Экономические исследования
Все эти исследования проводятся примерно по одной технологии: разрабатывается и тиражируется опросный лист; проводится массовый опрос общественного мнения; данные опроса вводятся в компьютер и обрабатываются с помощью специальных программных систем; результаты компьютерной обработки анализируются, разрабатывается аналитический отчет, содержащий как описание ситуации, так и рекомендации по управлению.
Различие состоит в том, к какой сфере относится информация, собираемая с помощью опросного листа:
– в случае маркетинговых исследований – это потребительские предпочтения различных групп населения (имеется успешный опыт проведения подобных исследований по закрытой тематике);
– в рекламных исследованиях нас интересует, из каких источников информации различные группы населения получают информацию о приобретаемых ими товарах, а также то, каким образом они реагируют на различные виды и методы рекламы (имеется успешный опыт проведения подобных исследований по закрытой тематике);
– при социально–психологических исследованиях для нас важны психологические качества личности и точка зрения людей на те или иные преобразования (имеется успешный опыт проведения подобных исследований по закрытой тематике).
Различают разовые (точечные) и периодические исследования. Первые дают возможность выявить картину на момент проведения опроса, тогда как периодические – обеспечивают изучение динамики процессов. Вторые со временем дают возможность прогнозирования развития ситуации.
Исследования могут иметь также различный "территориальный охват", т.е. могут ограничиваться лишь одним населенным пунктом или включать сбор информации по району или краю. Во втором случае имеется возможность выявления территориальной специфики, а также возможность выявления регионов, сходных в том или ином отношении.
Использование информации, получаемой в результате маркетинговых, рекламных и социально–психологических исследований, позволяет принимать точные и эффективные решения в области планирования закупок и продвижения на рынок (адресной реализации) различных товаров, а также управлять кадрами, обеспечивая сплоченную, согласованную и надежную работу коллектива.
Экспертные методы выбора
При исследовании сложных систем часто возникают проблемы, которые по различным причинам не могут быть строго поставлены и решены с применением разработанного в настоящее время математического аппарата. В этих случаях прибегают к услугам экспертов (системных аналитиков), чей опыт и интуиция помогают уменьшить сложность проблемы.
Однако, необходимо учитывать, что эксперты сами представляют собой сверхсложные системы, и их деятельность сама зависит от многих внешних и внутренних условий. Поэтому в методиках организации экспертных оценок большое внимание уделяется созданию благоприятных внешних и психологических условий для работы экспертов.
На работу эксперта оказывают влияние следующие факторы:
– ответственность за использование результатов экспертизы;
– знание того, что привлекаются и другие эксперты;
– наличие информационного контакта между экспертами;
– межличностные отношения экспертов (если между ними есть информационный контакт);
– личная заинтересованность эксперта в результатах оценки;
– личностные качества экспертов (самолюбие, конформизм, воля и др.)
Взаимодействие между экспертами может как стимулировать, так и подавлять их деятельность. Поэтому в разных случаях используют различные методы экспертизы, отличающиеся характером взаимодействия экспертов друг с другом: анонимные и открытые опросы и анкетирования, совещания, дискуссии, деловые игры, мозговой штурм и т.д.
Существуют различные методы математической обработки мнений экспертов. Экспертам предлагают оценить различные альтернативы либо одним, либо системой показателей. Кроме того им предлагают оценить степень важности каждого показателя (его "вес" или "вклад"). Самим экспертам также приписывается уровень компетентности, соответствующий его вкладу в результирующее мнение группы.
Развитой методикой работы с экспертами является метод "Дельфи". Основная идея этого метода состоит в том, что критика и аргументация благотворно влияет на эксперта, если при этом не задевается его самолюбие и обеспечиваются условия, исключающие персональную конфронтацию.
Необходимо особо подчеркнуть, что существует принципиальное различие в характере использования экспертных методов в экспертных системах и в поддержке принятия решений. Если в первом случае от экспертов требуется формализация способов принятия решений, то во втором, лишь само решение, как таковое.
Поскольку эксперты привлекаются для реализации именно тех функций, которые в настоящее время или вообще не обеспечиваются автоматизированными системами, или выполняются ими хуже, чем человеком, то перспективным направлением развития автоматизированных систем является максимальная автоматизация этих функций.
Экспертные системы, базовые понятия
Экспертная система (ЭС) – это программа, которая в определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области.
ЭС предназначены для решения практических задач, возникающих в слабо структурированных и трудно формализуемых предметных областях.
Исторически, ЭС были первыми системами искусственного интеллекта, которые привлекли внимание потребителей.
С ЭС связаны некоторые распространенные заблуждения.
Заблуждение первое: ЭС могут делать не более, а скорее даже менее того, чем эксперт, создавший данную систему.
Во-первых, существуют технологии синтеза самообучающихся ЭС, которые могут быть применены в предметной области, в которой вообще нет экспертов.
Во-вторых, технология ЭС позволяет объединить
в одной системе знания нескольких экспертов, и, таким образом, в результате получить систему, которая может то, чего ни один из ее создателей не может.
Заблуждение второе: ЭС никогда не заменит человека-эксперта.
На практике часто ЭС могут создаваться и применяться для решения задач, в решении которых эксперты по ряду причин физического, юридического, финансового и организационного характера не могут принять личного участия, т.е. в точках, весьма удаленных от экспертов как в пространстве, так и во времени:
– знания могут извлекаться из научных работ или фактических данных, доступ к которым может обеспечиваться через Internet;
– доступ к ЭС и ее базе знаний также может быть получен через Internet.
Экспертные системы, методика построения
В настоящее время сложилась определенная технология разработки ЭС, которая включает следующие шесть этапов:
1. Идентификация.
2. Концептуализация.
3. Формализация.
4. Разработка прототипа.
5. Экспериментальная эксплуатация.
6. Разработка продукта.
7. Промышленная эксплуатация.
Эластичность в дискретном случае
Для численных расчетов необходимо перейти к дискретному случаю, в частности для численного взятия производных используем метод конечных разностей. В конечных разностях выражение (3) принимает вид:
(3. 72) |
Эластичность в непрерывном случае
Рассмотрим связь эластичности и семантической меры целесообразности информации, опираясь на результаты работы автора [64, 98]. Пусть численное значение некоторого параметра экономической системы описывается переменной y, зависящей от фактора x и эта зависимость описывается функцией y=f(x). Тогда степень и направление влияния фактора x на параметр y можно численно измерить производной (3.69), представляющей собой предел отношения абсолютных изменений величин y и x:
(3. 69) |
Однако применение производной не очень удобно, т.к. она зависит от размерности величин y и x и, по этой причине, обладает недостаточной сопоставимостью в пространстве и времени. Кроме того, сама по себе скорость абсолютного изменения некоторого параметра объекта безотносительно к средней величине этого параметра, содержит недостаточно информации об этом объекте. Например, если на очередных выборах за некоторого кандидата отдано на 500 голосов больше, чем на предыдущих, то важно знать, а на сколько это процентов больше. Поэтому в экономике введено понятие эластичности Ex(y) функции y=f(x), которое определяется как предел отношения не абсолютных, а относительных изменений значений переменных y и x:
(3. 70) |
Так как
, и , то эластичность можно представить в виде логарифмической производной:(3. 71) |
Этап- "Формализация"
Этап формализации необходим для преобразования декларативных и процедурных знаний о предметной области, полученных на этапе концептуализации, в форму, пригодную для их обработки на компьютере.
На данном этапе:
– выбирается или разрабатывается формальный язык, обеспечивающий представление знаний и манипулирование ими;
– осуществляется формализация знаний, т.е. они преобразуются в форму, пригодную для обработки на компьютере.
Способы представления знаний: фреймы, сценарии, семантические сети, продукции.
Способы манипулирования знаниями: логический вывод, аналитическая модель, статистическая модель.
Этап- "Идентификация"
На этапе идентификации производится:
– неформальное осмысление задач, которые должна решать создаваемая ЭС;
– формирование требований к ЭС;
– определение ресурсов, необходимых для создания ЭС.
В результате идентификации функционально
определяется что должна делать ЭС и что необходимо для ее создания.
Идентификация задачи заключается в составлении неформального (вербального, т.е. словесного) описания, в котором указываются:
– общие характеристики задачи;
– подзадачи, выделяемые внутри данной задачи;
– ключевые понятия (объекты), их входные и выходные данные;
– предположительный вид решения;
– знания, относящиеся к решаемой задаче.
В процессе идентификации задачи инженер по знаниям и эксперт работают в тесном контакте.
Начальное неформальное описание задачи, данное экспертом, затем используется инженером знаний для уточнения терминов и ключевых понятий.
Эксперт корректирует описание задачи, объясняет, как решать ее и какие рассуждения лежат в основе того или иного решения.
После нескольких циклов, уточняющих описание, эксперт и инженер по знаниям получают окончательное неформальное описание задачи.
При создании ЭС основными видами ресурсов являются:
– источники знаний (эксперты);
– инженеры знаний и программисты;
– инструментальные программные средства (экспертные оболочки);
– вычислительные средства;
– время разработки;
– объем финансирования.
Этап- "Экспериментальная эксплуатация"
На этапе экспериментальной эксплуатации прототипа экспертной системы с помощью нее решаются реальные задачи, однако, на практике результаты их решения не используются. При этом экспертной системой управляют представители разработчика и квалифицированные пользователи, прошедшие обучение у разработчика.
При этом круг предлагаемых для решения задач естественно расширяется, исправляются ошибки, собираются пожелания и замечания экспертов и пользователей, которые должны быть учтены в очередной версии экспертной системы.
В частности на этом этапе детализируются направления будущего развития экспертной системы путем добавления в нее:
– "дружественного" пользовательского интерфейса с системой контекстно-зависимых подсказок;
– развитых средств исследования и графического представления базы знаний и цепочек выводов, генерируемых системой;
– средств обеспечения адаптивности базы знаний;
– диспетчера задач, решаемых в системе и средств поддержки и использования архива уже созданных приложений.
Этап- "Концептуализация"
На данном этапе проводится содержательный
анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.
Этот этап завершается созданием модели
предметной области, включающей основные концепты и отношения между ними. На этапе концептуализации определяются следующие особенности задачи:
– типы доступных данных;
– исходные и выводимые данные,
– подзадачи общей задачи;
– используемые стратегии и гипотезы;
– виды взаимосвязей между объектами ПО, типы используемых отношений (иерархия, причина – следствие, часть – целое и т.п.);
– процессы, используемые в ходе решения;
– состав знаний, используемых при решении задачи;
– типы ограничений, накладываемых на процессы, используемые в ходе решения;
– состав знаний, используемых для обоснования решений.
Существует два подхода к процессу построения модели предметной области:
1. Атрибутивный подход (атрибутами называют существенные признаки) предполагает наличие полученной от экспертов информации в виде цепочек: "Класс (градация классификационной шкалы) – объект обучающей выборки – атрибут (описательная шкала) – значение атрибута (градация описательной шкалы)". Этот подход развивается в рамках направления, получившего название формирование знаний или "машинное обучение" (machine learning).
2. Структурный или когнитивный подход, основан на выделении элементов предметной области, их взаимосвязей и семантических (смысловых) отношений.
Атрибутивный подход требует полной информации о предметной области: об объектах, их атрибутах и о значениях атрибутов, а также дополнительной
обучающей информации о принадлежности конкретных объектов к обобщенным классам, задаваемой экспертом. Отметим, что атрибутивный подход в экспертных системах имеет очень много общего с методами, применяемыми в распознавании образов.
Структурный подход к построению модели предметной области предполагает выделение следующих когнитивных элементов знаний:
1. Понятия.
2. Взаимосвязи.
3. Метапонятия.
4. Семантические отношения.
Выделяемые понятия предметной области должны образовывать систему, под которой понимается совокупность понятий, обладающая следующими свойствами:
– минимальностью (уникальностью, отсутствием избыточности);
– полнотой (достаточно полным описанием различных процессов, фактов, явлений предметной области);
– достоверностью (адекватностью, валидностью – соответствием выделенных единиц смысловой информации их реальным наименованиям).
Существует ряд методов выявления иерархической системы понятий и метапонятий (включая отношения между ними), позволяющей адекватно отразить предметную область:
1. Метод локального представления.
2. Метод вычисления коэффициента использования.
3. Метод формирования перечня понятий.
4. Ролевой метод.
5. Метода составления списка элементарных действий.
6. Методе составление оглавления учебника.
7. Текстологический метод.
8. Метод свободных ассоциаций для определения "смыслового расстояния" между понятиями.
9. Методе "сортировки карточек".
10. Метод обнаружения регулярностей.
11. Методы семантического дифференциала и репертуарных решеток.
Перечисленные методы применяются на этапе концептуализации при построении модели предметной области. Подробнее они описаны в упомянутой выше работе С.Л. Сотника.
Этап- "Промышленная эксплуатация"
После доведения экспертной системы до уровня программного продукта она передается в промышленную эксплуатацию. При этом задачи не только решаются экспертной системой, но и результаты решения используются на практике. Для этого при передаче системы в промышленную эксплуатацию она тестируется и сертифицируется заказчиком, как инструмент, пригодный для решения поставленных задач, т.е. экспертной системе и результатам ее работы присваивается соответствующий юридический статус. Экспертной системой управляют рядовые пользователи, прошедшие обучение у квалифицированных пользователей. При необходимости квалифицированным пользователям могут оказывать консультативную помощь представители разработчика.
