close

Вход

Забыли?

вход по аккаунту

?

Osipov 0E699251DB

код для вставкиСкачать
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное
образовательное учреждение высшего образования
САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ
С. А. Яковлев, Л. А. Осипов
ДИАЛОГОВЫЕ СРЕДСТВА
ИНТЕЛЛЕКТУАЛИЗАЦИИ
ИНФОРМАЦИОННЫХ СИСТЕМ
Учебное пособие
Санкт-Петербург
2017
УДК 004.5
ББК 32.973.26 = 018.2
Я47
Рецензенты:
доктор технических наук, профессор М. О. Колбанев;
доктор технических наук, профессор П. И. Падерно
Утверждено
редакционно-издательским советом университета
в качестве учебного пособия
Яковлев, С. А.
Я47 Диалоговые средства интеллектуализации информационных систем: учеб. пособие / С. А. Яковлев, Л. А. Осипов. –
СПб.: ГУАП, 2017. – 121 с., ил.
ISBN 978-5-8088-1184-3
Даны основные понятия и определения предметной области «искусственный интеллект», подробно рассмотрены аспекты диалога в интеллектуализации процессов принятия решений в информационных
системах управления; представлены диалоговые системы с интеллектуальным интерфейсом, обсуждается проблема интеллектуализации
пользовательских интерфейсов информационных систем, продемонстрированы интеллектуальные технологии в информационно-управляющих системах различных уровней, включая корпоративные информационные системы и системы автоматического управления.
Предназначено для студентов вузов, обучающихся по направлению
подготовки бакалавров «Информационные системы и технологии»
(09.03.02), а также для специалистов, занимающихся проблемами организации диалога в информационных системах поддержки принятия
решений при управлении сложными техническими системами.
УДК 004.5
ББК 32.973.26 = 018.2
ISBN 978-5-8088-1184-3
©
©
Яковлев С. А., Осипов Л. А., 2017
Санкт-Петербургский государственный
университет аэрокосмического
приборостроения (ГУАП), 2017
ПРЕДИСЛОВИЕ
Современный этап развития человечества отличается тем, что на
смену веку энергетики приходит век информатики. Новые информационные технологии (ИТ) интенсивно внедряются во все сферы
человеческой деятельности. Появляется реальная проблема перехода в информационное общество, для которого приоритетным должно стать развитие инженерного образования.
Поэтому дисциплины, связанные с интеллектуализацией информационных систем и технологий (ИСТ), стали одними из основных в структуре подготовки бакалавров по направлению высшего
образования «Информационные системы и технологии».
Учебное пособие «Диалоговые средства интеллектуализации информационных систем» соответствует профессиональным компетенциям ФГОС ВО по направлению подготовки 09.03.02 – «Информационные системы и технологии».
Авторы благодарны профессору кафедры информационных систем и технологий Санкт-Петербургского государственного экономического университета, доктору технических наук М. О. Колбаневу и
профессору кафедры информационных систем Санкт-Петербургского
государственного электротехнического университета ЛЭТИ, доктору
технических наук П. И. Падерно за ценные замечания, сделанные
при рецензировании рукописи учебного пособия.
3
СПИСОК СОКРАЩЕНИЙ
АРМ – автоматизированное рабочее место
АСУ – автоматизированная система управления
АСУТП – АСУ технологическими процессами
БД – база данных
БЗ – база знаний
ГА – генетический алгоритм
ЕЯ – естественный язык
ИАД – интеллектуальный анализ данных
ИАС – информационно-аналитическая система
ИЕ – информационная единица
ИИ – искусственный интеллект
ИИС – интеллектуальная информационная система
ИНС – искусственная нейронная сеть
ИС – информационная система
ИСППР – интеллектуальная система поддержки принятия решений
ИСТ – информационные системы и технологии
ИСУ – информационные системы управления
ИУС – информационно-управляющая система
ИТ – информационная технология
КИС – корпоративная информационная система
ЛПР – лицо, принимающее решение
МАИ – метод анализа иерархий
МАС – метод аналитических сетей
ОС – операционная система
ПО – программное обеспечение
ППР – поддержка принятия решений
ПрО – предметная область
РМВ – реальный масштаб времени
САО – система автоматизации офиса
САПР – система автоматизации проектирования
САУ – система автоматического управления
СОЗ – система, основанная на знаниях
СППР – система поддержки принятия решений
СУБД – система управления базой данных
СЦ – ситуационный центр
ТАС – текстово-аналитическая система
ЭВ – эволюционные вычисления
ЭВМ – электронно-вычислительная машина
ЭС – экспертная система
ЯПЗ – язык представления знаний
4
AI – Artificial Intelligence
BI – Business Intelligence
CAD – Computer Aided Design
CAE – Computer Aided Engineering
CAM – Computer Aided Manufacturing
CASE – Computer Aided Software Engineering
CRM – Customer Relationship Management
CS – Communication System
DM – Data Mining
DTD – Document Type Definition
DSS – Decision Support Systems
EIS – Execution Information System
ERP – Enterprise Resource Planning
IPDI – Increasing Precision with Decreasing Intelligence
HOLAP – Hybrid OLAP
HRM – Human Resources Management
KDD – Knowledge Discovery in Databases
OLAP – Online Analytical Processing
OLTP – Online Transactions Processing
MOLAP – Multidimensional OLAP
MRP – Material Requirements Planning
MTU – Master Terminal Unit
ROLAP – Relational OLAP
RTU – Remote Terminal Unit
SCADA – Supervisory Control and Data Acquisition
SCM – Supply Chain Management
SILK – Speech, Image, Language, Knowledge
WIMP – Windows, Icons, Menus, Point-and-click
W3C – World Wide Web Consortium
WWW – World Wide Web
XML – Extensible Markup Language
5
ВВЕДЕНИЕ
Диалог в интеллектуализации процессов принятия решений
в информационных системах управления
В самом общем случае интеллектуализация процессов принятия
решений предполагает наделение существующих информационноуправляющих систем (ИУС) следующими дополнительными способностями:
– планирование цепочки событий от текущего состояния к желаемому результату при заданной общесистемной цели функционирования;
– оценка информации по степени существенности и соответствующая ее сортировка при заданных критериях отбора информации;
– поиск управленческих решений в условиях недостаточности или
нечеткости информации при использовании заданных «эвристик»
и опыта экспертов предметной области (ПрО);
– оценка эффективности полученных управленческих решений
с указанием конкретных условий достижения данного эффекта;
– изменение стратегии функционирования системы с переменой
характера решаемых задач;
– реализация диалога с лицом, принимающим решение (ЛПР)
[1, 3, 10].
Под интеллектуальной ИУС понимается человеко-машинная
система, реализующая эффективное взаимодействие специалиста ПрО с автоматизированной информационно-вычислительной
системой.
Рано говорить о том, что интеллектуальные информационные
системы (ИИС) в буквальном смысле принимают решения. Эти системы предлагают управленческие решения на основе имеющихся
знаний в базе знаний (БЗ, от англ. Data Knowledge) и фактов в базе
данных (БД, от англ. Data Base). В процессе взаимодействия с системой ЛПР может либо полностью принять или отвергнуть предложенное ею решение, либо по своему усмотрению скорректировать
его. То есть ответственность за принятие решения всегда несет конкретное ЛПР.
Характерной особенностью объектов управления ИИС является
то, что не все цели выбора управляющих решений и условий, влияющих на этот выбор, могут быть выражены в виде количественных
соотношений. При этом отсутствует либо является неприемлемо
сложным формализованное описание объекта управления. Кроме
того, значительная часть информации существует в форме пред6
ставлений и пожеланий специалистов – экспертов, имеющих опыт
работы с данным объектом конкретной ПрО.
Коротко рассмотрим основные понятия, такие как диалог и пользовательский интерфейс [2, 11, 19].
Д иа лог (греч. Δια λ ογος – разговор; первоначальное значение –
разговор, беседа) в обыденном смысле – литературная или театральная форма устного или письменного обмена высказываниями (репликами) между двумя и более людьми; вопрос одного и ответ другого. В философском и научных смыслах – специфическая форма и
организация общения, коммуникации.
Прежде чем говорить о диалоге, выясним, кто такой пользователь ИС, с которым реализуется диалог. Пользователь ИС
(англ. Information System User) – это лицо, группа лиц или организация, прибегающие к услугам ИС для получения необходимой им информации или решения других задач. Нужную информацию пользователи ищут самостоятельно или с помощью
посредников. Конечный пользователь (англ. End User) – это пользователь, не взаимодействующий непосредственно с системой, но
применяющий результат ее работы.
Рассмотрим основные вопросы ПрО «пользовательский интерфейс».
Взаимодействуя с устройствами вычислительной техники, реализующими информационную технологию (ИТ), пользователи словно разговаривают с ними, иными словами, ведут диалог. Реакция
электронно-вычислительной машины (ЭВМ) на запросы и команды
пользователей носит формальный характер, поэтому программисты,
создавая механизм взаимодействия пользователей с программой,
формируют наборы различных окон, форм, меню, активных кнопок,
пиктограмм, справочных систем и т. п.
В совокупности перечисленные инструменты образуют интерфейс
программы – внешний вид ее отдельных элементов и видов на экране
компьютера. Поскольку в различных программах используется много однотипных ситуаций и вариантов взаимодействия пользователей
с программами, возникает потребность стандартизировать их интерфейсы [11, 15, 22].
И н т ер ф ейс (англ. Interface) в широком смысле – это определенная стандартами граница между взаимодействующими
независимыми объектами. Интерфейс задает параметры, процедуры и характеристики взаимодействия объектов, а также
определяет:
1) язык пользователя;
7
2) язык сообщений компьютера, организующий диалог на экране дисплея;
3) знания пользователя.
Язык пользователя – это действия, которые пользователь производит при работе с ИС с помощью клавиатуры, пишущих на экране
электронных карандашей, джойстика, мыши, подаваемых голосом
команд и т. п.
Наиболее простая форма языка пользователя – это создание
форм входных и выходных документов. Получив входную форму
(документ), пользователь вносит в нее необходимые данные и вводит в компьютер. Система поддержки принятия решений (СППР, от
англ. Decision Support System, DSS) производит необходимый анализ и выдает результаты в виде выходного документа установленной формы.
Язык сообщений – это то, что пользователь видит на экране дисплея (символы, графика, цвет); это данные, полученные на принтере; звуковые выходные сигналы и т. п.
Важным измерителем эффективности используемого интерфейса является выбранная форма диалога между пользователем и ИС.
Наиболее распространены следующие формы диалога:
– запросно-ответный режим,
– командный режим,
– режим меню,
– режим заполнения пропусков в выражениях, предлагаемых
компьютером.
Каждая из перечисленных форм диалога в зависимости от типа
задачи, особенностей пользователя и принимаемого решения имеет
достоинства и недостатки.
Долгое время единственной реализацией языка сообщений был
отпечатанный или выведенный на экран дисплея отчет или сообщение. Теперь представление выходных данных осуществляется с помощью машинной графики. Она позволяет создавать на экране и бумаге цветные графические изображения в двух- и трехмерном виде.
Машинная графика значительно повышает наглядность и интерпретацию выходных данных, она все чаще используется в ИТ поддержки принятия решений (ППР).
Знания пользователя – это сведения, которыми он должен владеть. К ним относятся не только план действий пользователя, но и
информация из учебников, инструкций, а также справочные данные, выдаваемые компьютером.
8
Совершенствование пользовательского интерфейса ИС определяется успехами в развитии каждой из трех названных составляющих. Интерфейс должен обладать следующими возможностями:
– манипулировать различными формами диалога, изменяя их
в процессе принятия решения по выбору пользователя;
– передавать данные ИС различными способами;
– получать данные от различных устройств ИС в различном формате;
– гибко поддерживать (оказывать помощь по запросу, подсказывать) знания пользователя.
На теоретическом уровне интерфейс обладает тремя основными
составляющими:
– способ общения машины с человеком-оператором;
– способ общения человека-оператора с машиной;
– способ пользовательского представления интерфейса.
Важнейшая задача интерфейса – формирование у пользователя
ИС одинаковой реакции на одинаковые действия приложений, их
согласованность.
Интерфейс пользователя предназначен для просмотра на экране
монитора предлагаемых ему данных, ввода информации и команд
в ИС и проведения различных манипуляций с ней. Главная задача
проектирования интерфейса пользователя заключается в том, чтобы разработать систему взаимодействия равноправных партнеров:
человека-оператора и программно-технического комплекса.
Пользовательский интерфейс, или интерфейс пользователя (англ. User Interface), в ИТ – это элементы и компоненты программы, которые влияют на взаимодействие пользователя с программным обеспечением (ПО).
Пользовательский интерфейс означает среду и метод общения
человека с компьютером (совокупность приемов взаимодействия
с компьютером). Интерфейс часто отождествляется с диалогом,
подобным диалогу или взаимодействию между двумя людьми. Он
включает правила представления информации на экране и правила
интерактивной технологии, например правила реагирования человека-оператора на то, что представлено на экране.
Диалог (человеко-машинный диалог) представляет собой последовательность запросов пользователя, ответов на них компьютера и
наоборот (запрос пользователя, ответ и запрос компьютера, окончательное действие компьютера и др.). Он осуществляется путем взаимодействия пользователя с компьютером в процессе выполнения
каких-либо действий.
9
Пользователь выполняет конкретные действия (команды, процедуры), которые являются частью диалога. Эти диалоговые действия не
всегда требуют от компьютера обработки информации. Они могут быть
необходимы для организации перехода от одной панели к другой или от
одного приложения к другому, если работает несколько приложений.
Пользовательский интерфейс реализуется операционной системой (ОС) и иным ПО. Операционные системы осуществляют как командный, так и иные виды интерфейса. Командный интерфейс предполагает выведение на экран приглашения для ввода команды.
Диалоговые действия контролируют, что происходит с информацией, которую пользователи распечатывают на конкретном устройстве, следует ли ее сохранить или запомнить при переходе пользователя к другой панели приложения или другим процедурам. Когда пользователи возвращаются к диалогу, приложение аннулирует
или сохраняет любые изменения информации на панели. Если действия пользователя могут привести к потере определенной информации, программа рекомендует ему подтвердить следующее:
а) информацию не нужно сохранять;
б) необходимо сохранить информацию или аннулировать последний запрос и вернуться назад.
При работе с компьютером у пользователя формируется система
ожидания одинаковых реакций на одинаковые действия, что постоянно подкрепляет пользовательскую модель интерфейса.
Диалог в большей степени осуществляется с помощью форм
меню. Одним из важных элементов взаимодействия пользователей
с компьютером являются окна. Любое окно делится на три части.
Первая располагается вверху и содержит несколько строк (заголовок, меню, панель инструментов). С ее помощью осуществляется доступ к другим объектам и выполняются основные команды. Вторая
часть самая большая. Ее называют рабочей поверхностью, или рабочей областью. В ней отображаются объекты, которые вызываются
из меню или строки состояния, а также основная часть вызванной
пользователем программы. Третья часть (строка состояния) обычно
располагается внизу, но ее может и не быть.
Пользовательский интерфейс включает также программы обучения, справочный материал, возможность подстройки внешнего
вида программ и содержания меню под надобности пользователей
(индивидуальные настройки) и другие сервисы. Сюда же входят дизайн, пошаговые подсказки и визуальные реплики (использование
«Помощника», англ. «Help»).
10
Грамотно разработанный интерфейс пользователя ИС экономит
время пользователей и разработчиков. Пользователь тратит меньше
времени на изучение и использование системы, сокращается количество ошибок, появляются уверенность и ощущение комфорта. Разработчик может выделять общие блоки интерфейса, стандартизировать
отдельные элементы и правила взаимодействия с ними, сокращать
время проектирования системы. Эти блоки позволяют программистам создавать и изменять приложения более просто и быстро.
Главная задача проектирования интерфейса пользователя заключается не в том, чтобы рационально «вписать» человека в контур управления, а в том, чтобы, исходя из задач управления объектом, разработать систему взаимодействия двух равноправных
партнеров: человека и аппаратно-программного комплекса ИС, рационально управляющих объектом управления (организационноадминистративной системой или технологическим процессом).
Современный интерфейс пользователя – это графический интерфейс. Устройства графического ввода/вывода выполняют функции
обеспечения интерфейсного диалога компьютера с человеком при
вводе команд и запросов в систему, а также функции обеспечения
выполнения информационных процессов. Пользователю достаточно помнить минимальное количество информации командного, процессуального характера, чтобы оперативно принимать соответствующие решения. Для этого ему необходимо владеть алгоритмами
функционирования подсистемы «человек – техническое средство»
и обладать профессиональными навыками взаимодействия с ЭВМ.
Коротко остановимся на стандартах пользовательского интерфейса.
Поскольку разработчики ПО могут создавать различные интерфейсы, то принято использовать существующие рекомендации и
стандарты [7, 10, 12].
Стандарт в ИТ определяют как общепринятые требования,
предъявляемые к техническому, программному, информационному и иному обеспечению, которые дают возможность стыковки и совместной работы систем.
Различают следующие стандарты:
– де-юре (объявленные и принятые официально);
– де-факто (не оформленные в виде документа, но применяемые
на практике).
В области традиционного материального производства система
поддержки и согласования стандартов давно сложилась, а в области
ИТ многое еще предстоит сделать.
11
Популярное ПО не знает границ территорий и достаточно быстро
распространяется по всему миру. Поэтому на национальном, межкорпоративном и международном уровнях все чаще требуется использовать общие (унифицированные) международные стандарты.
Важно отметить активное использование сети Интернет при разработке стандартов, в которой принимают участие многие организации и специалисты из разных стран. Они используют следующие
возможности:
– организация телеконференций с дискуссиями по наиболее важным вопросам;
– проведение электронных голосований по утверждению проектов
стандартов на разных стадиях разработки вплоть до статуса международного стандарта;
– организация очных семинаров и конференций;
– создание полного электронного архива, доступного по сети.
Развитие ИТ связано с национальными и международными стандартами. Международные стандарты создаются на основе шести следующих принципов, определенных Всемирной торговой организацией (ВТО): открытость и прозрачность, непредвзятость и соблюдение
консенсуса, эффективность, целесообразность, согласованность, нацеленность на развитие.
В России создается отечественная нормативная база в области ИТ.
Для стандартизации ИТ, информационно-телекоммуникационных систем и проектирования ИС в стране создаются национальные стандарты
и другие нормативные документы. Они определяют фундаментальные
общие процедуры, положения и требования, которые могут быть использованы в различных ПрО деятельности. Этим занимаются специализированные организации: ВНИИстандарт, Гостехкомиссии России и др.
На международном уровне существует кооперация организаций,
разрабатывающих стандарты в области ИТ. Этими проблемами занимается Международная организация по стандартам (International
Standard Organization, ISO). Она разрабатывает общие для всех стандарты рекомендательного характера. Кроме того, подобные вопросы
рассматривают такие организации, как МЭК (Международная электротехническая комиссия) и МСЭ (Международный союз электросвязи).
В 1987 г. ISO и МЭК объединили свою деятельность по стандартизации в области ИТ и создали объединение ИСО/МЭК/СТК 1 «Информационные технологии». Основная его задача – разработка базовых стандартов ИТ вне зависимости от их конкретных применений
[10, 17, 19].
12
Информационные технологии ориентированы главным образом
на использование различных ИС. Большинство ИС всех классов и назначений строятся на основе технологии открытых систем. Внедрение принципов открытых систем в ИС базируется на стандартизации
ИТ, являющейся интеграционным механизмом и мощным средством
управления процессами развития информатизации [10, 14, 19].
Разработкой стандартов в области открытых систем занимаются
международные и национальные специализированные организации, к примеру ISOC (Общество Интернет), СЕN (Европейский комитет по стандартизации), IEEE (Институт инженеров по электротехнике и электронике), ЕCМА (Европейская ассоциация производителей
компьютеров), EWOS (Европейские рабочие группы по открытым системам), ЕТSI (Европейский институт по стандартизации в области
телекоммуникаций), NMF (Форум управления сетями) и др.
Началом современного этапа стандартизации описания продукции
и технологии можно считать появление в середине 1980-х гг. проекта
STEP (STandard for the Exchange of Product model data). Это семейство
стандартов для обеспечения универсального механизма обмена данными о продукции и технологии как между различными организациями, так и между разными этапами жизненного цикла продукции.
13
1. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
В ИНФОРМАЦИОННЫХ СППР
1.1. Основные понятия искусственного интеллекта
в ИУС
В процессе развития искусственного интеллекта (ИИ) были заложены основы новой технологии обработки информации. При этом
новая технология нашла воплощение в самых разнообразных приложениях, например в понимании естественного языка (ЕЯ), в экспертных системах (ЭС), при разработке ИИС, при распознавании образов, а также в других приложениях [1, 6, 11, 21, 22].
Для дальнейшего анализа новой ИТ рассмотрим традиционную
технологию решения задач:
– постановка задачи конечным пользователем;
– формализация и разработка программы задачи системным аналитиком и программистом без участия пользователя;
– необходимые корректировки, вносимые в постановку;
– оценка новых результатов.
Корректировку в программу вносят системный аналитик и программист. Часто это является более сложным процессом, чем разработка новой программы. Обычно корректировка программы связана с переменой производственной, экономической ситуации; с изменением взглядов группы пользователей на процесс эксплуатации
задачи; с неправильным пониманием создателями прикладного ПО
соответствующих требований конечного пользователя.
Сложная программная система обычно содержит ошибки, не выявленные на стадиях отладки и тестирования. Они могут быть внесены на любой стадии создания системы. Исправление ошибок – часть
обязательного сопровождения программной системы. Это также необходимо в связи с изменениями условий, в которых решается задача, что вызывается естественным развитием ПрО. Эти изменения требуется внести в программу. Как следствие, возникает необходимость
постоянного расширения функциональных возможностей системы.
При традиционной технологии решения задач прикладное ПО
сопровождается на протяжении всего его жизненного цикла. Для
процесса сопровождения в традиционной технологии требуется как
минимум такое же количество ресурсов, как и для разработки программы (число специалистов по ПО, обслуживающих потребности
пользователей, удваивается). Это обусловило необходимость модифицировать технологии использования компьютеров [10, 15, 19].
14
Сложившуюся ситуацию можно изменить только с помощью привлечения пользователей к процессам решения задач, сопровождения
программной системы и, возможно, даже разработки прикладного ПО.
Однако это требует коренного изменения принципов организации
прикладного ПО и методов его использования при решении задач,
сложившихся в рамках традиционных технологий. Прежде всего,
необходимо строить программные системы таким образом, чтобы радикально упростить процессы их эксплуатации и сопровождения.
Для того чтобы лучше понять характер затруднений пользователя при его взаимодействии с компьютером в процессе решения задач,
необходимо подчеркнуть, что программная система в традиционной
технологии решения обычно основывается на формальной модели
решения задачи. Это может быть модель исследования операций,
численный метод решения прикладного математического анализа,
некоторая модель данных и т. п. При этом, как правило, количество
понятий и терминов, в которых формулируется и описывается задача для применения программы, минимально и связано с математической моделью, а не с конкретной областью ее применения.
Следствием всего перечисленного является стремление к универсализации программных систем, т. е. к возможности использования такой системы в различных ПрО. В то же время каждая ПрО
характеризуется системой содержательных понятий (структурой
ПрО), которыми оперирует пользователь при решении задач.
Таким образом, в традиционной технологии обработки данных
системы понятий ПрО и формальной модели, положенной в основу
программы, как правило, не совпадают. Это различие и является
основной причиной затруднений, возникающих при взаимодействии пользователя с компьютером в процессе решения задачи.
Для применения программы пользователь должен перевести постановку задачи, выраженную в системе понятий ПрО, в постановку, выраженную в системе понятий формальной модели. Перевод из
одной системы понятий в другую называется интерпретацией. При
получении результатов решения задачи пользователь также должен
выполнить интерпретацию, обратную первой. Процесс интерпретации связан с рядом существенных объективных и субъективных
трудностей, которые увеличиваются с ростом объема, сложности и
универсальности программной среды.
Информационная технология ставит своей целью обеспечение
простоты процесса взаимодействия пользователя с компьютером
с исключением необходимости регулярного сопровождения. Основ15
ная идея ИТ, призванная разрешить проблемы интерпретации, заключается в том, чтобы рассматривать систему понятий ПрО и соответствие между ней и системой понятий формальной модели как
исходную информацию для решения прикладных задач.
В идеале подобный подход должен обеспечить пользователю возможность самостоятельного изменения системы понятий ПрО, определения новых понятий через известные системы. Пользователь получает возможность формирования своего видения ПрО, выделения
в ней объектов и взаимосвязей, важных для решения задачи и удобных для рассуждения в процессе решения.
Одна из главных целей разработчиков систем ИИ (например, ЭС) –
это изменение традиционных подходов к системе взаимодействия
человека и компьютера при реализации ППР в реальном масштабе
времени (РМВ), обеспечение удобства и комфорта пользователя, повышение эффективности взаимодействия таких систем.
Информационная технология основывается прежде всего на интеллектуальных технологиях и теории ИИ [3, 8, 15]. «Искусственный интеллект» – термин, охватывающий много определений. Ряд
специалистов придерживаются мнения, что ИИ соотносится с двумя базовыми идеями. Во-первых, ИИ вовлечен в процессы изучения
мыслительных процессов человека (для понимания, что представляет собой интеллект). Во-вторых, ИИ имеет дело с представлением
этих процессов через компьютеры.
Одно из определений ИИ звучит следующим образом: искусственный инт ел лект – это такое поведение машины, которое, если бы оно
совершалось человеком, могло бы быть названо умным, т. е. интеллектуальным.
Если исследовать значение термина «интеллектуальное поведение», то можно выделить различные способности, которые рассматриваются как признаки интеллекта:
– обучение или понимание из опыта;
– выявление смысла из двусмысленности или противоположных
сообщений;
– быстрый и адекватный отклик на новую ситуацию (разнообразные реакции, гибкость);
– использование рассуждений при решении проблем и эффективном направлении поведения;
– использование относительной важности различных элементов
в ситуации;
– мышление и рассуждение.
16
Таблица 1.1
Сравнение ИИ с традиционным программированием
Характеристика
Искусственный интеллект
Традиционное
программирование
Обработка
В основном символьная
В основном
алгоритмическая
Характер входной
информации
Может быть неполной
Должна быть полной
Поиск
Эвристический
(в большинстве)
Алгоритмический
Объяснение
Главный интерес
Обеспечивается
Знания
Обычно не обеспечивается
Данные, информация
Структура
Управление отделено
от знаний
Управление
интегрировано
с информацией (данными)
Характер выходной
информации
Может быть неполной
Должна быть правильной
Сопровождение
и модернизация
Легко осуществимы
Обычно затруднительны
Техническое
обеспечение
Рабочие станции
и компьютеры
Все типы
Способности
к рассуждению
Ограничены,
но улучшаются
Нет
Рассмотрим, чем ИИ и интеллектуальные технологии отличаются от традиционных вычислений. Традиционные компьютерные
программы основываются на алгоритме, который ясно определяет
последовательную процедуру для решения проблемы. Это может
быть математическая формула или последовательная процедура,
которая ведет к решению. Алгоритм преобразуется в компьютерную программу, которая только указывает компьютеру, какие операции выполнять. Кроме того, для решения проблемы алгоритм использует данные, такие как числа, буквы или слова.
