Интелектуальные системы и технологии в экономике (стр. 4 из 7)

Рис. 4.1. Классификация экспертных систем

Классификация по решаемой задаче

Интерпретация данных.Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Диагностика.Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность – это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры ("анатомии") диагностирующей системы.

Мониторинг.Основная задача мониторинга – непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста.

Проектирование.Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов – чертеж, пояснительная записка и т.д. Основные проблемы здесь – получение четкого структурного описания знаний об объекте и проблема "следа". Для организации эффективного проектирования и, в еще большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Прогнозирование.Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров "подгоняются" под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Планирование.Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Обучение.Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом "ученике" и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза.

Основное отличие задач анализа от задач синтеза заключается в следующем: если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально строится из решений компонентов или подпроблем. Задача анализа – это интерпретация данных, диагностика; к задачам синтеза относятся проектирование, планирование. Комбинированные задачи: обучение, мониторинг, прогнозирование.

Классификация по связи с реальным временем

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.

Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступаемых данных.

Классификация по типу ЭВМ

На сегодняшний день существуют:

ЭС для уникальных стратегически важных задач на суперЭВМ (Эльбрус, CRAY , CONVEX и др.);

ЭС на ЭВМ средней производительности (типа ЕС ЭВМ, mainframe );

ЭС на символьных процессорах и рабочих станциях ( SUN , APOLLO );

ЭС на мини- и супермини-ЭВМ ( VAX , micro - VAX и др.);

ЭС на персональных компьютерах ( IBM PC , MAC II и подобные).

Классификация по степени интеграции с другими программами

Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически "экспертных" задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т.д.).

Гибридные ЭС представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем являет собой задачу, на порядок более сложную, чем разработка автономной ЭС. Стыковка не просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает целый комплекс теоретических и практических трудностей.

4.3 Структура экспертных систем (на примере статической и динамической ЭС)

Типичная статическая ЭС состоит из следующих основных компонентов (рис. 4.2):

· решателя (интерпретатора);

· рабочей памяти (РП), называемой также базой данных (БД);

· базы знаний (БЗ);

· компонентов приобретения знаний;

· объяснительного компонента;

· диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Рис. 4.2. Структура статистической ЭС

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

В разработке ЭС участвуют представители следующих специальностей:

эксперт в проблемной области, задачи которой будет решать ЭС;

инженер по знаниям - специалист по разработке ЭС (используемые им технологию, методы называют технологией (методами) инженерии знаний);

программист по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭС.

Необходимо отметить, что отсутствие среди участников разработки инженеров по знаниям (т. е. их замена программистами) либо приводит к неудаче процесс создания ЭС, либо значительно удлиняет его.

Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в ЭС знаний.

Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы ЭС; осуществляет выбор того ИС, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом ИС; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.

Программист разрабатывает ИС (если ИС разрабатывается заново), содержащее в пределе все основные компоненты ЭС, и осуществляет его сопряжение с той средой, в которой оно будет использовано.

Экспертная система работает в двух режимах: режиме приобретения знаний и в режиме решения задачи (называемом также режимом консультации или режимом использования ЭС).

В режиме приобретения знаний общение с ЭС осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.

Отметим, что режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае ЭС разработку программ осуществляет не программист, а эксперт (с помощью ЭС), не владеющий программированием.

В режиме консультации общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Необходимо отметить, что в зависимости от назначения ЭС пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к ЭС за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат, но он обращается к ЭС с целью либо ускорить процесс получения результата, либо возложить на ЭС рутинную работу). В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. ЭС при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее. Если реакция системы не понятна пользователю, то он может потребовать объяснения:

"Почему система задает тот или иной вопрос?", "как ответ, собираемый системой, получен?".

Структуру, приведенную на рис. 4.2, называют структурой статической ЭС. ЭС данного типа используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые ЭС, получившие практическое использование, были статическими.

Рис. 4.3. Структура динамической ЭС

На рис. 4.3 показано, что в архитектуру динамической ЭС по сравнению со статической ЭС вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением. Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической ЭС (база знаний и машина вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.

Подчеркнем, что структура ЭС, представленная на рис. 4.2 и 4.3, отражает только компоненты (функции), и многое остается "за кадром".