Этап- "Разработка продукта"
На этом этапе программная реализация прототипа экспертной системы доводится до уровня программного продукта, который может успешно использоваться заказчиком без прямой помощи разработчиков.
При этом разрабатываются программные модули, поддерживающие возможности экспертной системы, определенные на предыдущем этапе, а также проводится:
– анализ функционирования системы при значительном расширении базы знаний;
– исследование возможностей системы в решении более широкого круга задач и принятие мер для обеспечения таких возможностей;
– анализ мнений пользователей о функционировании ЭС;
– разработка системы ввода-вывода, осуществляющей анализ или синтез предложений ограниченного естественного языка.
Пригодность ЭС для пользователя определяется удобством работы с ней и ее полезностью.
Полезность ЭС – это ее способность эффективно решать поставленные пользователем задачи.
Удобство работы с ЭС включает:
– естественность интерфейса (общение в привычном, не утомляющем пользователя виде);
– гибкость ЭС (способность системы настраиваться на различные задачи, а также учитывать изменения в квалификации пользователей);
– устойчивость системы к ошибкам (способность не выходить из строя при попадании неадекватных, т.е. неполных и зашумленных знаний в базу знаний, а также при ошибочных действиях пользователей).
Этап- "Разработка прототипа"
Разработка прототипа включает три основных этапа:
1. Программная реализация системы, призванной обеспечить реальное решение поставленных задачи.
2. Наполнение базы знаний.
3. Тестирование (исследование) прототипа.
Исследование прототипа позволяет:
– оценить насколько реализованные в нем идеи, методы и способы представления знаний пригодны для решения поставленных задач;
– продемонстрировать тенденцию к повышению качества и эффективности решений для всех задач предметной области по мере увеличения объема знаний.
Положительные результаты тестирования прототипа являются основанием для его передачи в экспериментальную эксплуатацию.
Этапы когнитивного анализа
Рассмотрим этапы когнитивного анализа в варианте, предлагаемом ведущими отечественными учеными в этой области Максимов В.И., Корноушенко Е.К., Гребенюк Е.А., Григорян А.К. (рисунок9). В этой связи необходимо также отметить работы Казиева В.М., С.В.Качаева, А.А.Кулинич, А.Н.Райкова, Д.И.Макаренко, С.В.Ковриги, Е.А.Гребенюка, А.К.Григоряна в области когнитивного анализа [52, 114 – 118, 160 – 163].
Рисунок 9. Этапы когнитивного анализа
по В.И.Максимову и Е.К.Корноушенко |
Если проанализировать перечисленные методы системного анализа, то можно сделать основополагающий для данного исследования вывод о том, что все они самым существенным образом так или иначе основаны на процессах познания предметной области.
Поэтому как одно из важных и перспективных направлений автоматизации системного анализа предлагается рассматривать автоматизацию когнитивных операций системного анализа. Чтобы выявить эти операции и определить их место и роль в процессах познания, рассмотрим базовую когнитивную концепцию.
Этапы разработки семантической информационной модели
Разработка семантической информационной модели (СИМ) в системе "Эйдос" осуществляется в ряд этапов [64]:
– формализация предметной области (разработка классификационных и описательных шкал и градаций);
– подготовка и ввод обучающей выборки;
– синтез СИМ;
– оптимизация СИМ;
– проверка адекватности СИМ (измерение внутренней и внешней дифференциальной и интегральной валидности).
Если модель обладает достаточной адекватностью, то принимается решение о ее использовании в режиме идентификации и прогнозирования, а также об анализе предметной области путем исследования ее семантической информационной модели.
Эволюция понятия: "Обработка
Само понятие: "Обработка информации" также эволюционирует. Это происходит за счет изменения его содержания, которое постепенно меняется и сегодня включает в себя не только выполнение операций с уже имеющейся информацией, но также и очень важные операций поиска
информации и обеспечения удаленного доступа к информации, в частности с применением средств глобальных компьютерных коммуникаций (например, Internet). Причем роль эффективного поиска и быстрого доступа к информации все больше и больше возрастает. Очевидно, что ценность и эффективность использования информации определяется прежде всего возможностью ее найти и получить к ней качественный доступ.
Операции по обработке уже имеющейся информации также становятся все более развитыми: они включают уже не только простейшие арифметические операции, но и операции базам данных (поиск, выборка, отбор, фильтрация, сортировка), статистические расчеты, численные методы, имитационное моделирование, методы распознавания образов и принятия решений, теории игр, экспертные системы, нейронные сети, генетические алгоритмы, когнитивное моделирование и др.
Развитие автоматизированных технологий обработки информации идет по пути все более глубокой переработки "информационного сырья", в результате чего "информационный продукт" все в большей степени отличается от исходного состояния информации.
Если на первых этапах эта переработка заключалась в основном в сортировке и выполнении арифметических операций, прежде всего суммирования, то в последующем она становится все более и более интеллектуальной. Все большее значение приобретают системы с элементами искусственного интеллекта: это и системы ввода текстов со сканера, и системы автоматизированного перевода, трехмерные графические системы.
Эволюция технологий создания и поддержки информационных систем: автоматизация функций посредников
С развитием информационных технологий радикально изменяется и подход к созданию программных систем. На начальных этапах ограниченная группа разработчиков, сосредоточенная в одном месте, проектировала и создавала программную систему в целом, после чего она внедрялась в готовом виде. В последующем могли создаваться новые версии системы, которые опять же внедрялись в готовом виде.
На пути создания таких систем возникли следующие основные сложно преодолимые трудности:
– систему нужно было создать очень быстро, т.к. при очень большом ее масштабе обычно система морально устаревала еще до начала ее внедрения;
– для создания таких систем необходимы огромный интеллектуальный потенциал и очень высокая скорость разработки, высокое качество сопровождения.
Опыт показывает, что максимальная сложность систем, создаваемых централизовано по единому проекту, ограничена.
Альтернативой централизованному проектированию и внедрению программных систем является идеология открытых систем, при которой над развитием системы одновременно и независимо друг от друга работают очень многие, иногда тысячи разработчиков, не придерживающихся какого-либо одного плана, но подчиняющихся общим некоторым общим правилам.
Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений
Необходимо отметить, что система поддержки принятия решений (СППР) не является физическим или юридическим лицом и не может нести ответственность за те или иные решения, которые принимаются с ее использованием.
Согласно действующему сейчас и в обозримой перспективе законодательству автоматизированную систему невозможно привлечь к административной или уголовной ответственности. Но это не означает, что в будущем подобные вопросы не возникнут по поводу созданных методами генной инженерии искусственных разумных биологических систем, которые автором совместно с Л.А.Бакурадзе в 1980 году были названы "квазибиологические роботы", или по поводу клонов, не ассоциированных в общечеловеческую социальную среду.
Ответственность за принятое решение всегда несет специалист, или, как говорят, "лицо, принимающее решения" (ЛПР).
Вместе с тем при выработке решения это лицо может обращаться к различной справочной информации, а также консультироваться со специалистами в различных предметных областях. При этом справочная информация может извлекаться по запросам из баз данных, а консультации могут происходить не с самими специалистами лично, а с автоматизированными системами поддержки принятия решений, в которых в формализованном и обобщенном виде содержаться знания многих специалистов.
Но в какой форме содержаться консультирующая информация и знания – это сути дела не меняет, т.е. ответственность за принятое решение все равно всегда лежит на лице, его приявшем, а не на консультирующих или поддерживающих решения системах. Поэтому эти системы и называются не "системы принятия решений", а лишь "системы поддержки принятия решений".
Особым случаем являются автоматизированные системы управления оружием, например, создаваемые в США в рамках программы "Стратегической оборонной инициативы" (СОИ). В этих системах человек может участвовать в процессе принятия решений лишь на этапах их создания, т.к. в на боевом дежурстве систем для участия человека просто не будет времени. И тем ни менее и эти системы принимают решения не самостоятельно, а на основе анализа фактической информации по тем критериям и алгоритмам, которые заложил в них человек. Таким образом, в подобных системах человек становится заложником своих же решений, принятых им ранее.
Картографическое районирование косточковых плодовых в Южно-Российском регионе
В рамках гранта "Инициативный научный проект" № 02-05-64234 "Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик Юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования" в Северо-Кавказском зональном НИИ садоводства и виноградарства в 1999-2003 годах совместно с И. А. Драгавцевой, И. Ю. Савиным были проведены работы по оценке потенциала выращивания различных пунктов по видам почв и метеофакторам с картографической визуализацией результатов прогнозирования в геоинформационной технологии. В результате были получены картографические отображения (с применением геоинформационной системы ILWIS) результатов оценки пригодности почв Краснодарского края для выращивания различных сортов и культур, пригодности климата, а также обобщающую двухфакторную оценку пригодности территории. При этом считалось, что если территория не подходит по почве или климату для выращивания конкретной культуры, то она и вообще не подходит. Таким образом, использовалась не аддитивная, а мультипликативная оценка интегрального критерия, характерная для учета лимитирующих факторов.
Необходимо отметить, что технология АСК-анализа позволяет прогнозировать количественные и качественные результаты выращивания сельхозкультур для конкретных полей по значительно большему количеству факторов (почвы, предшественники за различные годы, метеоусловия, высота над уровнем моря, величина и ориентация наклон местности и т.п.) с использованием аддитивного интегрального критерия.
Таким образом, предлагаемые технологии АСК-анализа позволяют построить агрономическую модель Краснодарского края, в т.ч. с картографической визуализацией, в которой для каждой точки территории края будут определена степень адекватности ее условий для выращивания каждой культуры. На основе этой модели, с учетом имеющейся хозяйственной инфраструктуры или возможностей ее создания, а также прогнозируемой коньюктуры рынка, могут быть выработаны научно-обоснованные рекомендации по объемам и номенклатуре выращиваемых сельскохозяйственных культур.
Следовательно, для принятия решений недостаточно оценки технологического потенциала пункта выращивания, а необходимо также иметь прогноз цен на продукцию. В этой связи рассмотрим применение технологии АСК-анализа для прогнозирования динамики одного из сегментов рынка.
Классические когнитивные карты
Классическая когнитивная карта представляет собой нейрон, соответствующий некоторому состоянию объекта управления с рецепторами, каждый из которых соответствует фактору в определенной степени способствующему или препятствующему переходу объекта в это состояние. Рецепторы соединены связями как с нейроном, так и друг с другом. Связи рецепторов с нейроном отражают силу и направление влияния факторов, а связи рецепторов друг с другом, отображаемые в форме семантической сети факторов, – сходство и различие между рецепторами по характеру их влияния на объект управления. Таким образом, классическая когнитивная карта представляет собой нейрон с семантической сетью факторов, изображенные на одной диаграмме (рисунок 81).
Рисунок 81. Примеры классических когнитивных карт, отражающих влияние структуры инвестиций на уровень качества жизни |
Классическое определение системы виртуальной реальности
ВИРТУАЛЬНАЯ РЕАЛЬНОСТЬ (ВР) – модельная трехмерная (3D) окружающая среда, создаваемая компьютерными средствами и реалистично реагирующая на взаимодействие с пользователями (http://dlc.miem.edu.ru/newsite.nsf/docs/CSD309).
Технической базой систем виртуальной реальности являются современные мощные персональные компьютеры и программное обеспечение высококачественной трехмерной визуализации и анимации. В качестве устройств ввода-вывода информации в системах ВР применяются виртуальные шлемы с дисплеями (HMD), в частности шлемы со стереоскопическими очками, и устройства 3D-ввода, например, мышь с пространственно управляемым курсором или "цифровые перчатки", которые обеспечивают тактильную обратную связь с пользователем.
Совершенствование систем виртуальной реальности приводит ко все большей изоляции пользователя от обычной реальности, т.к. все больше каналов взаимодействия пользователя с окружающей средой замыкаются не на обычную, а на виртуальную среду – виртуальную реальность, которая, при этом, становится все более и более функционально-замкнутой и самодостаточной.
Создание систем ВР является закономерным следствием процесса совершенствования компьютерных систем отображения информации и интерфейса управления.
При обычной работе на компьютере монитор занимает не более 20% поля зрения пользователя. Системы ВР перекрывают все
поле зрения.
Обычные мониторы не являются стереоскопическими, т.е. не создают объемного изображения. Правда, в последнее время появились разработки, которые, позволяют преодолеть это ограничение (достаточно сделать поиск в yandex.ru по запросу "Стереоскопический монитор"). Системы ВР изначально были стереоскопическими.
Звуковое сопровождение, в том числе со стерео и квадро-звуком, сегодня уже стали стандартом. В системах ВР человек не слышит ничего, кроме звуков этой виртуальной реальности.
В некоторых моделях систем виртуальной реальности пользователи имеют возможность восприятия изменяющейся перспективы и видят объекты с разных точек наблюдения, как если бы они сами находились и перемещались внутри модели.