Интеллектуальная технология и ПО ИИ основываются на символическом представлении и манипуляции. В ИИ символ – это буква,
слово или число, которые используются для представления объектов, процессов и их отношений. Объектами могут быть люди, идеи,
понятия, события или утверждения о фактах.
При использовании символов возможно создать БЗ, содержащую
информацию о фактах, понятиях и отношениях между ними. Ис17
пользуются различные процессы при манипулировании символами
для генерации советов или рекомендаций при решении задач.
Рассмотрим, каким образом ПО ИИ рассуждает и делает заключения на основе этой БЗ. Отправной точкой является поиск и сопоставление образцов. Получив первоначальную информацию, программа ИИ просматривает БЗ, осуществляя поиск специфических
условий или образцов. Она ищет подобия и соответствия, которые
отвечают установленному критерию решения задачи.
Несмотря на то, что решение задач при помощи ИИ не реализуется напрямую алгоритмически, алгоритмы используются для поиска.
Таким образом, ИИ – это в основном уникальный подход к программированию компьютеров, и только он должен рассматриваться. Можно использовать различные технологии, но система ИИ –
это компьютерная ИС, хотя и имеющая некоторые отличительные
характеристики (табл. 1.1).
Методы ИИ очень ценны и значимы, они помогают показать, как
мы думаем и как лучше использовать наш интеллект. Интеллектуальные технологии и методы ИИ могут облегчить использование
компьютеров и сделать доступными большие объемы знаний. Возможно, не имеет значения то, что мы не можем полностью дублировать человеческий мозг. Даже когда мы имитируем его функциональные части, мы получаем результаты, которые могут быть очень
полезны.
1.2. Искусственный интеллект в информационных СППР
Человек в своей практической деятельности вынужден постоянно принимать решения и действовать, чтобы получить желаемый
результат. В основе решений, принимаемых человеком, всегда лежат его опыт и знания. С возникновением математики появилась
возможность количественного обоснования решений. Компьютер
значительно ускорил этот процесс, и в ППР важную роль начали
играть математические модели. Это позволило принимать не просто
правильные, а оптимальные решения, в частности достигать желаемой цели с наименьшими затратами.
Знакомство с курсом математического моделирования (аналитического и имитационного) может создать неверное впечатление, что математические методы (математическое программирование, имитационные эксперименты и др.) способны решать любые проблемы в принятии решений. На самом деле в такой сфере
деятельности, как управление производством, где велика роль
18
человека, это далеко не так. Поведение человека не поддается количественному описанию полностью, он продолжает принимать
решения, в первую очередь руководствуясь своим опытом, знаниями. Более того, несмотря на существенное развитие экономико-математических методов, решения, принимаемые человеком,
зачастую оказываются более правильными, чем рекомендации
ЭВМ [3, 4, 16, 22].
Это объясняется, в частности, тем, что количественные математические модели не способны учесть многие качественные характеристики объекта моделирования, накопленного веками качественного опыта действий в той или иной ситуации. Поэтому принятие
решения остается прерогативой человека, а создаваемые формализованные методы и системы оказывают помощь и поддержку в принятии этих решений.
Осознание этого факта привело к имитации на математическом
языке способности человека анализировать с точки зрения ситуации качества, что позволило добавить к количественным математическим методам и моделям их качественные аналоги и тем самым
расширило возможности СППР, не выходя за их рамки.
Во второй половине XX в. были предприняты небезуспешные попытки создания систем ИИ. Такие системы должны были не только
уметь обрабатывать комбинации количественной и качественной
информации, но и каким-либо образом формализовать знания человека об окружающем мире либо свойственные человеку приемы
мышления, посредством которых он изучает окружающий мир и
подчиняет его своим интересам.
Интеллектуализация ИС поддержки принятия решений (ИСППР)
началась с математической логики и ее приложений, которые позволили анализировать достаточно сложные ситуации при помощи простейших характеристик: «да» и «нет». Позднее появились нечеткие
множества и нечеткая логика, позволившие существенно расширить
семантику качественных характеристик. Были созданы различные
системы моделирования знаний, на их основе разработаны БЗ и механизмы принятия решений, например, в виде следующего правила:
«Если ситуация такая, то действия должны быть такими».
В конечном счете были разработаны ЭС, имитирующие действия
и решения наиболее квалифицированных специалистов – экспертов.
В основе ЭС лежат знания, получаемые от экспертов, поэтому их также называют когнитивными системами (от лат. cognitio – познавание) или системами, основанными на знаниях (СОЗ) [2, 7, 22].
19
Существует другой подход к созданию систем ИИ, который называется структурным. Под ним подразумевается построение искусственных нейронных сетей (ИНС), которые имитируют деятельность человеческого мозга, образуя совокупность заимствованных
из нейрофизиологии моделей параллельных вычислительных
структур [7, 11, 12].
Третий подход реализуется в рамках эволюционного моделирования, к которому можно отнести генетические алгоритмы (ГА).
В основу эволюционных методов легло заложенное самой природой свойство живых организмов осуществлять правильный выбор,
в частности, на основе эволюционного отбора. Отметим, что ГА являются мощным универсальным средством решения задач глобальной оптимизации, с помощью которого выбираются если не оптимальные решения, то наиболее близкие к ним.
Отдельное направление – разработка систем, которые для решения задач используют сочетания различных методов ИИ: ЭС, ИНС,
ГА и нечеткой логики. Такие сочетания получили название гибридных интеллектуальных систем [2, 4, 5].
Прежде чем приступать к изучению систем, имитирующих свойства живых организмов разумно рассуждать и делать правильный
выбор (систем ИИ), важно понять, зачем они нужны, какие задачи
можно будет решать с их помощью и в чем заключается основная
идея получения решения. Для этого ознакомимся с идеологией и
примерами использования этих систем [3, 11, 14].
Начнем с уточнения терминологии. Термин Artificial Intelligence
(AI) впервые был предложен в 1956 г. В российской научной литературе он переведен как «искусственный интеллект». Английское
слово intelligence означает умение рассуждать разумно, а вовсе не интеллект, для которого есть термин intellect. Понятие «искусственный
интеллект» обычно истолковывается как способность автоматических систем выполнять отдельные разумные действия, свойственные
живым существам, прежде всего человеку. К примеру, выбирать и
принимать правильные решения на основе ранее полученного опыта
и (или) рационального анализа внешних воздействий.
Становление ИИ как науки тесно связано с деятельностью нескольких поколений ученых. Рассмотрим основные этапы развития
исследований в области ИИ:
– рождение ИИ (1943–1956),
– подъем ИИ (1956-й – конец 1960-х),
– открытие и разработка ЭС (начало 1970-х – середина 1980-х),
20
– возрождение ИНС (1965-й и далее),
– эволюционные вычисления – ЭВ (начало 1970-х и далее),
– нечеткие множества и нечеткая логика (середина 1960-х и далее),
– вычисления при помощи слов (конец 1980-х и далее) [3, 11, 14].
В процессе развития устройств и систем, которые проявляют интеллектуальные характеристики, вовлекаются различные науки и
технологии, такие как лингвистика, психология, философия, техническое и программное обеспечение компьютеров, механика и оптика.
Пересечение интересов психологии и ИИ сосредоточено в областях когнитологии и психолингвистики. Философия и ИИ сотрудничают в областях логики, философии языка и философии разума.
Взаимные пересечения между инженерией и ИИ включают обработку изображений, распознавание образов и робототехнику.
Позже свой вклад внесли менеджмент и теория организации
(принятие и реализация решений), химия, физика, статистика, математика, теория управления, эвристическое программирование,
корпоративные информационные системы (КИС).
Искусственный интеллект является наукой и технологией, а не
коммерческой сферой. Это совокупность понятий и идей, которые
предназначены для исследований. Однако ИИ обеспечивает научные основы для нескольких развивающихся коммерческих технологий. Главными прикладными технологиями ИИ являются ЭС,
интеллектуальные системы ППР, обработка ЕЯ, понимание речи,
нечеткая логика, робототехника и сенсорные системы, компьютерное зрение и распознавание образов (рис. 1.1).
Существующие на сегодняшний день системы ИИ используются
в медицинской диагностике, в интерпретации геологических данных, в научных исследованиях в области химии и биологии, в военном деле, в производстве, финансах и других сферах экономики.
Однако, несмотря на значительные успехи в области ИИ, пока еще
существует определенный разрыв между техническими разработками, программными средствами ИИ и возможностями их более
широкого практического применения, в частности в экономике.
Наиболее показательным сектором, аккумулирующим различные проблемные направления экономической области, является
управление промышленными предприятиями (корпорациями). Там
особенно хорошо видны преимущества использования систем ИИ
для решения как различных предметных задач, так и для управления интегрированной системой предприятия (корпорации) в целом,
т. е. создание КИС [9, 10].
21
Интеллектуальные
агенты
Обработка ЕЯ и
понимание речи
Нейронные
сети
Интеллектуальные
роботы
Интеллектуальный
наставник
Экспертные
системы
Автоматическое
программирование
Самообучение
машин
Генетические
алгоритмы
Нечеткая
логика
Компьютерное
зрение
Основные приложения ИИ
Искусственный
интеллект
(ИИ)
Дисциплины, являющиеся основой ИИ
Инженерия
Менеджмент
Математика
Лингвистика
Информационные
технологии
– социолингви- – робототехника – исследование – теория принятия
стика
– распознавание
– объектно-ориенопераций
решений
– вычислительобразов
– статистика – теория
тированное
ная лингвистика – обработка
– теория
программирование
организации
изображений
управления – ИС менеджмента – адаптивные
системы
Психология
– когнитология
– психолингвистика
Биология
Философия
– философия языка
и разума
– логика
Рис. 1.1. Дисциплины, на которых базируется ИИ, и его приложения
Существует множество доводов в пользу того, что системы ИИ могут и должны стать важнейшей составной частью в технологии создания современных КИС, базирующихся на ERP-системах [1, 6, 9].
Главная задача, стоящая перед предприятием, – это преодоление сложностей в управлении. Как известно, они возникают
тогда, когда приходится выбирать из множества возможных решений. Это может быть инженерный выбор решения (как про22
ектировать данное изделие), выбор расписания (как это изделие
производить) и т. д.
Данная проблема обостряется в случае гибких систем планирования материальных потребностей и систем планирования производственных ресурсов. Добавление гибкости приводит к увеличению числа альтернатив и, следовательно, возможных вариантов
производства изделий. Уже сегодня составление расписания этапов
производства изделий на жестком ПО представляет большие трудности. Усложнение конструкций изделий также приводит к увеличению трудоемкости проектирования.
Управление производством требует обработки большого объема
информации. Проблема получения информации от объектов, функционирующих в РМВ, в настоящее время решена. Но это породило
очередной вопрос: как уменьшить долю информации до уровня, который действительно необходим для ЛПР? Также следует отметить,
что потеря информации, поступающей от объектов, работающих
в РМВ, может существенно отразиться на конечном результате.
Нехватка времени на принятие решения – еще одна проблема,
которая проявляется по мере усложнения производства. Не менее
важна и проблема координации. Известно, что проектирование неразрывно связано с производством, распределением и вспомогательными областями. Если проектирование не оптимально по отношению к стадиям производства, складирования, распределения или
вспомогательному производству, то это может привести к тому, что
стоимость производства увеличится, а качество изделий снизится.
И, наконец, очень важный фактор – необходимость сохранения
и распределения знаний, полученных отдельными опытными экспертами в процессе многолетней работы. На сегодняшний день извлечение и распределение знаний – одна из главных задач производственных организаций.
Таким образом, происходит интеллектуализация информационных
систем управления и трансформация их в интеллектуальные системы
ППР, основной разновидностью которых являются ЭС. Это наиболее значимые и важные для экономики и бизнеса прикладные технологии ИИ.
Рассмотрим наиболее распространенные в настоящий момент
направления развития интеллектуальных систем и примеры их
практического применения.
Направление, связанное с экспертной оценкой. Одной из первых
попыток создания системы ИИ было моделирование накопленного
опыта в узкопрофессиональной ПрО. Опыт отображался в виде сово23
купности знаний, а вырабатываемое системой решение основывалось
на методах анализа этих знаний. Такие системы получили название
экспертные, поскольку в их формировании принимают участие наиболее знающие и опытные в данной ПрО специалисты – эксперты.
Экспертные системы, аккумулирующие знания множества специалистов-экспертов, способны вырабатывать наилучшие решения
задач по сравнению с решениями отдельных экспертов. Вопрос заключается лишь в одном: как наиболее адекватно отображать знания эксперта в памяти ЭВМ, как правильно анализировать эти знания и получать новые знания на основе анализа предыдущих?
Сегодняшнее состояние развития ЭС показывает, что специалисты в этой области сделали достаточно много, чтобы получить ответ
на поставленный вопрос. Современные ЭС нашли применение в самых разнообразных областях деятельности: управлении, медицине, технике, химии, физике, экономике и многих других [9].
Принято выделять ЭС первого поколения, действующие на основе некоторых знаний о ПрО, представленных, например, правилами
типа «если – то». Составлением этих правил для компьютера занимается человек, который, в свою очередь, в процессе работы также
использует некоторые правила, называемые метаправилами, или метазнаниями, т. е. знаниями о знаниях.
Следует отметить, что для работы с ЭС первого поколения от
пользователя требовалось знание алгоритмического языка, на котором написано ПО системы, что вызывало соответствующие трудности. В ЭС второго поколения для диалога используется уже не алгоритмический, а естественный язык (ЕЯ).
Формализация метазнаний приводит к появлению ЭС второго
поколения. Необходимо понимать, что составлением метазнаний
также занимаются люди (эксперты и инженеры по знаниям – когнитологи) в соответствии с некоторыми правилами еще более высокого уровня. Таким образом, формализация правил более высокого
уровня приводит к появлению ЭС старшего поколения, но при любом поколении ЭС определяющую роль играет человек.
Экспертные системы – это быстро прогрессирующее направление в области ИИ. Современные ЭС представляют собой сложные
программные комплексы, аккумулирующие знания специалистов
в конкретных ПрО и распространяющие этот эмпирический опыт
для консультирования менее квалифицированных пользователей.
Парадигма ЭС предполагает следующие объекты, а также этапы
разработки и функционирования ИС:
24
– формализация знаний – преобразование экспертом проблемного знания в форму, предписанную выбранной моделью представления знаний;
– формирование БЗ – вложение формализованных знаний в программную систему;
– дедукция – решение задачи логического вывода на основе БЗ.
Основные факторы, влияющие на целесообразность разработки ЭС:
– нехватка специалистов, затрачивающих значительное количество времени для оказания помощи другим людям;
– необходимость привлекать для выполнения небольшой задачи
многочисленного коллектива специалистов, поскольку ни один из
них не обладает достаточно полным знанием;
– сниженная производительность, поскольку задача требует полного анализа сложного набора условий, а специалист не в силах изучить за отведенное время все эти условия;
– большое расхождение между решениями самых хороших и самых плохих исполнителей;
– наличие экспертов, готовых поделиться своим опытом.
Сравнительные свойства прикладных задач, по наличию которых можно судить о целесообразности использования для их решения ЭС, приведены в табл. 1.2.
Таблица 1.2
Критерии применимости ЭС
Применимы ЭС
Не могут быть построены строгие
алгоритмы или процедуры,
но существуют эвристические
методы решения
Есть эксперты, способные решить
задачу
По своему характеру задачи
относятся к области диагностики,
интерпретации или прогнозирования
Доступные данные зашумлены
Задачи решаются методом формальных рассуждений
Знания статичны (неизменны)
Неприменимы ЭС
Имеются эффективные алгоритмические методы
Экспертов нет или их недостаточно
Задачи носят вычислительный
характер
Известны точные факты и строгие
процедуры
Задачи решаются процедурными
методами, с помощью аналогии
или интуитивно
Знания динамичны (меняются со
временем)
25
Недостатки ЭС перед человеком-экспертом:
– ЭС могут вызвать затруднения у пользователя, не имеющего
опыта работы с подобными системами;
– вопросно-ответный режим, обычно принятый в ЭС, замедляет
процесс получения решений;
– приведение знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию, все еще остается достаточно сложной задачей;
– ЭС не обладают интуицией и здравым смыслом, которые использует человек-эксперт при решении задач, если отсутствуют
формальные методы решения или аналоги таких задач.
Достоинства ЭС перед человеком-экспертом:
– у ЭС нет предубеждений, они не делают поспешных выводов;
– введенные в машину знания сохраняются, человек же имеет
ограниченную БЗ, и если данные долгое время не используются, то
они забываются и навсегда утрачиваются;
– результаты ЭС стабильны, а эксперт пользуется побочными
знаниями и легко поддается влиянию внешних факторов, которые
непосредственно не связаны с решаемой задачей.
Главное отличие ЭС от других программных средств – это наличие БЗ, в которой знания хранятся в форме, понятной специалистам ПрО, и могут быть изменены и дополнены также в понятной
форме. Это и есть языки представления знаний (ЯПЗ).
В России в разработку и исследования ЭС большой вклад внесли
труды Д. А. Поспелова (основателя Российской ассоциации ИИ и его
первого президента) и многих других ученых. В настоящее время
к разработкам в области ЭС в России все больше интереса проявляют специалисты из разных областей: менеджеры, инженеры, программисты и др. Наибольшие трудности в разработке ЭС вызывает
не процесс машинной реализации систем, а этап анализа знаний и
проектирования БЗ. Этим занимается специальная наука – инженерия знаний.
Экспертные системы имеют две категории пользователей и два
отдельных входа, соответствующих различным целям взаимодействия пользователей с ЭС. К первой категории относятся обычные
пользователи, которым требуется консультация ЭС. Во вторую категорию входят эксперты в ПрО и инженеры по знаниям. Их задачей является заполнение БЗ с помощью специализированной
диалоговой компоненты ЭС – подсистемы приобретения знаний,
предназначенной для добавления в БЗ новых правил и модифика26
ции уже имеющихся. Назначение этой компоненты – приведение
правила к виду, позволяющему подсистеме вывода применять его
в процессе работы.
В более сложных системах предусмотрены также средства для
проверки вводимых или модифицируемых правил на непротиворечивость имеющимся правилам. Диалог с ЭС осуществляется через
диалоговый процессор – специальную компоненту ЭС.
Существуют две основные формы диалога с ЭС: диалог на ограниченном подмножестве ЕЯ с использованием словаря (меню) и диалог на основе из нескольких возможных действий.
База знаний представляет собой наиболее важную компоненту
ЭС. В отличие от всех остальных компонент ЭС, БЗ – это переменная часть системы, она может пополняться и модифицироваться
инженерами по знаниям, а также в результате опыта использования ЭС между консультациями (в некоторых системах и в процессе
консультации).
Существует несколько способов представления знаний в ЭС. Общим
для всех способов является то, что знания представлены в символьной
форме (тексты, списки и другие символьные структуры). Таким образом, в ЭС реализуется принцип символьной природы рассуждений,
который заключается в том, что процесс рассуждения представляется
как последовательность символьных преобразований.
Подсистема вывода – программная компонента ЭС, реализующая процесс ее рассуждений на основе БЗ и рабочего множества.
Она выполняет две следующие функции:
1) просмотр существующих фактов из рабочего множества и правил из БЗ и добавление (по мере возможности) в рабочее множество
новых фактов;
2) определение порядка просмотра и применения правил.
Подсистема вывода управляет процессом консультации, сохраняет для пользователя информацию о полученных заключениях и запрашивает у него информацию, когда для срабатывания очередного
правила в рабочем множестве оказывается недостаточно данных.
Цель ЭС – вывести некоторый заданный факт, который называется целевым утверждением, и в результате применения правил добиться того, чтобы этот факт был включен в рабочее множество, либо
опровергнуть этот факт, т. е. убедиться, что вывести его невозможно.
Целевое утверждение либо заложено заранее в БЗ системы, либо
извлекается системой из диалога с пользователем. Работа ЭС представляет собой последовательность шагов, на каждом из которых из
27
базы выбирается некоторое правило, которое применяется к текущему содержимому рабочего множества. Цикл заканчивается, когда выведено либо опровергнуто целевое утверждение. Цикл работы
ЭС называется логическим выводом [9].
Научное направление «Мягкие вычисления». Для каждого научного направления важны результаты предшествующих исследований и перспективы предстоящих. В настоящее время, согласно
мнению научной общественности, ИИ не оправдал ожиданий: с помощью символьной обработки информации невозможно решить
прикладные задачи разнообразных ПрО, так как приложения насыщены расчетами.
Применение ИИ было успешным в основном в приложениях,
в которых сочетались символьная обработка информации и вычисления. С помощью вычислений определялись вспомогательные
функции в интеллектуальных задачах, обеспечивалась эффективность приложений, но их использование считалось неправильным
для ИИ, несмотря на то что именно вычислительные модели были
первыми интеллектуальными моделями, полученными в рамках
бионического направления [3, 5, 8].
Традиционные компьютерные вычисления слишком точны для
реального мира. Человечество столкнулось с проблемами, для решения которых невозможно получить полную информацию или
определение которых недостаточно полно. Такая ситуация характерна для сложных технических систем, систем экономического
планирования, систем жизни, социальных систем большой размерности и систем принятия решений.
Однако уже со второй половины XX в. благодаря развитию и совершенствованию так называемых нечетких и гибридных систем
невероятное стало реальностью. В настоящее время довольно обыденно воспринимаются «сверхинтеллектуальные» стиральные машины и бытовые автоматы, гиперзвуковые самолеты и самонаводящиеся ракеты и многое другое.
Математическую основу рассматриваемых систем составляют противоположные традиционным компьютерным вычислениям (Hard
Computing) мягкие вычисления (Soft Computing) – сложная компьютерная методология, компонентами которой являются:
– нечеткая логика (приближенные вычисления, грануляция информации, вычисление на словах);
– нейронные сети (обучение, адаптация, классификация, системное моделирование и идентификация);
28
– генетические алгоритмы (синтез, настройка и оптимизация
с помощью систематизированного случайного поиска и эволюции);
– вероятностные вычисления (управление неопределенностью,
сети доверия, хаотические системы, предсказание).
Перечисленные составные части не конкурируют между собой, а
создают эффект взаимного усиления для достижения низкой цены
решения и большего соответствия реальности.
Для формализации ПрО нечетких и гибридных систем наряду
с термином «мягкие вычисления» используют и другой интегрирующий термин – «вычислительный интеллект». В общем случае вычислительный интеллект – это целое научное направление, где решаются
задачи ИИ на основе теории нечетких систем, нейронных сетей и ЭВ.
Термин «мягкие вычисления» (англ. umbrella term), введенный
еще в 1994 г. американским ученым Л. Заде, интерпретируется следующей формулой:
Мягкие вычисления = Нечеткие системы + ИНС + ГА.
В обоснование формулы мягких вычислений приводятся свойства мягкой интеллектуальной системы, которые обеспечиваются
ее компонентами:
Мягкая ИС = Управление неопределенностью + Обучаемость +
+ Самоадаптация.
Выбранная терминология объясняется тем, что мягкие системы,
такие как нечеткие ИНС с генетической настройкой параметров,
демонстрируют взаимное усиление достоинств и нивелирование недостатков отдельных методов. Очевидно, что представление знаний
в ИНС в виде весовой матрицы не позволяет объяснить результаты
проведенного распознавания или прогнозирования, в то время как
в системах вывода на базе нечетких правил результаты воспринимаются как обратные протоколы вывода (ответы на вопрос: «Почему?»). Искусственные нейронные сети обучаются с помощью универсального алгоритма, т. е. трудоемкое извлечение знаний заменяется сбором достаточной по объему обучающей выборки.
Для нечетких систем вывода извлечение знаний включает в себя
сложные процессы формализации понятий, определение функций
принадлежности, формирование правил вывода. В то же время нечеткие ИНС обучаются как нейронные сети, но их результаты объясняются как в системах нечеткого вывода.
Увлечение символьной обработкой в течение 1970-х, 1980-х гг.
оставило почти не замеченным рождение и становление нового на29
учного направления – вычислительного интеллекта, решающего
задачи ИИ на основе теории нечетких систем, нейронных сетей и
эволюционного моделирования.
В 1990-е гг. были также разработаны различные варианты гибридных интеллектуальных систем.
Мягкие вычисления позволили объединить в единую технологию
управление неопределенностью, обучение и адаптацию. Сегодня созданы и используются в промышленности нейронечеткие контроллеры, разнообразные интеллектуальные системы. Пик теоретических
изысканий в области теории нечетких систем приходится на создание вычислений на словах, основанных на перцептивных оценках,
что обещает прояснить сложнейшие проблемы семантики ЕЯ.
Развитие теории нечетких систем. Публикация статьи Л. Заде
«Нечеткие множества» в 1965 г. положила начало развитию теории
нечетких систем в результате определения нового класса нечетких
множеств, т. е. множеств с неточно определенными границами,
описываемыми функциями принадлежности элементов.
Несмотря на то, что научная общественность встретила новую
идею настороженно, за публикацией последовал поток научных исследований. В 1970-е гг. были развиты понятия лингвистической
переменной. В 1978 г. Л. Заде предложил вариант исчисления неопределенностей, опирающийся на неаддитивную меру возможности, т. е. на интерпретацию нечеткого множества как функции
распределения возможностей. В 1979 г. он же предложил теорию
приближенных рассуждений [8, 11, 14].
Своевременно начатое практическое использование новой теории подтвердило правоту высказанных идей и породило поток прикладных исследований. Сегодня ведущие ИТ-компании разных
стран предлагают разнообразные товары и системы с использованием функций нечеткой логики (англ. Fuzzy Logic). В рекламе бытовой техники наличие подобной функциональности отмечается в качестве признака самой современной на сегодняшний день системы
управления устройством.
Развитие ИНС. Исследования восприятия на искусственных моделях нейронных сетей успешно проводились уже с 1940-х гг. У. МакКаллоком, У. Питтсом и Д. Хеббсом. Далее на базе разработанных
в 1980-х гг. Дж. Хопфилдом математических основ динамики нейронных сетей, созданной Т. Кохоненом методике их обучения и предложенного Д. Румельхартом алгоритма обратного распространения
ошибки начались прикладные исследования ИНС.
30
Искусственную нейронную сеть можно рассматривать в качестве
простых математических моделей мозгоподобных систем, функционирующих как параллельные распределенные вычислительные сети.
Однако, в противоположность компьютерам с архитектурой Дж. фон
Неймана, для решения специфических задач нейронные сети должны быть обучены или натренированы новым ассоциациям, функциональным зависимостям и образцам для распознавания. В отличие от
компьютеров, основанных на точных и быстрых арифметических операциях, биологические и ИНС обещают решение сложных частично
структурированных и неструктурированных проблем [8, 11, 14].