4.4 Этапы разработки экспертных систем

Разработка ЭС имеет существенные отличия от разработки обычного программного продукта. Опыт создания ЭС показал, что использование при их разработке методологии, принятой в традиционном программировании, либо чрезмерно затягивает процесс создания ЭС, либо вообще приводит к отрицательному результату.

Использовать ЭС следует только тогда, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче. Чтобы разработка ЭС была возможной для данного приложения, необходимо одновременное выполнение по крайней мере следующих требований:

1) существуют эксперты в данной области, которые решают задачу значительно лучше, чем начинающие специалисты;

2) эксперты сходятся в оценке предлагаемого решения, иначе нельзя будет оценить качество разработанной ЭС;

3) эксперты способны вербализовать (выразить на естественном языке) и объяснить используемые ими методы, в противном случае трудно рассчитывать на то, что знания экспертов будут "извлечены" и вложены в ЭС;

4) решение задачи требует только рассуждений, а не действий;

5) задача не должна быть слишком трудной (т.е. ее решение должно занимать у эксперта несколько часов или дней, а не недель);

6) задача хотя и не должна быть выражена в формальном виде, но все же должна относиться к достаточно "понятной" и структурированной области, т.е. должны быть выделены основные понятия, отношения и известные (хотя бы эксперту) способы получения решения задачи;

7) решение задачи не должно в значительной степени использовать "здравый смысл" (т.е. широкий спектр общих сведений о мире и о способе его функционирования, которые знает и умеет использовать любой нормальный человек), так как подобные знания пока не удается (в достаточном количестве) вложить в системы искусственного интеллекта.

Использование ЭС в данном приложении может быть возможно, но не оправдано. Применение ЭС может быть оправдано одним из следующих факторов:

· решение задачи принесет значительный эффект, например экономический;

· использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;

· использование ЭС целесообразно в тех случаях, когда при передаче информации эксперту происходит недопустимая потеря времени или информации;

· использование ЭС целесообразно при необходимости решать задачу в окружении, враждебном для человека.

Приложение соответствует методам ЭС, если решаемая задача обладает совокупностью следующих характеристик:

1) задача может быть естественным образом решена посредством манипуляции с символами (т.е. с помощью символических рассуждений), а не манипуляций с числами, как принято в математических методах и в традиционном программировании;

2) задача должна иметь эвристическую, а не алгоритмическую природу, т.е. ее решение должно требовать применения эвристических правил. Задачи, которые могут быть гарантированно решены (с соблюдением заданных ограничений) с помощью некоторых формальных процедур, не подходят для применения ЭС;

3) задача должна быть достаточно сложна, чтобы оправдать затраты на разработку ЭС. Однако она не должна быть чрезмерно сложной (решение занимает у эксперта часы, а не недели), чтобы ЭС могла ее решать;

4) задача должна быть достаточно узкой, чтобы решаться методами ЭС, и практически значимой.

При разработке ЭС, как правило, используется концепция "быстрого прототипа". Суть этой концепции состоит в том, что разработчики не пытаются сразу построить конечный продукт. На начальном этапе они создают прототип (прототипы) ЭС. Прототипы должны удовлетворять двум противоречивым требованиям: с одной стороны, они должны решать типичные задачи конкретного приложения, а с другой - время и трудоемкость их разработки должны быть весьма незначительны, чтобы можно было максимально запараллелить процесс накопления и отладки знаний (осуществляемый экспертом) с процессом выбора (разработки) программных средств (осуществляемым инженером по знаниям и программистом). Для удовлетворения указанным требованиям, как правило, при создании прототипа используются разнообразные средства, ускоряющие процесс проектирования.

Прототип должен продемонстрировать пригодность методов инженерии знаний для данного приложения. В случае успеха эксперт с помощью инженера по знаниям расширяет знания прототипа о проблемной области. При неудаче может потребоваться разработка нового прототипа или разработчики могут прийти к выводу о непригодности методов ЭС для данного приложения. По мере увеличения знаний прототип может достигнуть такого состояния, когда он успешно решает все задачи данного приложения. Преобразование прототипа ЭС в конечный продукт обычно приводит к перепрограммированию ЭС на языках низкого уровня, обеспечивающих как увеличение быстродействия ЭС, так и уменьшение требуемой памяти. Трудоемкость и время создания ЭС в значительной степени зависят от типа используемого инструментария.

