Реферат: Загальні аспекти розробки систем зі штучним інтелектом
• Вони не сплять, не хворіють, не тікають або не з'єднуються з іншими компаніями.
Однак експертні системи на даний момент мають багато обмежень.
• Вони звичайно працюють тільки у вузько визначених проблемних доменах, і їхній рівень розуміння середовища, в якому вони працюють, є до деякої міри поверховим.
• Ці системи досі не мають «здорового глузду», як засоби вони звичайно не можуть обміркувати про проблему багатократними шляхами або на багатократних рівнях. Вони не знають те, коли вони не знають що-небудь, доречне до проблеми; це засіб, що вони можуть спробувати розв'язати проблеми, навіть коли їх знання і метод мислення є очевидно невідповідними, і вони не зможуть повідомити користувача-людину про цей факт. Вони не можуть глибоко знати логіку правил або достовірності правил, які зберігаються в їх базах знань, і вони не знають, коли доцільно порушити правила.
• Вони не можуть самі навчитися.
• Є проблеми продуктивності щодо тривалості відповіді в багатьох системах.
• 3 метою вирішення проблеми продуктивності були створені спеціалізовані машини і мови для використання в експертних системах (наприклад, LISPмашини). Однак, ці апаратні засоби і програмне забезпечення виявились важкими, щоб інтегрувати з існуючими корпоративними системами, і продавці цієї технології зазнають серйозних проблем з ринкової реалізації.
• Експертні системи можуть бути дорогими і ризикованими, щоб розроблятися. Навіть коли спеціалізованих апаратних засобів і програмного забезпечення не вимагається, дистиляція людського досвіду, його кодування і збереження в базах знань для використання в експертних системах можуть вимагати значних витрат часу і бути трудомісткими. Майстерності, яка для цього вимагається, немає в багатьох випадках.
• Успішні експертні системи можуть привести до реальних змін в шляхах людини виконувати свої завдання. Це може вимагати суттєвих організаційних і технологічних змін, які можуть стати на перешкоді повного успіху системи , навіть якщо система добре виконана з технічного боку.
Незважаючи на ці обмеження, багато комп'ютерних корпорацій розробили додатки експертних систем як експериментальних, так і діючих, які розгортаються у використанні сьогодні. Вони зробили висновок, що ці системи репрезентують стратегічну конкурентну технологію .
Наприклад, компанія DuPontмає понад 600 експертних систем в дії і таким чином отримує щорічні заощадження до податку, що оцінюються в сотнях мільйонів. Важливо, що тільки близько 20 цих систем є додатки «закритого циклу» (тобто створюється рішення скоріше, ніж підтримується). Решта використовуються в консультативному режимі або в режимі підтримки рішення.
Іншим прикладом є експертна система кредитного дозволу, що використовується AmericanExpress (theCreditAuthorizer'sAssistant — асистент того, хто надає кредитний дозвіл). Ця система ідентифікує ризики між більш ніж 23 млн держателів кредитних карток. Вона слідує крок за кроком за процесом міркування одного із своїх досвідчених аудитерів кредиту, але час рішення скоротився на 25%. AmericanExpressотримала на основі цієї системи до 60% скорочень витрат від фальсифікованих операцій. Очікувані переваги від зменшення ризику, зменшення вартості і вдосконалення дохідних статей оцінюються в 27 млн. дол. США на рік.
Корпорація Австралії LendLease, одна з найбільших Австралійських будівельних компаній, збудувала експертну систему, яка використовується, щоб оцінити справжній час конструювання великих розроблюваних проектів. Ці оцінки потім використо вуються, щоб зробити багато більш точні оцінки для будівельних витрат на ранній стадії.
BritishPetroleum(Британська нафта) розробила і розгорнула багато експертних систем. Можливо найкраща серед відомих систем є радник для проектування розділювачів газу/нафти. Використання її забезпечило економію витрат у кілька мільйонів фунтів стерлінгів за рік.