Изучение мозгоподобных структур велось в рамках разработки теории интеллектуальных систем. Начало ее было ознаменовано более
50 лет назад публикацией все тех же работ У. Мак-Каллока и У. Питтса
(1943) и продолжено позднее в знаменитой работе Д. Хеббса «Организация поведения» (1949).
В ранних работах по ИИ одни описывали структуру интеллектуальной системы, подобной мозгу, другие писали о том, интеллект –
это фундаментальное свойство символьной обработки данных на
компьютерах фоннеймановского типа (М. Минский, С. Пайперт).
По многим причинам в 1970 г. второй подход стал доминирующим,
но с 1980-х гг. сменился так называемым нейронным бумом в результате резко возросшего интереса к нейронным вычислениям.
Применение алгоритма обучения линейного однослойного перцептрона, предложенного Ф. Розенблатом, показало, что нейроподобные вычисления (англ. Brain-style Computation) эффективны для задач восприятия и распознавания. Однако из-за критики М. Минского и С. Пайперта (1969) сложилось мнение, что ИИ следует создавать на основе символьной обработки на компьютерах архитектуры Дж. фон Неймана.
Напомним, что перцептроном называют математическую модель
фрагмента нейронной системы головного мозга, воспринимающего
внешний объект. Первые перцептроны создавались как модель искусственного глаза. В настоящее время перцептрон представляет собой многослойную ИНС прямого распространения сигнала, способную к обучению.
В 1982 г. Дж. Хопфилд изложил математические основы динамики ИНС с обратными связями (нейронная сеть Хопфилда). В 1984 г.
Т. Кохонен предложил алгоритм обучения «без учителя» для самоорганизующихся карт. В 1986 г. Д. Румельхарт вывел алгоритм обратного распространения ошибки для нелинейных многослойных
ИНС [8, 11, 14].
31
Эволюционные вычисления – это обобщающий термин, используемый для описания компьютерных систем на основе вычислительных моделей эволюционных процессов в качестве базовых при разработке и эксплуатации. В основе моделирования лежит концепция
подражания эволюционным процессам отбора (селекции), мутации и
размножения (репродукции), которые определяются поведением индивидуумов в изменяющихся условиях окружающей среды.
Эволюционные вычисления создают популяции структур, которые
развиваются в соответствии с поисковыми операторами, называемыми правилами отбора, и генетическими операторами, представленными операциями рекомбинации и мутации [4, 5, 8].
Каждый индивидуум в популяции занимает свое место согласно
степени его приспособленности к условиям среды. Вследствие рекомбинации и мутации обеспечивается основной набор хромосом для
дальнейшего воспроизводства индивидуумов. С точки зрения биологии указанные алгоритмы упрощены, но достаточно сложны для
реализации и представляют собой поисковые механизмы адаптации.
История ЭВ началась с разработки ряда независимых моделей,
в частности ГА и классификационных систем Я. Холланда, представленных в начале 1960-х гг. и получивших всеобщее признание
после выхода ставшей впоследствии классической в своей области
книги «Адаптация в естественных и искусственных системах»
(«Adaptation in Natural and Artifical Systems», 1975).
В 1970-х гг. в рамках теории случайного поиска Л. А. Растригиным был предложен ряд алгоритмов, в основу которых легло бионическое поведение особей. В дальнейшем это нашло отражение
в работах по эволюционному моделированию И. Л. Букатовой. Развивая идеи М. Л. Цетлина о целесообразном и оптимальном поведении стохастических автоматов, Ю. И. Неймарк предложил искать
глобальный экстремум на основе коллектива независимых автоматов, моделирующих процессы развития и элиминации особей.
Несмотря на разницу в подходах, каждая из этих школ взяла за основу ряд существующих в природе принципов и упростила до такой
степени, чтобы их можно было реализовать на компьютере [8, 11, 14].
Вышедшая в 1975 г. книга Я. Холланда «Адаптация в естественных и искусственных системах» заложила основы эволюционного
моделирования, в результате которого ГА стали методом структурного синтеза интеллектуальных систем.
Усилия, направленные на моделирование эволюции по аналогии с природными системами, в настоящее время можно разделить
32
на две категории. К первой относятся алгоритмы моделирования
биологических систем, которые успешно используются для задач
структурной и функциональной оптимизации. Во вторую категорию входят более реалистичные биологически, но не имеющие пока
прикладного значения алгоритмы.
На практике нет строгого деления по категориям, они лишь играют роль своеобразных полюсов, между которыми лежат различные
вычислительные системы. Ближе к первому находятся эволюционные алгоритмы, такие как эволюционное программирование (англ.
Evolutionary Programming), генетические алгоритмы (англ. Genetic
Algorithms) и эволюционные стратегии (англ. Evolution Strategies).
Второй полюс представляют системы, которые классифицируются
как искусственная жизнь (англ. Artificial Life).
Парадигма вычислительного интеллекта. Большинство интеллектуальных технологий являются анализирующими или диагностирующими. Интеллектуальные методы, синтезирующие новые
изделия, редки, поэтому для решения задач структурного и функционального синтеза столь велико значение ГА, с развитием которых может быть создана действительно интеллектуальная система
автоматизации проектирования (САПР) вместо многочисленных
САПР, использующих ЭС на ранних стадиях разработки.
С помощью ГА системы стохастической оптимизации успешно
ищут профиль детали, размещают элементы на плоскости и в пространстве, компонуют и трассируют реальные технические объекты. В гибридных системах благодаря ГА производят оптимизационную настройку функций принадлежности нечетких множеств,
которые задаются параметризованной функцией формы. Применяя
ГА, оптимизируют и состав больших баз нечетких продукций, и
структуру ИНС для генетических нечетких нейронных сетей.
Объединение методологий ЭС, ИНС, ГА, теории нечетких множеств и других методов привело к созданию перспективного научного направления «Гибридные интеллектуальные системы». В качестве предпосылки такого объединения выступает прежде всего тот
факт, что множество существующих проблем интеллектуальных
систем нельзя решить в рамках лишь одного подхода, наилучшие
результаты могут быть достигнуты только благодаря комбинации
вышеперечисленных составляющих [2, 7, 11, 22].
Одним из наиболее распространенных примеров гибридных систем является обучение ИНС при помощи ГА. При этом обеспечиваются высокая скорость подстройки весов сети и уменьшение оши33
бок обучения. Применение ЭС также позволяет значительно ускорить обучение ИНС.
При разработке нечетких ЭС нейронные сети могут быть использованы для настройки параметров функции принадлежности. При
этом ИНС обеспечивают настройку параметров на основе автоматического извлечения закономерностей из обучающей выборки.
Таким образом, сочетание в гибридных технологиях элементов
различных подходов позволяет решить множество проблем, ограничивающих использование интеллектуальных систем в различных приложениях. Гибридные методы сегодня считаются самым
востребованным инструментом ИИ.
Причины формирования гибридных систем, которые составляют
основное содержание вычислительного интеллекта, носят технологический прикладной характер. Фундаментальная причина развития вычислительного интеллекта – это необходимость интеграции
в единой системе восприятия и логической обработки. Исторически
исследования восприятия (нейронные сети, распознавание образов)
ведутся отдельно от изучения классического ИИ, моделирующего логическое мышление. Существует разрыв между бионическим
интеллектом ИНС и интеллектом систем логического вывода, естественный интеллект, в свою очередь, не имеет такой резкой границы.
Схему слоев естественного интеллекта можно представить следующим образом:
Интеллект = Сенсорика + Моторика + Рефлексы + Инстинкты +
+ Мышление.
Возможно, эффективность человеческого интеллекта объясняется тем, что указанные слои работают согласованно, таким образом
решая многие задачи, недоступные искусственным системам. Вычислительный интеллект объединяет искусственные модели перечисленных компонент-слоев в гибридные системы, что позволяет
рассматривать его не как технологическое достижение, а как парадигму развития ИИ XXI в.
1.3. Информационная СППР
Прежде чем говорить о СППР, следует определиться с понятием. Несмотря на стремительное развитие и повсеместное внедрение
СППР, на текущий момент нет четко сформулированного определения СППР как таковой. Однако современные СППР могут быть
охарактеризованы как системы, направленные на решение задач
повседневной управленческой деятельности, которые также явля34
ются инструментом, созданным для оказания помощи ЛПР. При
участии СППР производится выбор альтернатив среди некоторых
неструктурированных и слабоструктурированных задач, в том числе и многокритериальных.
Согласно статье сайта «Википедия», СППР – это компьютерная автоматизированная система, целью которой является помощь ЛПР в сложных условиях для полного и объективного анализа ПрО [1, 3, 21].
Первые СППР, используемые в начале 1970-х гг., обладали следующими свойствами:
1. Умение работать с неструктурированными и слабоструктурированными задачами.
2. Интерактивное управление (решение принимает человек с использованием компьютера).
3. Разделение данных и моделей.
Последнее свойство не отражает нескольких важных моментов,
например участие самого компьютера в создании СППР. Как было
сказано ранее, пока не существует четкого и общепринятого определения СППР. Основная проблема заключается в том, что конструкция системы ключевым образом зависит от типа задачи, для решения которой она была создана, а также от имеющихся данных, информации и даже от пользователей этой системы.
Ссылаясь на общепризнанные моменты, СППР можно охарактеризовать следующим образом:
– это совокупность процедур по обработке данных и суждений,
помогающих руководителю в принятии решений, основанная на использовании моделей.
– это интерактивные автоматизированные системы, помогающие
ЛПР использовать данные и модели для решения слабоструктурированных задач.
– это системы, обеспечивающие пользователям доступ к данным
и (или) моделям, чтобы они могли принимать лучшие решения.
Большое количество исследователей под СППР понимают интерактивные компьютерные системы, помогающие ЛПР использовать информацию и модели для решения слабоструктурированных
или трудно формализуемых задач.
Для более точного понимания определения СППР полезно проанализировать ее место среди ИС в целом. Рассматривая СППР через призму процессов принятия решений, можно выделить следующие три типа поддержки принимаемых решений:
1) информационная,
35
Информационные системы
(ИС)
ИС для структурированных
задач
ИС для неструктурированных
задач
ИС, создающие
управленческие отчеты
ИС, создающие
альтернативные решения
Поддержка решений
Автоматизация решения
задач
Информационная
Модельная
Экспертная
Рис. 1.2. СППР относительно остальных ИС
2) модельная,
3) экспертная.
Все три указанных типа являются ИС, призванными помочь
в решении неструктурированных задач (рис. 1.2).
Информационная поддержка принимаемых решений основана
на двух китах:
1. Информационные системы управления (ИСУ) – набор различных
инструментов для сбора, хранения и обработки информации о деятельности предприятия, являющийся единым целым – системой.
2. Системы автоматизации офиса (САО) – системы, организующие поддержку процесса коммуникации (как внутри предприятия,
так с внешними источниками), основанной на базе средств передачи
и работы с информацией.
Из приведенных определений и понятий следует, что СППР
конструктивно отличаются от традиционных систем, так как
ориентированы на конкретного пользователя, его знания, интуицию и систему ценностей. Немаловажное значение имеет также
опыт ЛПР.
Необходимо понимать, что процесс принятия решений носит
субъективный характер, и это основа СППР. Другими словами,
пользователь абсолютно самостоятелен и руководствуется собственными знаниями и опытом. При этом по усмотрению ЛПР
к работе могут быть привлечены сторонние консультанты и эксперты. Таким образом, система лишь помогает пользователю
36
отыскать наилучшие решения, которые очень трудно или невозможно было бы найти самостоятельно из-за сложности решаемой
задачи [2, 6, 9, 10].
Современные СППР – это результат многих исследований в следующих ПрО:
– БД и БЗ,
– ИИ,
– Интерактивные компьютерные системы,
– Имитационное моделирование.
Таким образом, СППР возникли благодаря слиянию ИУС и системы управления базой данных (СУБД).
Современные СППР используют следующие основные технологии:
– хранилища данных (англ. Data Warehouse);
– инструменты оперативной (в РМВ) аналитической обработки
информации (англ. Online Analytical Processing);
– инструменты извлечения данных – (англ. Data Mining), текстов (англ. Text Mining) и визуальных образов (англ. Image Mining).
Одна из важнейших особенностей современных СППР – невозможность оптимизировать и ранжировать значения групп показателей на основе их полной совокупности из-за невозможности проводить данные операции математически. Современные методы требуют предварительного приведения всех критериев к единой числовой оценке.
Существует достаточно много способов приведения к единой
числовой оценке, и тот из них, что будет выбран в итоге, может
ощутимо повлиять на результаты ранжирования и оптимизации.
Необходимо принимать во внимание, что пользователь, полностью
отвечающий высоким требованиям профессионализма в своей
ПрО, не обязательно должен знать, какие алгоритмы используются в СППР. Следовательно, все решения, принятые разработчиком
в ходе процесса проектирования системы, потенциально могут
влиять на выбор альтернатив. Причем пользователь не может это
контролировать.
Описанный выше принципиальный недостаток традиционных
СППР, опирающихся лишь на формальные методы свертки, в современных системах сведен к минимуму. Это достигается за счет
сопоставления между собой возможных значений групп ЛПР. Осуществляется этот процесс пользователем в диалоге с системой, а
значения сопоставляются в соответствии с предпочтениями пользователя.
37
В результате получаем функцию предпочтений, сформированную в системе как результат таких сопоставлений пользователем.
В дальнейшем на ее основе осуществляются операции ранжирования и оптимизации. В итоге формальные методы свертки критериев
заменены процедурой определения предпочтений. При этом результаты процедуры выявления предпочтений отражают уникальный
подход пользователя к задаче и не подвергаются влиянию со стороны разработчика.
Следует отметить, что СППР обладает следующими свойствами:
– используют и данные, и модели;
– направлены менеджерам для помощи в принятии решений для
слабоструктурированных и неструктурированных задач;
– поддерживают, а не заменяют выработку альтернатив ЛПР;
– нацелены на повышение эффективности процесса принятия
решений.
Идеальная СППР обладает следующими характеристиками:
– взаимодействует со слабоструктурированными решениями;
– может быть использована ЛПР различного уровня;
– может быть адаптирована для группового или индивидуального использования;
– поддерживает как взаимозависимые, так и последовательные
решения;
– поддерживает три фазы процесса принятия решения: интеллектуальную часть, создание и собственно выбор;
– позволяет учитывать различные методы и стили принятия решения, что особенно полезно при работе над задачей группой лиц;
– обладает гибкостью и способностью адаптироваться к изменениям как организации, так и ее окружения;
– максимально проста в эксплуатации и модернизации;
– повышает эффективность процесса принятия решения;
– позволяет ЛПР управлять процессом принятия решений с помощью компьютера, а не наоборот;
– поддерживает эволюционное использование и легко адаптируется к изменяющимся требованиям;
– может быть легко создана, если так же легко может быть сформулирована логика ее конструкции;
– поддерживает моделирование;
– способна использовать знания.
Классификации СППР. Следует отметить, что общепринятой
классификации СППР нет.
38
На уровне пользователя СППР разделяют на три типа:
– пассивные,
– активные,
– кооперативные.
Пассивная СППР помогает принимать решения, но не может выносить предложение, какое именно из решений стоит выбрать. Активная СППР, напротив, может предлагать, какое из доступных
решений следует выбрать. А кооперативная СППР позволяет ЛПР
дополнять и совершенствовать предлагаемые ему решения. ЛПР посылает внесенные изменения в систему для проверки, СППР дополняет и улучшает решения и снова посылает их пользователю. Этот
процесс продолжается до тех пор, пока не будет получено согласованное решение.
На концептуальном уровне СППР различаются по управляемым
ими объектам:
– управляемые сообщениями (англ. Communication-Driven DSS);
– управляемые данными (англ. Data-Driven DSS);
– управляемые документами (англ. Document-Driven DSS);
– управляемые знаниями (англ. Knowledge-Driven DSS);
– управляемые моделями (англ. Model-Driven DSS).
Кратко охарактеризуем каждую из перечисленных СППР.
Системы, управляемые сообщениями (англ. Communication-Driven
DSS), способны поддерживать группу пользователей, работающих над
одной общей задачей.
Системы, управляемые данными (англ. Data-Driven DSS), работают с данными (также Data-oriented DSS), которые ориентируются
в основном на доступ и манипуляцию с другими данными.
Системы, управляемые документами (англ. Document-Driven
DSS), осуществляют поиск, а также манипулируют имеющейся неструктурированной информацией, заданной в разных формах.
Системы, управляемые знаниями (англ. Knowledge-Driven DSS),
обеспечивают решение задач в форме фактов, правил, процедур.
Наконец, системы, управляемые моделями (англ. Model-Driven
DSS), ориентируются на доступ и манипуляцию с математическими моделями (например, имитационными или аналитико-имитационными).
Необходимо отметить, что некоторые OLAP-системы, способные
выполнять сложный анализ данных, могут быть классифицированы как гибридные системы, обеспечивающие моделирование, поиск и обработку данных.
39
На техническом уровне различают СППР всего предприятия и
настольные СППР. Система всего предприятия соединена с большими хранилищами информации и способна обслуживать некоторое количество менеджеров данного предприятия. Настольные системы, в свою очередь, спроектированы для обслуживания одного
пользователя и его компьютера.
В различных источниках можно встретить и другие теории о
классификации СППР. К примеру, в зависимости от данных, с которыми работают системы, их условно можно разделить на оперативные и стратегические.
Оперативные системы спроектированы для немедленного реагирования на изменение текущей ситуации в управлении финансово-хозяйственными процессами предприятия. Стратегические системы предназначены для анализа больших объемов разнородной
информации, получаемой из разных источников. Основная цель
этих СППР – нахождение оптимальных альтернатив развития бизнеса предприятия с учетом влияния на него различных факторов:
изменений в законодательстве, состояния целевых рынков компании, финансовых рынков и др.
Оперативные СППР позиционируются как информационные системы руководства (англ. Executive Information Systems, EIS). Они
представляют собой наборы конечных отчетов, созданных на основе
некоторых данных из транзакционной ИС компании, в идеале адекватно отражающих в режиме реального времени главные аспекты
финансовой и производственной деятельности.
Для EIS характерны следующие свойства:
– отчеты основаны на стандартных для организации запросах
(число отчетов невелико);
– отчеты представлены в максимально удобном виде (наряду
с таблицами и деловой графикой используются различные мультимедийные возможности);
– EIS направлены на конкретный вертикальный рынок (управление ресурсами, маркетинг, финансы).
Стратегические СППР предполагают достаточно глубокую проработку информации. Они специально преобразованы таким образом, чтобы их было удобно использовать в процессе принятия решений. Неотъемлемым компонентом СППР этого уровня являются
некие правила принятия решений, которые, базируясь на агрегированных данных, позволяют менеджерам компании обосновывать
свои решения и снижать риски.
40
Стратегические СППР в последнее время активно развиваются.
Технологически данные таких систем строятся на принципах многомерного представления и анализа данных (OLAP).
При создании СППР можно использовать веб-технологии. В настоящее время СППР на основе веб-технологий для ряда компаний
синонимичны СППР предприятия. Пример решения СППР с использованием веб-технологии будет рассмотрен далее.
41
2. ТЕНДЕНЦИИ РАЗВИТИЯ ИНФОРМАЦИОННЫХ СППР
2.1. Функции и классификация ИИС
Области применения ИИС. Интеллектуальные информационные
системы проникают во все сферы жизни, поэтому трудно провести
строгую классификацию направлений, по которым ведутся активные и многочисленные исследования и разработки в области ИИ.
Рассмотрим некоторые из них [2, 6, 11, 19, 22].
1. Разработка ИИС, или систем, основанных на знаниях (СОЗ).
Это одно из главных направлений ИИ. Основная цель построения
таких систем – выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач,
возникающих на практике.
При построении СОЗ используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Цель
этого направления – имитация человеческого искусства анализа неструктурированных и слабоструктурированных проблем.
В данной области исследований разрабатывают модели представления, извлечения и структурирования знаний, а также изучаются
проблемы создания БЗ, образующих ядро СОЗ. Частным случаем СОЗ
являются ЭС.
2. Разработка естественно-языковых интерфейсов и машинный
перевод. Проблемы компьютерной лингвистики и машинного перевода разрабатываются в ИИ с 1950-х гг. Системы машинного перевода
с одного ЕЯ на другой обеспечивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков, как правило, научно-технических текстов.
Системы машинного перевода строятся как интеллектуальные
системы, поскольку в их основе лежат БЗ в определенной ПрО и
сложные модели, обеспечивающие дополнительную трансляцию
«исходный язык оригинала – язык смысла – язык перевода». Они
базируются на структурно-логическом подходе, включающем последовательный анализ и синтез естественно-языковых сообщений.
Кроме того, в них осуществляется ассоциативный поиск аналогичных фрагментов текста и их переводов в специальных БД.
Это направление охватывает также исследование методов и разработку систем, обеспечивающих реализацию процесса общения
человека с компьютером на ЕЯ.
3. Генерация и распознавание речи. Системы речевого общения
создаются в целях повышения скорости ввода информации в ЭВМ,
42
разгрузки зрения и рук, а также для реализации речевого общения
на значительном расстоянии.
4. Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа и синтеза изображений. Задача обработки изображений связана с трансформированием
графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются
в данные другого типа, например в текстовые описания. При синтезе
изображений на вход системы поступает алгоритм построения изображения, а выходными данными являются графические объекты.
5. Обучение с учителем и обучение без учителя. Эта актуальная
область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных. К данному
направлению относятся не так давно появившиеся системы добычи данных (англ. Data Mining) и системы поиска закономерностей
в компьютерных БД (англ. Knowledge Discovery).
6. Распознавание образов. Это одно из самых ранних направлений ИИ, в котором объекты распознаются с помощью специального
математического аппарата, относящего объекты к классам, которые, в свою очередь, описываются совокупностями определенных
значений признаков.
7. Игры и машинное творчество. Машинное творчество включает в себя компьютерную музыку, стихи, интеллектуальные системы
для изобретения новых объектов. Создание интеллектуальных компьютерных игр – одно из самых развитых коммерческих направлений в сфере разработки программного обеспечения. Кроме того,
компьютерные игры предоставляют мощный арсенал разнообразных средств для обучения.
8. Программное обеспечение систем ИИ. Инструментальные средства разработки интеллектуальных систем включают в себя:
– специальные языки программирования, ориентированные на
обработку символьной информации (LISP, SMALLTALK, РЕФАЛ);
– языки логического программирования (PROLOG);
– языки представления знаний (OPS 5, KRL, FRL);
– интегрированные программные среды, содержащие арсенал инструментальных средств создания систем ИИ (КЕ, ARTS, GURU, G2);
– оболочки ЭС (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ),
позволяющие создавать прикладные ЭС, не прибегая к программированию.
43
9. Новые архитектуры компьютеров. Это направление связано
с созданием компьютеров не фоннеймановской архитектуры, ориентированных на обработку символьной информации. Известны
удачные промышленные решения параллельных и векторных компьютеров, однако в настоящее время они отличаются высокой стоимостью и недостаточной совместимостью с существующими вычислительными средствами.
10. Интеллектуальные роботы. Это конечная цель робототехники. В настоящее время в основном используются программируемые манипуляторы с жесткой схемой управления, названные роботами первого поколения. Несмотря на очевидные успехи отдельных
разработок, эра интеллектуальных автономных роботов пока не
наступила. Основными сдерживающими факторами в разработке
автономных роботов являются нерешенные проблемы в области интерпретации знаний, машинного зрения, адекватного хранения и
обработки трехмерной визуальной информации.
Признаки классификации ИИС. Интеллектуальная информационная система основана на концепции использования БЗ для генерации
алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.
Интеллектуальные информационные системы
Системы
с интеллектуальным
интерфейсом
Интеллектуальные
базы данных
Естественноязыковый
интерфейс
Экспертные системы
(решение сложных,
плохо формализуемых
задач)
Классифицирующие
Доопределяющие
Гипертекстовые
системы
Системы
контекстной
помощи
Когнитивная
графика
Самообучающиеся
системы
(способность
к самообучению)
Индуктивные
системы
Нейронные сети
Трансформирующие
Системы,
основанные
на прецедентах
Мультиагентные
Информационные
хранилища
Рис. 2.1. Классификация ИИС
44
Адаптивные
информационные
системы
(адаптивность)
CASEтехнологии
Компонентные
технологии
Средства ИИ могут использоваться для реализации различных
функций, выполняемых ИИС.
На рис. 2.1 приведена классификация ИИС, признаками которой являются:
– коммуникативные способности – умение системы взаимодействовать с конечным пользователем;
– умение решать сложные, плохо формализуемые задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;
– способность к самообучению – умение системы автоматически
извлекать знания из накопленного опыта и применять их для решения задач;
– адаптивность – способность системы развиваться в соответствии с объективными изменениями области знаний.
Каждому из признаков условно соответствует свой класс ИИС.
Различные системы могут обладать одним или несколькими признаками интеллектуальности различной степени проявления.
2.2. Методы ППР на основе информационных технологий
Современные информационные системы интеллектуальной поддержки процессов разработки и реализации управленческих решений, т. е.
ИСППР, максимально приспособлены к решению задач повседневной
управленческой деятельности и призваны помогать ЛПР. Посредством
СППР может производиться выбор решений некоторых неструктурированных, а также слабоструктурированных задач, в том числе и многокритериальных. При этом под многокритериальностью понимается оценка принимаемых решений не по одному, а по совокупности нескольких
показателей (или критериев), рассматриваемых в один момент времени.
Информационная сложность заключается в необходимости учета достаточно больших объемов данных, что практически невыполнимо без помощи современной вычислительной техники. В данных
условиях число возможных решений обычно весьма велико, и выбор оптимального без всестороннего анализа, скорее всего, приведет
к грубым ошибкам [2, 6, 12].
Две основные задачи, которые решает СППР:
– выбор наилучшего решения из множества возможных (оптимизация);
– упорядочение возможных решений по предпочтительности (ранжирование).
45
В обеих задачах первым и наиболее принципиальным моментом
является выбор совокупности критериев, на основе которых в дальнейшем будут оцениваться и сопоставляться возможные решения
(альтернативы). Именно СППР помогает пользователю сделать такой выбор.
Условно СППР можно классифицировать по методам решения
определенных проблем. Рассмотрим методы принятия решений на
основе ИТ.
Для ППР с помощью ИТ, включая анализ и выработку альтернатив, в СППР используется большое количество методов, например:
1) информационный поиск;
2) интеллектуальный анализ данных (ИАД);
3) извлечение (поиск) знаний в БД;
4) рассуждение на основе прецедентов;
5) имитационное моделирование;
6) генетические алгоритмы (ГА);
7) искусственные нейронные сети (ИНС);
8) методы ИИ.
Такую классификацию методов можно охарактеризовать как
способ достижения цели. Для сравнения целесообразно рассмотреть
представленные в СППР методы и модели, сгруппированные по следующим направлениям.