В ходе работ по созданию ЭС сложилась определенная технология их разработки, включающая шесть следующих этапов (рис. 4.4):

идентификацию, концептуализацию, формализацию, выполнение, тестирование, опытную эксплуатацию. На этапе идентификации определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

Рис. 4.4. Технология разработки ЭС

На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.

На этапе формализации выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

На этапе выполнения осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

5. Использование и поддержка ЭС. Реижиниринг бизнеса

5.1 Использование финансовых экспортных систем

Множество предприятий устанавливают ЭС для решения задач в таких областях как: торги на фондовой бирже, автоматическое понимание новостей, кредитный анализ, управление рисками, построение портфелей кредитов и инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке и т.д.

Примерами этому является целый класс консультативных ЭС: Bear, Sterns & Company’s Broker Monitoring System, Athena Group’s Portfolio Advisor и Trader’s Assistant, совместно разработанные корпорациями Author D. Little Corporation, Knowledge-Based Network Corporation и еще шестью финансовыми институтами. Японский Sanwa Bank, один из крупнейших мировых банков, применяет экспертную систему Best Mix для улучшения качества своей информации по инвестициям.

ЭС Nikko Portfolio Consultation Management System, разработанная для внутреннего использования фирмой Nikko Securities, Ltd., помогает управляющим фондами выбрать оптимальный портфель для своих клиентов. Данная система основана на базе данных с информацией за пять лет продаж акций и на системе с новой теорией управления портфелем, которая вычисляет и оптимизирует портфель ценных бумаг для страховки от различных рисков. Управляющие фондами освобождаются от рутинных вычислений и, таким образом, имеют возможность более быстро составить оптимальный портфель ценных бумаг. Компания IDS Financial Services, подразделение финансового планирования American Express Company, классифицировали финансовые экспертизы своих лучших управляющих для создания экспертной системы, названной Insight. IDS включила экспертизы лучших управляющих в свои средства, т.е. экспертную систему, доступную всем своим планировщикам. Одним из основных результатов применения экспертной системы в компании IDS стало то, что процент покинувших фирму клиентов упал более чем наполовину.

Перечислим характеристики некоторых конкретных ЭС этого класса.

1. FLiPSiDE: Система логического программирования финансовой экспертизы. Предприятие-разработчик: Case Western Reserve University Решаемые задачи: мониторинг состояния рынка ценных бумаг; мониторинг состояния текущего портфеля ценных бумаг; поддержка обзора будущих условий рынка; планирование и выполнение продаж.

Краткие характеристики: применение оригинальной парадигмы “Классной доски”, описанной Ньюэллом; язык Пролог в качестве платформы программирования; представление данных на “Классной доске” в качестве исходных данных для различных знаний;

2. Splendors: Система управления портфелем ценных бумаг реального времени. Решаемые задачи: достижение разнообразных инвестиционных целей в условиях быстро меняющихся данных. Краткие характеристики: система реального времени, использование специализированного языка высокого уровня Profit, большая гибкость в создании портфеля для опытных программистов на C, возможность создания портфеля непрограммирующему финансовому аналитику.

Система позволяет формировать оптимальные инвестиционные портфели в реальном масштабе за счет игры на учете быстрых изменений на фондовой бирже.

3. PMIDSS: Система поддержки принятия решений при управлении портфелем. Предприятие-разработчик: Финансовая группа Нью-Йоркского университета. Решаемые задачи: выбор портфеля ценных бумаг, долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.

4. Le Courtier: Система ассистент-эксперт для менеджера портфеля. Предприятие-разработчик: Cognitive System Inc. Решаемые задачи: помощь инвесторам в определении своих инвестиционных целей, управление портфелем. Краткие характеристики: использование правил, мощный естественно-языковый интерфейс.

5. PMA: Советчик управляющему портфелем. Предприятие-разработчик: Athena Group. Решаемые задачи: формирование портфеля, оказание рекомендаций по сопровождению портфеля. Краткие характеристики: обеспечение качественного обоснования результатам применения различных численных методов.

6. ArBoR: Вычислительная модель рейтинга облигаций. Предприятие-разработчик: College of Business Administration Univercity of Nebraska. Решаемые задачи: Данная система создана для конструирования вычислительной модели в области рейтинга облигаций и для применения модели в качестве экспертной системы. Краткие характеристики: применение качественного и количественного анализа, использование стандартной оболочки ЭС.

7. Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Предприятие-разработчик: Information System Department, New York University. Решаемые задачи: проблема огромного количества постоянно растущих альтернатив страхования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обильную сферу различных оптимальных решений для менеджеров по риску. В данной системе разработка страхования от риска сформулирована как многоцелевая оптимизационная задача. Данная задача оптимизации включает несколько сложностей, с которыми существующие технические решения не справляются.

Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эмуляцию первичных рассуждений управляющих риском, полезных для выводов и их объяснений.

8. Узко ориентированная система поддержки принятия решения для выбора стратегий инвестиций. Предприятие-разработчик: Intelligent System Laboratory Science Univercity of Tokyo. Решаемые задачи: С приходом в набор финансовых инструментов понятий “выбор” и “будущее”, у инвесторов появилась возможность формировать набор стратегий, отвечающих целям их инвестиций. Однако, эта возможность порождает трудную задачу нахождения необходимой стратегии среди большого числа стратегий инвестиций. Представлена интеллектуальная система поддержки принятия решения для генерации необходимых стратегий инвестирования с использованием нотации ограниченной удовлетворительности, которая широко применяется в задачах поиска. В данной системе ограничения играют роль навигации для автоматического порождения сложных стратегий через абстрактное сравнение с профилем вкладчиков. Абстрактное сравнение может рассматриваться как поиск метода для производства качественно обоснованных стратегий, описывающих набор предложений для покупки или продажи без цифровой информации. Т.к. такая техника может быть использована как предпроцессор для количественного анализа типа линейного программирования для получения оптимального решения, предлагаемая система является мостом для плавного перехода между качественным и количественным анализами.

Краткие характеристики: применение качественного анализа для получения возможных качественных решений (интуитивные решения) и количественного анализа для нахождения оптимального решения с помощью симплексного метода линейного программирования.

9. Явные рассуждения в прогнозировании обмена валют. Предприятие-разработчик: Department of Computer Science City Polytechnic of Hong Kong. Решаемые задачи: Представляет новый подход в прогнозировании обмена валют, основанный на аккумуляции и рассуждениях с поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков - это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования.

Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера-Шафера.

10. Nereid: Система поддержки принятия решений для оптимизации работы с валютными опционами. Предприятие-разработчик: NTT Data, The Tokai Bank, Science Univercity of Tokyo.

Решаемые задачи: система облегчает дилерскую поддержку для оптимального ответа из возможных представленных вариантов. Система более практична и дает лучшие решения, чем обычные системы принятия решений.

Краткие характеристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sun-станциях.

5.2 ЭС, основанные на примерах

ЭС, основанные на примерах, можно по принципам работы можно разделить на две группы: использующие нейронные сети и использующие алгоритм индуктивного обобщения ID3. Первые в основном используются как предварительно обученный на примерах классификатор, у которого при подаче на его вход набора значений исходных финансовых параметров на выходе появляется искомое решение по данной финансовой ситуации. Вторые по наборам примеров формируют дерево решений, из которого затем строятся соответствующие для принятия решений правила. Ниже мы приведем 2 типичных примера ЭС обоих групп.

1. S&PCBRS: Нейронный симулятор для оценки рейтинга ценных бумаг. Предприятие-разработчик: Chase Manatten Bank, Standart & Poor’s Corp. Решаемые задачи: оценка рейтинга ценных бумаг по данным о фирмах эмитентах, формирование корректной рейтинговой шкалы.

Краткие характеристики: представление задачи оценки рейтинга как задачи классификации, отбор данных о фирмах эмитентах и формирование обучающего материала, выбор нейроклассификатора, его обучение и тестирование, сравнение с оценками экспертов, использование нейросетевой парадигмы Couter-Propagation, вероятность правильного предсказания рейтинга 84%.

2. ISPMS: Интеллектуальная система управления портфелем ценных бумаг. Решаемые задачи: формирование портфеля акций, обеспечивающего баланс между риском и предполагаемым доходом.

Краткие характеристики: использование оптимизационной модели квадратичного программирования Марковица, баз данных и баз знаний по фирмам-эмитентам и отраслям, наличие подсистемы обучения на прошлом опыте, основанной на извлечении правил из большого количества фактов, учет знаний эксперта и личных предпочтений инвестора в оптимизационной модели. Вероятность правильного предсказания резкого изменения на фондовой бирже в пределах 68% - 84%.