Если пользователь располагает более развитыми (погруженными) устройствами ввода, например, такими, как цифровые перчатки и виртуальные шлемы, то модель может даже надлежащим образом реагировать на такие действия
пользователя, как поворот головы или движение глаз.
Необходимо отметить, что в настоящее время системы виртуальной реальности развиваются очень быстрыми темпами и явно выражена тенденция проникновения технологий виртуальной реальности в стандартные компьютерные технологии широкого применения.
Развитие этих и других подобных средств привело к появлению качественно новых эффектов, которые ранее не наблюдались или наблюдались в очень малой степени:
– эффект присутствия пользователя в виртуальной реальности;
– эффект деперсонализации и модификации самосознания и сознания пользователя в виртуальной реальности.
Классификация
Классификация – наиболее часто используемый метод интеллектуального анализа. Данный метод сосредотачивает внимание на поведении и атрибутах уже существующих групп. Группы могут включать людей, которые часто летают, много тратят, лояльных клиентов, людей, которые откликаются на компании прямой рассылки и т.д. С помощью алгоритмов классификации можно классифицировать объекты по заранее известным характеристикам. В классификации часто используются индукционные алгоритмы, которые позволяют по небольшому массиву данных, отнесенных к известным классам, определять дополнительные классы. Примером использования классификации может служить определение характеристик клиентов, которые вероятно захотят/не захотят приобрести определенный продукт или услугу. Имея такую группировку клиентов, мы можем значительно сократить расходы на акциях продвижения товара или прямой рассылки.
Классификация и характеристика концепций смысла
Наиболее полный и всесторонний на данный момент обзор различных подходов к автоматизации процессов понимания смысла дан в основополагающей работе Л.Г. Васильева[10].
Все теории понимания смысла классифицированы им на три группы: объектные; субъект-объектные; субъектные.
Объектные теории основаны на структурно-семантическом анализе, а понимание онтологизируется, т.е.
приравнивается к самому объекту. Понять означает установить значение
языкового знака.
Субъект-объектные теории
синтактико-семантический анализ дополняют прагмалингвистическим описанием
или описанием реальных психологических процессов
при создании и/или анализе языкового знака.
Субъектные теории помимо собственно процедур понимания акцентируют внимание на оценке реципиентом результатов
понимания (при помощи обратной связи в диалоге, рефлексии или монологе).
Классификация методов распознавания образов
Распознаванием образов называются задачи установления отношений эквивалентности между конкретными и обобщенными образами-моделями объектов реального или идеального мира.
Отношения эквивалентности выражают принадлежность оцениваемых объектов к каким–либо классам, рассматриваемым как самостоятельные семантические единицы.
При построении алгоритмов распознавания классы эквивалентности могут задаваться исследователем, который пользуется собственными содержательными представлениями или использует внешнюю дополнительную информацию о сходстве и различии объектов в контексте решаемой задачи. Тогда говорят о "распознавании с учителем". В противном случае, т.е. когда автоматизированная система решает задачу классификации без привлечения внешней обучающей информации, говорят об автоматической классификации или "распознавании без учителя".
Большинство алгоритмов распознавания образов требует привлечения весьма значительных вычислительных мощностей, которые могут быть обеспечены только высокопроизводительной компьютерной техникой.
Различные авторы (Ю.Л. Барабаш, В.И. Васильев, А.Л.Горелик, В.А. Скрипкин, Р. Дуда, П. Харт, Л.Т.Кузин, Ф.И. Перегудов, Ф.П. Тарасенко, Темников Ф.Е., Афонин В.А., Дмитриев В.И., Дж. Ту, Р. Гонсалес, П. Уинстон, К. Фу, Я.З. Цыпкин и др.) дают различную типологию методов распознавания образов. Одни авторы различают параметрические, непараметрические и эвристические методы, другие – выделяют группы методов, исходя из исторически сложившихся школ и направлений в данной области.
Например, в работах В.А. Дюка [32, 33], в которых дан академический обзор методов распознавания, используется следующая типология методов распознавания образов:
– методы, основанные на принципе разделения;
– статистические методы;
– методы, построенные на основе "потенциальных функций";
– методы вычисления оценок (голосования);
– методы, основанные на исчислении высказываний, в частности на аппарате алгебры логики.
В основе данной классификации лежит различие в формальных методах распознавания образов и поэтому опущено рассмотрение эвристического подхода к распознаванию, получившего полное и адекватное развитие в экспертных системах.
Эвристический подход основан на трудно формализуемых знаниях и интуиции исследователя. При этом исследователь сам определяет, какую информацию и каким образом система должна использовать для достижения требуемого эффекта распознавания.
Подобная типология методов распознавания с той или иной степенью детализации встречается во многих работах по распознаванию. В то же время известные типологии не учитывают одну очень существенную характеристику, которая отражает специфику способа представления знаний о предметной области с помощью какого–либо формального алгоритма распознавания образов.
В.А. Дюка [32, 33] выделяет два основных способа представления знаний:
– интенсиональное, в виде схемы связей между атрибутами (признаками).
– экстенсиональное, с помощью конкретных фактов (объекты, примеры).
Интенсиональное представление фиксируют закономерности и связи, которыми объясняется структура данных. Применительно к диагностическим задачам такая фиксация заключается в определении операций над атрибутами (признаками) объектов, приводящих к требуемому диагностическому результату. Интенсиональные представления реализуются посредством операций над значениями атрибутов и не предполагают произведения операций над конкретными информационными фактами (объектами).
В свою очередь, экстенсиональные представления знаний связаны с описанием и фиксацией конкретных объектов из предметной области и реализуются в операциях, элементами которых служат объекты как целостные системы.
На наш взгляд, можно провести глубокую и далеко идущую аналогию между интенсиональными и экстенсиональными представлениями знаний и механизмами, лежащими в основе деятельности левого и правого полушарий головного мозга человека. Если для правого полушария характерна целостная прототипная репрезентация окружающего мира, то левое полушарие оперирует закономерностями, отражающими связи атрибутов этого мира.
Описанные выше два фундаментальных способа представления знаний позволяют предложить следующую классификацию методов распознавания образов:
– интенсиональные методы, основанные на операциях с признаками.
– экстенсиональные методы, основанные на операциях с объектами.
Необходимо особо подчеркнуть, что существование именно этих двух (и только двух) групп методов распознавания: оперирующих с признаками, и оперирующих с объектами, на наш взгляд, глубоко закономерно. С этой точки зрения ни один из этих методов, взятый отдельно от другого, не позволяет сформировать адекватное отражение предметной области. Между этими методами существует отношение дополнительности в смысле Н.Бора, поэтому перспективные системы распознавания должны обеспечивать реализацию обоих этих методов, а не только какого–либо одного из них.
Таким образом, в основу классификации методов распознавания, предложенной В.А. Дюка [32, 33], положены фундаментальные закономерности, лежащие в основе человеческого способа познания вообще, что ставит ее в совершенно особое (привилегированное) положение по сравнению с другими классификациями, которые на этом фоне выглядят более легковесными и искусственными.
Классификация систем искусственного интеллекта
В данном учебном пособии мы будем рассматривать следующие классы систем искусственного интеллекта:
1. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами.
2. Автоматизированные системы распознавания образов.
3. Автоматизированные системы поддержки принятия решений
4. Экспертные системы (ЭС).
5. Нейронные сети.
6. Генетические алгоритмы и моделирование эволюции.
7. Когнитивное моделирование.
8. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining).
Этими классами системы СИИ не исчерпываются, но мы вынуждены ограничится ими, как основными, в связи с ограниченностью объема учебного пособия.
Классификация задач принятия решений
Множественность задач принятия решений связана с тем, что каждая компонента ситуации, в которой осуществляется принятие решений может реализовываться в качественно различных вариантах.
Вот только некоторые из этих вариантов:
Множество альтернатив с одной стороны может быть конечным, счетным или континуальным, а с другой – закрытым (т.е. известным полностью), или открытым (включающим неизвестные элементы).
Оценка альтернатив может осуществляться по одному или нескольким критериям, которые, в свою очередь, могут иметь количественный или качественный характер.
Режим выбора может быть однократным (разовым), или многократным, повторяющимся, включающим обратную связь по результатам выбора, т.е. допускающим обучение алгоритмов принятия решений с учетом последствий предыдущих выборов.
Последствия выбора каждой альтернативы могут быть точно известны заранее (выбор в условиях определенности), иметь вероятностный характер, когда известны вероятности возможных исходов после сделанного выбора (выбор в условиях риска), или иметь неоднозначный исход с неизвестными вероятностями (выбор в условиях неопределенности).
Ответственность за выбор может отсутствовать, быть индивидуальной или групповой.
Степень согласованности целей при групповом выборе может варьироваться от полного совпадения интересов сторон (кооперативный выбор), до их противоположности (выбор в конфликтной ситуации). Возможны также промежуточные варианты: компромисс, коалиция, нарастающий или затухающий конфликт.
Различные сочетания перечисленных вариантов и приводят к многочисленным задачам принятия решений, которые изучены в различной степени.
Классификационные шкалы и градации (БКОСА-
Классификационные шкалы и градации предназначены для ввода справочника будущих состояний активного объекта управления – классов. Режим: "Классификационные шкалы и градации" обеспечивает ведение базы данных классификационных шкал и градаций классов: ввод; корректировку; удаление; распечатку (в текстовый файл); сортировку; поиск по базе данных.
Кластеризация
Кластеризация используется для обнаружения классов схожих объектов в имеющемся наборе данных. Кластеризация аналогична классификации, но в отличие от последней классы объектов заранее не известны. Методы кластеризации широко используют алгоритмы нейронных сетей и статистическую обработку. В процессе кластеризации средство интеллектуального анализа определяет схожие характеристики объектов и на их основе объединяет объекты в классы. Качество процесса кластеризации определяется схожестью объектов внутри класса и степенью отличия разных классов между собой. Кластеризация обычно применяется для решения таких задач, как определение производственного брака или выявления групп услуг по кредитным карточкам предпочтительных для разных групп клиентов.
Кластерно-конструктивный анализ букв
Аналогично в режиме кластерно-конструктивного анализа признаков (рисунок 140) получаем матрицу сходства букв и конструкты букв (таблицы 77 и 78).
