаний. Формальный логический (достоверный) вывод как доказательство теоремы. Механическая процедура Ж.Эрбрана. Принцип резолюции Дж.Робинсона. Модификации методов резолюции: линейная резолюция, линейный упорядоченный вывод, семантическая резолюция, резолюция на хорновских дизъюнктах. Достоинства и недостатки формального логического вывода через доказательство теорем. СОЗ продукционного типа. Назначение и принципы реализации основных модулей. Стратегии и алгоритмы логического вывода на продукционных правилах: прямой вывод, обратный вывод, комбинированный (циклический) вывод, алгоритмы поиска в ширину и в глубину с применением различных критериев разрешения конфликтов. Подсистема объяснения в СОЗ продукционного типа. Приобретение знаний в СОЗ продукционного типа.
  7. Иллюстративный пример построения макетной СОЗ продукционного типа. Определение структуры информационного обеспечения системы. Построение алгоритма, реализующего прямую цепочку рассуждений на знаниях продукционного типа. Анализ алгоритма и исследование возможных путей его модернизации.
  8. Биологические основы нейромодельного подхода к построению интеллектуальных систем. Естественный нейрон как основная функциональная и структурная единица центральной нервной системы. Строение и функционирование нейрона. Взаимодействие нейронов.
  9. Концепция искусственной нейронной сети. Понятие искусственной нейронной сети (ИНС). Искусственный нейрон. Активационная функция нейрона. Виды активационных функций. Межнейронные связи. Синаптические веса связей. Обучение ИНС. Классификация ИНС по характеру входных сигналов, особенностям структуры и типу обучения.
  10. Конкретные архитектуры ИНС, обучаемых с супервизором. Персептроны: однослойный персептрон Розенблатта, многослойный персептрон. Правило обучения однослойного персептрона Розенблатта. Обучение многослойного персептрона с помощью алгоритма обратного распространения ошибки. RBF-сеть: структура, синтез и обучение RBF-сети. Сеть Хопфилда: структура, обучение и динамика функционирования. Сеть Хемминга: структура, правила определения весов межнейронных связей и динамика функционирования.
  11. Самоорганизующиеся ИНС. Сеть Кохонена: структура и механизмы ее самоорганизации (механизм конкуренции, механизм кооперации, механизм адаптации, эффект забывания). Сети адаптивного резонанса: структура и механизмы самоорганизации.
  12. Некоторые из приложений ИНС. ИНС в вычислительных системах. Структурный синтез цифровых автоматов в нейросетевом базисе. ИНС в системах автоматического управления.
  13. Гибридные средства интеллектуальной поддержки процессов принятия решений. Концепция гибридной системы интеллектуальной поддержки. Архитектура оболочки гибридной системы интеллектуальной поддержки.

Лабораторный практикум

  1. Модели представления знаний.
  2. Построение базы знаний.
  3. Механизмы интерпретации знаний.
  4. Построение макетной СОЗ продукционного типа.
  5. Архитектуры ИНС, обучаемых с супервизором.
  6. Самоорганизующиеся ИНС.
  7. Приложения ИНС.

Литература

а) основная литература

  1. Басалин П.Д., Безрук К.В., Радаева М.В. Модели и методы интеллектуальной поддержки процессов принятия решений: Учебное пособие. – Нижний Новгород: Нижегородский госуниверситет, 2011. – 129 с.
  2. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. — М.: Горячая линия — Телеком, 2007. — 284 с.
  3. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред. В.Н. Вагина, Д.А.Поспелова. — М.: ФИЗМАТЛИТ, 2004. — 704 с.
  4. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учебное пособие для вузов. — 2-е изд., перераб. и доп. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. — 400 с.
  5. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия – Телеком, 2001. — 382 с.
  6. Леви Р., Дранг Д., Эдельсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. — М.: Финансы и статистика, 1990. — 239 с.
  7. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. / Предисл. Г.С. Осипова. — М.: Финансы и статистика, 1990. — 320 с.
  8. Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. — М.: Издательский дом «Вильямс», 2008. — 1104 с.
  9. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. — СПб.: БХВ-Петербург, 2003. — 608 с.

б) дополнительная литература

  1. Басалин П.Д. Организация интеллектуальной обучающей среды с применением новых информационных технологий // Вестник ВГАВТ. Межвузовская серия «Моделирование и оптимизация сложных систем». – Н. Новгород, 2002. – С. 21—
  2. Басалин П.Д., Белокрылов П.Ю. Структурный синтез цифровых автоматов в нейросетевом базисе // Системы управления и информационные технологии. — — №3(29). — С. 44—48.
  3. Басалин П.Д., Белокрылов П.Ю., Згурский Д.С. Синтез схем произвольной комбинационной логики в нейросетевом базисе с применением метода имитации отжига // Вестник Нижегородского университета им. Н.И. Лобачевского. – — №5.— С. 126-130.
  4. П.Д.Басалин, К.В.Безрук. Средства интеллектуальной поддержки процессов проектирования и управления // Интеллектуальные системы: Труды Девятого международного симпозиума / Под ред. К.А. Пупкова. — М.: РУСАКИ, 2010. — С. 217—
  5. Батищев Д.И., Костюков В.Е., Старостин Н.В., Смирнов А.И. Популяционно-генетический подход к решению задач покрытия множества: Учебное пособие. — Н. Новгород: Изд-во ННГУ им. Н.И. Лобачевского, 2004. — 152 с.
  6. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Х.: ОСНОВА, 1997. — 112 с.
  7. Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР. — М.: Энергоатомиздат, 1991. — 136 с.
  8. Построение экспертных систем: Пер. с англ. / Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената. — М.: Мир, 1987. — 441 с.
  9. Хант Э. Искусственный интеллект: Пер. с англ. / Под ред. В.Л. Стефанюка. — М.: Мир, 1978. — 558 с.
  10. Экспертные системы. Принципы работы и примеры: Пер с англ. / Под ред. Р. Форсайта. — М.: Радио и связь, 1987. — 224 с.

Отчетность

  • Семестр 5: Экз