5.3 Реинфиниринг бизнеса

Перестройка работы предприятий в сфере процессов, связанных с проектированием и подготовкой производства новых изделий, называемая реинжинирингом и предпринимаемая в целях резкого повышения эффективности функционирования предприятий в современных условиях, базируется на организационных изменениях и использовании новых информационных технологий.

При анализе существующего и разработке нового бизнеса важную роль играет построение моделей компании и протекающих в ней бизнес-процессов. Модели могут различаться степенью детализации процессов, формой их представления, учетом только статических или также динамических факторов и др. Следует отметить, что все известные подходы к моделированию бизнеса принадлежат к семейству методов моделирования сложных информационных систем.

К традиционным средствам построения моделей сложных систем относится методология SADT (Structured Analysis Design Technique). Она была создана в начале 70-х годов с целью унифицировать подходы к описанию сложных систем. SADT включает как концептуальный подход к построению моделей систем, так и набор правил и графических обозначений для их описания. Предлагаемые методы построения функциональных моделей, где описание систем осуществляется с точки зрения выполняемых ими функций, получили название методологии IDEF0. Существуют также специальные методологии для построения информационных моделей, описывающих потоки информации (IDEFIX) и динамических моделей, отображающих причинно-следственные связи между объектами системы (IDEF/CPN).

К более современным средствам моделирования, появившимся в середине 90-х годов, относится методология RUP (Rational Unified Process). Эта методология, разработанная компанией Rational Software Corp., под-

держивает итеративный процесс создания сложной информационной системы на основе объектно-ориентированного подхода, с использованием диаграмм UML (Unified Modeling Language) для визуального моделирования предметной области. Нотация диаграмм UML и методы использования UML при реинжиниринге бизнес-процессов проектирования и подготовки производства будут рассмотрены в последующих разделах данного пособия.

Наряду с UML, для визуального моделирования существуют и другие нотации, реализованные, например, в системах ARIS и ADONIS. Система ADONIS позволяет выполнять не только визуальное, но и имитационное моделирование бизнес-процессов, ее возможности также рассматриваются ниже.

Информационные системы поддержки новых бизнес-процессов.

Выше отмечалось, что использование новых информационных технологий является неотъемлемой частью реинжиниринга. При этом модели новых бизнес-процессов непосредственно реализуются в среде информационной системы поддержки (ИСП) нового бизнеса. Важность ИСП состоит не только в том, что она является необходимым элементом реинжиниринга, а еще и в том, что зачастую применение ИСП во многом определяет технологию ведения нового бизнеса. ИСП представляет собой специально разрабатываемое программное обеспечение – программную систему, которая строится на основе применения соответствующих инструментальных средств.

В сфере проектирования новых изделий роль ИСП играют конструкторские системы автоматизированного проектирования (САПР-К). В сфере технологической подготовки производства роль ИСП играют автоматизированные системы технологической подготовки производства (АСТПП).

К инструментальным средствам создания САПР-К и АСТПП относятся CAD/CAM, CAE и PDM-системы. При этом CAD/CAM и САЕ-системы становятся средствами для автоматизации выполнения проектных процедур, а PDM-система – средством для управления процессами проектирования и подготовки производства. Одновременно PDM-система является базовым средством, с помощью которого реализуется единое информационное пространство для всех этапов жизненного цикла изделия (ЖЦИ).

Наиболее мощные и полнофункциональные комплексы CAD/CAM/CAE/PDM получили название PLM-решений (Product Data Management –управление данными об изделии).

6. Стратегия получения знаний. Практические методы извлечения знаний

6.1 Стратегия получения знаний

Выделяют три стратегии получения знаний – приобретение знаний, извлечение знаний и обнаружение знаний в базах данных:

Под приобретением (acquisition) знаний понимают способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной программы.

Извлечением (elicitation) знаний называют процедуру взаимодействия инженера по знаниям с источником знаний (экспертом, специальной литературой и др.) без использований вычислительной техники.