Рисунок 140. Запуск режима кластерно-конструктивного анализа признаков (букв) |
Таблица 77 – ФРАГМЕНТ МАТРИЦЫ СХОДСТВА ПРИЗНАКОВ (БУКВ)
Код | Коды букв | ||||||||||||||||||||||||
37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | ||||||||||||||
37 | 100,0 | -22,5 | -11,1 | 33,7 | 5,4 | -1,6 | 0,0 | -9,0 | -15,9 | -20,6 | 5,1 | 6,5 | |||||||||||||
38 | -22,5 | 100,0 | -2,1 | -3,6 | 3,3 | -6,5 | 0,0 | -7,5 | 9,4 | 18,5 | -20,9 | 13,9 | |||||||||||||
39 | -11,1 | -2,1 | 100,0 | -11,3 | 1,2 | 10,7 | 0,0 | 36,7 | 7,5 | -7,3 | -15,9 | -6,5 | |||||||||||||
40 | 33,7 | -3,6 | -11,3 | 100,0 | 22,9 | 15,2 | 0,0 | -7,0 | -15,4 | -16,0 | -24,7 | -14,5 | |||||||||||||
41 | 5,4 | 3,3 | 1,2 | 22,9 | 100,0 | 21,7 | 0,0 | -7,0 | 8,5 | -16,0 | -13,8 | -10,4 | |||||||||||||
42 | -1,6 | -6,5 | 10,7 | 15,2 | 21,7 | 100,0 | 0,0 | -12,0 | 6,1 | 20,8 | -23,3 | -11,4 | |||||||||||||
43 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | |||||||||||||
44 | -9,0 | -7,5 | 36,7 | -7,0 | -7,0 | -12,0 | 0,0 | 100,0 | -9,1 | -5,3 | -8,2 | -9,4 | |||||||||||||
45 | -15,9 | 9,4 | 7,5 | -15,4 | 8,5 | 6,1 | 0,0 | -9,1 | 100,0 | 15,3 | 5,4 | 35,3 | |||||||||||||
46 | -20,6 | 18,5 | -7,3 | -16,0 | -16,0 | 20,8 | 0,0 | -5,3 | 15,3 | 100,0 | -1,8 | 8,1 | |||||||||||||
47 | 5,1 | -20,9 | -15,9 | -24,7 | -13,8 | -23,3 | 0,0 | -8,2 | 5,4 | -1,8 | 100,0 | -2,8 | |||||||||||||
48 | 6,5 | 13,9 | -6,5 | -14,5 | -10,4 | -11,4 | 0,0 | -9,4 | 35,3 | 8,1 | -2,8 | 100,0 | |||||||||||||
49 | -15,9 | -13,3 | 7,9 | -12,4 | -12,4 | -1,0 | 0,0 | -4,1 | -16,1 | -9,5 | 0,5 | 3,9 | |||||||||||||
50 | 0,9 | -17,8 | -16,8 | 29,0 | -25,0 | 35,9 | 0,0 | -8,8 | -5,8 | 28,7 | -29,0 | -4,8 | |||||||||||||
51 | -31,8 | 2,6 | -15,6 | -0,9 | -6,2 | -36,3 | 0,0 | 7,6 | -32,1 | -6,3 | 30,3 | -14,0 | |||||||||||||
52 | 9,1 | -13,2 | -15,5 | -19,5 | -7,0 | -30,2 | 0,0 | -6,5 | 8,0 | -4,7 | -22,9 | -1,6 | |||||||||||||
53 | -19,2 | -20,2 | 15,7 | -6,9 | 0,5 | -4,8 | 0,0 | 36,4 | -0,6 | -20,4 | 19,8 | -34,1 | |||||||||||||
54 | 1,8 | 5,0 | -0,5 | -12,2 | -4,6 | -14,4 | 0,0 | -9,6 | -14,8 | 9,2 | 4,4 | -14,3 | |||||||||||||
55 | -1,9 | 13,6 | -12,1 | -23,1 | 18,7 | 2,1 | 0,0 | -10,3 | 10,2 | -23,5 | -25,1 | -28,2 | |||||||||||||
56 | -25,1 | -2,0 | -20,5 | -19,6 | 6,3 | -12,3 | 0,0 | -6,5 | -23,8 | -14,9 | -14,9 | -4,3 | |||||||||||||
57 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | |||||||||||||
58 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | |||||||||||||
59 | 5,1 | -10,6 | -12,8 | 6,2 | -9,9 | 4,9 | 0,0 | -3,3 | 8,7 | -7,6 | -11,6 | 24,3 | |||||||||||||
60 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 | 0,0 |
Таблица 78 – КОНСТРУКТ БУКВ: "А – О"
№ |
Код буквы |
Буква |
Уровень сходства |
№ |
Код буквы |
Буква |
Уровень сходства |
1 |
37 |
А |
100,00 |
13 |
42 |
Е |
-1,57 |
2 |
40 |
Г |
33,67 |
14 |
55 |
Т |
-1,90 |
3 |
65 |
Ь |
11,94 |
15 |
44 |
З |
-8,98 |
4 |
52 |
П |
9,08 |
16 |
62 |
Щ |
-8,98 |
5 |
61 |
Ш |
8,37 |
17 |
39 |
В |
-11,08 |
6 |
48 |
Л |
6,54 |
18 |
68 |
Я |
-12,81 |
7 |
41 |
Д |
5,41 |
19 |
67 |
Ю |
-12,84 |
8 |
47 |
К |
5,13 |
20 |
64 |
Ы |
-15,79 |
9 |
59 |
Ц |
5,13 |
21 |
45 |
И |
-15,90 |
10 |
66 |
Э |
4,66 |
22 |
49 |
М |
-15,92 |
11 |
54 |
С |
1,79 |
23 |
53 |
Р |
-19,19 |
12 |
50 |
Н |
0,90 |
24 |
46 |
Й |
-20,58 |
25 |
38 |
Б |
-22,52 |
||||
26 |
56 |
У |
-25,09 |
||||
27 |
51 |
О |
-31,79 |
Кластерно-конструктивный анализ слов
Кластерно-конструктивный анализ выполняется в 5-й подсистеме "Типология" (рисунок 139). Сначала на основе матрицы информативностей рассчитывается матрица сходства классов (таблица 75), а затем на основе нее формируется таблица кластеров и конструктов классов (таблица 76).
Рисунок 139. Запуск режима кластерно-конструктивного анализа классов (слов) |
Таблица 75 – ФРАГМЕНТ МАТРИЦЫ СХОДСТВА КЛАССОВ (СЛОВ)
Код | Коды классов | ||||||||||||||||||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | ||||||||||||||
1 | 100,0 | 20,0 | 19,0 | 78,1 | -6,6 | -5,5 | 1,3 | 9,7 | 12,9 | 22,2 | 5,3 | 13,3 | |||||||||||||
2 | 20,0 | 100,0 | 43,1 | -1,4 | 4,3 | 1,5 | 68,2 | -4,6 | 32,4 | 54,0 | 23,9 | 31,5 | |||||||||||||
3 | 19,0 | 43,1 | 100,0 | -2,4 | -5,5 | -1,6 | 29,5 | -6,7 | 2,2 | 36,3 | 65,5 | 57,8 | |||||||||||||
4 | 78,1 | -1,4 | -2,4 | 100,0 | 7,2 | 7,9 | 11,7 | 19,5 | 12,9 | 29,3 | 5,6 | 18,3 | |||||||||||||
5 | -6,6 | 4,3 | -5,5 | 7,2 | 100,0 | 17,2 | 8,3 | 10,2 | -7,2 | -5,5 | 4,9 | -4,9 | |||||||||||||
6 | -5,5 | 1,5 | -1,6 | 7,9 | 17,2 | 100,0 | 9,6 | 5,1 | 0,0 | -1,4 | 1,4 | 1,7 | |||||||||||||
7 | 1,3 | 68,2 | 29,5 | 11,7 | 8,3 | 9,6 | 100,0 | 18,0 | 35,1 | 49,5 | 47,9 | 44,5 | |||||||||||||
8 | 9,7 | -4,6 | -6,7 | 19,5 | 10,2 | 5,1 | 18,0 | 100,0 | -10,6 | 9,6 | 19,6 | -6,0 | |||||||||||||
9 | 12,9 | 32,4 | 2,2 | 12,9 | -7,2 | 0,0 | 35,1 | -10,6 | 100,0 | 23,3 | -5,8 | 11,7 | |||||||||||||
10 | 22,2 | 54,0 | 36,3 | 29,3 | -5,5 | -1,4 | 49,5 | 9,6 | 23,3 | 100,0 | 25,3 | 53,4 | |||||||||||||
11 | 5,3 | 23,9 | 65,5 | 5,6 | 4,9 | 1,4 | 47,9 | 19,6 | -5,8 | 25,3 | 100,0 | 51,4 | |||||||||||||
12 | 13,3 | 31,5 | 57,8 | 18,3 | -4,9 | 1,7 | 44,5 | -6,0 | 11,7 | 53,4 | 51,4 | 100,0 | |||||||||||||
13 | 42,0 | -2,2 | -5,7 | 36,4 | -7,0 | -5,8 | -2,4 | 46,5 | 16,9 | 2,4 | 0,5 | -2,3 | |||||||||||||
14 | 19,8 | 23,2 | -4,6 | 24,4 | -3,5 | -4,4 | 14,7 | 25,7 | 7,8 | 55,9 | -5,1 | -4,1 | |||||||||||||
15 | 32,9 | 8,4 | 2,5 | 39,0 | 13,0 | 9,4 | -7,2 | 18,2 | -1,5 | 23,9 | 9,2 | 28,2 | |||||||||||||
16 | 30,3 | 18,2 | 15,4 | 26,5 | 6,9 | 3,9 | 6,5 | 6,7 | 4,0 | 7,7 | 4,3 | 2,8 | |||||||||||||
17 | 24,1 | 15,2 | 18,0 | 9,3 | -5,6 | -7,0 | -8,2 | -6,9 | 35,3 | 5,0 | 1,2 | 9,0 | |||||||||||||
18 | 14,6 | 0,1 | -6,1 | 18,9 | -1,6 | 43,7 | -6,8 | 14,5 | -2,5 | 26,9 | -5,1 | -5,5 | |||||||||||||
19 | -0,6 | 24,6 | -7,8 | -3,6 | -5,0 | -7,4 | 19,5 | -4,9 | 57,2 | 10,9 | -5,7 | -7,0 | |||||||||||||
20 | -2,3 | 29,7 | -1,1 | -2,9 | -4,9 | -2,2 | 33,7 | -5,8 | 36,1 | 10,5 | -5,7 | 2,3 | |||||||||||||
21 | 61,5 | -6,4 | 5,7 | 59,9 | -4,1 | 3,0 | 4,1 | -5,0 | 24,2 | 6,3 | -3,1 | 11,8 | |||||||||||||
22 | 0,1 | -7,4 | 1,2 | 14,9 | 10,8 | 12,4 | 17,4 | 80,2 | 12,3 | 1,6 | 8,2 | 5,5 | |||||||||||||
23 | 13,3 | 30,3 | 21,5 | -4,9 | -4,3 | 51,6 | 19,3 | -4,0 | 20,5 | -3,2 | 0,5 | 6,2 | |||||||||||||
24 | 13,9 | 10,1 | 18,6 | 4,7 | 4,8 | 3,7 | 12,0 | 11,3 | -4,4 | -3,2 | 15,7 | 5,2 |
Таблица 76 – КОНСТРУКТ СЛОВ: "КРИТИК – ВСЕГДА"
№ |
Код слова |
Слово |
Уровень сходства |
№ |
Код слова |
Слово |
Уровень сходства |
1 |
15 |
КРИТИК |
100,00 |
23 |
2 |
БЛАГОДАРНОСТИ |
8,37 |
2 |
27 |
ОКОРОК |
71,79 |
24 |
28 |
ОНЕГИНА |
7,32 |
3 |
41 |
СРОК |
65,59 |
25 |
31 |
ОЦЕНИЛ |
5,70 |
4 |
14 |
КАК |
52,61 |
26 |
44 |
ЭТУ |
5,67 |
5 |
26 |
ОКО |
51,07 |
27 |
16 |
ЛЮБВИ |
5,34 |
6 |
42 |
ТВОРЕНИЕ |
40,52 |
28 |
30 |
ОСТАНАВЛИВАТЬ |
3,81 |
7 |
39 |
РУССКОЕ |
40,23 |
29 |
35 |
ПОЭТА |
2,59 |
8 |
36 |
ПРИВОДИТ |
39,13 |
30 |
3 |
БУДЕТ |
2,53 |
9 |
4 |
ВЕЛИКИЙ |
38,98 |
31 |
37 |
ПУСТЬ |
1,54 |
10 |
38 |
РАСТЕТ |
37,88 |
32 |
23 |
ОБГОНЯЕТ |
-1,37 |
11 |
1 |
БЕЛИНСКИЙ |
32,92 |
33 |
9 |
ГЕНИАЛЬНОЕ |
-1,50 |
12 |
33 |
ПОТРЕБНОСТИ |
29,38 |
34 |
24 |
ОБЩЕСТВО |
-1,55 |
13 |
12 |
ИДЕТ |
28,16 |
35 |
13 |
ИСПОЛНЕННЫЙ |
-3,75 |
14 |
10 |
ДАЛЕКО |
23,87 |
36 |
29 |
ОНО |
-4,20 |
15 |
18 |
МОЛОКО |
19,13 |
37 |
21 |
НЕЙ |
-4,87 |
16 |
8 |
ВЫСОКО |
18,23 |
38 |
43 |
УШЛО |
-5,20 |
17 |
25 |
ОГОРОД |
16,45 |
39 |
22 |
НОВЫЕ |
-5,51 |
18 |
5 |
ВЗОР |
12,98 |
40 |
40 |
СОБОЙ |
-5,64 |
19 |
6 |
ВРЕМЯ |
9,39 |
41 |
20 |
НАШЕГО |
-5,81 |
20 |
32 |
ПИСАЛ |
9,36 |
42 |
34 |
ПОЭМУ |
-6,07 |
21 |
11 |
ДОСТОИНСТВУ |
9,19 |
43 |
19 |
НАЦИОНАЛЬНОГО |
-7,01 |
22 |
17 |
ЛЮБИТЬ |
8,54 |
44 |
7 |
ВСЕГДА |
-7,17 |
Когнитивная концепция и синтез когнитивного конфигуратора
В данном разделе приводится когнитивная концепция, разработанная автором исследования в 1998 году [105], с учетом двух основных требований:
1. Адекватное отражение в когнитивной концепции реальных процессов, реализуемых человеком в процессах познания.
2. Высокая степень приспособленности когнитивной концепции для формализации в виде достаточно простых математических и алгоритмических моделей, допускающих прозрачную программную реализацию в автоматизированной системе.
Когнитивная концепция СК-анализа и синтез когнитивного конфигуратора
В качестве теории, позволяющей конкретизировать основополагающие понятия, связанные с СИИ, предлагается системно-когнитивный анализ (СК-анализ), представляющий собой системный анализ, как метод познания, т.е. структурированный по базовым когнитивным операциям.
Когнитивная концепция СК-анализа разработана с учетом двух основных требований:
1. Адекватное отражение в когнитивной концепции реальных процессов, реализуемых человеком в процессах познания.
2. Высокая степень приспособленности когнитивной концепции для формализации в виде достаточно простых математических и алгоритмических моделей, допускающих прозрачную программную реализацию в автоматизированной системе.
Когнитивная (познавательно-целевая)
Отбор базисных факторов проводится путем применения PEST-анализа, выделяющего четыре основные группы факторов (аспекта), определяющих поведение исследуемого объекта (рисунок 87):
– Policy – политика;
– Economy – экономика;
– Society – общество (социокультурный аспект);
– Technology – технология.
Рисунок 87. Факторы PEST-анализа |
Для каждого конкретного сложного объекта существует свой особый набор наиболее существенных факторов, определяющих его поведение и развитие.
PEST-анализ можно рассматривать как вариант системного анализа, т.к. факторы, относящиеся к перечисленным четырем аспектам, в общем случае тесно взаимосвязаны и характеризуют различные иерархические уровни общества, как системы.