Багато японських компаній зробили реальні інвестиції в експертних системах з суттєвим обсягом і виграшем. Е. Feigenbaum, P. McCorduck, і Н. Nii, в своїй книзі TheRiseoftheExpertCompany (Зростання Досвідченої Компанії), включають багато прикладів експертних систем, розгорнених Японськими компаніями. Лихоманка експертних систем розгорнулася широко і охопила сотні японських фірм. Не сюрпризом є застосування Ее в інжинірингу інтенсивних індустрій, важких машин і індустріях матеріалів, конструюванні, хімії, страхуванні і фінансових послугах.
Отже, серйозні організаційні заходи і фінанси охоплені розробкою прикладень експертних систем і продуктів. Крім того, виконавчі інформаційні системи і системи підтримки прийняття рішень є дві області, куди потрібно включити дану технологію, і тому є сподівання, що багато компаній намагатимуться зробити так.
Модулі експертних систем можуть і мають бути використані в середині додатків ВІС і СППР. Вони нададуть нам можливість працювати з більш абстрактними, не цифровими фактами і зв'язками, і мають істотно підвищувати ефективність і поширеність таких систем. У деяких випадках вони забезпечать пояснення про те, як вони виконують завдання або щонайменше посилатися на деяку корисну міру надійності, з якою вони обмірковують.
ПОНЯТТЯ ЗНАНЬ ТА ВІДМІННОСТІ ЇХ ВІД ДАНИХ
Інформаційним об'єктом для обробки на ЕОМ у системах зі штучним інтелектом є знання. Знання найчастіше подають як набір фактів (тобто класів об'єктів і зв'язків між ними), що характеризують певну предметну область, процедур та правил маніпулювання фактами, а також інформацію про те, коли і як потрібно використовувати ті чи інші процедури.
Специфічними особливостями знань, які дають змогу відрізняти їх від даних, є такі:
1. Внутрішня інтерпретація. Дані, що зберігаються в базі даних, дістають семантичну інтерпретацію лише після обробки їх відповідними програмами. Знання, на відміну від даних, завжди несуть в собі змістовну інформацію.
2. Наявність ситуативних зв'язків. Знання пов'язані не лише структурно. Вони відбивають закономірності щодо фактів, процесів, явищ і причинно-наслідкових відношень між ними. Ситуаційні зв'язки допомагають будувати процедури аналізу знань на сумісність, суперечливість, одночасність і т.ін.
3. Активність знань. Це принципова відмінність знань від даних. Знання завжди активні. Наприклад, суперечливість у знаннях є стимулом до появи нових знань. Таким самим стимулом активності є неповнота знань, яка й зумовлює необхідність їх поповнення.
4. Знання відрізняються від даних формою подання. Дані відбивають кількісні характеристики і здебільшого подаються в цифровому вигляді. Знання — це переважно якісні характеристики, які набирають вигляду текстової інформації.
Незважаючи на відмінності знань від даних, не завжди можна їх чітко розмежувати.
Якщо база даних є джерелом фактографічних кількісних характеристик про певну предметну область, то база знань містить знання, які відбивають закономірності розвитку цієї предметної області і дають змогу прогнозувати й виводити з допомогою міркувань нові факти, які не належать до бази даних. Знання бувають двох типів: декларативні та процедурні.
Декларативні (предметні) знання — це факти, тобто класи об'єктів і зв'язки між ними. Декларативні знання не містять у явному вигляді опису процедур перетворення знань. Декларативні знання — це певна множина тверджень, які не залежать від того, де і коли вони використовуються. Моделювання предметної області в такій формі потребує повного опису всіх можливих її станів. Розв'язування задачі в такій базі знань грунтується на пошуку, що відбувається у множині можливих станів предметної області.
Процедурні знання чи правила являють собою набір певних процедур перетворення знань як даних. При процедурному поданні знань немає потреби зберігати інформацію про всі можливі стани предметної області, достатньо мати опис початкового стану та процедур, що генерують необхідні стани на базі початкового.
Поділ знань на декларативні та процедурні суто умовний, і межа між цими знаннями рухома. Крім того, відомі нині моделі подання знань різною мірою використовують ті чи інші знання. Існує чотири типи моделей знань: логічні моделі, семантичні мережі, фреймові моделі та моделі продукції. Розглянемо найпоширеніший тип моделей