Интеллектуальные информационные системы

Список вопросов

1. Понятие интеллектуальной информационной системы, основные свойства.
2. Классификация интеллектуальных информационных систем.
3. Методы представления знаний, их классификация.
4. Понятие экспертной системы. Этапы проектирования экспертной системы.
5. Основы нейросетевых технологий. Нейрокомпьютеры.

Понятие интеллектуальной информационной системы, основные свойства.

Интеллектуальная информационная система – это информационная система, предназначенная для поддержки деятельности человека и поиска информации в режиме диалога на естественном языке. Она основана на концепции использования базы знаний для генерации алгоритмов решения задач.

Свойства ИИС:

• развитые коммуникативные способности (взаимодействие пользователя с системой);
• умение решать сложные задачи (построение оригинального алгоритма решения конкретной задачи);
• способность к самообучению (извлечение знаний из накопленного опыта и применение их для решения задач);
• адаптивность (способность к развитию в соответствии с изменениями в области знаний).

Классификация интеллектуальных информационных систем.

Классификация ИИС:

• экспертные системы (система, частично заменяющая специалиста в решении проблемной ситуации);
  
  
• самообучающиеся системы (система формирующая знания на основе опыта, обучается на примерах, в результате обучения формируется база знаний корректирующаяся по мере накопления опыта);
  
  
• системы с интеллектуальным интерфейсом (система для поиска неявной информации в БД, вопросно-ответные системы. Например: вывести список товаров, цена которых ниже средней);
  
  
• адаптивные системы (развиваются в соответствии с изменениями в области знаний, адекватно отражают знания проблемной области в каждый момент времени).

Методы представления знаний, их классификация.

Знания – это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений.

Методы представления знаний:

• Представление знаний в виде правил. В системах основанных на правилах предметные знания представляются набором правил ЕСЛИ ТО. Когда часть правила ЕСЛИ удовлетворяет фактам, то действия, указанные в части ТО, выполняется. Базы знаний могут насчитывать множество правил, в следствии чего процесс добаления новых правил и контроль связей между ними может быть затруднен, т.к. добавляемые правила могут вступать в противоречие с уже имеющимися.
  
  
• Представление знаний с использованием фреймов. Фреймом называется структура для описания объекта, состоящая из характеристики объекта и его значения. Имеют жесткую структуру базы знаний. (Имя фрейма: Имя слота 1(значение слота 1) Имя слота 2(значение слота 2) Имя слота К (значение слота 3)). Значения слотов могут содержать не только само значение, но и процедуру, которая вычислит это значение по алгоритму. Позволяют уменьшить объем памяти для их размещения на компьютере.
  
  
• Представление знаний с использованием семантических сетей. Метод основан на сетевой структуре. Семантическая сеть отображает совокупность объектов предметной области и связей между ними. В качестве объектов могут выступать события, действия, понятия и свойства объекта. Имеют понятия класса объекта и наследование.
  
  
• Представления знаний в виде нечетких высказываний. Для описания модели используются сведения качественного характера. Особенности изучаемого объекта формулируются на естественном языке. ЕСЛИ нить Х горит медленно И при горении нити Х образуется твердый шарик бурого цвета ТО нить Х – капроновая.

Понятие экспертной системы. Этапы проектирования экспертной системы.

Экспертные системы – это системы, предназначенные для решения задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Они частично заменяют специалистов в решении проблемной ситуации. Могут выполнять функции: консультировать неопытных или непрофессиональных пользователей, анализировать различные варианты принятия решений, производить контроль, отладку, прогнозировании, планирование и т.д. Экспертные системы могут быть статическими (решает задачи в условиях не изменяющихся во времени исходных данных) и динамическими (изменяющиеся во времени исходные данные). Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом.

Состав экспертных систем:

• интерпретатор (используя исходные данные из рабочей памяти знания из базы знаний решает задачи);
• рабочая память (хранение исходных и промежуточных данных решаемой задачи);
• база знаний (хранение долгосрочных данных описывающих предметную область);
• компоненты приобретения знаний (автоматизирует процесс наполнения ЭС знаниями);
• объяснительные компоненты (объясняет как система получила/не получила решение);
• диалоговые компоненты (обеспечивает общение с пользователем).

Этапы проектирования экспертной системы:

• Идентификация проблемной области – определяются задачи, подлежащие решению, выявляются цели разработки.
  
  
• Концептуализация проблемной области – определяются способы представления и интерпретации всех видов знаний, моделируется работа системы.
  
  
• Формализация базы знаний – наполнение базы знаний.
  
  
• Реализация базы знаний – создается прототип экспертной системы, решающий требуемые задачи.
  
  
• Тестирование – производится оценка выбранного способа представления знаний.

Важнейшим критерием оценки является соотношение стоимости системы и ее эффективности.

Основы нейросетевых технологий. Нейрокомпьютеры.

Нейронные сети – это математические модели, а так же их программные и аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей. Это понятие возникло при попытке смоделировать процессы, протекающие в мозге. Эти технологии используют в задачах прогнозирования (будущее значение некоторой последовательности), управления (принятие решений на основе входных и выходных данных) и распознавания образов (текст, изображения, звуки). Нейронные сети представляют собой систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры гораздо проще процессоров, используемых в компьютерах. Каждый процессор принимает и посылает сигналы другим процессорам. Будучи соединенными в большую сеть, такие процессоры могут выполнять сложные задачи. Нейронные сети учатся на примерах. Возможность обучения – это одно из главных преимуществ нейронных сетей над традиционными алгоритмами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а так выполнять обобщение.
Нейрокомпьютер – это компьютер, созданный на основе нейронных сетей. Отличительной особенностью является быстродействие, устойчивость и надежность.