В этой системе есть детерминирующие связи, направленные с нижних уровней иерархии системы к верхним (наука и технология влияет на экономику, экономика влияет на политику), а также обратные и межуровневые связи. Изменение любого из факторов через эту систему связей может влиять на все остальные.
Эти изменения могут представлять угрозу развитию объекта, или, наоборот, предоставлять новые возможности для его успешного развития.
Следующий шаг – ситуационный анализ проблем, SWOT-анализ
(рисунок 88):
– Strengths – сильные стороны;
– Weaknesses – недостатки, слабые стороны;
– Opportunities – возможности;
– Threats – угрозы.
Рисунок 88. Факторы SWOT-анализа |
Он включает анализ сильных и слабых сторон развития исследуемого объекта в их взаимодействии с угрозами и возможностями и позволяет определить актуальные проблемные области, узкие места, шансы и опасности, с учетом факторов внешней среды.
Возможности определяются как обстоятельства, способствующее благоприятному развитию объекта.
Угрозы – это ситуации, в которых может быть нанесен ущерб объекту, например может быть нарушено его функционирование или он может лишится имеющихся преимуществ.
На основании анализа различных возможных сочетаний сильных и слабых сторон с угрозами и возможностями формируется проблемное поле исследуемого объекта.
Проблемное поле – это совокупность проблем, существующих в моделируемом объекте и окружающей среде, в их взаимосвязи друг с другом.
Наличие такой информации – основа для определения целей (направлений) развития и путей их достижения, выработки стратегии развития.
Когнитивное моделирование на основе проведенного ситуационного анализа позволяет подготовить альтернативные варианты решений по снижению степени риска в выделенных проблемных зонах, прогнозировать возможные события, которые могут тяжелее всего отразиться на положении моделируемого объекта.
Этапы когнитивной технологии и их результаты, представленные на рисунке 86, конкретизированы в таблице 38:
Таблица 38 – ЭТАПЫ КОГНИТИВНОЙ ТЕХНОЛОГИИ
И РЕЗУЛЬТАТЫ ЕЕ ПРИМЕНЕНИЯ
Наименование этапа |
Форма представления результата |
1. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе PEST-анализа и SWOT-анализа: Анализ исходной ситуации вокруг исследуемого объекта с выделением базисных факторов, характеризующих экономические, политические и др. процессы, протекающие в объекте и в его макроокружении и влияющих на развитие объекта. 1.1. Выявление факторов, характеризующих сильные и слабые стороны исследуемого объекта 1.2. Выявление факторов, характеризующих возможности и угрозы со стороны внешней среды объекта 1.3. Построение проблемного поля исследуемого объекта |
Отчет о системном концептуальном исследовании объекта и его проблемной области |
2. Построение когнитивной модели развития объекта – формализация знаний, полученных на этапе когнитивной структуризации 2.1. Выделение и обоснование факторов 2.2. Установление и обоснование взаимосвязей между факторами 2.3. Построение графовой модели |
Компьютерная когнитивная модель объекта в виде ориентированного графа (и матрицы взаимосвязей факторов) |
Наименование этапа |
Форма представления результата |
3. Сценарное исследование тенденций развития ситуации вокруг исследуемого объекта (при поддержке программных комплексов "СИТУАЦИЯ", "КОМПАС", "КИТ") 3.1. Определение цели исследования 3.2. Задание сценариев исследования и их моделирование 3.3. Выявление тенденций развития объекта в его макроокружении 3.4. Интерпретация результатов сценарного исследования |
Отчет о сценарном исследовании ситуации, с интерпретацией и выводами |
4. Разработка стратегий управления ситуацией вокруг исследуемого объекта 4.1. Определение и обоснование цели управления 4.2. Решение обратной задачи 4.3. Выбор стратегий управления и упорядочивание их по критериям: возможности достижения цели; риска потери управления ситуацией; риска возникновения чрезвычайных ситуаций |
Отчет о разработке стратегий управления с обоснованием стратегий по разным критериям качества управления |
5. Поиск и обоснование стратегий достижения цели в стабильных или изменяющихся ситуациях Для стабильных ситуаций: a) выбор и обоснование цели управления; б) выбор мероприятий (управлений) для достижения цели; в) анализ принципиальной возможности достижения цели из текущего состояния ситуации с использованием выбранных мероприятий; г) анализ реальных ограничений на реализацию выбранных мероприятий; д) анализ и обоснование реальной возможности достижения цели; е) выработка и сравнение стратегий достижения цели по: близости результатов управления к намеченной цели; затратам (финансовым, физическим и т.п.); по характеру последствий (обратимые, необратимые) от реализации этих стратегий в реальной ситуации; по риску возникновения чрезвычайных ситуаций Для изменяющихся ситуаций: a) выбор и обоснование текущей цели управления; б) по отношению к текущей цели справедливы предыдущие п.п. б-е; в) анализ изменений, происходящих в ситуации, и их отображение в графовой модели ситуации. Переход к п. a. |
Отчет о разработке стратегий достижения цели в стабильных или изменяющихся ситуациях |
6. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink) 6.1. Распределение ресурсов по направлениям и во времени 6.2. Координация 6.3. Контроль за исполнением |
Программа реализации стратегии развития объекта. Компьютерная имитационная модель развития объекта |
Когнитивная структуризация и формализация предметной области
Одним из основных требований системного анализа является требование полноты и всесторонности рассмотрения, а также необходимость исключения из рассмотрения несущественной информации. При когнитивной структуризации предметной области были выявлены 300 ситуаций на фондовом рынке, которые описывались 1500 показателями. В соответствии с разработанной методикой причинно-следственные взаимосвязи между ситуациями на фондовом рынке выявлялись на основании анализа биржевых баз данных, содержащих сведения примерно за 1993-1994 годы. Позже эти базы были дополнены и в настоящее время содержат данные за 1393 дня с 1992 по 1998 годы. Таким образом, размерность семантической информационной модели составила: 300 прогнозируемых ситуаций на фондовом рынке, 1500 градаций факторов, 1393 прецедента за 1992 по 1998 годы, 1765907 фактов. В соответствии с разработанной методикой, путем анализа биржевых баз данных, содержащих сведения за 1393 дня с 1992 по 1998 годы, выявлялись причинно-следственные взаимосвязи между ситуациями на фондовом рынке. При этом были применены математические модели и технологии, а также специальный программный инструментарий СК-анализа: когнитивная аналитическая система "Эйдос" [141]. Реализованные в данной системе когнитивные технологии основаны на системной автоматизации 10 базовых когнитивных операций с применением системной меры семантической целесообразности информации, предложенной в работе [64].
Когнитивные диаграммы атрибутов (БКОСА-. .
Это новый вид когнитивных диаграмм, не встречающийся в литературе. Частным случаем этих диаграмм являются инвертированные диаграммы Вольфа Мерлина (терм. авт.). При их генерации имеется возможность задания ряда параметров, определяющих обрабатываемые данные и форму отображения результатов.
В подсистеме "Анализ" реализованы режимы:
– оценки анкет по шкале лживости;
– измерения внутренней интегральной и дифференциальной валидности модели;
– измерения независимости классов и признаков (стандартный анализ c2);
– генерации большого количества разнообразных 2d & 3d графических форм на основе данных матриц абсолютных частот, условных процентных распределений и информативностей (2d & 3d означает: "двухмерные и трехмерные");
– генерации и графического отображения нелокальных нейронов, нейронных сетей, классических и интегральных когнитивных карт.
Когнитивные диаграммы классов (БКОСА-. .
В системе "Эйдос" реализован двухоконный интерфейс ввода задания на формирование когнитивных диаграмм и пример такой диаграммы. Переход между окнами осуществляется по клавише "ТАВ", выбор класса для когнитивной диаграммы – по нажатию клавиши "Enter". В верхней левой части верхнего окна отображаются коды выбранных классов. Генерация и вывод когнитивной диаграммы для заданных классов выполняется по нажатию клавиши F5. Отображаемые диаграммы всегда записываются в виде графических файлов в соответствующие поддиректории. Имеются также пакетные режимы генерации диаграмм: генерацию когнитивных диаграмм для полюсов конструктов (F6), генерация всех возможных когнитивных диаграмм (F7), а также генерация диаграмм Вольфа Мерлина (F8). При задании всех этих режимов имеется возможность задания большого количества параметров, определяющих вид диаграмм и содержание отображаемой на них информации.
Типологический анализ атрибутов обеспечивает: формирование и отображение семантических портретов атрибутов (признаков), а также кластерно-конструктивный и когнитивный анализ атрибутов.
Когнитивные концепции и операции
Проведенный анализ когнитивных концепций показал, что они разрабатывались ведущими психологами (Пиаже, Солсо, Найсер) без учета требований, связанных с их дальнейшей формализацией и автоматизацией. Поэтому имеющиеся концепции когнитивной психологии слабо подходят для этой цели; в когнитивной психологии не ставилась и не решалась задача конструирования когнитивного конфигуратора и, соответственно, не сформулировано понятие базовой когнитивной операции.
Когнитивный конфигуратор и базовые когнитивные операции системного анализа
Таким образом, из предложенной когнитивной концепции вытекает существование, по крайней мере, 10 базовых когнитивных операций системного анализа (БКОСА) (таблица 1):
Таблица 1 – ОБОБЩЕННЫЙ СПИСОК БКОСА
(КОГНИТИВНЫЙ КОНФИГУРАТОР)
Необходимо отметить, что классификация операций системного анализа по В.М.Казиеву ближе всего к позиции, излагаемой в данной работе, т.к. этим автором названы 6 из 10 базовых когнитивных операций системного анализа: формализация; синтез (индукция); абстрагирование; анализ (дедукция); распознавание, и идентификация образов; классификация. Вместе с тем им не приводятся математическая модель, алгоритмы и инструментарий реализации этих операций и не ставится задача их разработки, кроме того, некоторые из них приведены дважды под разными названиями, например: анализ и синтез это тоже самое, что дедукция и индукция.
Необходимо также отметить, что по-видимому, впервые идея сведения мышления и процессов познания к когнитивным операциям была четко и осознанно письменно сформулирована в V веке до н.э.: "Сущность интеллекта проявляется в способностях обобщения, абстрагирования, сравнения и классификации" (цит.по пам., Патанжали, Йога-Сутра). Более того, все перечисленные Патанжали операции вошли в предлагаемый когнитивный конфигуратор.
Познание предметной области с одной стороны безусловно является фундаментом, на котором строится все грандиозное здание системного анализа, а с другой стороны, процессы познания являются связующим звеном, органично объединяющим "блоки" принципов и методов системного анализа в стройное здание. Более того, процессы познания буквально пронизывают все методы и принципы системного анализа, входя в них как один из самых существенных элементов.
Однако, на этом основании неверным будет представлять, что когнитивные операции являются подмножеством понятия "системный анализ", скорее наоборот: системный анализ представляет собой один из теоретических методов познания, представимый в форме определенной последовательности когнитивных операций, тогда как другие последовательности этих операций позволяют образовать другие формы теоретического познания.
Когнитрон и неокогнитрон Фукушимы
В целом когнитрон (K.Fukushima, 1975) представляет собой иерархию слоев, последовательно связанных друг с другом, как в персептроне. Однако, при этом есть два существенных отличия:
1. Нейроны образуют не одномерную цепочку, а покрывают плоскость, аналогично слоистому строению зрительной коры человека.
2. Когнитрон состоит из иерархически связанных слоев нейронов двух типов – тормозящих и возбуждающих.
В когнитроне каждый слой реализует свой уровень обобщения информации:
– входные слои чувствительны к отдельным элементарным структурам, например, линиям определенной ориентации или цвета;
– последующие слои реагируют уже на более сложные обобщенные образы;
– в слое наивысшего уровня иерархии
активные нейроны определяют результат работы сети – узнавание определенного образа, при этом результатам распознавания соответствуют те нейроны, активность которых оказалась максимальной.
Однако добиться независимости (инвариантности) результатов распознавания от размеров и ориентации изображений удалось лишь в неокогнитроне, который был разработан Фукушимой в 1980 году и представляет собой как бы суперпозицию когнитронов, обученных распознаванию объектов различных типов, размеров и ориентации.
Количество информации в индивидуальных событиях и лемма Неймана–Пирсона
В классическом анализе Шеннона идет речь лишь о передаче символов по одному информационному каналу от одного источника к одному приемнику. Его интересует прежде всего передача самого сообщения.
В данном исследовании ставится другая задача: идентифицировать информационный источник по сообщению от него. Поэтому метод Шеннона был обобщен путем учета в математической модели возможности существования многих
источников информации, о которых к приемнику по зашумленному каналу связи приходят не отдельные символы–признаки, а сообщения, состоящие из последовательностей символов (признаков) любой длины.
Следовательно, ставится задача идентификации информационного источника по сообщению от него, полученному приемником по зашумленному каналу. Метод, являющийся обобщением метода К.Шеннона, позволяет применить классическую теорию информации для построения моделей систем распознавания образов и принятия решений, ориентированных на применение для синтеза адаптивных АСУ сложными объектами.