1. Методы принятия решения с использованием принципа большинства (PUR1 – PUR12);
2. Методы принятия решения с использованием принципа Парето (PRT1 – PRT12);
3. Методы принятия решения с использованием многоцелевой
оптимизации (OTNUST, USTUP, ABSUST);
4. Методы принятия решения с использованием принципа Байеса
(BAJES, BAJNOEXP, BAJPOR, BAJPRIOR, BAJPORPR, LAPLAS,
LAPLPOR);
5. Методы принятия решения в динамической постановке (BELMAN, MARKON, MARKBS);
6. Методы принятия решения с использованием в условиях полной неопределенности (WALD, WALDPOR, OPTIMIST, OPTIMPOR,
HURWICZ, SAVAGE, BRAUN, HURWPOR).
Постоянное стремление человечества к снижению издержек во всех
возможных формах привело к внедрению СППР в облачные технологии. Динамичное развитие данной сферы, а также ее актуальность
подталкивают к тому, чтобы рассматривать веб-ориентированную
46
(англ. Web-based) СППР отдельно от других и сравнивать ее с позиций
преимуществ и недостатков.
Для наглядности сравним метод аналитических сетей (на примере прикладного ПО SuperDecisions) c веб-ориентированной экспертной СППР (EDSS).
Особенности метода аналитических сетей. Метод аналитических
сетей (МАС) – более общая форма метода анализа иерархий (МАИ),
используемого в условиях мультикритериальности. Известно, что
МАИ структурирует решение проблемы в иерархию для определения
критерия выбора и альтернативы, в то время как МАС структурирует
его в качестве аналитической сети, затем использует систему парных
сравнений для измерения веса компонентов структуры и наконец
ранжирует альтернативы в решении [2, 4, 8].
Существует много проблем, решение которых не может быть
принято с помощью МАИ. Например, когда взаимодействуют элементы высокого уровня с элементами более низкого уровня и их
зависимости должны быть учтены. Метод аналитических сетей
предоставляет решение для проблем, которые не могут быть структурированы иерархически. Определение значения критерия важно
не только для альтернатив; как и в иерархии, важность альтернатив
определяет значимость критериев. Поэтому многие проблемы могут
быть смоделированы с использованием диаграммы «сеть».
Сетевые модели не должны показывать иерархическую структуру, т. е. они не должны быть линейными сверху вниз. На самом деле
МАС использует сеть, в которой нет необходимости указывать уровни. Поэтому термин «уровень» в МАИ заменяется термином «кластер». Сетевая модель имеет подключения типа «цикл»: кластеры
элементов и петли, которые присоединяются сами к себе. Этот вид
модели называется системой с обратной связью. На практике многие проблемы связаны с решением обратной связи.
Хотя МАС и МАИ похожи в сравнительной фазе, существуют
и различия. В МАС шкала отношений приоритетных векторов,
полученных из матриц попарных сравнений, не синтезируется
линейно, как в МАИ. Также там нет требования, чтобы каждый
элемент кластера оказывал влияние на элемент в другом кластере.
В этом случае данные элементы являются элементами с нулевым
вкладом. А суперматрица, которая состоит из шкал отношений
приоритетных векторов, полученная из матриц попарных сравнений и нулевых векторов, должна быть стохастической для получения значимых результатов.
47
Каждый блок векторов-столбцов взвешивается на приоритет соответствующего кластера, их элементы отображаются вертикально
на левой стороне матрицы и горизонтально в верхней части матрицы.
Чтобы убедиться в том, что матрица стохастическая, можно сравнить
кластеры. Полученные приоритеты кластеров впоследствии используют для весов кластеров по отношению к соответствующему кластеру
на самом верху.
В целом алгоритм МАС включает в себя следующие этапы:
1. Проектирование сетевой структуры задачи.
2. Вычисление весов всех элементов каждого из компонентов
(с помощью матрицы попарных сравнений, как и в МАИ) согласно
их влиянию на остальные компоненты.
3. Проверка согласованности введенных данных.
4. Формирование суперматрицы из векторов.
5. Приведение суперматрицы к стохастическому виду (взвешивание
блоков на соответствующие веса в случае отсутствия стохастичности).
6. Возведение суперматрицы в предельную степень.
7. Получение результата в первом столбце суперматрицы.
Таким образом, анализ иерархий является способом принятия
решений, включающим в себя качественные факторы. В этом методе шкалы коэффициентов определяются по порядковым шкалам,
которые получают из отдельных суждений по качественным факторам использования матрицы парных сравнений.
Метод аналитических сетей также использует матрицу попарных сравнений для получения соотношения масштабов. Разница
между этими двумя способами проявляется в моделировании задачи и вычислении окончательных приоритетов для альтернатив из
соотношений весов, полученных ранее.
Метод анализа иерархий моделирует принятие решения проблемы с помощью однонаправленного иерархического отношения между элементами решения. Однако МАС позволяет проводить более
сложные взаимосвязи между элементами решения.
В качестве примера практического использования МАС можно
привести программу SuperDecisions, которая используется для принятия решений с зависимостью и обратной связью. Эта программа
реализует МАИ и МАС, так как оба метода используют одну фундаментальную формулу – процесс определения приоритетов на основе
вынесения заключений по парам элементов, или получение приоритетов путем нормализации прямых измерений.
48
В МАИ элементы расположены в виде иерархической структуры с целью описания критериев выбора альтернатив, в МАС элементы собраны в группы, в одну из которых входят альтернативы, содержащие другие критерии или другие элементы решения.
В МАС нет конкретного элемента цели, а приоритеты определяются в рамках относительного влияния каждого из признаков на
альтернативы. Кластеры расположены в сети и имеют связь между
элементами. Иногда связи располагаются в несколько уровней, например когда задача распадается на преимущества, возможности,
затраты и риски.
Большинство методов принятия решений, в том числе и МАИ,
предполагают независимость между критериями и альтернативами, или одним из критериев и одной из альтернатив. В МАС нет подобных ограничений.
Особенности веб-СППР (WB-DSS). Облачные вычисления открывают доступ к вычислительным ресурсам, которые будут доступны
только по требованию. Эластичность, эффективность и сокращение
расходов стимулируют многие предприятия рассмотреть вариант миграции приложений в облако.
Веб-СППР являются системами, которые доступны удаленно через сеть Интернет. По функциональности они не уступают настольным системам, однако имеют характерные признаки, отличающие
их от настольных аналогов:
– доступность в Интернете;
– поддержка частных лиц, клиентов, сотрудников, менеджеров,
групп в процессе принятия решений (независимо от их физического
местоположения или времени);
– использование БД, БЗ, документов и моделей, которые имеют
возможность обращаться к огромному разнообразию больших групп
пользователей.
Основными отличиями веб-версии СППР от настольных аналогов
являются несколько весомых признаков. В первую очередь, это доступность глобальной аудитории. При размещении на удаленном сервере
доступность к ресурсам ограничивается лишь фантазией разработчиков и платежеспособностью владельца, поскольку вычислительные
мощности, расположенные в облаках, требуют определенных затрат.
Другой немаловажный признак – простота использования. Такие СППР направлены на снижение нагрузки на ЛПР и не требуют
дополнительного обучения работы с системой – интуитивно понятный интерфейс позволяет быстро приступить к работе.
49
Проблемы обеспечения информационной безопасности могут ограничить применение веб-СППР в чувствительных областях. В таких случаях веб-СППР требует дополнительных компонентов для предотвращения
угроз безопасности и ошибок в различных точках обмена информацией.
В целом доступность веб-СППР в Интернете создает как возможности, так и проблемы, которых обычно нет в настольных версиях
СППР. Тем не менее наряду с обсуждениями плюсов и минусов вебверсий и настольных СППР возникают споры о так называемой миграции настольных систем в веб-платформы.
СППР, предназначенные для работы на рабочем столе, могут
быть доступны в Интернете, чтобы ими могла пользоваться распределенная аудитория. Примеры уже существующих действующих
прикладных СППР в веб-версиях:
1. Expert Choice (www.expertchoice.com);
2. EXSYS (www.exsys.com).
Система Expert Choice помогает сделать выбор между несколькими альтернативами, основанными на множестве критериев принятия решений и различных атрибутов. Например, можно использовать Expert Choice в выборе дома, опираясь на соответствующие
атрибуты (например, местоположение, количество комнат, размер
участка), а также в целях оценки альтернатив (например, покупка
лучшего дома в пределах бюджета).
Система Expert Choice была разработана на основе МАИ. Ее также можно использовать при коллективном принятии решения. Эта
система была доступна задолго до популярности в Интернете. Сейчас ее веб-версия доступна как отдельный инструмент под названием Expert Choice Decision Portal (ECDP) и предназначена только для
использования через сеть Интернет.
Система EXSYS используется для разработки ЭС, призванных
оказывать консультативные услуги ЛПР. Экспертная система может быть определена как система, использующая человеческие знания, применяемые компьютером, чтобы решить проблемы, обычно
требующие человеческого опыта.
Как и Expert Choice, система EXSYS использовалась для ППР до
начала широкого использования в Интернете. Этот продукт стал одним из первых, осуществивших переход к веб-версии.
Преимущества перехода к Веб:
– веб-версии СППР установлены централизованно и доступны из
нескольких мест. Таким образом, веб-серверы заменяют еще и сетевые серверы для этих систем;
50
– веб-доступ снижает затраты на техническое обслуживание системы, модель обновления, обновления данных и другие изменения, которые могут произойти в системе, развивающейся с течением времени;
– система доступна для ЛПР и потребителей с любого компьютера в любое время.
Таким образом, веб-доступ сокращает затраты на установку, обслуживание и обновление системы. Это, в свою очередь, увеличивает доступ к системе для ввода данных, а также для совместного
решения поставленных задач.
2.3. Интеллектуальный анализ данных
Хранилища данных. Современные организации (предприятия,
корпорации) используют как старые централизованные системы,
так и новые распределенные системы. Широкое разнообразие ИТ обеспечено также большим числом продавцов программных продуктов.
Сталкиваясь с таким технологическим и коммерческим окружением, менеджеры должны использовать новые понятия в управляющих
ИТ. Одним из таких понятий является хранилище данных [1, 15, 18].
Определение понятия «хранилище данных» начинается с физического разделения оперативного окружения, поддерживающего
решения. В сердцевине многих компаний используется хранилище
оперативных данных, обычно извлекаемых из неавтономных систем
обработки транзакций в режиме реального времени (англ. Online
Transaction Processing (OLTP) – оперативная обработка транзакций)
и базирующихся на головных компьютерах (англ. Mainframe).
OLTP-системы, например для финансов, инвентаризации запасов или управления, также производят оперативные данные. В оперативном окружении доступ к данным, прикладные логические задачи и логика представления данных тесно взаимодействуют, обычно в нереляционных БД. Эти нереляционные хранилища данных не
очень способствуют эффективному поиску данных при ППР.
Цель хранилища данных – установление репозитория данных,
который делает оперативные данные доступными в приемлемой для
приложений в информационных СППР форме. Как часть этого нового уровня доступности, процесс должен преобразовать детализированные по уровням оперативные данные в реляционную форму, которая делает их более подходящими для обработки при ППР.
Хранение данных (или хранение информации) – это понятие,
предложенное и разработанное для решения проблемы эффективного доступа к данным, описанным выше. Хранилище данных
51
Внешние данные
Связанные системы
Программное обеспечение
приобретения данных
Хранилище
данных
Сервер БД
Репозиторий
Многомерные БД
Сервер информационной поддержки
решений
Клиент
информационной
системы поддержки
решений
Клиент
информационной
системы поддержки
решений
...
Клиент
информационной
системы поддержки
решений
Рис. 2.2. Трехрядная архитектура хранилища данных
объединяет различные источники данных для доступа конечного
пользователя.
Существует несколько базовых структур для хранения данных,
в основном двухрядные и трехрядные (рис. 2.2).
Поступающие из внутренних (связанных) и внешних источников
данные перед размещением в хранилище извлекаются, очищаются,
фильтруются и суммируются посредством специального ПО. Далее
они снова обрабатываются и помещаются в дополнительную специальную многомерную БД (третий ряд в архитектуре), организованную для
легкого многомерного представления. Пользователи информационной
СППР могут запрашивать сервер и осуществлять анализ.
В двухрядной архитектуре отсутствует многомерная БД или сервер.
Подобное хранение данных наиболее подходит для организаций,
в которых:
– данные хранятся в различных системах;
52
– используется информационно-аналитический подход к менеджменту;
– имеется большая и разнообразная покупательская и клиентская база;
– одни и те же данные представлены по-разному в различных системах;
– данные хранятся в высокотехнических, трудных для расшифровки форматах.
Оперативная аналитическая обработка данных. В течение многих лет ИТ концентрировались на построении систем поддержки обработки корпоративных транзакций. Такие системы должны быть
визуально отказоустойчивыми и обеспечивать быстрый отклик.
Эффективное решение было обеспечено OLTP, которые сосредоточивались на распределенном реляционном окружении БД.
Более поздним достижением в этой области стало добавление архитектуры «клиент – сервер». Было издано много инструментов для
развития OLTP-приложений.
Доступ к данным часто требуется как OLTP-приложениям, так
и информационным СППР. К сожалению, обслужить оба типа запросов может быть проблематично. Поэтому некоторые компании
избрали путь разделения БД на OLTP-тип и OLAP-тип.
OLAP (Online Analytical Processing – оперативный анализ данных) – это информационный процесс, позволяющий пользователю
запрашивать систему, проводить анализ и т. д. в оперативном режиме (онлайн), когда результаты генерируются в течение нескольких
секунд. Однако в OLTP-системе огромные объемы данных обрабатываются так скоро, как они поступают на вход.
OLAP-системы предназначены для конечных пользователей, в то
время как OLTP-системы делаются для профессиональных пользователей ИС. В OLAP-системе предусмотрены такие действия, как генерация запросов, запросы нерегламентированных отчетов, проведение
статистического анализа и построение мультимедийных приложений.
Для обеспечения OLAP необходимо работать с хранилищем данных (или многомерным хранилищем), а также с набором инструментальных средств, обычно с многомерными способностями. Этими средствами могут быть инструментарий запросов, электронные
таблицы, средства добычи данных (англ. Data Mining), средства визуализации данных и др.
В основе концепции OLAP лежит принцип многомерного представления данных. Британский ученый Э. Кодд рассмотрел недостатки
53
реляционной модели и указал на невозможность объединять, просматривать и анализировать данные с точки зрения множественности измерений, т. е. самым понятным для корпоративных аналитиков способом. В связи с этим он определил общие требования к системам OLAP,
расширяющим функциональность реляционных СУБД и включающим многомерный анализ как одну из своих характеристик.
Во многих публикациях аббревиатурой OLAP обозначается не
только многомерный взгляд на данные, но и хранение самих данных
в многомерной БД. Строго говоря, это неверно, поскольку Э. Кодд отмечает, что реляционные БД были, есть и будут наиболее подходящей технологией для хранения корпоративных данных. Необходима
не новая технология БД, а средства анализа, дополняющие функции
существующих СУБД и достаточно гибкие, чтобы предусмотреть и
автоматизировать разные виды интеллектуального анализа, присущие OLAP.
Э. Кодд определил 12 требований для программного продукта
класса OLAP:
1) многомерное концептуальное представление данных;
2) прозрачность;
3) доступность;
4) устойчивая производительность;
5) клиент-серверная архитектура;
6) равноправие измерений;
7) динамическая обработка разреженных матриц;
8) поддержка многопользовательского режима;
9) неограниченная поддержка кроссмерных операций;
10) интуитивное манипулирование данными;
11) гибкий механизм генерации отчетов;
12) неограниченное количество измерений и уровней агрегации.
Список этих условий, послуживший фактическим определением
OLAP, следует рассматривать как рекомендательный, а конкретные
продукты оценивать по степени соответствия перечисленным требованиям.
Интеллектуальный анализ данных (ИАД, от англ. Data Mining, DM) –
термин, используемый для описания выявления (извлечения, добывания) знаний в БД, выделения знаний, изыскания данных, исследования
данных, обработки образцов данных, очистки и сбора данных (здесь же
подразумевается сопутствующее ПО). Все эти действия осуществляются
автоматически и позволяют получать быстрые результаты даже непрограммистам.
54
Запрос производится конечным пользователем, возможно, на
ЕЯ. Затем запрос преобразуется в SQL-формат и по сети поступает
в СУБД, которая управляет БД или хранилищем данных. Система
управления базой данных находит ответ на запрос и доставляет его
назад. После этого пользователь может разрабатывать презентацию
или отчет в соответствии со своими требованиями.
Многие важные решения практически в любой области экономики и социальной сферы основываются на анализе больших и
сложных БД. Методы ИАД тесно связаны с OLAP-технологиями и
технологиями построения хранилищ данных, поэтому наилучшим
вариантом является комплексный подход к их внедрению.
Для того чтобы существующие хранилища данных способствовали принятию управленческих решений, информация должна быть
представлена аналитику в нужной форме, т. е. он должен иметь развитые инструменты доступа к данным хранилища и их обработки.
Очень часто ИАД, создаваемые в расчете на непосредственное
использование ЛПР, оказываются чрезвычайно просты в применении, но жестко ограничены в функциональности. Такие статические системы называются информационными системами руководителя. Они содержат в себе предопределенные множества запросов и,
будучи достаточными для повседневного обзора, не способны ответить на все вопросы к имеющимся данным, которые могут возникнуть при принятии решений.
Результатом работы такой системы, как правило, являются многостраничные отчеты, после тщательного изучения которых у аналитика появляется новая серия вопросов. Однако каждый новый
запрос, не предусмотренный при проектировании такой системы,
должен быть сначала формально описан, закодирован программистом и только затем выполнен. Время ожидания в таком случае
может составлять часы и дни, что не всегда приемлемо. Таким образом, внешняя простота статистических информационных СППР,
за которую активно борется большинство заказчиков ИАД, оборачивается потерей гибкости.
Динамические информационные СППР, напротив, ориентированы на обработку нерегламентированных запросов аналитиков
к данным. Работа аналитиков с этими системами заключается в интерактивной последовательности формирования запросов и изучения их результатов.
Но динамические информационные СППР могут действовать не
только в области оперативной аналитической обработки, т. е. OLAP.
55
Поддержка принятия управленческих решений на основе накопленных данных может выполняться в трех базовых сферах.
1. Сфера детализированных данных. Это область действия
большинства систем, нацеленных на поиск информации. В большинстве случаев реляционные СУБД отлично справляются с возникающими здесь задачами. Общепризнанным стандартом языка манипулирования реляционными данными является SQL.
Информационно-поисковые системы, обеспечивающие интерфейс конечного пользователя в задачах поиска детализированной
информации, могут использоваться в качестве надстроек как над
отдельными БД транзакционных систем, так и над общим хранилищем данных.
2. Сфера агрегированных показателей. Комплексный взгляд на
собранную в хранилище данных информацию, ее обобщение, агрегация и многомерный анализ являются задачами OLAP-систем. Здесь
можно или ориентироваться на специальные многомерные СУБД,
или оставаться в рамках реляционных технологий. Во втором случае
заранее агрегированные данные могут собираться в БД звездообразного вида, либо информация может агрегироваться в процессе сканирования детализированных таблиц реляционной БД.
3. Сфера закономерностей. Интеллектуальная обработка производится методами ИАД, главными задачами которых являются поиск
функциональных и логических закономерностей в накопленной информации, построение моделей и правил, объясняющих найденные
аномалии и (или) прогнозирующих развитие некоторых процессов.
Полная структура ИАС, построенной на основе хранилища данных, показана на рис. 2.3. В конкретных реализациях отдельные
компоненты этой схемы часто отсутствуют [14, 18].
Интеллектуальные БД. Развитие приложений ИС требует реализации более легкого и удобного доступа к БД. Технологии ИИ,
особенно ЭС и ИНС, могут упростить доступ и манипуляции в сложных БД. Одним из путей является усиление роли СУБД в обеспечении этого совместно со способностью выведения заключений, что
в результате привело к появлению интеллектуальной БД.
Один из вариантов интеграции ЭС и БД показан на рис. 2.4.
Трудности в соединении ЭС с большими БД являются главной
проблемой при внедрении КИС для больших корпораций. Многие
продавцы ПО, осознавая важность такой интеграции, развивают
свою программную продукцию для ее поддержки. Примером подобного продукта является реляционная СУБД компании Oracle, ко56
Транзакционные
системы, источники
данных
OLTP
OLTP
Сбор, очистка и согласование данных из внешних источников
Хранилище данных
Информационные
системы руководителя
Генераторы запросов,
Системы
Системы оперативной
информационноинтеллектуального
аналитической обработки
поисковые системы
анализа данных (ИАД)
данных (ОLAP)
Область
детализированных
данных
Область
агрегированных
показателей
Область
закономерностей
Рис. 2.3. Структура корпоративной ИАС
Конечный
пользователь
Диалоговый вход
Отчеты
Прикладная
программа
логической БД
БД и СУБД
Механизм
вывода
Модель
данных
Хранение
данных
Вывод
на экран
Транзакции
БД
Хранение
правил
Рис. 2.4. Структура интеллектуальной БД,
представляющая интеграцию ЭС и БД
57
торая объединяет функциональность ЭС с БД и представляет собой
оптимизатор запросов, который отбирает наиболее эффективные
пути следования запросов БД [15, 19, 22].
Оптимизация важна для пользователей, т. к. с такой способностью им нужно знать только несколько правил и команд для использования БД.
Некоторые программные инструменты для добычи данных включают в себя интеллектуальные системы, поддерживающие интеллектуальный поиск. Интеллектуальная добыча и анализ данных позволяют открыть информацию в хранилищах данных, когда запросы и
отчеты не могут быть обнаружены.
Инструменты ИАД находят образцы в данных и выводят из них
правила. Впоследствии эти образцы и правила могут быть использованы для руководства при принятии решений и прогнозировании
результатов. Интеллектуальный анализ данных может ускорить
процесс благодаря сосредоточению внимания на наиболее важных
переменных.
При ИАД может быть применено пять следующих типов информации:
– ассоциации,
– последовательности,
– классификации,
– кластеры,
– прогнозирование.
Основные типы программных инструментариев, используемых
при ИАД:
– рассуждения на основе прецедентов;
– нейронные вычисления;
– интеллектуальные агенты;
– другие средства (деревья решений, ролевая индукция, визуализация данных).
58
3. ДИАЛОГОВЫЕ СИСТЕМЫ
С ИНТЕЛЛЕКТУАЛЬНЫМ ИНТЕРФЕЙСОМ
3.1. Системы с интеллектуальным интерфейсом
Применение ИИС для усиления коммуникативных способностей
ИС привело к появлению систем с интеллектуальным интерфейсом
[3, 7, 11, 12].
Среди них можно выделить следующие типы:
1. Интеллектуальные БД, которые, в отличие от традиционных
БД, позволяют обеспечивать выборку необходимой информации, не
присутствующей в явном виде, а выводимой из совокупности хранимых данных.
2. ЕЯ-интерфейс, используемый для доступа к интеллектуальным
БД, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода
с иностранных языков. Для реализации ЕЯ-интерфейса необходимо
решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на ЕЯ.
При морфологическом анализе распознается и проверяется правильность написания слов в словаре. Синтаксический контроль предполагает разложение входных сообщений на отдельные компоненты,
проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей. Семантический
анализ обеспечивает установление смысловой правильности синтаксических конструкций. В отличие от анализа синтез высказываний
заключается в преобразовании цифрового представления информации в представление на ЕЯ.
3. Гипертекстовые системы, применяемые для реализации поиска по ключевым словам в БД с текстовой информацией. Для более
полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с БЗ
ключевых слов, а затем – с самим текстом. Аналогичным образом
проводится поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио- и видеообразы.
4. Системы контекстной помощи, которые относятся к классу
систем распространения знаний. Это, как правило, приложения к документации. Системы контекстной помощи – частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему,
59
а система на основе дополнительного диалога конкретизирует ее
и выполняет поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах компьютерные приложения навязывают пользователю схему поиска требуемой информации.
5. Системы когнитивной графики ориентированы на общение
с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или
наблюдаемых процессов. Когнитивная графика позволяет наглядно и
выразительно представить множество параметров, характеризующих
изучаемое явление, освобождает пользователя от анализа тривиальных
ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС.
Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных СППР, работающих в РМВ.
Экспертные системы. Как уже отмечалось, ЭС как самостоятельное направление в ИИ сформировались в конце 1970-х гг.
Группа по ЭС при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать
интеллектуальный совет или принять решение относительно обрабатываемой функции». Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для
пользователя образом [15, 22].
Область исследования ЭС называют инженерией знаний. Этот термин был введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области ИИ в решение трудных прикладных проблем, требующих знаний экспертов». Другими
словами, ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик:
– задачи не могут быть представлены в числовой форме;
– исходные данные и знания о ПрО неоднозначны, неточны или
противоречивы;
– цели нельзя выразить с помощью четко определенной целевой
функции;
– однозначного алгоритмического решения задачи не существует;
– алгоритмическое решение существует, но к нему нельзя прибегнуть из-за большой размерности пространства решений и ограничений на ресурсы (времени, памяти).
60
Главное отличие ЭС от систем обработки данных состоит в том, что
в них используется символьный, а не числовой способ представления
данных, а в качестве методов обработки информации применяются
процедуры логического вывода и эвристического поиска решений.
Экспертные системы охватывают самые разные ПрО, среди которых лидируют производство, проектирование, медицина, бизнес и
системы управления различных уровней (организационные, например КИС, и технологические, например SCADA-системы) [13, 22].
Во многих случаях ЭС являются инструментом, усиливающим
интеллектуальные способности эксперта. Кроме того, ЭС может выступать в следующих ролях:
– консультант для неопытных или непрофессиональных пользователей;
– ассистент эксперта-человека в процессах анализа вариантов решений;
– партнер эксперта в процессе решения задач, требующих привлечения знаний из разных ПрО.
Экспертные системы классифицируют по следующим признакам:
– способ формирования решения;
– способ учета временного признака;
– вид используемых данных и знаний;
– число используемых источников знаний.
По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа из множества известных решений выбирается одно на основе анализа знаний. В системах второго типа решение синтезируется из отдельных
фрагментов знаний.
В зависимости от способа учета временного признака ЭС делят
на статические и динамические. Статические ЭС предназначены
для решения задач с неизменяемыми в процессе решения данными
и знаниями, а динамические ЭС допускают такие изменения.
По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимаются их неполнота, ненадежность,
нечеткость.
Экспертные системы могут создаваться с использованием одного
или нескольких источников знаний.
В соответствии с перечисленными признаками можно выделить
четыре основных класса ЭС:
– классифицирующие,
61
– доопределяющие,
– трансформирующие,
– мультиагентные.
Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах
является дедуктивный логический вывод.
Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов
обработки неопределенных знаний могут использоваться байесовский
вероятностный подход, коэффициенты уверенности, нечеткая логика.