Термином “обнаружение знаний в базах данных” (knowledge discovery in databases – KDD) сегодня обозначают процесс получения из “сырых” данных новой, потенциально полезной информации о предметной области. Этот процесс включает несколько этапов (рис. 6.1). Сюда относится накопление сырых данных, отбор, подготовка, преобразование данных, поиск закономерностей в данных, оценка, обобщение и структурирование найденных закономерностей.

Рис. 6.1. Процесс обнаружения знаний в БД

Стратегия KDD все более выдвигается на первую роль. Это во многом обусловлено быстрым развитием разнообразных хранилищ данных (data warehouse) – собраний данных, отличающихся предметной ориентированностью, интегрированностью, поддержкой хронологии, неизменяемостью, и предназначенных для последующей аналитической обработки.

Специфика современных требований к обработке данных с целью обнаружения знаний следующая:

· Данные имеют неограниченный объем

· Данные являются разнородными (количественными, качественными, категориальными)

· Результаты должны быть конкретны и понятны

· Инструменты для обработки “сырых” данных должны быть просты в использовании

6.2 Практические методы извлечения данных

Классификация методов извлечения знаний (рис. 6.2) позволит инженерам по знаниям, в зависимости от конкретной задачи и ситуации, выбрать конкретный метод. Из предложенной схемы классификации видно, что основной принцип деления связан с источником знаний. Коммуникативные методы охватывают все виды контактов с живым источником знаний - экспертом, а текстологические касаются методов извлечения знаний из документов (методик, пособий, руководств) и специальной литературы (статей, монографий, учебников).

Разделение этих групп методов на верхнем уровне классификации не означает их антагонистичности, обычно инженер по знаниям комбинирует различные методы, например, сначала изучает литературу, затем беседует с экспертами, или наоборот.

Рис. 6.2. Классификация методов извлечения знаний.

В свою очередь, коммуникативные методы можно также разделить на две группы: активные и пассивные. Пассивные методы подразумевают, что ведущая роль в процедуре извлечения знаний как бы передается эксперту, а инженер по знаниям только протоколирует рассуждения эксперта во время его реальной работы по принятию решений или записывает то, что эксперт считает нужным самостоятельно рассказать в форме лекции. В активных методах, напротив, инициатива полностью в руках инженера по знаниям, который активно контактирует с экспертом различными способами - в играх, диалогах, беседах за "круглым столом" и т.д.

Пассивные методы на первый взгляд достаточно просты, но на самом деле требуют oт инженера по знаниям умения четко анализировать "поток сознания" эксперта и выявлять в нем значимые фрагменты знаний. Отсутствие обратной связи (пассивность инженера по знаниям) значительно ослабляет эффективность этих методов, чем и объясняется их обычно вспомогательная роль при активных методах.

Активные методы можно разделить на две группы в зависимости от числа экспертов, отдающих свои знания. Если их число больше одного, то целесообразно помимо серии индивидуальных контактов с каждым применять и методы групповых обсуждений предметной области. Такие групповые методы обычно активизируют мышление участников дискуссий и позволяют выявлять весьма нетривиальные аспекты их знаний. В свою очередь, индивидуальные методы на сегодняшний день остаются ведущими, поскольку столь деликатная процедура, как "отъем знаний", не терпит лишних свидетелей.

Отдельно следует сказать об играх. Игровые методы сейчас широко используются и социологии, экономике, менеджменте, педагогике для подготовки руководителей, учителей, врачей и других специалистов. Игра - это особая форма деятельности и творчества, где человек раскрепощается и чувствует себя намного свободнее, чем в обычной трудовой деятельности.

Заключение

В ходе выполнения работы были сделаны следующие выводы:

Экспертная система – это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач.

К экспертным системам предъявляются следующие требования: использование знаний, связанных с конкретной предметной областью; приобретение знаний от эксперта; определение реальной и достаточно сложной задачи; наделение системы способностями эксперта.

Структура экспертной системы представлена следующими структурными элементами: база знаний, механизм логических выводов, пользовательский интерфейс, модуль приобретения знаний, модуль советов и объяснений.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение, экономика и финансы.

Множество предприятий устанавливают ЭС для решения задач в таких областях как: торги на фондовой бирже, автоматическое понимание новостей, кредитный анализ, управление рисками, построение портфелей кредитов и инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке и т.д. Были рассмотрены наиболее распространенные экспертные системы в области финансов.

1. http://www.park.glossary.ru/serios/read_05.php