Для решения поставленной задачи необходимо вычислять не средние информационные характеристики, как в теории Шеннона, а количество информации, содержащееся в конкретном i–м признаке (символе) о том, что он пришел от данного j–го источника информации. Это позволит определить и суммарное количество информации в сообщении о каждом информационном источнике, что дает интегральный критерий для идентификации или прогнозирования состояния АОУ.
Логично предположить, что среднее количество информации, содержащейся в системе признаков о системе классов
(3. 30) |
является ничем иным, как усреднением (с учетом условной вероятности наблюдения) "индивидуальных количеств информации", которые содержатся в конкретных признаках о конкретных классах (источниках), т.е.:
(3. 31) |
Это выражение определяет так называемую "плотность информации", т.е. количество информации, которое содержится в одном отдельно взятом факте наблюдения i–го символа (признака) на приемнике о том, что этот символ (признак) послан j–м источником.
Если в сообщении содержится M символов, то суммарное количество информации о принадлежности данного сообщения j–му информационному источнику (классу) составляет:
|
(3. 32) |
Преобразуем выражение (3.50) к виду, более удобному для практического применения (численных расчетов). Для этого выразим вероятности встреч признаков через частоты их наблюдения:
|
(3. 33) |
|
(3. 34) |
Сравнивая выражения (3.34) и (3.28) видим, что в системное обобщенное формулы Харкевича входит слагаемое, сходное с выражением Шеннона для плотности информации. Различия состоят в том, что в выражении (3.28) это слагаемое возведено в степень, имеющую смысл коэффициента эмерджентности Харкевича. Необходимо отметить, что значения частот в этих формулах связаны с вероятностями несколько различным образом (выражения 3.20 и 3.33).
Если ранжировать классы в порядке убывания суммарного количества информации о принадлежности к ним, содержащейся в данном сообщении (т.е. описании объекта), и выбирать первый из них, т.е. тот, о котором в сообщении содержится наибольшее количество информации, то мы получим обоснованную статистическую процедуру, основанную на классической теории информации, оптимальность которой доказывается в фундаментальной лемме Неймана–Пирсона [148].
Таким образом, распознавание образов есть принятие решения о принадлежности объекта или его состояния к определенному классу.Если до распознавания существовала неопределенность в вопросе о том, к какому классу относится распознаваемый объект или его состояние, то в результате распознавания эта неопределенность уменьшается, в том числе может быть и до нуля. Понятие информации может быть определено следующим образом: "Информация есть количественная мера степени снятия неопределенности". Количество информации является мерой соответствия распознаваемого объекта (его состояния) обобщенному образу класса.
Количество информации имеет ряд вполне определенных свойств. Эти свойства позволяют ввести понятие "количество информации в индивидуальных событиях", которое является весьма перспективным для применения в системах распознавания образов и поддержки принятия решений.
Компьютерные игры с БОС
В последнее время появляется все больше компьютерных игр, включающих элементы БОС. При этом от психофизиологического состояния игрока может зависеть, например, и развитие сценария, и точность прицеливания при использовании оптического прицела.
В этих играх часто создаются ситуации, в которых человеку нужно быстро принимать и реализовать решения, при этом цена ошибки, а значит и психическая напряженность, и волнение игрока, постоянно увеличиваются. Этим самым создается экстремальная ситуация, напряженность которой все больше возрастает. В этих условиях лучших результатов достигает тот, у кого "крепче нервы", кто лучше может управлять собой в экстремальных ситуациях.
Поэтому игры с элементами БОС можно считать своего рода тренажерами по формированию и совершенствованию навыков адекватного поведения в экстремальных ситуациях.
Здесь необходимо отметить один очень существенный момент. В обычной реальности развитие событий зависит не непосредственно от нашего психофизиологического состояния, а лишь от того, как оно проявляется в наших действиях. В случае же виртуальной реальности развитие сценария игры может зависеть непосредственно от состояния игрока. Таким образом, в виртуальной реальности само сознательное (произвольное) или несознательное (непроизвольное) изменение нашего состояния по сути дела является действием. Аналогичная ситуация в обычной реальности может иметь место при высших формах сознания и проявлении сверхспособностей.
Компьютерные тренажеры, основанные на БОС, для обучения больных навыкам управления своим состоянием
Некоторыми процессами в своем организме мы не можем управлять не потому, что у нас нет рычагов управления, а лишь потому, что мы их не знаем, не имеем навыков их использования и не знаем результатов
их применения. Но ключевой проблемой, без решения которой невозможно управление, является отсутствие быстрого и надежного, адекватного по содержанию канала обратной связи.
Все эти проблемы снимаются системами БОС:
– на экран компьютера в наглядной и легко интерпретируемой форме в режиме реального времени выводится информация о состоянии какой-либо подсистемы организма, например, об уровне pH (кислотности) в желудке;
– в качестве рычагов управления пациенту предлагается применить метод визуализации тех или иных образов, которые сообщаются врачом;
– когда пациент ярко зрительно представляет заданные образы, то при этом он обнаруживает, что кривая кислотности на экране начинает ползти вверх или вниз в прямом соответствии с тем, что именно он себе представляет.
Через пару недель подобных тренировок, проводимых по 15-20 минут через день пациент приобретает такой уровень навыков управления ранее не осознаваемыми процессами в своем организме, которых Хатха-йоги добиваются за многие годы упорных тренировок под руководством профессиональных опытных и ответственных наставников (Гуру). Причем скоро пациент начинает понимать, когда необходимо повысить или понизить кислотность и без компьютера с системой БОС и может делать это прямо в той обстановке, в которой возникла такая необходимость. Столь высокая эффективность метода БОС объясняется высокой скоростью, наглядностью и адекватностью обратной связи, что является одним из основных факторов, влияющих на эффективность формирования навыков управления своим состоянием.
Имеется информация, что такими методами могут лечиться или облегчаться многие заболевания, вплоть до диабета, причем не только на стадии функциональных нарушений, но даже и при наличии органических изменений.
Концепция рефлексивной АСУ в АПК и технология QFD (технология развертывания функций качества)
Чтобы сформулировать концепцию управления В РАСУ АПК рассмотрим упрощенную формальную модель. Процесс управления состоит из последовательных циклов управления, каждый из которых включают следующие этапы: количественное сопоставимое измерение параметров и идентификация состояния объекта управления; оценка эффективности (качества) предыдущего управляющего воздействия; если предыдущее управляющее воздействие не обеспечило приближения цели, то выработка новых или корректировка (адаптация) имеющихся методов принятия решений; иначе – выработка нового управляющего воздействия на основе имеющихся методов принятия решений; реализация управляющего воздействия.
При этом объектами управления, в соответствии с технологией QFD (развертывания функций качества) на различных уровнях являются потребительские свойства продукта, свойства его компонент, технологический процесс и его элементы (операции) (рисунок 19) [64].
Рисунок 19. Обобщенная схема QFD-технологии (развертывание функций качества) |
Контрольные опросы
1. Что называется ортогональными проекциями тел?
2. В чем заключается сложность идентификации тел по их ортогональным проекциям?
3. За счет чего облегчается задача идентификации тел по их проекциям при наблюдении с нескольких точек или в движении?
В чем заключается сложность идентификации
1. Что называется ортогональными проекциями тел?
2. В чем заключается сложность идентификации тел по их ортогональным проекциям?
3. За счет чего облегчается задача идентификации тел по их проекциям при наблюдении с нескольких точек или в движении?
Контрольные вопросы
1. Основные положения информационно-функциональной теории развития техники.
2. Процессы труда и познания, как информационные процессы снятия неопределенности.
3. Организм человека и средства труда как информационные системы.
4. Законы развития техники.
5. Детерминация формы сознания человека функциональным уровнем средств труда.
6. Неизбежность возникновения компьютеров, информационных систем и систем искусственного интеллекта.
7. Информационная теория стоимости.
8. Связь количества и качества информации с меновой и потребительной стоимостью.
9. Информация, как сырье и как товар: абсолютная, относительная и аналитическая информация. Данные, информация, знания.
10. Стоимость и амортизация систем искусственного интеллекта и баз знаний.
11. Источники экономической эффективности систем искусственного интеллекта и интеллектуальной обработки данных с позиций информационной теории стоимости (повышение уровня системности и "охлаждение" объекта управления).
12. Интеллектуализация - генеральное направление и развития информационных технологий.
13. От электронных вычислительных машин к компьютерам. Функциональное определение компьютера.
14. Эволюция понятия: "Обработка информации" от информационного сырья к информационному продукту.
15. Эволюция технологий создания и поддержки информационных систем: автоматизация функций посредников.
16. Перспективы информационных технологий: интеллектуализация, создание самообучающихся, саморазвивающихся (эволюционирующих) и самовоспроизводящихся систем.
1. Данные, информация, знания. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона.
2. Когнитивная концепция СК-анализа и синтез когнитивного конфигуратора.
3. Мышление как вычисление смысла и реализация операций со смыслом в инструментарии СК-анализа - системе "Эйдос".
4. Понятие: "Система искусственного интеллекта", место СИИ в классификации информационных систем.
5. Определение и классификация систем искусственного интеллекта, цели и пути их создания.
6. Тест Тьюринга и критерии "интеллектуальности" информационных систем. Может ли машина мыслить? Может ли искусственный интеллект превзойти своего создателя?
7. Классификация систем искусственного интеллекта.
8. Особенности технологии создания систем искусственного интеллекта (обучение, "социализация", как технологический этап).
9. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности.
10. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла.
1. Системный анализ, как метод познания.
2. Принципы системного анализа.
3. Методы и этапы системного анализа.
4. Этапы когнитивного анализа.
5. Обобщенная схема системного анализа, ориентированного на интеграцию с когнитивными технологиями.
6. Когнитивная концепция и синтез когнитивного конфигуратора.
7. Понятие когнитивного конфигуратора и необходимость естественно-научной (формализуемой) когнитивной концепции.
8. Формализуемая когнитивная концепция
9. Когнитивный конфигуратор и БКОСА.
10. Задачи формализации базовых когнитивных операций системного анализа.
11. СК-анализ, как системный анализ, структурированный до уровня базовых когнитивных операций.
12. Место и роль СК-анализа в структуре управления.
13. Структура типовой АСУ.
14. Параметрическая модель адаптивной АСУ сложными системами.
15. Модель рефлексивной АСУ активными объектами и мета-управление.
16. Двухконтурная модель РАСУ в АПК.
1. Теоретические основы системной теории информации.
2. Требования к математической модели и численной мере СТИ.
3. Выбор базовой численной меры СТИ.
4. Конструирование системной численной меры на основе базовой в СТИ.
5. Семантическая информационная модель СК-анализа.
6. Формализм динамики взаимодействующих семантических информационных пространств. Двухвекторное представление данных.
7. Применение классической теории информации К.Шеннона для расчета весовых коэффициентов и мер сходства.
8. Математическая модель метода распознавания образов и принятия решений, основанного на системной теории информации.
9. Некоторые свойства математической модели СК-анализа (сходимость, адекватность, устойчивость и др.).
10. Непараметричность модели. Робастные процедуры и фильтры для исключения артефактов в математической модели СК-анализа.
11. Зависимость информативностей факторов от объема обучающей выборки.
12. Зависимость адекватности семантической информационной модели от объема обучающей выборки (адекватность при малых и больших выборках).
13. Семантическая устойчивость модели СК-анализа.
14. Зависимость параметров модели СК-анализа от ее ортонормированности.
15. Взаимосвязь математической модели СК-анализа с другими моделями.
16. Взаимосвязь системной меры целесообразности информации со статистикой Х2 и новая мера уровня системности предметной области.
17. Сравнение, идентификация и прогнозирование как разложение векторов объектов в ряд по векторам классов (объектный анализ).
18. Системно-когнитивный и факторный анализ. СК-анализ, как метод вариабельных контрольных групп.
19. Семантическая мера целесообразности информации и эластичность.
20. Связь семантической информационной модели с нейронными сетями.
21. Математический метод СК-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы.
1. Принципы формализации предметной области и подготовки эмпирических данных.
2. Иерархическая структура данных и последовательность численных расчетов в СК-анализе
3. Обобщенное описание алгоритмов СК-анализа
4. БКОСА-2.1. "Восприятие и запоминание исходной обучающей информации".
5. БКОСА-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным (общественным)".
6. БКОСА-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных".
7. БКОСА-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов".
8. БКОСА-3.1.3. "Обобщение (синтез, индукция). Расчет степени истинности содержательных смысловых связей между предпосылками и результатами (обобщенных таблиц решений)".
9. БКОСА-3.2. "Определение значимости шкал и градаций факторов, уровней Мерлина".
10. БКОСА-3.3. "Определение значимости шкал и градаций классов, уровней Мерлина".
11. БКОСА-4.1. "Абстрагирование факторов (снижение размерности семантического пространства факторов)".
12. БКОСА-4.2. "Абстрагирование классов (снижение размерности семантического пространства классов)".
13. БКОСА-5. "Оценка адекватности информационной модели предметной области".
14. БКОСА-7. "Сравнение, идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)".
15. БКОСА-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)".
16. БКОСА-9.2. "Дедукция и абдукция факторов (семантический анализ факторов)".