Трансформирующие ЭС относятся к синтезирующим динамическим ЭС, в которых предполагается повторяющееся преобразование
знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:
– генерация и проверка гипотез;
– логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям
изменяющихся ситуаций);
– использование метазнаний, более общих закономерностей для
устранения неопределенностей в ситуациях.
Мультиагентные системы – это динамические ЭС, основанные
на интеграции нескольких разнородных источников знаний, которые обмениваются между собой получаемыми результатами в ходе
решения задач. Системы данного класса обладают следующими
возможностями:
– реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;
– распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;
– применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;
– обработка больших массивов информации из БД;
– использование математических моделей и внешних процедур
для имитации развития ситуаций.
Самообучающиеся системы. Эти ИИС основаны на методах автоматической классификации ситуаций из реальной практики или
62
на методах обучения на примерах. Варианты реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы этой
выборки описываются множеством классификационных признаков.
Стратегия обучения с учителем предполагает задание специалистом для каждого примера значений признаков, показывающих его
принадлежность к определенному классу ситуаций. При обучении
без учителя система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков.
В процессе обучения проводится автоматическое построение
обобщающих правил или функций, описывающих принадлежность
ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих
правил, в свою очередь, автоматически формируется БЗ, которая
периодически корректируется по мере накопления информации об
анализируемых ситуациях.
Для построенных в соответствии с этими принципами самообучающихся систем характерны следующие недостатки:
– относительно низкая адекватность БЗ возникающим реальным проблемам из-за неполноты и (или) зашумленности обучающей выборки;
– низкая степень объяснимости полученных результатов;
– поверхностное описание проблемной области и узкая направленность применения из-за ограничений в размерности признакового пространства.
Индуктивные системы позволяют обобщать примеры на основе
принципа «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм
классификации примеров выглядит следующим образом.
1. Выбор классификационного признака из заданного множества.
2. Разбиение множества примеров на подмножества по значению
выбранного признака.
3. Проверка принадлежности каждого подмножества примеров
одному из классов.
4. Проверка окончания процесса классификации. Если какое-то
подмножество примеров принадлежит одному подклассу, т. е. у всех
примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.
5. Для подмножеств примеров с несовпадающими значениями
классификационных признаков процесс распознавания продолжа63
ется, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.
Классический пример технологии, основанной на примерах, –
нейронные сети. Это обобщенное название группы математических
алгоритмов, обладающих способностью обучаться на примерах,
«узнавая» впоследствии черты встреченных образцов и ситуаций.
Благодаря этой способности ИНС используются при решении задач
обработки сигналов и изображений, распознавания образов, а также для прогнозирования [7, 11].
Ней р онна я се т ь – это кибернетическая модель нервной системы, представляющая собой совокупность большого числа сравнительно простых элементов – нейронов, топология соединения которых зависит от типа сети.
Чтобы создать ИНС для решения какой-либо конкретной задачи,
следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.
В системах, основанных на прецедентах, БЗ содержит описания
конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:
– получение информации о текущей проблеме;
– сопоставление полученной информации со значениями признаков прецедентов из БЗ;
– выбор из БЗ прецедента, наиболее близкого к рассматриваемой
проблеме;
– адаптация выбранного прецедента к текущей проблеме;
– проверка корректности каждого полученного решения;
– занесение детальной информации о полученном решении в БЗ.
Прецеденты описываются множеством признаков, по которым
строятся индексы быстрого поиска. Однако в системах, основанных
на прецедентах, в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив,
каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов. Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.
Информационные хранилища отличаются от интеллектуальных
БД тем, что содержат значимую информацию, регулярно извлекаемую из оперативных БД. Хра ни лище да нны х – это предметноориентированное, интегрированное, привязанное ко времени, неиз64
меняемое собрание данных, применяемых для поддержки процессов принятия управленческих решений.
Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с ПрО, которые они описывают,
а не с приложениями, которые их используют.
В хранилище данные интегрируются в целях удовлетворения
требований предприятия в целом, а не отдельной функции бизнеса.
Привязанность данных ко времени выражает их историчность,
т. е. атрибут времени всегда явно присутствует в структурах хранилища данных.
Неизменяемость означает, что, попав однажды в хранилище,
данные уже не изменяются в отличие от оперативных систем, в которых данные присутствуют только в последней версии и поэтому
постоянно меняются.
Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на
поиск моделей и отношений, скрытых в совокупности данных. Для извлечения значимой информации из хранилищ данных существуют специальные методы (OLAP-анализ, Data Mining или Knowledge Discovery),
основанные на применении методов математической статистики, нейронных сетей, индуктивных методов построения деревьев решений и др.
Технология OLAP (Online Analytical Processing – оперативный
анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях
между ними на основе разнообразных запросов к БД. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важных переменных.
Средства Data Mining отличаются от OLAP тем, что не только
проверяют предполагаемые зависимости, но и способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.
Адаптивные ИС. Потребность в таких ИС возникает в случаях,
когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные ИС должны удовлетворять ряд
специфических требований:
– адекватно отражать знания ПрО в каждый момент времени;
– быть пригодными для легкой и быстрой реконструкции при изменении ПрО.
65
Адаптивные свойства ИС обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно
развиваемая модель ПрО, поддерживаемая в специальной БЗ – репозитории. Ядро системы управляет процессами генерации или
переконфигурирования ПО. В процессе разработки адаптивных ИС
применяется оригинальное или типовое проектирование.
Оригинальное проектирование предполагает разработку ИС с чистого листа на основе сформулированных требований. Этот подход
основан на использовании систем автоматизированного проектирования, или CASE-технологий (Designer2000, SilverRun, Natural
Light Storm и др.).
При типовом проектировании типовые разработки адаптируются к особенностям проблемной области. Для реализации этого
подхода применяются инструментальные средства компонентного
(сборочного) проектирования информационных систем (R/3, BAAN
IV, Prodis и др.).
Главное отличие подходов состоит в том, что в случае применения
CASE-технологии на основе репозитория при изменении проблемной
области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии – конфигурирование программ и только в редких случаях – их переработка.
3.2. Интеллектуализация пользовательских интерфейсов ИС
Коротко рассмотрим структуру пользовательского интерфейса,
явившуюся одним из основных результатов исследований в области
ИИ, а именно при реализации ЭС. Взаимодействие пользователя
с ИС в его интерфейсе описывается средствами сценария, в котором
фиксируется форма диалога, регламентирующая последовательность транзакций, и вид обмена сообщениями между компьютером
и пользователем.
В зависимости от используемых средств сценарий может быть
представлен в виде графа переходов конечного автомата либо в виде
совокупности фреймов [7, 14, 22]. Совокупность сценариев диалога
(как статических, так и динамических) хранится в соответствующих библиотеках и представляет собой модель общения, реализуемую пользовательским интерфейсом ИС.
По сценарию и текущему состоянию диалога диалоговый монитор формирует или определяет форму общения, а также тип задания, выполняемого системой на текущем шаге (типы заданий: генерация вопроса, понимание ответа, генерация ответа и т. п.).
66
Важное место в структуре диалогового монитора занимает механизм динамического задания таблиц эквивалентностей подпрограмм (процедур), обеспечивающий использование в процессе
диалога (без изменения его сценария) различных по содержанию
и результатам выполнения, но аналогичных по типу совершаемых
действий процедур.
Важная особенность современных ИС – это способность общаться с пользователями на языках, близких к естественному, являющихся его подмножествами. Естественность данных языков заключается в первую очередь в том, что они позволяют пользователю
с минимальной подготовкой взаимодействовать с компьютером без
предварительного обращения к инструкциям и запоминания различных правил построения высказываний.
Одно из основных звеньев интеллектуальных интерфейсов – лингвистические процессоры, переводящие ЕЯ-высказывания пользователей на язык внутреннего представления, вид которого определяется прикладными программами, выполняющими дальнейшую обработку данных (входные языки информационно-поисковых систем,
языки манипулирования данными СУБД, языки программирования). При этом в процессе перевода выделяются описания сущностей, упомянутых в высказывании, выявляются свойства и отношения этих сущностей, а также отображается текущее высказывание
на знания системы о проблемной области, хранящиеся в составе комплекса словарей.
Последний компонент интерфейса – библиотека процедур, используемых диалоговым монитором для выполнения действий, соответствующих функциональным операторам языка описания диалогов, таким как выполнение различных операций, формирование
таблиц при табличной форме общения и т. п.
Знания интерфейса о диалоге, языке и ПрО разделяют на проблемно-независимые и проблемно-ориентированные, причем первые представляются в основном процедурно, вторые – декларативно. При этом механизм интерпретации декларативных знаний не
зависит от их конкретного содержания, что позволяет настраивать
системы общения на проблемную область, рассматривая ее как процесс ввода или корректировки декларативно представленных проблемно-ориентированных знаний.
Рассмотренные компоненты пользовательских интерфейсов постоянно уточняются и совершенствуются в различных аспектах,
в первую очередь в направлении создания средств, позволяющих
67
пользователю эффективно взаимодействовать с ИС на стадиях их
разработки, использования и развития. При этом весь комплекс
возможностей, предоставляемых данными средствами, характеризуется тем, что взаимодействие осуществляется в соответствии
с гибкой диалоговой структурой, на привычном для пользователя
языке, на различных стадиях разработки и эксплуатации системы,
с настройкой средств общения на изменения как ПрО, так и информационных потребностей пользователя.
Одно из основных назначений рассматриваемого интерфейса –
удовлетворение информационных потребностей пользователя на
основе применения методов фактографического и (или) документального поиска. Уровень интеллектуализации пользовательских
интерфейсов в обоих случаях определяется возможностью задавать
условия поиска на ЕЯ, не задумываясь об особенностях внутреннего представления значений атрибутов данных и об операциях, которые должны быть выполнены для выражения условий поиска.
Наиболее сложны для реализации, но достаточно мощны для
выражения информационной потребности пользователя текстовые
языки общения, предоставляющие человеку в процессе взаимодействия с ИС неограниченный выбор функций.
В целях упрощения реализации интерфейсов с текстовыми языками часто используются два подхода: ограничение ПрО и языка
общения. Примером второго подхода может служить текстовый
язык общения, разработанный автором в рамках информационнопоисковой САПР, обеспечивающей возможности как фактографического, так и документального поиска, в котором задание на поиск
формулируется в виде последовательности предложений русского
языка, описывающих операции (поиск, сохранение, вывод и др.),
необходимые для его выполнения.
Возможности современной вычислительной техники и ИТ позволяют реализовать текстовые языки без упомянутых ограничений.
При этом общение происходит на привычном для пользователя ЕЯ,
в котором допускаются ошибки, в целом не требуется строгое соблюдение синтаксиса языка. В настоящее время данный тип языков чаще всего используется в так называемых системах ИИ, основанных на знаниях.
Не выходя за пределы своей ПрО, пользователь может общаться с ЭВМ непосредственно при помощи информационно-поисковых,
расчетно-логических и экспертных систем. Революционную роль
сыграло создание и развитие веб-технологии, ставшей одним из
68
главных факторов, обеспечивших бурное развитие и популярность
Интернета как глобальной ИС.
В целом в рамках Веб был сконструирован и реализован универсальный способ построения сетевых ИС, не зависящих от платформ. Использование браузеров в качестве элемента пользовательских интерфейсов позволило унифицировать и упростить доступ
к данным. На современном этапе развития ИТ основное внимание
в области интеллектуализации пользовательских интерфейсов ИС
все в большей степени сосредоточивается на применении для этих
целей именно веб-технологий.
Вместе с тем проблема эффективной организации взаимодействия пользователя с ИС стала еще более насущной и актуальной,
обретя новые черты, обусловленные распределенной обработкой информации, необходимостью оптимального разделения функций по
обработке данных между серверной и клиентской частями ИС, разнообразием устройств ввода и отображения информации, другими
особенностями Веб [2, 7, 12].
Рассмотрим эти особенности подробнее, отметив, что гипермедиа-структуры, лежащие в основе построения Веб, являются обобщением гипертекстов и имеют одинаковую с ними природу, поэтому при дальнейшем изложении материала мы будем пользоваться
термином «гипертекст».
Главная часть гипертекста – это его тезаурус, который служит
для систематизации и поиска сведений. Тезаурус представлен совокупностью тезаурусных статей, каждая из которых отражает сведения о классе объектов, описание которого содержится в информационной статье гипертекста, а также ссылается на родственные тезаурусные статьи с указанием типа родства. Формируется тезаурусная
статья на основе индексирования сведений, вводимых в гипертекст.
Тезаурус гипертекста повышает полноту информационного поиска по сравнению с традиционными дескрипторными системами,
благодаря тому что в нем могут быть отражены связи между словосочетаниями любой сложности.
Графически тезаурус гипертекста можно представить в виде конечного ориентированного графа, вершины которого содержат текстовые описания объектов, а дуги указывают на существование связи между объектами и позволяют определить ее тип.
Для автоматизации процедуры поиска семантических сведений
в гипертекстовом массиве могут применяться модели поиска ближайшей по составу и содержанию информационной статьи, а также
69
модели поиска информационных статей с наиболее желательными
свойствами. При этом могут быть применены зарекомендовавшие
себя в традиционных информационно-поисковых системах модели,
основанные на использовании статистических методов, логических
полиномов и весовых критериев.
Для освещения проблем, сопутствующих созданию веб-ресурсов
и, соответственно, веб-интерфейсов, укажем задачи, которые должен решать разработчик:
– выбор информационного содержания;
– проектирование структуры;
– проектирование графического представления;
– разработка компонентов;
– сборка и верификация структуры (проверка соответствия ограничениям целостности) ресурса;
– обеспечение идентификации ресурса;
– обеспечение адаптируемости веб-интерфейса к уровню подготовки и разрешенным видам доступа к информации пользователей.
Создание новой разработки может начинаться с нуля или с реструктуризации уже имеющихся систем, выполняющих в этом
случае роль прототипов. При отсутствии соответствующих инструментов и подходов решение перечисленных задач крайне затруднительно, требует значительных затрат времени, не позволяет согласованно работать коллективам специалистов и фактически исключает возможность эффективной оперативной разработки и модернизации веб-ресурсов.
Все задачи взаимосвязаны и могут быть решены с применением
концепций БД к WWW, а также с помощью построения и исследований моделей Веб, основанных на использовании для этих целей
конечных ориентированных графов, узлы которых соответствуют
информационным страницам, а дуги – связям между страницами
Веб. Причем страницы могут находиться на единственном или множестве сайтов, что отражается в графовой модели. Это может быть
осуществлено с помощью меток на дугах графа, содержащих набор
данных, определяющих особенности перехода: ссылка, ее местоположение, тип ссылки (на документ, на графический образ) и другие
необходимые сведения, в том числе и семантические.
Данные модели могут быть построены в автоматизированном
режиме в процессе тестирования структур разработанных сайтов и
в процессе их проектирования для автоматизации процедур последующей сборки. При этом решаются такие задачи, как определение
70
особых ситуаций (неопределенных ссылок и др.), кратчайших путей по ссылкам между документами сайта.
Расширение графовых моделей до уровня фреймовых сетей позволяет создавать средства настройки веб-систем, ориентируясь на
особенности пользователей и обеспечивая как возможность адаптации к уровню их профессиональной подготовки, так и предоставляя администратору системы дополнительные средства ограничения доступа к информации, что важно для КИС.
Особые ситуации, которые могут иметь место в структуре вебинтерфейса, отражены на рис. 3.1: отсутствие концевой вершины
на пути (S4, P), невозможность возврата к вершине S1 из вершин S2,
S3, S4, S6, S7.
При этом все особые ситуации автоматически исключаются,
если соответствующий ориентированный граф будет сильно связным, т. е. любая пара его вершин соединена путем. В то же время
следовать этому правилу при построении сайта затруднительно,
поскольку связи в данном случае имеют семантический смысл и
отражают его логико-лингвистическую структуру. Использование наряду с семантическими связями возвратных, обеспечивающих для каждого пути (Si, Sj) также путь (Sj, Si), а для каждой
вершины Sk, k ∈ [2, …, l], где l – количество вершин графа, путь
(Sk, Sl) (на рис. 3.1 пути (S5, S1), (S8, S5), (S8, S1)), позволяет разрешить проблему достаточно эффективно.
В целях применения технологий БД для создания веб-сайтов могут быть использованы методы явного декларативного представления их структуры. Это позволяет просто создавать сайты, предназначенные для различных групп пользователей, поддерживать их
эволюцию, формулировать и налагать на сайт ограничения целостности, обновлять его.
S1
S3
S2
S6
S4
S7
S5
P
S8
Рис. 3.1. Особые ситуации в структуре веб-интерфейса
71
Важно, что все перечисленные задачи решаются сравнительно
просто для статических структур и усложняются при необходимости работы с динамическими страницами, определяемыми введенными пользователем данными. Тенденции же развития Веб показывают, что количество таких страниц неуклонно растет, в связи с чем
актуальны проблемы идентификации таких сайтов и автоматизации процессов их создания.
Перечисленные вопросы, а также проблемы использования ЕЯ
при формулировке запросов на поиск информации в Интернете,
оценка результатов поиска связаны с задачами интеллектуализации пользовательских интерфейсов и требуют разрешения.
Сконструированный и осуществленный в рамках Веб способ построения сетевых ИС по своим возможностям в значительной мере
приближается к современным ЭС: есть БЗ, реализуемая в виде гипертекста; присутствует развитый интерфейс с пользователем, позволяющий общаться с системой на языке, близком к естественному (браузер в качестве диалогового монитора, сценарии диалога – на
уровне HTML-документов); вероятно наличие средств автоматизированного пополнения и модификации гипертекстовых структур.
Гипертекст как один из вариантов логико-лингвистических моделей, широко используемых в ЭС, предназначен для систематизации, хранения, накопления и модификации семантической информации, обрабатываемой с использованием вычислительной техники. Главная составляющая гипертекста – тезаурус – обеспечивает
взаимосвязь понятий, определяющих предметную сферу, информация о которой заносится в БЗ. Тезаурусная статья является фактически моделью объекта, которую можно считать некоторой аналогией фрейма. В целом же тезаурус может быть интерпретирован
как совокупность взаимосвязанных типовых фреймов [2, 7, 12, 14].
Единственное различие гипертекстовых систем заключается
в том, что экспертным носителем правил вывода является специалист, работающий с информацией. Но это действительно при непосредственном общении пользователя с сайтом. На другом уровне общения – посредством информационно-поисковых систем,
при котором указанное несоответствие может быть исключено, –
список перечисленных задач может быть конкретизирован задачей построения ЭС в Интернете.
В настоящее время наряду с развитием возможностей языка разметки гипертекстов HTML, используемого в основном при создании
веб-сайтов, интенсивно развиваются технологии, основанные на
72
Extensible Markup Language (XML), языке, спецификации которого приобрели статус стандарта W3C (World Wide Web Consortium).
Нужно отметить, что использование XML-технологий открывает
радикально новые перспективы в части интеллектуализации вебинтерфейсов, что связано с возможностью не только предоставлять,
но и хранить информацию в структурированном виде.
Декларации Document Type Definition (DTD) в языке XML позволяют описывать структурные свойства XML-документов. При
этом структура документа определяется как последовательность
элементов и иерархий элементов, определяемых в документе типов.
Более развитые средства описания структуры и других свойств XMLдокументов обеспечивают разрабатываемые W3C спецификации
языка определения схемы для XML-документов.
С использованием этих метаданных легко контролировать целостность структуры XML-документов, отображать в виде одной из существующих моделей данных (реляционная, объектная), работать со
слабоструктурированной информацией с применением методов БД.
При создании сайта в среде XML для формирования его структуры могут использоваться структурообразующие средства самого
языка XML (спецификации DTD), а также гиперссылки и указатели, связывающие между собой XML-документы и (или) фрагменты
документов. Для декларации гиперссылок и указателей предусматривается использование языков XLink и XPointer.
Необходимо отметить, что одним из основных направлений в области интеллектуализации пользовательских интерфейсов в настоящее время является применение для этих целей веб-технологий, расширенных средствами автоматизированной разработки веб-сайтов.
3.3. Пользовательский интерфейс и его виды
Поль зоват е ль ский ин т ер ф ейс – это совокупность правил
взаимодействия пользователя с программой или ИС и средств, реализующих это взаимодействие.
В ИТ для конечного пользователя важное значение имеет пользовательский интерфейс – совокупность элементов, позволяющих
пользователю управлять работой программы или ИС и получать
требуемые результаты. Фактически пользовательский интерфейс –
это канал, по которому осуществляется взаимодействие пользователя и программы [6, 7, 11].
Пользовательский интерфейс реализует работу человека на персональном компьютере посредством элементов взаимодействия, т. е. эле73
ментов пользовательского интерфейса, с помощью которых пользователь непосредственно взаимодействует с программой или ИС. Различают пассивные и активные элементы взаимодействия.
Пассивный элемент взаимодействия – это элемент пользовательского интерфейса, через который пользователь не имеет прямого доступа к системным или программным ресурсам ИС, т. е. не может управлять или изменять эти ресурсы напрямую и непосредственно. К таким
элементам относятся информационные сообщения, подсказки и т. д.
Активный элемент взаимодействия – это элемент пользовательского интерфейса, через который пользователь имеет прямой
доступ к системным и программным ресурсам ИС с возможностью
непосредственного управления и изменения их. Это команды управления системными настройками и программными ресурсами, средства конфигурации ИС, команды работы с файловыми системами.
Развитие пользовательских интерфейсов происходило по двум
направлениям:
– развитие концепций логического представления данных;
– развитие средств взаимодействия с пользователем.
Развитие концепций логического представления данных. Как известно, различают два основных уровня представления данных в ЭВМ.
Физический уровень представления данных. Это фактическое размещение данных в компьютере, т. е. способ записи данных в устройствах ЭВМ. Физический уровень представления данных зависит
от развития аппаратного обеспечения ЭВМ и не имеет отношения
к пользовательскому интерфейсу.
Логический уровень представления данных. Это логическая форма записи данных, представленных на физическом уровне, т. е. данные, представленные в форме, доступной для обработки ПО разных
уровней – от операционной системы до прикладных программ.
Развитие уровней логического представления данных прошло
несколько этапов:
1-й этап: от битов к байтам. Бит – фундаментальная единица
информации в логической модели представления данных, однако
технологически удобнее обрабатывать совокупности битов – байты. Представление информации в виде байтов стало первым шагом
в развитии логического уровня представления данных.
2-й этап: от байтов к блокам (сегментам). Следующим шагом
стало объединение байтов в блоки, что дало возможность обрабатывать большие совокупности данных (блоки) как единое целое и обращаться к ним.
74
3-й этап: от блоков к файлам. Файл – совокупность битов (байтов, блоков), имеющих собственное имя. Появление файлов стало
следующей вехой в эволюции моделей представления данных. Теперь файл стал высшей формой логического представления данных,
с которой работают пользователи и ПО.
4-й этап: от файлов к объектам. Переход от файлов к объектам
формален. Фактически объекты – те же файлы или их совокупности, однако совокупности файлов – это наиболее близкий к будущему метод организации данных, когда файлы останутся «видны»
лишь операционной системе, как в свое время байты остались «видны» лишь процессору.
Развитие средств взаимодействия с пользователем также прошло несколько этапов:
1-й этап. Начальным шагом в развитии средств взаимодействия
пользователя и ЭВМ стало создание таких устройств, как монитор и
клавиатура, которые позволяли вводить информацию и отображать
результаты выполнения программ.
2-й этап. Средства позиционного ввода (манипуляторы типа
«мышь») стали революционным прорывом в построении пользовательских интерфейсов, т. к. стало возможным организовать взаимодействие пользователей и ЭВМ не с помощью команд, которые необходимо вводить вручную в командную строку, а с помощью выбора
объектов, которые обозначают данные команды.
3-й этап. Появление цветных мониторов и мультимедиа привело к созданию более эргономичных графических пользовательских
интерфейсов и позволило применять более широкий спектр средств
передачи информации: от однотонных звуков бипера, графических
статических и подвижных изображений к полноценному качественному видео и аудио.
4-й этап. Световое перо позволило создать компьютеры планшетного карманного типа и соответствующие им графические пользовательские интерфейсы, ориентированные на работу с рукописным вводом.
5-и этап. Виртуализация – переход на более высокий уровень абстракции в управлении конкретными конфигурациями ИС.
Виртуальная реальность – следующий этап развития пользовательских интерфейсов. Взаимодействие пользователя и ЭВМ осуществляется с помощью различных сенсоров, таких, как, например, шлем и перчатки, которые связывают его движения и впечатления и аудиовизуальные эффекты. Исследования в области вирту75
альной реальности направлены на увеличение чувства реальности
наблюдаемого.
Согласно общепринятой классификации, существующие на практике интерфейсы можно разделить на следующие виды:
– командный интерфейс;
– графический интерфейс;
– SILK-интерфейс.
Командный интерфейс. Одним из основных и наиболее старых является интерфейс командной строки. Командный (командно-строчный) интерфейс получил наибольшее развитие во времена расцвета
больших многопользовательских систем с алфавитно-цифровыми дисплеями. Он характеризуется тем, что пользователь взаимодействует
с ЭВМ посредством командной строки, в которую вводятся команды
определенного формата, а затем передаются к исполнению.
Командный интерфейс повышает эффективность работы профессиональных пользователей ИС, и он до сих пор применяется в некоторых приложениях (к примеру, консольных). Использование командного интерфейса обусловлено тем, что клавиатура является непревзойденным по скорости средством ввода информации. Конкуренцию ей
в перспективе может составить только голосовой способ ввода.
Графический интерфейс. Графический интерфейс пользователя
является обязательным компонентом большинства современных
программных продуктов, ориентированных на работу конечного
пользователя ИС. Основными достоинствами графического интерфейса являются наглядность и интуитивная понятность для пользователя, а также общность интерфейса программ, написанных
специально для функционирования в графической среде. Пользователь ИС, научившись работать с одной программой, легко может
начать работать и со всеми остальными.
Примером графического интерфейса является оконный WIMPинтерфейс (Windows, Icons, Menus, Point-and-click – окна, пиктограммы, меню, «укажи и щелкни»). WIMP-интерфейс возник тогда,
когда пользователями ИС (например, ЭС) стали люди, не обладавшие навыками алгоритмического мышления, т. к. общение с помощью командного интерфейса – это то же программирование, и ему
надо было специально учиться.
Наиболее часто графический интерфейс реализуется в интерактивном режиме работы пользователя и строится в виде системы спускающихся меню с использованием в качестве средств манипуляции мыши и клавиатуры. Работа пользователя ИС осуществляется
76
с экранными формами, содержащими объекты управления, панели
инструментов с пиктограммами режимов и команд обработки.
К числу типовых объектов управления графического интерфейса относятся объекты, представленные в табл. 3.1.
Графический интерфейс позволяет пользователю поддерживать
различные виды диалога, который в данном случае представляет собой обмен информационными сообщениями между участниками процесса, когда прием, обработка и выдача сообщений происходят в РМВ.
Д иа лог – это двусторонний обмен информацией между пользователем и ИС (в частном случае, с персональным компьютером).
