Современные информационные технологии /1. Компьютерная инженерия

К.т.н., доц. Т.Б. Аждер

Московский технологический университет, Россия

Анализ характеристик самообучающихся системы

Интеллектуальная информационная система (ИИС) – это ИС, которая основана на концепции использования базы знаний для генерации алгоритмов решения задач различных классов в зависимости от конкретных информационных потребностей пользователей. Одним из важнейших признаков ИИС является ее способность к самообучению.

Самообучающаяся система – это ИИС, которая на основе примеров реальной практики автоматически формирует единицы знаний. В основе самообучающихся систем лежат методы обучения на примерах. В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации незнакомых ситуаций. Из обобщающих правил автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях.

Различают следующие виды самообучающихся систем.

1. Система с индуктивным выводом – это самообучающаяся ИИС, работа которой основана на правилах индуктивного вывода с помощью классификации примеров по значимым признакам. Дано конечное множество объектов или ситуаций, по каждому из которых имеются описания, совокупность которых образуют обучающую выборку. Требуется по этим частным данным выявить общие зависимости, закономерности, взаимосвязи, присущие не только этой конкретной выборке, но вообще всем объектам и ситуациям, в том числе тем, которые ещё не наблюдались.

Наиболее распространённым способом описания объектов и ситуаций является признаковое описание. Фиксируется совокупность n показателей, измеряемых у всех объекта или ситуации. Если все n показателей числовые, то признаковые описания представляют собой числовые векторы размерности n. Возможны и более сложные случаи, когда описания представлены временными рядами или сигналами, изображениями, видеорядами, текстами и т. д.

2. Нейронные сети – это самообучающиеся ИИС, которые на основе обучения по реальным примерам строят ассоциативную сеть понятий (нейронов) для параллельного поиска решений. В результате обучения на примерах строятся функции активации, определяющие зависимости между входными и выходными признаками.

Функции активации используются в задачах классификации на основе сопоставления их значений при различных комбинациях значений входных признаков с некоторым пороговым значением. В случае превышения заданного порога считается, что нейрон стал активным и распознал некоторый класс ситуаций. Нейроны используются и в задачах прогнозирования, когда по значениям входных признаков после их подстановки в выражение функции активации получается прогнозное значение выходного признака.

В отличие от индуктивного вывода, возможность нелинейного характера функциональной зависимости выходных и входных признаков позволяет с помощью нейронных сетей находить более точные решения задачи классификации. Еще одним отличием от индуктивного вывода является параллелизм процесса прохода по нейронной сети, тогда как в первом случае вывод осуществляется последовательно.

3. Системы, основанные на прецедентах – это самообучающиеся ИИС, которые в качестве единиц знаний хранят прецеденты решений и позволяют по запросу подбирать и адаптировать наиболее похожие прецеденты. В этих системах база знаний содержит описания собственно самих ситуаций или прецедентов. Для поиска решения задачи используется алгоритм поиска по аналогии, который включает в себя следующие этапы:

1) получение подробной информации о текущей проблеме;

2) сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

3) выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

4) выполнение адаптации выбранного прецедента к текущей проблеме;

5) проверка корректности каждого полученного решения;

6) занесение детальной информации о полученном решении в базу знаний.

Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Но в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Далее наиболее подходящие решения адаптируются по специальным алгоритмам к реальным ситуациям. Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в базе прецедентов.

4. Информационные хранилища – это самообучающиеся ИИС, которые позволяют извлекать знания из баз данных и создавать специально-организованные базы знаний. Информационные хранилища представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных и предназначенной для оперативного анализа данных.

Для извлечения значимой информации из баз данных используются специальные методы, основанные или на применении методов математической статистики, индуктивных методов построения деревьев решений, или нейронных сетей. Формулирование запроса осуществляется в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа.

Литература:

1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем: Учебник. – М.: Питер, 2000. – 382 с.

2. Искусственный интеллект. Книга 2. Модели и методы. / Под ред. проф. Д.А.Поспелова. – М.: Радио и связь, 1990. – 304 с.

3. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. / Пер с англ. Ю.А. Зуева М.: Мир, 1992 – 237 с.