1.
Системы с интеллектуальным интерфейсом
Основными примерами Систем с интеллектуальным интерфейсом являются следующие системы:
А) Гипертекстовые системы.
Предназначены для реализации поиска по ключевым словам в базах текстовой информации. Данные системы отличаются возможностью сложной семантической организации ключевых слов, отражающей различные смысловые отношения. Механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. Сказанное распространяется и на поиск мультимедийной информации, включающей помимо текстовой информации графические, аудио и видео-образы.
Б) Системы контекстной помощи.
Данный класс можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему, а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).
В) Системы когнитивной графики.
Позволяют осуществлять интерфейс пользователя с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами. Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации.
Системы когнитивной графики широко используются также в обучающих системах с использованием принципов виртуальной реальности, когда обучающемуся необходимо принимать решения и выполнять определенные действия.
2.
Экспертные системы
Назначение экспертных систем заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области.
Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли:
• консультанта - для неопытных или непрофессиональных пользователей;
• ассистента - в связи с необходимостью анализа экспертом различных вариантов принятия решений;
• партнера эксперта - по вопросам, относящимся к источникам знаний из смежных областей деятельности.
Экспертные системы используются во многих областях, среди которых лидирует сегмент приложений в бизнесе.
Центральным компонентом экспертной системы является база знаний, которая выступает по отношению к другим компонентам как содержательная подсистема, составляющая основную ценность. «Know-how» базы знаний хорошей экспертной системы оценивается в сотни тысяч долларов, в то время как программный инструментарий - в тысячи или десятки тысяч долларов.
3.
Самообучающиеся системы
В основе самообучающихся систем лежат методы автоматической классификации примеров реальной практики. Примеры накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации.
В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.
Общие недостатки, свойственные всем самообучающимся системам, заключаются в следующем:
• возможна неполнота (наоборот, избыточность) и/или зашумленность обучающей выборки и, как следствие, неполная адекватность базы знаний возникающим проблемам;
• возникают проблемы, связанные с плохой смысловой ясностью взаимосвязей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;
• ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.
Наиболее исследованные виды самообучающихся систем:
- искусственные нейронные сети (ИНС)
- системы извлечения знаний на основе информационных хранилищ.
ИНС строятся по подобию их биологического прототипа – системы нейронов человеческого мозга. В таких сетях выделяется элементарная единица – нейрон. Каждый нейрон связан с одним или более соседними нейронами, формируя, таким образом, ИНС.
| Нейрон |
| Нейрон |
| Нейрон |
| Нейрон |
| Нейрон |
| Нейрон |
| Нейрон |
| Нейрон |
| Нейрон |
Обучение нейронной сети сводится к определению связей между нейронами и установлению силы этих связей (весовых коэффициентов). Алгоритмы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зависимость.
Извлечение знаний на основе информационных хранилищ (Data mining based on Data Warehouse) также относится к самообучающимся системам.
Информационное хранилище представляет собой хранилище извлеченной информации из оперативных баз данных, которое предназначено, в первую очередь, для анализа данных. Формулирование запроса осуществляется в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа для группировки данных.
Наиболее известными инструментальными средствами поддержки информационных хранилищ и OLAP - технологий (online analytical processing) являются такие инструментальные средства, как статистический пакет прикладных программ SAS, специализированные программы Business Objects, Oracle Express. Также примером таких систем может служить аналитическая платформа Deductor.
В отмеченных программах применяются методы извлечения знаний из баз данных (Data Mining или Knowledge Discovery), основанные на применении методов многомерного статистического анализа, индуктивных методов построения деревьев решений, нейронных сетей, генетических алгоритмов.
4.
Адаптивные информационные системы
Под адаптивными понимают системы, в которых заложены возможности модификации алгоритмов их функционирования в ответ на действия пользователей или изменения характеристик внешней среды. Адаптивные информационные системы (АдИС) особенно актуальны, если велико количество пользователей системы, отличающихся целями и опытом. При этом объем контента системы позволяет варьировать способы представления информации (поисковые системы Yandex, системы дистанционного обучения «Прометей», eLearning Server 3000 и др.).
Основные направления адаптации, характерные для информационных систем:
- адаптивный поиск информации,
- адаптивное представление информации,
- адаптивная навигационная поддержка.
Иногда выделяется еще один вид ИИС, не указанный в рассмотренной классификации - это системы управления знаниями.
5.