17. БКОСА-10.1.1. "Классификация обобщенных образов классов".
18. БКОСА-10.1.2. "Формирование бинарных конструктов классов".
19. БКОСА-10.1.3. "Визуализация семантических сетей классов".
20. БКОСА-10.2.1. "Классификация факторов".
21. БКОСА-10.2.2. "Формирование бинарных конструктов факторов".
22. БКОСА-10.2.3. "Визуализация семантических сетей факторов".
23. БКОСА-10.3.1. "Содержательное сравнение классов".
25. БКОСА-10.3.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. диаграмм Вольфа Мерлина".
26. БКОСА-10.4.1. "Содержательное сравнение факторов".
27. БКОСА-10.4.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. инвертированных диаграмм Мерлина".
28. БКОСА-11. "Многовариантное планирование и принятие решения о применении системы управляющих факторов".
29. Детальные алгоритмы СК-анализа.
1. Назначение и состав системы "Эйдос".
2. Цели и основные функции системы "Эйдос".
3. Обобщенная структура системы "Эйдос".
4. Пользовательский интерфейс, технология разработки и эксплуатации приложений в системе "ЭЙДОС".
5. Начальный этап синтеза модели: когнитивная структуризация и формализация предметной области, подготовка исходных данных (подсистема "Словари") (БКОСА-1, БКОСА-2).
6. Синтез модели: пакетное обучение системы распознавания (подсистема "Обучение") (БКОСА-3).
7. Оптимизация модели (подсистема "Оптимизация") (БКОСА-4).
8. Верификация модели (оценка ее адекватности) (БКОСА-5).
9. Эксплуатация приложения в режиме адаптации и периодического синтеза модели (БКОСА-7, БКОСА-9, БКОСА-10).
10. Технические характеристики и обеспечение эксплуатации системы "ЭЙДОС" (версии 12.5).
11. Состав системы "Эйдос": Базовая система, системы окружения и программные интерфейсы импорта данных.
12. Отличия системы "Эйдос" от аналогов: экспертных и статистических систем.
13. Некоторые количественные характеристики системы "Эйдос".
14. Обеспечение эксплуатации системы "Эйдос".
15. АСК-анализ, как технология синтеза и эксплуатации рефлексивных АСУ активными объектами.
1. Интеллектуальные интерфейсы. Использование биометрической информации о пользователе в управлении системами.
2. Идентификация и аутентификация личности по почерку. Понятие клавиатурного почерка.
3. Соотношение психографологии и атрибуции текстов.
4. Идентификация и аутентификация личности пользователя компьютера по клавиатурному почерку.
5. Прогнозирование ошибок оператора по изменениям в его электроэнцефалограмме.
6. Системы с биологической обратной связью (БОС).
7. Мониторинг состояния сотрудников сборочного конвейера с целью обеспечения высокого качества продукции.
8. Компьютерные тренажеры, основанные на БОС, для обучения больных навыкам управления своим состоянием.
9. Компьютерные игры с БОС.
10. Системы с семантическим резонансом. Компьютерные (Y-технологии и интеллектуальный подсознательный интерфейс.
11. Системы виртуальной реальности и критерии реальности. Эффекты присутствия, деперсонализации и модификация сознания пользователя.
12. Классическое определение системы виртуальной реальности.
13. "Эффект присутствия" в виртуальной реальности.
14. Применения систем виртуальной реальности.
15. Модификация сознания и самосознания пользователя в виртуальной реальности.
16. Авторское определение системы виртуальной реальности.
17. Критерии реальности при различных формах сознания и их применение в виртуальной реальности.
18. Принципы эквивалентности (относительности) Галилея и Эйнштейна и критерии виртуальной реальности.
19. Системы с дистанционным телекинетическим интерфейсом.
1. Основные понятия и определения, связанные с системами распознавания образов.
2. Признаки и образы конкретных объектов, метафора фазового пространства.
3. Признаки и обобщенные образы классов.
4. Обучающая выборка и ее репрезентативность по отношению к генеральной совокупности. Ремонт (взвешивание) данных.
5. Основные операции: обобщение и распознавание.
6. Обучение с учителем (экспертом) и самообучение (кластерный анализ).
7. Верификация, адаптация и синтез модели.
8. Проблема распознавания образов.
9. Классификация методов распознавания образов.
10. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование".
11. Роль и место распознавания образов в автоматизации управления сложными системами.
12. Обобщенная структура системы управления.
13. Место системы идентификации в системе управления.
14. Управление как задача, обратная идентификации и прогнозированию.
15. Методы кластерного анализа.
16. Метод кластеризации: "Древовидная кластеризация".
17. Метод кластеризации: "Двувходовое объединение".
18. Метод кластеризации: "Метод K средних".
1. Многообразие задач принятия решений.
2. Принятие решений, как реализация цели.
3. Принятие решений, как снятие неопределенности (информационный подход).
4. Связь принятия решений и распознавания образов.
5. Классификация задач принятия решений.
6. Языки описания методов принятия решений.
7. Критериальный язык.
8. Язык последовательного бинарного выбора.
9. Обобщенный язык функций выбора.
10. Групповой выбор.
11. Выбор в условиях неопределенности.
12. Информационная (статистическая) неопределенность в исходных данных.
13. Неопределенность последствий.
14. Расплывчатая неопределенность.
15. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода.
16. Экспертные методы выбора.
17. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений.
18. Условия корректности использования систем поддержки принятия решений.
19. Хранилища данных для принятия решений.
1. Экспертные системы, базовые понятия.
2. Экспертные системы, методика построения.
3. Этап-1 синтеза ЭС: "Идентификация".
4. Этап-2 синтеза ЭС: "Концептуализация".
5. Этап-3 синтеза ЭС: "Формализация".
6. Этап-4 синтеза ЭС: "Разработка прототипа".
7. Этап-5 синтеза ЭС: "Экспериментальная эксплуатация".
8. Этап-6 синтеза ЭС: "Разработка продукта".
9. Этап-7 синтеза ЭС: "Промышленная эксплуатация".
1. Биологический нейрон и формальная модель нейрона Маккалоки и Питтса.
2. Возможность решения простых задач классификации непосредственно одним нейроном.
3. Однослойная нейронная сеть и персептрон Розенблата.
4. Линейная разделимость и персептронная представляемость.
5. Многослойные нейронные сети.
6. Многослойный персептрон.
7. Модель Хопфилда.
8. Когнитрон и неокогнитрон Фукушимы.
9. Проблемы и перспективы нейронных сетей.
10. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета.
11. Метафора нейросетевого представления семантической информационной модели.
12. Соответствие основных терминов и понятий.
13. Гипотеза о нелокальности нейрона и информационная нейросетевая парадигма.
14. Решение проблемы интерпретируемости весовых коэффициентов (семантическая мера целесообразности информации и закон Фехнера).
15. Семантическая информационная модель, как нелокальная нейронная сеть.
16. Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети.
17. Решение проблемы интерпретируемости передаточной функции.
18. Решение проблемы размерности.
19. Решение проблемы линейной разделимости.
20. Моделирование причинно-следственных цепочек в нейронных сетях и семантической информационной модели.
21. Моделирование иерархических структур обработки информации.
22. Нейронные сети и СК-анализ.
23. Графическое отображение нейронов, Паррето-подмножеств нелокальной нейронной сети, семантических сетей, когнитивных карт и диаграмм в системе "Эйдос".
1. Основные понятия, принципы и предпосылки генетических алгоритмов.
2. Пример работы простого генетического алгоритма.
3. Достоинства и недостатки генетических алгоритмов.
4. Примеры применения генетических алгоритмов.
1. Определение основных понятий: "Когнитивное моделирование" и "Классическая когнитивная карта", их связь с когнитивной психологией и гносеологией.
2. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе PEST-анализа и SWOT-анализа.
3. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink).
1. Интеллектуальный анализ данных (data mining).
2. Типы выявляемых закономерностей data mining: ассоциация, последовательность, классификация, кластеризация, прогнозирование.
3. Математический аппарат data mining: деревья решений, регрессионный анализ, нейронные сети, временные ряды.
4. Области применения технологий интеллектуального анализа данных: розничная торговля, банковская деятельность, страховой бизнес, производство, автоматизированные системы для интеллектуального анализа данных.
1. Обзор опыта применения АСК-анализа для управления и исследования социально-экономических систем.
2. Применение СИИ для синтеза и решения задач управления качеством подготовки специалистов.
3. Применение СИИ в экономических исследованиях.
4. Применение СИИ в социологических и политологических исследованиях.
5. Поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания.
6. Поддержка принятия решений по выбору агротехнологий.
7. Поддержка принятия решений по выбору культур и пунктов выращивания.
8. Применение СИИ для прогнозирования динамики сегмента рынка.
9. Когнитивная структуризация и формализация предметной области.
10. Формирование точечных и средневзвешенных прогнозов.
11. Оценка адекватности модели. Зависимость достоверности прогнозирования от разброса точечных прогнозов.
12. Детерминистские и бифуркационные участки траектории развития активных систем.
13. Прогнозирования времени перехода системы в бифуркационное состояние
20. Системно-когнитивный анализ семантической информационной модели.
21. Анализ динамики макроэкономических состояний городов и районов на уровне субъекта Федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирование уровня безработицы (на примере Ярославской области)
1. Ограничения АСК-анализа и обоснованное расширение области его применения на основе научной индукции.
2. Перспективы применения АСК-анализа в управлении.
3. Оценка рисков страхования и кредитования предприятий.
4. Мониторинг, прогнозирование и управление в финансово-экономической сфере.
5. Некоторые перспективные области применения АСК-анализа.
6. Развитие АСК-анализа.
7. Многоагентные распределенные системы обнаружения, накопления и использования знаний в Internet.
8. Развитие АСК-анализа с применением теории нечетких множеств и неклассической логики.
9. Динамика взаимодействующих семантических пространств и создание континуального АСК-анализа.
10. Перспективные области применения АСК-анализа и систем искусственного интеллекта.
1. Что такое классификационные и описательные шкалы и градации?
2. Какие существуют виды шкал?
3. Как шкалы связаны с конструктами и с познанием?
4. Чем обусловлена возможность текстового описания объектов обучающей и распознаваемой выборки на естественном языке?
1. Что понимается под формализацией задачи.
2. Как создать классификационные и описательные шкалы в системе "Эйдос"?
3. Как собрать исходную фактографическую информацию и ввести в систему обучающую выборку?
4. Как осуществить синтез и верификацию модели?
5. Как оценить ценность признаков для прогнозирования и выделить признаки, наиболее существенные для решения поставленной задачи?
6. Как провести анализ модели, чтобы ответить на следующие вопросы:
– как посещаемость занятий по системам искусственного интеллекта влияет на успеваемость по этой дисциплине?
– как сказывается пол на посещаемости?
– как выглядят конструкты "Пол", "Город-деревня", "Учебная группа", "Успеваемость", "Посещаемость"?
– какие студенты являются "типичными представителями" для своих учебных групп, а какие обладают своеобразием и выраженной индивидуальностью;
7. Как отобразить результаты анализа в графической форме нелокальных нейронов и семантических сетей признаков. На их основе построить классические когнитивные карты для хорошо и плохо успевающих студентов.
1. Какие работы выполняются на этапе формализации задачи?
2. Как в системе "Эйдос" ввести классификационные шкалы и градации, выбрав в качестве классов – различные уровни учебных достижений по различным дисциплинам, перечень которых взять из зачетной книжки?
3. Как в системе "Эйдос" ввести описательные шкал и градации, использовав характеристики подчерка?
4. Каким образом подготовить и ввести в систему "Эйдос" обучающую выборку?
5. Как осуществить синтез и верификацию (измерение адекватности) семантической информационной модели в системе "Эйдос"?
6. Что включает системно-когнитивный анализ модели?
7. Как решаются задачи идентификации и прогнозирования в системе "Эйдос"?
8. В каких подсистемах и режимах системы "Эйдос" генерируются информационные портреты классов и факторов и отображаются в графической форме двухмерных и трехмерных профилей классов и факторов)?
9. Каким образом в системе "Эйдос" провести кластерно-конструктивный анализ классов и факторов и отобразить его в форме семантических сетей классов и факторов?
10. Как в системе "Эйдос" осуществить содержательное сравнение классов и факторов и отобразить результаты в форме когнитивных диаграмм классов и факторов?
11. Как в системе "Эйдос" построить нелокальные нейроны и интерпретируемые нейронные сети?
12. Как в системе "Эйдос" построить классические когнитивные модели и отобразить их в форме когнитивных карт?
13. Как в системе "Эйдос" построить интегральные когнитивные модели и отобразить в форме интегральных когнитивных карт?
1. Какие работы выполняются на этапе формализации задачи?
2. Как в системе "Эйдос" ввести классификационные шкалы и градации, выбрав в качестве классов – различные уровни учебных достижений по различным дисциплинам, перечень которых взять из зачетной книжки?
3. Как в системе "Эйдос" ввести описательные шкал и градации, использовав характеристики подчерка?
4. Каким образом подготовить и ввести в систему "Эйдос" обучающую выборку?