Выделяют следующие типы диалога:
Жесткий диалог. Роли участников общения заданы жестко (например, режим работы «вопрос – ответ» с указанием того, кому из
партнеров принадлежит инициатива).
Гибкий диалог. Задается множество предписанных вариантов
диалога, представляемых пользователю в виде меню, как правило,
Таблица 3.1
Основные объекты управления графического интерфейса
Название объекта
Описание объекта
Постоянный текст, не подлежащий изменению
Метка
при работе пользователя с экранной формой,
например названия полей в экранной форме
Текстовое окно
Поле для ввода информации произвольного вида
Объект, обеспечивающий передачу управляюКомандная кнопка
щего воздействия, например кнопки «ОК»,
«Отменить», «Сохранить» в диалоговых формах
Элемент для альтернативного выбора одной
Кнопка-переключатель
команды из группы однотипных команд
Элемент, позволяющий выбрать несколько
Помечаемая кнопка
команд из группы однотипных
Элемент, содержащий список альтернативных
Окно-список
значений для выбора
Элемент, который объединяет возможности
окна-списка и текстового окна, т. е. дает возКомбинированное окно
можность ввести данные с клавиатуры или
выбрать из списка
Линейка горизонтальной Элемент для быстрого перемещения внутри
прокрутки
длинного списка или текста по горизонтали
Линейка вертикальной Элемент для быстрого перемещения внутри
прокрутки
длинного списка или текста по вертикали
77
иерархической структуры, из которого он выбирает направление
решения задачи.
Свободный диалог. Участники общения могут обмениваться информацией произвольным образом.
Наиболее распространенные виды организации диалога:
– меню;
– шаблон;
– команда;
– естественный язык.
Меню – это набор операций, который может выполнить ИС в соответствии с программой. Реализация диалога в виде меню возможна
через вывод на экран видеотерминала определенных функций ИС.
Пользователь выбирает на экране монитора нужную ему операцию и
передает ее к исполнению.
Шаблон – это режим взаимодействия конечного пользователя с ИС,
на каждом шаге которого система воспринимает только ограниченное по
формату входное сообщение пользователя. Варианты ответа пользователя
ограничиваются форматами, предъявляемыми ему на экране монитора.
Команда – это вид организации диалога, который инициируется
пользователем ИС. При этом выполняется одна из допустимых на
данном шаге диалога команд пользователя. Их перечень отсутствует на экране, но легко вызывается с помощью специальной директивы или функциональной клавиши.
Естественный язык – это вид организации диалога, при котором запрос и ответ со стороны пользователя ИС ведется на языке,
близком к естественному. Пользователь свободно формулирует задачу конкретной ПрО, но с набором установленных программной
средой слов, фраз и синтаксиса языка. Система может уточнять
формулировку пользователя. Разновидностью этого вида диалога
является речевое общение с системой – SILK-интерфейс.
SILK-интерфейс. В настоящее время SILK-интерфейс (Speech,
Image, Language, Knowledge – речь, образ, язык, знание) чаще всего
существует лишь как «голосовой» (если не считать биометрических
интерфейсов, применяющихся не для управления компьютером,
а лишь для идентификации пользователя).
Это очень перспективное направление ИТ, поскольку ввод
информации посредством голоса – самый быстрый и удобный
способ ввода. Но его практические реализации пока не стали доминирующими, т. к. качество распознавания устной речи пока
далеко от идеала.
78
Пользовательские интерфейсы строятся с соблюдением следующих принципов.
Принцип структуризации. Пользовательский интерфейс должен
быть целесообразно структурирован. Его родственные части должны
быть связаны, а независимые – разделены; похожие элементы должны иметь сходство, а непохожие – различаться.
Принцип простоты. Наиболее распространенные операции
должны выполняться максимально просто. При этом обязаны быть
ясные ссылки на более сложные процедуры.
Принцип видимости. Все функции и данные, необходимые для
выполнения определенной задачи из конкретной ПрО, должны быть
видны, когда пользователь ИС пытается ее решить.
Принцип обратной связи. Пользователь должен получать сообщения о действиях ИС и о важных событиях внутри нее. Эти сообщения должны быть краткими, однозначными и написанными на
языке, понятном пользователю.
Принцип толерантности. Интерфейс должен быть гибким и терпимым к ошибкам пользователя ИС. Ущерб от ошибок должен снижаться благодаря возможности отмены и повтора действий и за счет
адекватной интерпретации любых разумных действий и данных.
Принцип повторного использования. Интерфейс должен многократно использовать внутренние и внешние компоненты, достигая
тем самым унификации.
Существует три основных критерия качества пользовательского
интерфейса ИС:
– скорость работы пользователей ИС;
– количество человеческих ошибок;
– скорость обучения.
Скорость работы пользователя ИС. Взаимодействие пользователя с системой (не только компьютерной) состоит из семи этапов:
1) формирование цели действий;
2) определение общей направленности действий;
3) определение конкретных действий;
4) выполнение действий;
5) восприятие нового состояния системы;
6) интерпретация состояния системы;
7) оценка результата.
Таким образом, процесс размышления занимает почти все время, в течение которого пользователь работает с компьютером, т. к.
шесть из семи этапов полностью заняты умственной деятельностью.
79
Соответственно, повышение скорости мышления приводит к значительному увеличению скорости работы.
Существенно повысить скорость собственно мышления пользователей невозможно, но качественный пользовательский интерфейс должен уменьшить влияние факторов, усложняющих (и, соответственно, замедляющих) процесс мышления.
Количество человеческих ошибок. Пользовательский интерфейс
должен отвечать условиям, которые позволят уменьшить количество допускаемых ошибок.
К таким условиям относятся:
– плавное обучение пользователей в процессе работы;
– снижение требований к бдительности;
– повышение разборчивости и заметности индикаторов.
Кроме того, пользовательский интерфейс должен содержать средства, позволяющие снизить чувствительность системы к ошибкам.
К таким средствам относятся:
– блокировка потенциально опасных действий пользователя до
получения подтверждения правильности действия;
– проверка системой всех действий пользователя перед их принятием;
– самостоятельный выбор системой необходимых команд или
параметров, когда от пользователя требуется только проверка.
Скорость обучения. Пользовательский интерфейс должен содержать средства, позволяющие пользователю в максимально короткие
сроки научиться работать с программой или ИС. К таким средствам
относятся различные справочные системы, подсказки, информационные сообщения.
80
4. ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ
В ИУС РАЗЛИЧНЫХ УРОВНЕЙ
4.1. Аналитико-информационные технологии в КИС
Научной основой взаимоотношения человеческих ресурсов и современных ИТ является интеграция собственно информатики, кибернетики и инновационных методов административного управления [10, 14, 15, 17].
Базовые принципы применения ИТ в КИС [9, 19]:
– принцип оперативного управления (т. е. управление в РМВ);
– принцип адаптивного управления (обеспечивает динамическую адаптацию технологии управления с учетом изменения воздействия внешней и внутренней среды);
– принцип сквозного управления (обеспечивает информационную поддержку полного цикла управления, включая сбор и анализ
информации о состоянии объекта управления, моделирование и прогнозирование его состояния, планирование управляющих воздействий, непосредственную ППР по их реализации, доведение решений
до исполнителей и контроль исполнения);
– принцип сетевого управления (позволяет реализовать взаимодействие вертикальных и горизонтальных линий коммуникации и
потоков деятельности организации).
Компьютерная интеллектуальная ИУС ППР, использующая перечисленные принципы, может обеспечить руководство и сотрудников
достаточно простыми в применении и емкими по внутреннему содержанию решениями основных проблем управления организацией.
В настоящее время корпорации и предприятия используют разные КИС, среди которых можно выделить следующие классы.
Системы управления взаимоотношениями с клиентами – CRM
(Customer Relationship Management). Это средства автоматизации работы отделов маркетинга, продаж и обслуживания клиентов, а также набор дополнительных сервисов в виде корпоративных порталов,
кол-центров, онлайновых справочных бюро для клиентов, корпоративных БЗ и пр. Это класс систем управления внешними отношениями предприятия.
Системы управления взаимоотношениями с клиентами CRM включают в себя методы управления, позволяющие повысить эффективность
продаж. В таких системах нашли свое отражение многие достижения современного маркетинга. Они управляют взаимоотношениями компании
с ее клиентами (заказчиками), партнерами, дилерами и внешним миром.
81
Системы планирования ресурсов предприятия – ERP (Enterprise
Resource Planning). Это класс КИС, представляющий собой унифицированную централизованную БД, единое приложение и общий пользовательский интерфейс для управления финансово-хозяйственной
деятельностью. Они охватывают такие области деятельности предприятия, как планирование и прогнозирование, управление продажами, запасами, производством, закупками, финансами и пр. (ремонты,
управленческая отчетность, консолидация).
Системы информационной поддержки аналитической деятельности – BI (Business Intelligence). Это хранилища аналитических
данных, которые включают в себя набор средств обработки информации. Они также могут называться OLAP-системами (см. табл.
4.1) в отличие от OLTP-систем, к которым относятся ERP-системы
планирования ресурсов предприятия и CRM-системы управления
взаимоотношениями с клиентами [9, 10].
OLAP – технология обработки информации, включающая составление и динамическую публикацию отчетов и документов. Используется аналитиками для быстрой обработки сложных запросов
к БД. Возможность доступа к учетным данным для всех потребителей помогает избежать двойного ввода и искажения информации.
Таким образом, предприятие обеспечивается ресурсами для оперативного анализа и контроля производственных процессов, при этом
трудозатраты на поиск необходимой информации сокращаются.
В системе реализуется контроль, т. к. благодаря внедрению ERPсистемы планирования ресурсов предприятия все данные регистрируются в РМВ и интерпретируются по единым алгоритмам. Система
позволяет своевременно контролировать выполнение производственных операций. Следовательно, появляется возможность вовремя вмешаться в ход производственного процесса, остановить ошибочные
операции или внести соответствующие коррективы.
Кроме того, система выполняет анализ, т. е. заложенные в систему методики анализа позволяют реализовывать деятельность компании в соответствии с ее стратегией и моделировать различные ситуации. Аналитические ресурсы ERP-системы планирования ресурсов
предприятия предоставляют возможность разрабатывать решения,
обеспечивающие снижение затрат (например, за счет уменьшения
времени складского хранения, планирования загрузки мощностей,
ресурсов, подбора оптимальных поставщиков и сроков поставок) или
увеличение выручки (за счет своевременности обработки клиентских
заказов и более высокой скорости их регистрации).
82
Что касается принятия решений, то ERP-система планирования
ресурсов предприятия предоставляет специалисту, принимающему
решения, именно ту информацию, на основании которой он может
действовать с минимальной долей риска.
Организация, оперативно и качественно решающая задачи, связанные с управлением производством, имеет большие преимущества перед конкурентами. Грамотный подход к реализации проекта
внедрения ERP-системы планирования ресурсов предприятия дает
возможность изменить в лучшую сторону показатели общей эффективности ведения бизнеса: улучшить качество обслуживания клиентов и заказчиков, взаимоотношения с поставщиками, увеличить
число клиентов и поставщиков (вследствие более оперативного выполнения заказов) и т. п.
BI-системы представляют собой хранилища данных с набором
инструментов для получения данных из ERP и других систем и методы последующего анализа собранных данных. Таким образом, BIсистемы – это решения на основе систем делового анализа OLAP и сиТаблица 4.1
Различные виды OLAP-систем
OLAPсистема
Характеристики и особенности
Многомерная OLAP-система, работающая с многомерной базой
(MDBMS), где хранятся агрегированные данные совместно с данными для кубов (многомерной модели данных системы). MOLAPMOLAP
системы обеспечивают полный цикл OLAP-анализа, имеют развитые многомерные СУБД, отличаются достаточно высокой
стоимостью (например, Essbase, Oracle Express Server)
Реляционная OLAP-система, работающая с реляционной БД
(RDBMS), где хранятся данные для кубов и агрегированные данные. ROLAP-системы обычно не имеют собственных БД, но обеспечены интерфейсами к наиболее распространенным реляционным
ROLAP
базам. Реляционные данные преобразуются ROLAP-системой
в многомерные данные, образуя промежуточный слой метаданных (например, DSS Suite компании MicroStrategy, MetaCube
компании Informix, Decision Suite компании Advantage)
Гибридная OLAP-система, в которой данные для кубов хранятся
в реляционной базе, а агрегированные данные – в многомерной
базе. Гибридная система ускоряет многомерный анализ благоHOLAP
даря многомерной базе и в то же время позволяет исключить
дублирование данных с помощью реляционной БД (например,
Media/MR компании Speedware)
83
стем поддержки принятия решения DSS (Decision Support Systems),
т. е. это интегрированный набор средств обработки информации и
данных для стратегического анализа деятельности организации, полученных другими КИС разными методами.
С помощью систем информационной поддержки аналитической
деятельности ресурсы данных могут быть преобразованы в цельную
информацию и служить основой для принятия управленческих решений. Основные функции таких систем можно распределить следующим образом (рис. 4.1):
– визуальное представление бизнес-стратегии и преобразование
ее в план конкретных действий;
– быстрая корректировка стратегии в соответствии с изменениями рынка;
– отслеживание ключевых факторов успеха с использованием
внешних и внутренних программ оценки эффективности;
– анализ эффективности предприятия.
Рассмотрим архитектуру ИАС (рис. 4.2) и структуру модели в OLAPсистеме (рис. 4.3).
Современные направления развития OLAP-систем связаны с встраиванием ключевых функций аналитической обработки данных в КИС
класса ERP элементов и закономерностей, которые осуществляются
с помощью интеллектуального анализа данных (англ. Data Mining).
Наряду или в составе вышеперечисленных ИС в практике деятельности предприятий (корпораций) используются некоторые специальные системы.
Системы управления логистическими цепочками SCM (Supply
Chain Management). При производстве сложных изделий, в состав
которых входят комплектующие от разных поставщиков, для предприятий важно оперативно программировать поставку необходимых деталей в требуемом объеме и к назначенному сроку. Иными
словами, система обеспечивает процессы планирования и координации снабжения, транспортировки и складирования.
Системы планирования материальных потоков MRP (Material
Requirements Planning). Это класс систем управления закупками,
производством и сбытом материалов.
Системы управления человеческими ресурсами HRM (Human
Resources Management). Задачи этих систем – управление и эффективное использование потенциала всех сотрудников предприятия. Эти
системы обеспечивают информационную поддержку в процессе планирования карьеры и обучения, оценки персональных достижений.
84
Функции
Визуализация
аналитической
информации
Выработка
программ
действий
BI
Корректировка
и изменение
стратегии
Оценка
и анализ
эффективности
Рис. 4.1. Основные функции ИАС (BI-систем)
Пользователи
Многомерный интеллектуальный анализ
OLAP-сервер
SQL-сервер
ROLAP
MOLAP
Агрегированные данные
Детализированные
данные
Рис. 4.2. Архитектура ИАС интеллектуального многомерного анализа
Пользователи
Оперативные
данные
Выборка,
преобразование
и загрузка данных
OLAP
Пользователи
Пользователи
Пользователи
Пользователи
Рис. 4.3. Структура модели многомерного представления информации
в OLAP-системе
85
Все перечисленные ИС являются не замкнутыми самостоятельными системами, а лишь относительно самостоятельными видами
КИС. Конечно, каждая конкретная ИС может нести в себе отдельные элементы и признаки каждой из вышеназванных.
В настоящее время наметилась тенденция создания так называемых гибридных интеллектуальных систем, когда в уже хорошо
известные информационные комплексы и компьютерные программы встраиваются элементы систем ИИ. Также получают развитие
и современные когнитивные информационные технологии, которые
включает в себя ИТ, специально разработанные для развития творческих способностей человека и информационной поддержки творческих процессов.
Интеллектуальные системы управления. Следует отметить, что
современные ИТ имеют важную особенность. Если на раннем этапе
их появления и развития средства автоматизированной обработки
информации в основном применялись к уже существующим типовым процедурам управления, то в последнее время ситуация существенно изменилась.
Информационно-коммуникационные технологии стали своеобразным катализатором распространения передового управленческого опыта и современных технологий менеджмента. При этом
происходит оптимизация бизнес-процессов в соответствии с современными достижениями теории и практики управления. Главным
результатом этого является эффективная система управления предприятием (корпорацией), основанная на актуальных сетевых компьютерных технологиях. В итоге за счет оптимизации механизмов
поддержки принятия управленческих решений и текущих бизнеспроцессов, удается получить существенные конкурентные преимущества и дополнительные ресурсы для развития.
Для лучшего понимания основы процесса консолидации знаний
и его значения для системы управления полезно использовать целостную модель аккумуляции знаний корпорации (рис. 4.4).
Эта трехуровневая модель показывает взаимоотношения между
ключевыми процессами управления знаниями, производственно-технологическими и бизнес-процессами и главными функциональными областями, на которых строится управление знаниями.
В этом случае организация создает ценности на основе имеющихся
у нее интеллектуальных знаний и активов.
При аккумуляции корпоративных знаний и их структуризации
необходимы критерии, по которым организации могут выстроить
86
Структура и обязанности
Применение
знаний
Человеческие
ресурсы
Создание
знаний
Производственнотехнологические
и бизнес-процессы
Информационные
технологии
Лидерство
Распространение
знаний
Хранение
знаний
Корпоративная культура
Рис. 4.4. Модель аккумуляции знаний корпорации
управление знаниями. Существует достаточно много признаков практической структуризации корпоративных знаний, необходимых для
определения рода знаний, с которыми предполагается работать.
Приведем примеры критериев структуризации и виды корпоративных знаний:
– по источникам получения: внутренние и внешние;
– по содержанию: экономические, социальные, организационные, технические, политические, экологические и др.;
– по теории познания: явные и скрытые, осознанные и неосознанные;
– по назначению: теоретические и практические;
– по возможности применения: «знаю-что», «знаю-как», «знаюгде» и т. д.
Чем больше используемых критериев, тем больше вариантов
структуризации знаний можно получить и тем самым повысить
эффективность ИС в аспекте поиска, обновления и использования
необходимых знаний в БЗ. Конечно, в этом случае стоимость БЗ возрастает. Процесс структурирования знаний является важнейшим
при разработке ИИС [3, 5, 8].
Методологические основы структурирования знаний опираются
на современную теорию больших систем (с важностью этапа проек87
тирования), системный анализ, объединяющий методы, ориентированные на исследование и моделирование сложных систем, и объектно-ориентированный анализ.
При разработке структуры БЗ важным является определение
множества объектов ПрО, формирование наборов атрибутов-признаков для каждого из них, введение так называемых метапонятий
и определение порядка отношений между ними. Все подходы можно условно разделить на символьные и визуальные.
Символьный подход к структуризации знаний основан на математическом, текстовом или табличном описании. Он используется,
в случае если ПрО хорошо структурирована. Для символьного подхода наиболее традиционными и внешне простыми являются текстовые методы, поскольку любое явление или процесс можно описать в текстовой форме.
Однако полученный текст не является знанием как таковым. Он
должен быть проанализирован, освобожден от повторов и неинформативных текстовых конструкций. В результате такого анализа текст
может быть преобразован в семантическую сеть или в совокупность
определенных правил, что само по себе достаточно сложная задача.
Использование математического аппарата возможно только тогда, когда ПрО полностью структурирована. Поэтому для формализации знаний, например, о социально-экономических объектах
символьный подход используется достаточно редко.
Когда ПрО слабо структурирована, используются визуальные,
или графические, подходы к структуризации знаний. Они более наглядны и просты для интерпретации.
При разработке БЗ целесообразно изначально разделять существенные фрагменты ПрО на слабоструктурированные и структурированные.
Два основных вида БЗ:
1) БЗ, спроектированные так, чтобы люди могли получать и использовать содержащиеся в них знания, в первую очередь для обучения. Они обычно используются для накопления явного знания организации, включая статьи, описания ситуаций и продуктов, пользовательские инструкции и т. д.;
2) БЗ, хранящие знания в форме, пригодной для обработки компьютером, обычно с целью обработки с помощью дедуктивного метода анализа. Они содержат набор данных, описывающий знания
в форме правил, к которым применимы логические операторы «И»,
«ИЛИ» и т. д.
88
Для таких носителей знаний, как файлы и документы, БЗ может
хранить только метаописания. Сами файлы, содержащие документы, схемы, чертежи, рисунки и т. д., находятся в хранилище знаний, или репозитории.
Таким образом, функционирование интеллектуальной ИС, обеспечивающей структурирование и формализацию знаний организации (системы управления знаниями), обеспечивается совместным
использованием БЗ и хранилища слабоструктурированных знаний.
Эффективность использования знаний при подготовке и принятии управленческих решений зависит от степени их структурированности, так как за счет этого существенно сокращаются затраты
времени на поиск, приобретение, хранение и восприятие знания ЛПР
и повышается правильность самих управленческих решений.
Практическая реализация собственно концепции построения интеллектуальных ИУС предполагает некоторое избирательное использование тех или иных технологий обработки знаний в зависимости от многих факторов: специфики решаемых задач, особенностей управляемого
объекта, условий эксплуатации, функционального назначения и т. п.
Выделяют шесть важнейших элементов представления информации в ИИС [7, 8, 22]:
– структурированность, которая обусловливает возможность рекурсивной вложенности отдельных информационных единиц (ИЕ)
друг в друга;
– внутренняя интерпретируемость, понимаемая как наличие
уникальных имен, идентифицирующих каждую ИЕ;
– внешняя связность, задающая возможность установления функциональных, каузальных и других типов отношений между ИЕ;
– наличие классифицирующих отношений, обобщающих закономерности, действующие в какой-либо ПрО;
– возможность введения различных метрик для фиксации количественных, порядковых и иных соотношений ИЕ;
– активность, отражающая способность инициировать выполнение некоторых целесообразных действий при появлении новой информации.
В настоящее время наиболее перспективными для создания интеллектуальных ИУС являются четыре технологии:
1) экспертные системы,
2) ассоциативная память,
3) нечеткая логика,
4) нейронные сети.
89
Важная особенность технологии ЭС – это возможность работы с формами явного представления знаний, включая семантические сети, продукционные правила, предикаты и фреймообразные структуры.
Технология ассоциативной памяти использует механизмы восстановления целостных образов по их отдельным элементам и в итоге сводится к работе с многомерными массивами памяти. Хранящиеся знания имеют неявную форму представления и задают классификацию понятий некоторой ПрО в виде сочетания набора признаков, присущих каждой качественной категории.
Нечеткая логика ориентирована на обработку логико-лингвистических моделей представления знаний. Как правило, подобные
модели используются для формализации неточных, размытых
в смысловом отношении суждений и строятся с применением обобщенных категорий, которые задают классификацию исходных понятий на уровне нечетких множеств.
Нейросетевые структуры позволяют организовать обработку неявных форм представления знаний. Такая технология консолидирует основные функциональные особенности биологических прототипов и предполагает формирование однородных структур, которые
состоят из множества взаимосвязанных элементов с определенной
заданной характеристикой преобразования сигналов. Совокупность знаний определяется специфической настройкой весовых коэффициентов межэлементных связей ИНС и позволяет обеспечить
надежную классификацию.
Примерами современных интеллектуальных ИУС, которые, помимо традиционных систем сбора и регистрации информации, позволяют менеджерам среднего и высшего звена оценить реальное
состояние дел в корпорации, уловить последние тенденции развития бизнеса и проанализировать возможные последствия принятия
управленческих решений, могут служить так называемые ситуационные центры (СЦ) [17, 18]. Это совокупность интеллектуально
организованных рабочих мест с автоматизированными операциями
закачки и пополнения информации (включая конвертеры данных),
процедурами построения моделей, анализа ситуации, прогона моделей, графического представления проигранных сценариев.
Ситуационные центры аккумулируют средства сбора и анализа
информации, инструменты прогнозирования и построения возможных моделей развития и визуального представления результатов
в максимально удобном и полезном виде прежде всего для первых
лиц компании. Это эффективный инструмент для руководителей,
90
которые должны видеть всю картину подчиненного им хозяйства
в целом, уметь оценить текущую ситуацию и принять оптимальное
решение.
В России такие системы ранее применялись исключительно на
государственном уровне (например, СЦ президента). В настоящее
время разработка и внедрение подобных структур уже становится неотъемлемой частью крупных корпораций, и первые СЦ в стране появились у компаний, которые сами создавали системы управления
(например, «Парус», «Галактика»).
Базу СЦ представляют информационно-аналитические системы (ИАС). Примерами успешной реализации ИИС могут служить
ИАС «Дипломат», разработанная в Научно-исследовательском центре информатики при МИД России, и ИАС «Исинпол» Федеральной
службы налоговой полиции.
Следующий уровень в структуре СЦ обобщает и анализирует информацию о деятельности организации. Здесь могут быть использованы разные средства: упомянутые ранее OLAP-системы, интеллектуальный анализ, статистические средства, нейронные сети, модели
оценки рисков и другие современные решения. Далее следуют наиболее сложные элементы СЦ – модули прогнозирования и динамического моделирования.
Главным преимуществом СЦ, выделяющим его среди других
систем разработки и принятия решений, являются достаточно широкие возможности визуализации. Это следующий уровень СЦ, на
котором все результаты анализа и прогноза, включая варианты развития, представляются в максимально удобном для восприятия и
осмысления виде. Здесь, как правило, применяется технология семафоров, когда определенный цвет несет смысловую нагрузку, информируя и сигнализируя о состоянии дел в той или иной ПрО.
Информационно-аналитическая деятельность внутри корпораций становится все более наукоемкой, и те принимают на вооружение самые последние разработки и достижения в области ИИ. У многих из них есть даже собственные выделенные телекоммуникационные сети и БД. Например, информационная сеть японской компании
NEC позволяет получать в штаб-квартире до 30 тысяч сообщений
в день со всего мира. Сеть ARIANET французского телекоммуникационного гиганта FranceTelecom обеспечивает ежедневный доступ
к информации о конкурентах для 4 тысяч своих сотрудников.
В настоящее время появился серьезный интерес к практическому применению нового направления науки, возникшего на стыке
91
ИИ, теории БД и статистики и получившего название Knowledge
Discovery in Databases (KDD; дословно «обнаружение знаний в БД»).
На основе этой технологии разработано значительное количество
новых программных продуктов, а элементы автоматической обработки и анализа данных становятся неотъемлемой частью известной концепции хранилищ данных (англ. Data Mining).
Большой интерес представляют текстово-аналитические системы (ТАС), которые позволяют извлекать и анализировать необходимую информацию из крупных информационных массивов. По
сравнению с сетью Интернет процедура поиска необходимой информации в профессиональных базах существенно облегчена. Так,
система Tracker Lexis-Nexis сканирует несколько тысяч полнотекстовых информационных источников и выбирает только самые необходимые и нужные документы.
Французская компания Acetic разработала пакет прикладных
программ под названием Tropes для глубокого смыслового анализа
крупных информационных массивов. Выбор и сортировка информации происходит в соответствии с ключевыми словами и понятиями, связанными по смыслу. При этом можно одновременно анализировать два текстовых информационных фрагмента объемом
в несколько десятков книжных томов. Пакет Tropes позволяет создавать целые информационные сценарии, на основе которых автоматически осуществляется не только поиск, но и целевое группирование и подготовка требуемых данных.
Разработка американской компании Intelligent Search Solutions –
пакет ПО InfoTracer – предназначена для сбора информации экономического характера в сети Интернет. В пакете InfoTracer используются ключевые слова и фразы, с помощью которых автоматически
составляются сообщения необходимого для пользователей содержания. В них могут указываться, к примеру, фамилии руководящего
персонала, данные о деловых операциях компании, ее партнерах,
используемых ими технологиях, выпускаемой продукции, а также
о кадровых ресурсах и т. п.
В настоящее время крупные корпорации используют различные
деловые игры и тренинги как специальную форму проведения анализа. Например, в игре участвуют две команды: одна представляет
интересы своей фирмы, другая – конкурента. Иногда включаются
«непредсказуемый» игрок или игроки, представляющие, например, интересы государственного регулятора. В ходе игры отрабатываются различные деловые стратегии, планы и модели поведения
92
в нестандартных ситуациях и условиях. Подобные деловые игры
реализуют несколько целей:
– улучшение взаимодействия команды управленцев;
– наработка руководством организации практики принятия лучших решений;
– выяснение сильных и слабых сторон как организации, так и
конкурентов;
– выяснение характера дополнительной информации, необходимой для принятия будущих решений;
– выяснение возможных действий конкурентов и подготовка
адекватного ответа.
Все более широкое распространение получают компьютерные
деловые игры и имитационные эксперименты, позволяющие учитывать множество различных факторов деловой активности конкурентов, политические реалии, социально-экономическую обстановку в регионе и т. п. [4, 5, 16, 21].
К примеру, компания Pacific Bell при изучении своих конкурентов по телефонному бизнесу в новом регионе воспользовалась
программной версией деловой игры TeleSim, которую разработала
компания Thinking Tools по контракту с консультантами Coopers &
Lybrand. Такой подход позволил компании определить возможные
действия операторов кабельного телевидения и прочих потенциальных конкурентов, включая местные обслуживающие компании.
Подобные компьютерные имитационные эксперименты активно
используются на практике и при работе СЦ в специальном рабочем
режиме, когда вводится значительное количество фактической информации, и в результате вырабатывается набор рекомендаций или
соответствующий алгоритм действий.
Новой тенденцией интеллектуальной транснационализации
в настоящее время стало возникновение национальных, региональных и глобальных структур в форме сетевых объединений
аналитических центров. На базе сетей осуществляется обмен информацией, совместное выполнение экономических и политических заказов, обширное вовлечение человеческих ресурсов и создание коллективных пропагандистских ресурсов, тематическое
разделение труда, координация работы, согласование позиций по
тем или иным вопросам и т. п.
Интеграция аналитических центров в сетевые структуры развивается преимущественно на двух основах. Она возникает, когда объединяются усилия центров близкой идеологической ориентации, а также
93
когда небольшие экспертные институты объединяют усилия для формирования общих позиций по более широким, глобальным политикоэкономическим и управленческим вопросам, или же когда взаимодействуют центры, исследующие близкую проблематику [17, 18].
Аналитические центры различаются по своим общим задачам,
источникам финансирования, производимой продукции, составу и
квалификации сотрудников и т. д. Основой для типологии аналитических центров может стать, например, их профильная направленность и тематика деятельности (см. табл. 4.2).
Таблица 4.2
Классификация аналитических центров
По видам
деятельности
(функциям)
Проводящие анализ, исследования
Обучающие, организующие обсуждение проблем
Защищающие общественные интересы и др. (многопрофильные)
Политические
По сферам
Экономические
(направлениям) Экологические
деятельности Социальные
Правовые и др. (многопрофильные)
По правовому
статусу
Общественные организации:
– непартийные, неправительственные, некоммерческие
общественные организации;
– общественные организации, учрежденные властными
структурами;
– общественные организации, учрежденные партийными
структурами;
– общественные организации, учрежденные бизнес-структурами
Образовательные учреждения
Департаменты властных структур
Коммерческие организации
Консалтинговые фирмы
Центры избирательных технологий
По степени
независимости
Работающие на органы власти (федеральные, региональные, местные), политические партии, бизнес-структуры
Независимые (их результатами могут пользоваться
власти, политические партии и др.)
94
Значительно расширило возможности для подобного партнерства развитие Интернета. Всемирная компьютерная сеть предоставляет информацию аналитических центров и эффективно обеспечивает коммуникации, поэтому появились виртуальные, рассредоточенные в пространстве аналитические центры пятого поколения –
так называемые транснациональные сети мысли.
Деятельность по созданию таких сетей представляет собой различные формы взаимодействия отдельных центров: межличностные
связи, контакты организаций, взаимодействие через Интернет. Транснациональные сети мысли – виртуальные экспертные сети, которые
рассматривают стратегические вопросы динамично, в РМВ. Эти аналитические центры не имеют ограничений в направлениях деятельности и количестве экспертов, принимающих в них участие [17, 18].
Такие проекты, как «Сеть глобального развития» Всемирного банка,
программа «Глобальная политика» Фонда международного мира Карнеги, «Глобальная сеть государственной политики» ООН и программа
«Аналитические центры и гражданское общество» Научно-исследовательского института внешней политики, наладили партнерство с аналитическими центрами по всему миру, стремясь создать глобальные сети
для анализирования мировых проблем, формирования внешней политики и влияния на программы и приоритеты международных институтов.
Потенциальная доступность знаний в любой точке мира для различных бизнес-структур, участвующих в глобальных экономических процессах, становится одинаковой или практически одинаковой. Современная транснациональная корпорация с рассредоточенными по всему миру производственными, коммерческими и офисными структурами нуждается в том, чтобы необходимая информация
была доступна всегда и везде.
В современных КИС общедоступность информации, необходимой для дистанционного управления, контроля, обучения, проведения финансовых операций и т. д., является одновременно и следствием глобализационных процессов, и их причиной.
Глобальные процессы в современной экономике трансформируют
мировое экономическое и политическое пространство, формируют экономику знаний, а современные сайты крупных транснациональных
корпораций не только выполняют очевидную рекламную функцию,
но и начинают играть роль своеобразного интерфейса, с помощью которого корпорация взаимодействует с внешним миром. Качественный
уровень КИС и информационная насыщенность сайта корпорации
имеют важное значение в конкурентной борьбе на мировом рынке.
95
КИС, обеспечивающие применение новых ИТ управления, также активно внедряются в практику деятельности отечественных
компаний. За счет высоких темпов развития ИТ в последнее десятилетие Россия смогла сократить разрыв с развитыми странами по
уровню информатизации экономики и общества.
4.2. Искусственный интеллект
и структурная организация интеллектуальных САУ
До сих пор рассматривались вопросы интеллектуализации в сфере принятия решений на верхнем уровне – уровне административного
управления КИС как эволюции автоматизированной системы управления (АСУ) в условиях рыночной экономики. Но эти проблемы необходимо решать и в нижнем звене цепочки ИТ, т. е. следует рассмотреть задачи
внедрения ИИ в системы автоматического управления (САУ) [9, 13, 20].
Основная функция интеллектуальных САУ, качественно отличающая их от других систем, – это реализация определенных разумных, человекоподобных рассуждений и действий, направленных на
достижение определенной цели в соответствующей ПрО.
В большинстве случаев, выполняя какие-либо действия, человек
до конца не осознает, как он это делает. Ему неизвестен алгоритм происходящих в его мозге процессов понимания текста, узнавания лица,
доказательства теоремы, выработки плана действий, решения задачи
и т. д. Таким образом, всякая задача, алгоритм решения которой неизвестен, относится к области применения систем ИИ. При решении
этих задач человек действует, не зная точного метода решения проблемы. Данный тип задач обладает двумя характерными особенностями:
– использование информации в символьной форме (слова, знаки,
рисунки), что отличает системы ИИ от традиционных компьютерных систем, обрабатывающих только числовые данные;
– возможность выбора; отсутствие алгоритма решения означает
только то, что необходимо выбирать между многими вариантами
в условиях неопределенности.
Системы ИИ по кругу решаемых задач:
– системы распознавания образов;
– математические системы и системы автоматического доказательства теорем;
– игровые системы;
– системы решения технических задач, связанных с целенаправленным движением в пространстве и времени;
– системы понимания ЕЯ.
96
Данная классификация была введена на заре становления систем ИИ и быстро устарела, поскольку дальнейшее развитие интеллектуальных систем привело к своеобразному сращиванию отдельных задач в одну в рамках решаемой глобальной технической проблемы. К примеру, мобильные робототехнические системы должны
распознавать образы и решать технические задачи по позиционированию, обходу препятствий и т. д.
Экспертные системы должны понимать ЕЯ, обладать способностями математических систем и прогностическими возможностями игровых систем. Таким образом, с развитием интеллектуальных систем
возрастала их сложность и увеличивалась многофункциональность.
В идеале интеллектуальная система должна воспроизводить мыслительную деятельность человека, которого условно можно назвать самым многофункциональным интеллектуальным устройством.
В связи с бурным развитием микроэлектроники возник закономерный вопрос классификации, структурного упорядочения и организации всего многообразия интеллектуальных систем, которые
были созданы и продолжали конструироваться со все возрастающими темпами. Ни по кругу решаемых задач, ни по конструктивнотехническим признакам, ни по принципам построения классифицировать принципиально новый класс технических систем – интеллектуальные системы – не представлялось возможным.
Принципиально новую структурную организацию интеллектуальных систем, опираясь на теорию ИИ, исследования операций и автоматического управления, разработал в 1989 г. Дж. Саридис, один из
создателей нового научного направления – теории интеллектуальных
машин, представляющей общесистемный подход к решению задач
проектирования интегрированных интеллектуальных систем [17, 20].
Интеллектуальная САУ структурно подразделяется на три обобщенных уровня, упорядоченных в соответствии с фундаментальным
принципом IPDI (Increasing Precision with Decreasing Intelligence)
теории интеллектуальных машин: по мере продвижения к высшим
уровням иерархической структуры повышается интеллектуальность
системы, но снижается ее точность, и наоборот.
Под интеллектуальностью системы подразумевается ее способность
находить в базе событий некие специальные знания, позволяющие
уточнить предложенную задачу и наметить пути ее решения. Под неточностью имеется в виду неопределенность в выполнении операции
по решению задачи. Общий вид архитектуры интеллектуальной САУ,
отвечающей этому базовому принципу, приведен на рис. 4.5.
97
Организационый
уровень
Основанный на знаниях
организатор
Координационный
уровень
Основанный на знаниях
координатор
Исполнительный
уровень
Управление
аппаратными
средствами
Технологическая среда
Рис. 4.5. Иерархическая структура интеллектуальной САУ
Каждому из уровней (которые сами могут быть многоуровневыми) соответствует специальная подсистема, реализующая функции, отвечающие определенным ниже пяти принципам организации интеллектуальных управляющих систем [17, 20].
1. Взаимодействие управляющих систем с реальным внешним
миром с использованием информационных каналов связи. Непрерывно взаимодействуя с внешним миром, интеллектуальные системы получают всю необходимую информацию. Более того, управляющая система может целенаправленно активно воздействовать на
внешний мир.
Модель знаний о внешнем мире, используемая интеллектуальной системой, должна предполагать не только уточнение описания
внешней среды за счет получения дополнительных знаний о ней, но
и изменение состояния внешней среды из-за активного поведения
интеллектуальной системы. Таким образом, интеллектуальная система может воздействовать на внешнюю среду не только в рамках
инициализируемого системой процесса получения знаний, но и исключительно с целью изменения внешнего мира.
Взаимодействуя с внешним миром, системы создают каналы
связи и извлекают необходимые знания для формирования целесообразного поведения.
2. Принципиальная открытость систем с целью повышения интеллектуальности и совершенствования собственного поведения. Открытость систем обеспечивается наличием таких уровней высшего
98
ранга в иерархической структуре, как самонастройка, самоорганизация и самообучение.
Знания интеллектуальной управляющей системы могут быть
двух видов:
– постоянные (проверенные) знания, которыми система обычно
пользуется;
– временные (проверяемые) знания, в которых система не уверена и с которыми экспериментирует в процессе обучения.
В зависимости от результатов анализа своего поведения во внешнем
мире система может либо отбрасывать знания второго типа, либо переводить их в знания первого типа. Проверенные знания, в свою очередь,
могут быть переведены в разряд проверяемых, если условия функционирования и результаты работы системы во внешнем мире становятся
неадекватными определенной области постоянных знаний.
Выполнение второго принципа позволяет организовать в интеллектуальной системе процесс приобретения, пополнения и верификации знаний.
3. Прогнозирование поведения системы в динамически изменяющемся внешнем мире. Система, функционирующая в меняющемся внешнем мире и не способная прогнозировать изменения внешнего мира и своего состояния и поведения, рискует попасть в критическую ситуацию, из которой не сможет выйти из-за временных
ограничений на работу механизмов, формирующих управляющие
воздействия, определяющих рациональное тактическое и стратегическое поведение системы. Наглядным примером могут служить
автономно функционирующие интеллектуальные робототехнические системы в экстремальных ситуациях.
4. Многоуровневая иерархичность структуры управляющей системы, построенной в соответствии с правилом IPDI. Данный принцип позволяет планировать пути построения моделей сложных
управляющих систем, когда неточность знаний о модели объекта
управления или его поведении можно компенсировать за счет повышения интеллектуальности создаваемых систем или соответствующих алгоритмов управления.
5. Постоянство функционирования (возможно, с некоторой потерей качества или эффективности, т. е. с определенной степенью деградации) при разрыве связей или потере управляющих воздействий
от высших уровней иерархии управляющей структуры.
Данный принцип устанавливает только потерю интеллектуальности, а не прекращение функционирования системы в целом при отка99
зах в работе высших уровней иерархии системы. Сохранение автономного функционирования в рамках более простого (автоматного) поведения системы, характерного для низших уровней структуры управления, обеспечивает максимальную живучесть систем управления.
Приведенные пять принципов организации структуры интеллектуальной САУ позволяют уточнить понятие «интеллектуальность
управляющей системы», а также классифицировать интеллектуальные системы по уровню их интеллектуальности. Очевидно, что
степень интеллектуальности системы будет находиться в прямой
зависимости от функциональной насыщенности уровней, т. е. от
полноты реализации базовых принципов организации интеллектуальных управляющих систем в виде соответствующих функций.
Система интеллектуальная в большом – это система, построенная и функционирующая в соответствии с описанными выше пятью
базовыми принципами IPDI. Системы интеллектуальные в большом должны иметь многоуровневую иерархическую структуру со
следующими уровнями (в порядке понижения ранга): уровень обучения, уровень самоорганизации, уровень прогноза событий, уровень работы с БЗ, уровень формирования решений, уровень планирования операций, уровень адаптации, исполнительный уровень.
Каждый из этих уровней обладает функциональной спецификой и
может состоять из нескольких подуровней.
На двух нижних уровнях иерархии используются традиционные
модели и методы теории автоматического управления. Остальные
уровни более высокого ранга, так называемая интеллектуальная
надстройка, существенно расширяют возможности этих традиционных моделей в соответствии с требованиями современной ИТ работы со знаниями.
Минимальная интеллектуальная надстройка может содержать
только элементарную БЗ в виде простых продукционных правил
(именно такая структура была у первых интеллектуальных регуляторов), однако уже одно это дополнение будет вводить САУ в класс
интеллектуальных систем, хотя, разумеется, эта интеллектуальная
система интеллектуальной в большом не будет. Подобная САУ будет
интеллектуальной в малом.
Система интеллектуальная в малом – это система структурно
и функционально не организованная в соответствии с описанными
выше пятью базовыми принципами IPDI, но использующая знания
как средство преодоления неопределенности входной информации,
модели управляемого объекта или его поведения.
100
Системы интеллектуальные в малом соответствуют общепринятому определению интеллектуальных систем как систем, ориентированных на обработку знаний с целью поиска решения определенной задачи. Системы интеллектуальные в малом и в большом
устанавливают нижнюю и верхнюю границы интеллектуальности
управляющих систем.
Степень интеллектуальности систем, находящихся внутри этого
диапазона, можно определить по наличию или отсутствию тех или
иных уровней IPDI. Например, наивысшей степенью интеллектуальности обладает управляющая система, способная к обучению,
изменению структуры и прогнозу возможных ситуаций. Меньшей
степенью интеллектуальности обладает система, не способная к обучению, но способная к самоорганизации в результате анализа прогнозируемых ситуаций, вплоть до интеллектуальных в малом простейших интеллектуальных регуляторов (обычная САУ с простой
базой продукционных правил).
Система, стоящая на более высокой ступени иерархии, включает
функции систем более низкого интеллектуального уровня, при этом
не важно, каким образом они реализованы. К примеру, интеллектуальная САУ с функцией адаптации, использующая эталонную верифицируемую модель объекта управления, не изменит своей принадлежности к определенному классу интеллектуальных систем
независимо от того, какой будет эта модель объекта управления –
нечеткой лингвистической или нейросетевой [4, 11, 14].
Другой пример – простейшие интеллектуальные САУ (интеллектуальные регуляторы), состоящие из обычной САУ и базы продукционных правил, в которой в первом случае, согласно продукционным правилам, корректируются параметры стандартного ПИД-регулятора, а
во втором случае ПИД-регулятора вообще нет, а управляющее воздействие определяется исходя только из базы продукционных правил.
Обе интеллектуальные САУ интеллектуальны минимально, но
в одинаковой степени, и их следует относить к одному классу систем, хотя их структуры принципиально отличаются. В первом случае в процессе работы изменяются параметры системы, во втором –
ее структура.
Если к любой из описанных систем добавить блок автоматического изменения базы продукционных правил, вырабатывающий
решения на базе анализа текущего состояния системы и внешнего мира, то она приобретет качественно новые свойства и перейдет
в класс более интеллектуальных систем.
101
Теория
интеллектуальных
систем
Системы
интеллектуальные
в большом
Инженерия
знаний
Системы
интеллектуальные
в малом
Теория
управления
Динамические
системы
автоматического
управления
Теория
регулирования
Регуляторы
?
Системы стратегического
принятия решений
Системы оперативного
планирования
Адаптивные интеллектуальные
контроллеры
Интеллектуальные контроллеры
Адаптивные системы
Оптимальные системы
Системы программного
управления
Следящие системы
Системы стабилизации
П-, ПИ-, ПИД-регуляторы
Рис. 4.6. Интеллектуальная иерархия моделей САУ
Такой подход к классификации интеллектуальных систем позволяет упорядочить их, не ориентируясь на такие изменчивые характеристики, как структура, ЯПЗ, принципы реализации функций адаптации, круг решаемых задач и т. п.
Введенная трактовка понятия интеллектуальности и признаков
систем интеллектуальных в большом и в малом позволяет установить
связи с основными понятиями классической теории управления, используя разработанные в ней методы и сохраняя преемственность
при построении интеллектуальных управляющих систем (рис. 4.6).
Первыми интеллектуальными САУ, объединившими в себе методы традиционной теории автоматического управления и инженерии знаний, стали активные ЭС, или, как их назвали позже, интеллектуальные контроллеры.
Экспертная система – это система, ориентированная на хранение, обработку и использование знаний. Ее цель – принятие решений по тем или иным вопросам конкретной ПрО, приближенным по
качеству к решениям, принятым человеком-экспертом или коллективом экспертов.
102
Первоначально ЭС использовались в качестве советчика в паре
с оператором, управляющим технологическим объектом. Такая
ЭС могла предложить возможную стратегию управления объектом
в определенной ситуации либо спрогнозировать поведение объекта
в ответ на предполагаемое воздействие.
Традиционно ЭС включала в себя БЗ конкретной ПрО, которая
заполнялась при первоначальном обучении системы коллективом
специалистов-экспертов, а также средства описания и заполнения
БЗ, средства ввода-вывода для работы с оператором. По мере совершенствования ЭС как на методологическом уровне, так и на уровне
технической реализации, ее решения перестали уступать решениям экспертов-людей, а скорость принятия этих решений существенно превзошла скорость реакции человека. Возникла закономерная
идея автоматизировать ЭС, включив в их состав специальные дополнительные блоки ввода информации об объекте и блоки формирования управляющих воздействий на основе принятых решений.
Так появилась качественно новая система управления сложными
объектами, которая базируется не только на данных, но и на знаниях.
Как и в традиционной САУ, за ЛПР сохраняется возможность управления объектом в ручном режиме. Сама САУ претерпевает коренные изменения. Ее ядром является БЗ, построенная на основе знаний экспертов –
лиц, имеющих опыт управления сложным объектом, и содержащая
правила управления объектом, представленные в определенной форме.
Так как знания и опыт человека имеют вербальный характер, то
для их преобразования и представления, а также для информационного обмена с БЗ вводятся блоки, осуществляющие ввод и вывод
знаний, их описание, представление и коррекцию. Структура БЗ,
а также структура и алгоритмы работы этих блоков зависят от выбранной модели представления знаний: продукционной, фреймовой,
семантической, логики предикатов.
Как уже было отмечено ранее, наиболее перспективны ЭС, использующие для представления знаний человека о свойствах и
принципах управления объектом лингвистические переменные и
аппарат нечетких множеств в рамках продукционной БЗ. Построенная по данному принципу БЗ содержит множество лингвистических переменных, соответствующих лексическим категориям, с которыми оперирует мозг человека при управлении объектом, а также
таблицу нечетких отношений между этими переменными, отражающую приобретенный человеком опыт управления объектом в виде
отношений между лексическими категориями.
103
Средства ввода и вывода знаний осуществляют так называемые
процессы фаззификации (переход от четкого представления к нечеткому) и дефаззификации – прямого и обратного преобразований
количественных (числовых) и качественных (лингвистических) показателей свойств объекта и показателей качества его функционирования. Такие ЭС в настоящее время наиболее часто применяются
для управления сложными объектами и выступают в роли советчика ЛПР или в автономном режиме.
Поскольку множество ситуаций при управлении объектом постоянно пополняется из-за нестабильности и непредсказуемости
свойств объекта и его внешнего окружения, то в интеллектуальной
САУ должна быть предусмотрена возможность расширения БЗ. Основным сигналом о возникшей существенной неполноте знаний
в системе служит либо участившееся неприятие советов системы со
стороны ЛПР (неадекватность управления объектом, предлагаемого
системой, с точки зрения ЛПР), либо отсутствие рекомендаций по
управлению, либо неудовлетворительное функционирование САУ
в автономном режиме. При этом лингвистические правила управления объектом, содержащиеся в таблице нечетких отношений, по необходимости могут корректировать как ЛПР, так и группа экспертов.
Однако при таком подходе к обновлению БЗ не избежать определенных недостатков, связанных с методологией интеллектуализации САУ, т. е. с процедурой передачи ЭВМ способностей человека
управлять сложными процессами. Назовем некоторые из них.
1. База знаний, являющаяся основой интеллектуальной САУ,
представляет собой максимально близкую копию знаний коллектива экспертов, актуальную только на момент получения знаний и
заполнения БД. Фактически со времени ввода системы в эксплуатацию начинается процесс ее непрерывного старения. Корректор БЗ
не способен коренным образом исправить эту ситуацию, поскольку
функциональные группы ЕЯ используются человеком субъективно, и знания ЛПР могут конфликтовать со знаниями экспертов.
Периодическая верификация БЗ экспертами – процесс долгий и
непродуктивный, поскольку их знания всегда субъективны и могут
меняться со временем, что также приводит к конфликту с уже установленными знаниями. Поэтому со стороны экспертов понадобится
не дополнительное обучение, а полное переобучение интеллектуальной системы.
2. Знания, получаемые от экспертов, не согласованы во времени
с процессом управления, т. е. в общем случае характер получения
104
знаний от экспертов напоминает опрос вида «что бы вы делали, если
бы…». В таком виде объект управления представляется эксперту
чем-то абстрактным, не требующим оперативных действий, и дает
возможность без спешки подумать, проанализировать ситуации и
принять так называемое отсроченное решение.
Доказано, что определенные категории знаний человека после неоднократного успешного использования закрепляются на подсознательном уровне в виде мгновенного отклика: цепочки типа «ситуация – реакция». Благодаря этому человек успешно справляется с неопределенными ситуациями в условиях, когда решения необходимо принимать
оперативно, и, как правило, получает наилучшие результаты.
3. Описанный выше характер отсроченного и опосредованного
принятия решения при экспертной оценке означает, что эксперт
подсознательно не заинтересован в следствиях принимаемого им
решения, и это сказывается на рациональности экспертных оценок.
4. Слабоструктурированные объекты имеют, как правило, уникальный характер, что затрудняет использование традиционных
методов получения экспертных оценок, ориентированных на достаточно большие группы экспертов. Использование методов, ориентированных на одного (или нескольких экспертов), в условиях
отсроченного принятия решения существенно повышает влияние
субъективности рассуждений отдельного человека (шкалированности выводов, некорректного построения причинно-следственных
связей) на принимаемые решения.
Вышеперечисленные недостатки обусловлены тем, что общепринятый принцип построения интеллектуальной САУ основан на
одномоментном процессе обучения системы, оторванном от непосредственного управления с последующей коррекцией знаний человеком или группой людей. Инициатором обучения и коррекции
знаний в данном случае является человек, т. е. речь идет об обучающейся системе и опосредованном процессе обучения, разнесенным
во времени с процессом управления.
Если прибегнуть к аналогии с обучением ребенка, который получает знания, самостоятельно воздействуя на объекты окружающего
мира и общаясь с другими людьми (это естественно, поскольку мы
стремимся сообщить системе управления интеллектуальные свойства человека), то становится очевидным, что интеллектуальная
САУ должна приобретать знания по своей инициативе [13, 20]. Одна
из возможных структур такой самообучающейся системы представлена на рис. 4.7.
105
–
U
Реальные возмущения
Сложный
объект
Состояние
объекта
управления
Интеллектуальная
самообучающаяся
система управления
–
Y
ЛПР
Анализатор
действий
ЛПР
Средства
ввода
знаний
Корректор
базы
знаний
База
знаний
Средства
вывода
знаний
Анализатор
базы знаний
Средства
диалога
с ЛПР
Средства
описания
и заполнения
базы знаний
Рис. 4.7. Интеллектуальная САУ с функциями самообучения
Подобная система может не подвергаться предварительному обучению. При первоначальном подключении интеллектуальной системы к объекту управления БЗ остается незаполненной, а всю ответственность за управление берет на себя ЛПР. При помощи блокаанализатора система постоянно отслеживает действия ЛПР и в ходе
диалога с ним выясняет, какие переменные состояния и управления
объекта побудили ЛПР принять данное решение в текущий момент
времени, каким образом оператор соотносит текущие переменные
состояния и управления с соответствующими лингвистическими
переменными и нечеткими множествами.
Последовательно накапливая такую информацию, система формирует функции принадлежности нечетких множеств блоков ввода и вывода знаний, а также таблицу нечетких отношений между
106
лингвистическими переменными, отражающую решения ЛПР по
управлению объектом. Чем дольше работает система, тем меньше
неизвестных ей ситуаций будет возникать при управлении объектом и тем чаще она будет выдавать в качестве совета свой вариант
управления объектом как реакцию на его текущее состояние.
Однако при любом несоответствии решений системы и ЛПР, система будет инициировать диалог для корректировки своей БЗ и
методов представления знаний. В такой системе функции принадлежности нечетких множеств блоков ввода-вывода знаний, а также
правила управления в таблице нечетких отношений лингвистических переменных постоянно уточняются.
В процессе управления БЗ может пополняться как количественно (по числу нечетких отношений), так и качественно, если
при управлении объектом возникают ранее неизвестные факторы
(лингвистические переменные), учитываемые ЛПР. При стабильной работе объекта и отсутствии действий со стороны ЛПР система
может самостоятельно анализировать БЗ и дополнять ее до полной
группы событий (причин изменения управления), отбирать и уточнять противоречивые правила управления в таблице нечетких отношений путем диалога с ЛПР.
Этот продолжающийся и в настоящее время этап развития интеллектуальных САУ, их дальнейшая интеллектуализация по шкале
IPDI путем введения в них функций самообучения имеет множество
направлений решения задачи «обучения системы самообучению»:
использование методов эволюционного моделирования и эволюционных алгоритмов, применение нейронных сетей, использование ассоциативных запоминающих устройств и т. п. Именно в этой области
развития интеллектуальных САУ при разработке теории и практики
построения так называемых открытых систем, т. е. систем, способных с течением времени совершенствовать свое поведение благодаря
заложенным в них алгоритмам обучения, формируется новое научное направление – теория интеллектуальных машин.
Однако независимо от выбранного направления развития адаптивных способностей интеллектуальных САУ большинство открытых интеллектуальных САУ при обработке знаний опираются на лингвистический подход на базе теории нечетких множеств
и лингвистической переменной. Это позволяет предположить, что
открытые системы будущего будут в основном использовать при
работе со знаниями методы теории нечетких множеств и нечеткой
логики – логики, которая ближе к человеческому мышлению и ЕЯ,
107
чем традиционные логические системы; логики, предоставляющей
наиболее эффективные средства отображения неопределенностей
и неточностей реального мира и позволяющей построить модель,
максимально приближенную к реальности.
4.3. Интеллектуальные SCADA-системы
Интеллектуализация является главным направлением развития
современных ИТ, а интеллектуальность присуща всем новейшим
ИУС. Эти выводы следуют из практического опыта работы ведущих
промышленных фирм и компаний, занимающихся проблемами автоматизации управления в самых разных областях. Опыт последнего десятилетия по решению множества практических задач и созданию сотен практически действующих систем показал, что именно
интеллектуальные ИТ оказываются наиболее конструктивными и
экономически оправданными при разработке современных САУ.
В настоящее время системы класса SCADA (Supervisory Control
And Data Acquisition – диспетчерское управление и сбор данных) являются эффективной технологией автоматизированного управления
динамическими системами во многих отраслях промышленности.
Современные SCADA-системы обладают схожими возможностями и
принципами функционирования, которые позволяют решать типовые
задачи, такие как диспетчерский мониторинг и сбор данных о протекании технологического процесса, управление при наличии четких
алгоритмов и полной формализованной модели объекта управления.
Однако промышленные и транспортные предприятия ХХI в. представляют собой достаточно сложные социотехнические динамические
многопараметрические комплексы, и средств, предоставляемых обычными SCADA-системами, уже недостаточно [13, 20].
На ранних стадиях развития автоматизированных систем управления технологическими процессами (АСУТП) прообразом современных SCADA были системы телеметрии и сигнализации, обеспечивающие дистанционный мониторинг небольшого числа параметров.
Системы телеметрии стали известны в ХIХ столетии. Одна из первых линий передач была создана в 1845 г. между Зимним дворцом
российского императора и штабами армий. В 1874 г. французские
инженеры установили систему датчиков определения погоды и глубины снега на Монблане, передающую информацию в РМВ в Париж.
Позднее для отображения текущего состояния системы использовались имитационные стены (англ. Mimic Walls). Оперативность
вывода информации на такие стены характеризуют как приближа108
ющуюся к реальному времени: показания индикаторов и лампочек
изменялись вручную, по мере того как перемещающиеся по удаленным локациям операторы получали новые данные.
Управление технологическими процессами на основе систем SCADA
стало осуществляться в передовых странах в 1980-е гг. [13, 20].
Основные области применения систем диспетчерского управления:
– управление передачей и распределением электроэнергии;
– промышленное производство;
– производство электроэнергии;
– водозабор, водоочистка и водораспределение;
– добыча, транспортировка и распределение нефти и газа;
– управление космическими объектами;
– управление на транспорте (все виды транспорта: авиационный, железнодорожный, автомобильный, водный транспорт, метрополитен);
– телекоммуникации;
– военная сфера.
Термин «SCADA» охватывает процессы сбора информации в РМВ
с удаленных объектов для обработки, анализа и возможного управления этими объектами. Здесь под реальным временем понимается
режим работы автоматизированной системы обработки информации
и управления, при котором существуют жесткие ограничения на ее
временные характеристики.
Ошибочно считать, что РМВ всегда означает «быстро», правильнее будет сказать «вовремя». Другими словами, система, работающая
в РМВ, гарантирует, что отклик происходит за требуемое время.
Системы реального времени бывают двух типов: жесткого реального времени и мягкого реального времени. Системы жесткого
реального времени не допускают никаких ошибок. Иными словами, жесткий РМВ – это такой режим работы системы, при котором
нарушение временных ограничений равнозначно отказу системы.
Мягкий РМВ – это режим работы системы, при котором нарушения временных ограничений приводят к снижению качества работы системы.
Практически все современные SCADA-системы содержат три основных структурных компонента (рис. 4.8): RTU, MTU и СS [13, 20].
Объект
управления
RTU
CS
МТU
Оператор
Рис. 4.8. Структурные компоненты SCADA-систем
109
Здесь Remote Terminal Unit (RTU) – это удаленный терминал, обрабатывающий задачи в РМВ. Спектр воплощения RTU широк – от
примитивных датчиков, снимающих информацию с объекта, до специализированных многопроцессорных отказоустойчивых вычислительных комплексов, обрабатывающих информацию и управляющих в режиме жесткого РМВ. Его реализация определяется конкретной областью применения.
Master Terminal Unit (MTU) – это диспетчерский пункт управления,
который осуществляет обработку данных и управление высокого уровня, как правило, в мягком РМВ. Одна из основных функций MTU –
обеспечение интерфейса между человеком-оператором и системой.
Наконец, Communication System (CS) – это коммуникационная
система (каналы связи), необходимая для передачи данных с удаленных объектов на центральный интерфейс оператора-диспетчера
и передачи сигналов управления на RTU.
Таким образом, любую АСУТП можно представить в виде трехуровневой системы (рис. 4.9).
Первый (нижний) полевой уровень системы автоматизации включает контрольно-измерительные приборы и приборы автоматики, а также исполнительные устройства управления, пульты сигнализации.
Полевой
уровень
(нижний)
Контроллерный
уровень
(средний)
Верхний
уровень
БД
АРМ оператора
Контроллеры
Датчики
Исполнительные
механизмы
Рис. 4.9. Трехуровневая система АСУТП
110
На втором (среднем) уровне для связи с технологическими объектами управления предусмотрены программируемые логические контроллеры, которые обеспечивают:
– сбор информации с полевого оборудования, входящего в АСУТП;
– обработку и передачу информации о состоянии объектов на верхний уровень системы;
– автоматическое регулирование и управление технологическим оборудованием и контроль его работы;
– прием информации с верхнего уровня управления и формирование управляющих воздействий на электроприводы исполнительных механизмов.
Третий (верхний) уровень включает в себя:
– автоматизированные рабочие места (АРМ) операторов на
базе персональных компьютеров со SCADA-системой операторского управления;
– сервер БД (если используется автоматизированная система
оперативного учета).
Функции традиционных SCADA-систем. Диспетчер в многоуровневой АСУТП получает информацию с монитора ЭВМ или с электронной системы отображения информации и воздействует на объекты, находящиеся на значительном расстоянии от него, с помощью
телекоммуникационных систем, контроллеров, интеллектуальных
исполнительных механизмов [13, 20].
Основой, необходимым условием эффективного диспетчерского
управления, имеющего ярко выраженный динамический характер,
становится работа с информацией, т. е. процесс сбора, передачи, обработки, отображения и представления информации.
Таким образом, можно выделить следующие основные функции SCADA-систем:
– сбор первичной информации от устройств нижнего уровня;
– обработка первичной информации;
– визуализация информации в виде графиков, гистограмм и т. п.;
– хранение информации с возможностью ее последующей обработки;
– управление и регистрация сигналов об аварийных ситуациях.
Существуют два типа управления удаленными объектами в SCADAсистемах: автоматическое и полуавтоматическое (инициируемое человеком). Во втором случае можно выделить пять функций человека-оператора в системе диспетчерского управления и сбора данных:
1) планирование (человек-оператор планирует, какие следующие
действия необходимо выполнить);
111
2) обучение технической части (человек-оператор обучает компьютерную систему последующим действиям);
3) отслеживание результатов полуавтоматической и автоматической работы системы;
4) вмешательство в процесс при возникновении критических ситуаций – отказа автоматики или необходимости настройки и регулировки параметров процесса;
5) обучение человека-оператора в процессе работы.
В настоящее время в связи с достаточно быстрым развитием
ИС, от диспетчера требуется не только профессиональное знание
технологического процесса, основ управления, но и опыт работы
в этих ИС, умение принимать решение (в диалоге с ЭВМ) в нештатных и аварийных ситуациях и многое другое. Диспетчер становится главным действующим лицом в управлении технологическим
процессом.
Предпосылки дальнейшего развития SCADA-систем. Как правило, технологические процессы, для которых применяют системы
класса SCADA (к примеру, в энергетике, нефтегазовой и ряде других отраслей промышленности), являются потенциально опасными
и при возникновении аварий приводят к человеческим жертвам и
значительному материальному и экологическому ущербу.
В результате анализа большинства аварий и происшествий на
всех видах транспорта, в промышленности и энергетике были получены интересные данные. В 1970-х гг. ошибка человека была первоначальной причиной аварий лишь в 20% случаев, тогда как к концу 1990-х гг. доля человеческого фактора приблизилась к 80%.
Одна из причин этой тенденции – старый, традиционный подход
к построению сложных систем управления, т. е. направленность на
применение новейших технических и технологических достижений
и недооценка необходимости построения эффективного человеко-машинного интерфейса, ориентированного на конкретного человека
(диспетчера). Таким образом, требование повышения надежности систем диспетчерского управления является одной из ключевых предпосылок появления нового подхода при разработке таких систем.
Другая предпосылка дальнейшего развития и расширения возможностей традиционных SCADA-систем при управлении сложными техническими объектами и процессами обусловлена непрерывным возрастанием сложности управляемых объектов и процессов
с одновременным сокращением времени, отводимого оперативнодиспетчерскому персоналу на решение задач.
112
Несмотря на новые технические возможности, опыт и результаты ранее выполненных исследований и разработок SCADA-систем,
при модернизации и развитии АСУТП по-прежнему нет надлежащего представления функций, ориентированных на усиление интеллектуальной составляющей деятельности оперативного персонала. Большинство таких систем ограничиваются получением,
предварительной обработкой и визуализацией данных, т. е. исключительно информационными функциями, а обобщающие оценки возникающих ситуаций и принятие решений, выражающихся
в определении соответствующих планов дальнейших действий, попрежнему остаются уделом оперативного персонала.
Автоматизированные системы управления технологическими
процессами обеспечивают контроль режимных параметров и предоставляют оперативному персоналу информацию о состоянии и
режиме работы различных групп оборудования. Однако, несмотря
на большие объемы контролируемой информации, факторы удобств
и разнообразие форм ее представления оперативному персоналу, последний ощущает потребность в интеллектуальной поддержке со
стороны автоматизированных систем, если требуются комплексный анализ и оценка возникающих ситуаций, обусловливающих
необходимость оперативных действий.
Объяснение существующего положения дел, характеризующегося
практическим отсутствием в существующих АСУТП компонентов,
обеспечивающих решение аналитических и интеллектуальных задач,
достаточно очевидно. Реализация, например, функций ППР требует от
разработчиков АСУТП не только разбираться в своей ПрО, но и знать
об особенностях технологических процессов и уметь управлять ими.
Выбор конкретной модели из семейства SCADA-систем и требуемая
информационная емкость определяются прежде всего потребностью
обеспечения определенной степени наблюдаемости конкретного объекта. При этом все вопросы, касающиеся оперативного решения более
сложных задач, выходящих за рамки традиционной обработки информации, остаются вне поля зрения этих систем. Следовательно, оперативный персонал, используя предоставляемую ему информацию, при
оценке ситуаций и принятии решений будет действовать по старинке,
т. е. без интеллектуальной поддержки со стороны этих систем.
К числу задач, стоящих перед человеком-диспетчером, относятся:
– анализ проблемной ситуации;
– идентификация возникшего отклонения от нормального (штатного) режима функционирования объекта;
113
– поиск возможных корректирующих решений по воздействию
на объект;
– прогнозирование ситуаций;
– оценка последствий принимаемых решений;
– выдача команд на отработку необходимых управляющих воздействий.
Все эти задачи решаются в условиях неопределенности и жесткого дефицита времени. Здесь основные перспективы видятся в использовании беспроводных сетей для повышения автономности и
надежности SCADA, интеграции средств SCADA с СППР и разработке стратегий, методов и средств интеллектуализации SCADA.
Интеллектуальные системы SCADA. Интеллектуализация является главным направлением развития современных ИТ, а интеллектуальность должна быть присуща всем новейшим ИУС. Различные
стратегии интеллектуализации SCADA-систем направлены на реализацию интеллектуальной информационной поддержки человека-оператора, использующего средства SCADA. Такую поддержку можно
осуществить путем построения нечетких лингвистических БЗ и БД
вместе с подсистемами нечеткого вывода, причем информация для
принятия решений может выводиться на АРМ человека-оператора.
Приведем основные интеллектуальные компоненты перспективной SCADA-системы:
– логико-лингвистическая модель ситуации;
– нечеткая продукционная модель диагностирования;
– нечеткая продукционная модель прогнозирования последствий
аномальных ситуаций;
– нечеткая продукционная модель прогнозирования действий
диспетчера («Что будет, если…?»);
– когнитивно-графическая модель поддержки образного представления ситуации;
– вопросно-ответная диалоговая модель;
– модель поиска управляющих действий.
В качестве отечественного прототипа интеллектуальной SCADAсистемы можно назвать систему «Спринт-РВ» [13, 20].
На рис. 4.10 представлена общая архитектура интеллектуальной
ИСУ, позволяющая реализовать технологию информационной поддержки человека-оператора.
Таким образом, функции интеллектуальных SCADA-систем включают в себя все функции традиционных систем SCADA, а также:
– ситуационный анализ состояний объектов контроля и управления;
114
История
(архивы данных)
Текущее состояние
объекта управления
Решатель задач
поддержки
принятия решений
БАЗА ДАННЫХ
Аномальные
ситуации
Диагноз
аномальных
ситуаций
Прогноз
развития
аномальных
ситуаций
Операторы
(контроль состояния,
принятие
и реализация решений
по управлению)
Семиотическая модель
управления
(модель оперативной
деятельности)
БАЗА ЗНАНИЙ
Управляющие
рекомендации
Объяснение логики
машинных рассуждений
Принятие решений
Мнемосхемы, графики,
гистограммы, тренды,
регламенты, инструкции
Реализация решений
Команды дистанционного
управления
Объект контроля и управления
Рис. 4.10. Архитектура интеллектуальной ИСУ
– логический анализ событий, аномальных ситуаций;
– диагностика состояния технологического оборудования;
– прогноз поведения технологического процесса во времени;
– оперативный поиск действий персонала при возникновении нештатных ситуаций;
– работа прикладной системы с наборами параметров, рассматриваемых как единое целое (грануляция информации).
Вариант решения проблемы интеллектуализации управления и
информационного обеспечения может быть получен на основе концепции и методологии интеллектуальных сред. Термин «интеллектуальная среда» (англ. Ambient Intelligence – дословно «окружаю115
щий интеллект») служит для обозначения искусственных сред, чувствительных к присутствию людей и реагирующих на него.
Сформулирована концепция построения искусственной интеллектуальной среды как гибридного метаагента с распределенной
системой восприятия и централизованной исполнительной системой. Общая архитектура интеллектуальной среды как гибридного
интеллектуального агента включает четыре основных компонента:
1) средства обработки знаний и рассуждений;
2) искусственные сенсорные системы;
3) искусственные средства осуществления действий;
4) программно-аппаратные средства реализации повсеместных
вычислений.
Ключевую роль при создании интеллектуальных сред призваны сыграть средства проведения автоматизированных измерений и
оценок, относящиеся к классу SCADA-систем.
Таким образом, дальнейшее развитие SCADA-систем неразрывно связано с развитием методов и средств ИИ. Один из главных
путей развития ИИ – интеллектуализация SCADA-систем с помощью создания ИСППР и их интеграции с классическими SCADAсистемами. Суть другого многообещающего подхода к повышению
автономности и надежности SCADA-систем заключается в использовании беспроводных сетей и построении интеллектуальных сред.
116
ЗАКЛЮЧЕНИЕ
Перспективы развития ИИС
Основной критерий оценки интеллектуальных ИТ – это их эффективность, особенно экономическая. Степень эффективности
определяют исходя из того, насколько выгодны решения, принимаемые с точки зрения функционирования систем и устройств, государства, права, бизнеса, образования, культуры и т. д. При этом
расчет финансовых вложений не является главным критерием.
Так, например, если информационные службы высокоэффективны, то не только бизнес, но и культура и образование выигрывают от
их деятельности. В этом случае весьма затруднительно обосновать
необходимые капиталовложения в ИТ. Здесь не работают расчеты,
сделанные с учетом только экономической эффективности. Обычно
учитывается, каких результатов можно достигнуть при создании
новой системы или модернизации существующей.
Успех применения интеллектуальной ИТ может определяться
эффективностью решения основных задач. Некоторые специалисты считают, что обоснование полезности – это искусство маркетинга. Для этого предлагается использовать разработанный Робертом
Бенсоном метод информационной экономики. Это надежный способ
анализа экономической эффективности, позволяющий учитывать
качественные выгоды, величина которых определяется методом
финансового прогноза с учетом возможных рисков.
Важно отметить, что дальнейшее развитие информационных
СППР происходит по принципу усложнения интеллектуальных
ИТ, способных более глубоко описывать проблемные ситуации
с различных точек зрения. При этом описание строится не только
на самой выделенной ситуации, но и на индивидуальном восприятии ее человеком. Другими словами, проблемная ситуация описывается в первую очередь внешними и внутренними факторами,
пропорция между которыми меняется в зависимости от развития
ситуации.
Разнообразие программных продуктов, предназначенных для помощи ЛПР, позволяет максимально точно определить необходимые
технологии и сделать выбор в соответствии с требованиями и нуждами организации. Десятки всевозможных программных продуктов
реализуют различные методы и подходы к решению задач выбора и
повышению эффективности этого процесса, а постоянное стремление
организаций упростить внутренние процессы движет, в свою очередь, необходимостью освоения новых ИС и технологий.
117
Говоря о новых ИТ, мы имеем в виду облачные вычисления. Настольным мощностям все сложнее конкурировать с облачными,
пользующимися заслуженной и все возрастающей популярностью.
Будущее за облачными вычислениями, это следующая ступень развития многих отраслей ИТ, и решение проблемных ситуаций со
средствами и информационными СППР является далеко не последней задачей в этом списке.
При всех преимуществах интеллектуализации процессов принятия управленческих решений, внедрение таких технологий является
всего лишь первым шагом к созданию действительно разумных ИУС.
Целый ряд проблем теоретического характера ожидает своего решения. Предстоит разработать и апробировать на практике комплекс
программных средств, моделирующих процессы принятия управленческих решений. Перспективными направлениями развития интеллектуальных ИУС в ближайшем будущем являются разработки,
связанные с представлением, приобретением, пополнением, манипулированием и обобщением знаний, а также с поиском путей классификации, формализации знаний и схем человеческих рассуждений.
Особое внимание следует обратить на приобретение знаний из
различных источников, использование их при решении разнообразных задач, создание процедур эффективного поиска, оптимального
выбора, достоверной оценки. Кроме того, необходимо разработать
методологию моделирования человеческих способностей к ассоциативному и интуитивному мышлению, а также критерии приемлемости для человека гипотез, выдвигаемых интеллектуальной ИСУ.
Важным аспектом интеллектуализации процессов принятия
решений следует считать возможность общения на языке, близком
к ЕЯ, создание диалоговых процедур, вопросно-ответных систем,
систем анализа и синтеза речи, организацию общения по зрительному каналу, анализ и синтез изображений, формализацию зрительных представлений.
В заключение следует отметить, что при разработке интеллектуальных ИУС эталоном служит человеческий интеллект с поразительной способностью принимать правильные решения в условиях неполной и нечеткой информации. Для того чтобы постепенно
приблизиться к этому венцу природы, необходимо сделать первые
шаги уже сегодня.
118
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Архитектура информационных систем / Б. Я. Советов, А. И. Водяхо, В. А. Дубенецкий, В. В. Цехановский: учеб. М.: Академия, 2012. 288 с.
2. Баин А. М. Современные информационные технологии систем
поддержки принятия решений: учеб. пособие. М.: ФОРУМ, 2009. 240 с.
3. Бовыкин В. И. Философия искусственного интеллекта: проблемы терминологии и методологии // Философия и культура. 2012.
№ 8. C. 96–105.
4. Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. М.: ФИЗМАТЛИТ, 2003. 432 с.
5. Игошин В. И. Математическая логика и теория алгоритмов: учеб.
пособие. М.: Академия, 2004. 448 с.
6. Кравченко Т. К. Системы поддержки принятия решений // Информационные технологии для современного университета. М.: Информика, 2011. С. 107–118.
7. Макаров И. М. Искусственный интеллект и интеллектуальные
системы управления. М.: Наука, 2006. 336 с.
8. Матвеев М. Г. Модели и методы искусственного интеллекта.
М.: Финансы и статистика, 2008. 448 с.
9. Осипов Л. А., Яковлев С. А. Корпоративные информационные
системы: учеб. пособие. СПб.: ГУАП, 2013. 150 с.
10. Осипов Л. А., Яковлев С. А. Введение в системную инженерию:
учеб. пособие. СПб.: ГУАП, 2016. 130 с.
11. Осипов Л. А., Яковлев С. А. Искусственный интеллект и нейронные сети: учеб. пособие. СПб.: ГУАП, 2011. 134 с.
12. Попов И. И., Максимов Н. В. Современные информационные
технологии. М.: Форум, 2010. 512 с.
13. Пьявченко Т. А. Проектирование АСУТП в SCADA-системе.
Таганрог: ТТИ ЮФУ, 2007. 154 с.
14. Рассел С. Искусственный интеллект: современный подход.
М.; СПб.; Киев: Вильямс, 2006. 1408 с.
15. Советов Б. Я., Цехановский В. В. Информационные технологии: учеб. М.: Высш. шк., 2008. 263 с.
16. Советов Б. Я., Яковлев С. А. Моделирование систем: учеб. 7-е изд.
М.: Юрайт, 2016. 343 с.
17. Сурма И. В. Аналитико-информационные технологии и управление человеческими ресурсами // Кибернетика и программирование. 2015. № 2. С. 1–45.
18. Филиппов В. А. Аналитические центры – стратегический интеллектуальный ресурс. М.: Ленанд, 2007. 104 с.
119
19. Швецов А. Н., Яковлев С. А. Распределенные интеллектуальные информационные системы. СПб.: СПбГЭТУ «ЛЭТИ», 2003. 318 с.
20. Щагин А. В., Кабанова А. Б. Основы автоматизации техпроцессов: учеб. пособие. М.: Высш. образование, 2009. 275 с.
21. Яковлев С. А. Исследование и имитационное моделирование
информационных систем: учеб. пособие. СПб.: ГУАП, 2016. 140 с.
22. Яковлев С. А. Экспертные системы: учеб. пособие. СПб.: ГУАП,
2011. 142 с.
120
ОГЛАВЛЕНИЕ
ПРЕДИСЛОВИЕ......................................................................
3
СПИСОК СОКРАЩЕНИЙ.........................................................
4
ВВЕДЕНИЕ. Диалог в интеллектуализации процессов принятия
решений в информационных системах управления.......................
6
1. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ИНФОРМАЦИОННЫХ
СППР.....................................................................................
1.1. Основные понятия искусственного интеллекта в ИУС........ 1.2. Искусственный интеллект в информационных СППР........ 1.3. Информационная СППР................................................ 14
14
18
34
2. ТЕНДЕНЦИИ РАЗВИТИЯ ИНФОРМАЦИОННЫХ СППР.........
2.1. Функции и классификация ИИС.................................... 2.2. Методы ППР на основе информационных технологий....... 2.3. Интеллектуальный анализ данных................................. 42
42
45
51
3. ДИАЛОГОВЫЕ СИСТЕМЫ С ИНТЕЛЛЕКТУАЛЬНЫМ
ИНТЕРФЕЙСОМ.....................................................................
3.1. Системы с интеллектуальным интерфейсом..................... 3.2. Интеллектуализация пользовательских интерфейсов ИС.....
3.3. Пользовательский интерфейс и его виды......................... 59
59
66
73
4. ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В ИУС РАЗЛИЧНЫХ
УРОВНЕЙ...............................................................................
4.1. Аналитико-информационные технологии в КИС.............. 4.2. Искусственный интеллект и структурная организация
интеллектуальных САУ...................................................... 4.3. Интеллектуальные SCADA-системы............................... 96
108
ЗАКЛЮЧЕНИЕ. Перспективы развития ИИС..............................
117
БИБЛИОГРАФИЧЕСКИЙ СПИСОК...........................................
119
81
81
121
Учебное издание
Яковлев Сергей Алексеевич,
Осипов Леонид Андроникович
ДИАЛОГОВЫЕ СРЕДСТВА
ИНТЕЛЛЕКТУАЛИЗАЦИИ
ИНФОРМАЦИОННЫХ СИСТЕМ
Учебное пособие
Редактор О. Ю. Багиева
Компьютерная верстка В. Н. Костиной
Сдано в набор 03.04.17. Подписано к печати 15.05.17. Формат 60 × 84 1/16.
Усл. печ. л. 7,09. Уч.-изд. л. 7,6. Тираж 50 экз. Заказ № 174.
Редакционно-издательский центр ГУАП
190000, Санкт-Петербург, Б. Морская ул., 67
Документ
Категория
Без категории
Просмотров
22
Размер файла
1 598 Кб
Теги
osipov, 0e699251db
1/--страниц
Пожаловаться на содержимое документа