5. Как осуществить синтез и верификацию (измерение адекватности) семантической информационной модели в системе "Эйдос"?
6. Что включает системно-когнитивный анализ модели?
7. Как решаются задачи идентификации и прогнозирования в системе "Эйдос"?
8. В каких подсистемах и режимах системы "Эйдос" генерируются информационные портреты классов и факторов и отображаются в графической форме двухмерных и трехмерных профилей классов и факторов)?
9. Каким образом в системе "Эйдос" провести кластерно-конструктивный анализ классов и факторов и отобразить его в форме семантических сетей классов и факторов?
10. Как в системе "Эйдос" осуществить содержательное сравнение классов и факторов и отобразить результаты в форме когнитивных диаграмм классов и факторов?
11. Как в системе "Эйдос" построить нелокальные нейроны и интерпретируемые нейронные сети?
12. Как в системе "Эйдос" построить классические когнитивные модели и отобразить их в форме когнитивных карт?
13. Как в системе "Эйдос" построить интегральные когнитивные модели и отобразить в форме интегральных когнитивных карт?
14. Кто такой "респондент"?
15. Что понимается под "социальным статусом" респондента?
1. Каким образом провести анализ устойчивости модели к неполноте информации и наличию шума?
2. Каким образом можно проверить способность модели правильно идентифицировать классы, один из которых является подмножеством другого?
3. Как оценить ценность букв для идентификации слов. Сравнить суммарную ценность для этой цели гласных и согласных букв?
1. Что такое атрибуция текстов?
2. Каким образом выполняется когнитивная структуризация предметной области?
3. В чем состоит формализацию предметной области и как ее осуществить в системе "Эйдос"?
4. Какие средства формирования обучающей выборки используются в системе "Эйдос" при решении задач атрибуции текстов?
5. В какой подсистеме и в каком режиме системы "Эйдос" осуществляется синтез семантической информационной модели и в чем он состоит?
6. В чем заключается оптимизация семантической информационной модели и как она осуществляется в системе "Эйдос"?
7. Как семантическая информационная модель проверяется на адекватность?
8. Как связана адекватность модели с внутренней и внешней, дифференциальной и интегральной валидностью?
9. Каким образом можно в системе "Эйдос" выполнить адаптацию модели и измерить, как изменилась ее адекватность?
10. Как в системе "Эйдос" осуществить пересинтез модели и измерить, как изменилась ее адекватность?
11. Чем отличается адаптация модели от пересинтеза в системе "Эйдос"?
12. В каких подсистемах и режимах системы "Эйдос" можно вывести информационные портреты?
13. В каких подсистемах и режимах системы "Эйдос" можно выполнить кластерно-конструктивный анализ модели?
1. Какие свойства натуральных чисел мы рассматривали в качестве их признаков?
2. Какие образом выполняется когнитивная структуризация предметной области?
3. В чем состоит формализацию предметной области и как ее осуществить в системе "Эйдос" при изучении свойств натуральных чисел?
4. Какие средства формирования обучающей выборки используются в системе "Эйдос" при изучении свойств натуральных чисел?
1. Что выбирается в качестве классов распознавания и что в качестве факторов в задаче прогнозирования урожая?
2. Что такое "шкала качества" и "шкала количества"? Какие градации у этих шкал?
3. Как классифицировать факторы, влияющие на урожай?
4. В чем состоит задача прогнозирования количественных и качественных результатов выращивания сельхозкультур?
5. В чем состоит задача поддержки принятия решений при выборе зон и подзон выращивания, культур для выращивания, агротехнологий?
6. Каким образом можно научно обоснованно заменять одни факторы другими?
7. С какими проблемами сталкивается разработчик и исследователь при решении задачи прогнозирования урожая?
1. Что такое "случайная модель"?
2. Почему необходимо исследовать свойства случайной модели?
3. Какие средства для генерации и исследования случайных моделей есть в системе "Эйдос"?
Контрольные вопросы по лабораторной работе
1. Что такое "случайная модель"?
2. Почему необходимо исследовать свойства случайной модели?
3. Какие средства для генерации и исследования случайных моделей есть в системе "Эйдос"?
1. Что такое классификационные и описательные шкалы и градации?
2. Какие существуют виды шкал?
3. Как шкалы связаны с конструктами и с познанием?
4. Чем обусловлена возможность текстового описания объектов обучающей и распознаваемой выборки на естественном языке?
1. Что понимается под формализацией задачи.
2. Как создать классификационные и описательные шкалы в системе "Эйдос"?
3. Как собрать исходную фактографическую информацию и ввести в систему обучающую выборку?
4. Как осуществить синтез и верификацию модели?
5. Как оценить ценность признаков для прогнозирования и выделить признаки, наиболее существенные для решения поставленной задачи?
6. Как провести анализ модели, чтобы ответить на следующие вопросы:
– как посещаемость занятий по системам искусственного интеллекта влияет на успеваемость по этой дисциплине?
– как сказывается пол на посещаемости?
– как выглядят конструкты "Пол", "Город-деревня", "Учебная группа", "Успеваемость", "Посещаемость"?
– какие студенты являются "типичными представителями" для своих учебных групп, а какие обладают своеобразием и выраженной индивидуальностью;
7. Как отобразить результаты анализа в графической форме нелокальных нейронов и семантических сетей признаков. На их основе построить классические когнитивные карты для хорошо и плохо успевающих студентов.
1. Какие работы выполняются на этапе формализации задачи?
2. Как в системе "Эйдос" ввести классификационные шкалы и градации, выбрав в качестве классов – различные уровни учебных достижений по различным дисциплинам, перечень которых взять из зачетной книжки?
3. Как в системе "Эйдос" ввести описательные шкал и градации, использовав характеристики подчерка?
4. Каким образом подготовить и ввести в систему "Эйдос" обучающую выборку?
5. Как осуществить синтез и верификацию (измерение адекватности) семантической информационной модели в системе "Эйдос"?
6. Что включает системно-когнитивный анализ модели?
7. Как решаются задачи идентификации и прогнозирования в системе "Эйдос"?
8. В каких подсистемах и режимах системы "Эйдос" генерируются информационные портреты классов и факторов и отображаются в графической форме двухмерных и трехмерных профилей классов и факторов)?
9. Каким образом в системе "Эйдос" провести кластерно-конструктивный анализ классов и факторов и отобразить его в форме семантических сетей классов и факторов?
10. Как в системе "Эйдос" осуществить содержательное сравнение классов и факторов и отобразить результаты в форме когнитивных диаграмм классов и факторов?
11. Как в системе "Эйдос" построить нелокальные нейроны и интерпретируемые нейронные сети?
12. Как в системе "Эйдос" построить классические когнитивные модели и отобразить их в форме когнитивных карт?
13. Как в системе "Эйдос" построить интегральные когнитивные модели и отобразить в форме интегральных когнитивных карт?
1. Какие работы выполняются на этапе формализации задачи?
2. Как в системе "Эйдос" ввести классификационные шкалы и градации, выбрав в качестве классов – различные уровни учебных достижений по различным дисциплинам, перечень которых взять из зачетной книжки?
3. Как в системе "Эйдос" ввести описательные шкал и градации, использовав характеристики подчерка?
4. Каким образом подготовить и ввести в систему "Эйдос" обучающую выборку?
5. Как осуществить синтез и верификацию (измерение адекватности) семантической информационной модели в системе "Эйдос"?
6. Что включает системно-когнитивный анализ модели?
7. Как решаются задачи идентификации и прогнозирования в системе "Эйдос"?
8. В каких подсистемах и режимах системы "Эйдос" генерируются информационные портреты классов и факторов и отображаются в графической форме двухмерных и трехмерных профилей классов и факторов)?
9. Каким образом в системе "Эйдос" провести кластерно-конструктивный анализ классов и факторов и отобразить его в форме семантических сетей классов и факторов?
10. Как в системе "Эйдос" осуществить содержательное сравнение классов и факторов и отобразить результаты в форме когнитивных диаграмм классов и факторов?
11. Как в системе "Эйдос" построить нелокальные нейроны и интерпретируемые нейронные сети?
12. Как в системе "Эйдос" построить классические когнитивные модели и отобразить их в форме когнитивных карт?
13. Как в системе "Эйдос" построить интегральные когнитивные модели и отобразить в форме интегральных когнитивных карт?
14. Кто такой "респондент"?
15. Что понимается под "социальным статусом" респондента?
1. Каким образом провести анализ устойчивости модели к неполноте информации и наличию шума?
2. Каким образом можно проверить способность модели правильно идентифицировать классы, один из которых является подмножеством другого?
3. Как оценить ценность букв для идентификации слов. Сравнить суммарную ценность для этой цели гласных и согласных букв?
1. Что такое атрибуция текстов?
2. Каким образом выполняется когнитивная структуризация предметной области?
3. В чем состоит формализацию предметной области и как ее осуществить в системе "Эйдос"?
4. Какие средства формирования обучающей выборки используются в системе "Эйдос" при решении задач атрибуции текстов?
5. В какой подсистеме и в каком режиме системы "Эйдос" осуществляется синтез семантической информационной модели и в чем он состоит?
6. В чем заключается оптимизация семантической информационной модели и как она осуществляется в системе "Эйдос"?
7. Как семантическая информационная модель проверяется на адекватность?
8. Как связана адекватность модели с внутренней и внешней, дифференциальной и интегральной валидностью?
9. Каким образом можно в системе "Эйдос" выполнить адаптацию модели и измерить, как изменилась ее адекватность?
10. Как в системе "Эйдос" осуществить пересинтез модели и измерить, как изменилась ее адекватность?
11. Чем отличается адаптация модели от пересинтеза в системе "Эйдос"?
12. В каких подсистемах и режимах системы "Эйдос" можно вывести информационные портреты?
13. В каких подсистемах и режимах системы "Эйдос" можно выполнить кластерно-конструктивный анализ модели?
1. Какие свойства натуральных чисел мы рассматривали в качестве их признаков?
2. Какие образом выполняется когнитивная структуризация предметной области?
3. В чем состоит формализацию предметной области и как ее осуществить в системе "Эйдос" при изучении свойств натуральных чисел?
4. Какие средства формирования обучающей выборки используются в системе "Эйдос" при изучении свойств натуральных чисел?
Контрольные вопросы по лекции
1. Экспертные системы, базовые понятия.
2. Экспертные системы, методика построения.
3. Этап-1 синтеза ЭС: "Идентификация".
4. Этап-2 синтеза ЭС: "Концептуализация".
5. Этап-3 синтеза ЭС: "Формализация".
6. Этап-4 синтеза ЭС: "Разработка прототипа".
7. Этап-5 синтеза ЭС: "Экспериментальная эксплуатация".
8. Этап-6 синтеза ЭС: "Разработка продукта".
9. Этап-7 синтеза ЭС: "Промышленная эксплуатация".
1. Основные положения информационно-функциональной теории развития техники.
2. Процессы труда и познания, как информационные процессы снятия неопределенности.
3. Организм человека и средства труда как информационные системы.
4. Законы развития техники.
5. Детерминация формы сознания человека функциональным уровнем средств труда.
6. Неизбежность возникновения компьютеров, информационных систем и систем искусственного интеллекта.
7. Информационная теория стоимости.
8. Связь количества и качества информации с меновой и потребительной стоимостью.
9. Информация, как сырье и как товар: абсолютная, относительная и аналитическая информация. Данные, информация, знания.
10. Стоимость и амортизация систем искусственного интеллекта и баз знаний.
11. Источники экономической эффективности систем искусственного интеллекта и интеллектуальной обработки данных с позиций информационной теории стоимости (повышение уровня системности и "охлаждение" объекта управления).
12. Интеллектуализация - генеральное направление и развития информационных технологий.
13. От электронных вычислительных машин к компьютерам. Функциональное определение компьютера.
14. Эволюция понятия: "Обработка информации" от информационного сырья к информационному продукту.
15. Эволюция технологий создания и поддержки информационных систем: автоматизация функций посредников.
16. Перспективы информационных технологий: интеллектуализация, создание самообучающихся, саморазвивающихся (эволюционирующих) и самовоспроизводящихся систем.
1. Данные, информация, знания. Системно- когнитивный анализ как развитие концепции смысла Шенка-Абельсона.
2. Когнитивная концепция СК-анализа и синтез когнитивного конфигуратора.
3. Мышление как вычисление смысла и реализация операций со смыслом в инструментарии СК-анализа - системе "Эйдос".
4. Понятие: "Система искусственного интеллекта", место СИИ в классификации информационных систем.
5. Определение и классификация систем искусственного интеллекта, цели и пути их создания.
6. Тест Тьюринга и критерии "интеллектуальности" информационных систем. Может ли машина мыслить? Может ли искусственный интеллект превзойти своего создателя?
7. Классификация систем искусственного интеллекта.
8. Особенности технологии создания систем искусственного интеллекта (обучение, "социализация", как технологический этап).
9. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности.
10. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла.
1. Системный анализ, как метод познания.
2. Принципы системного анализа.
3. Методы и этапы системного анализа.
4. Этапы когнитивного анализа.
5. Обобщенная схема системного анализа, ориентированного на интеграцию с когнитивными технологиями.
6. Когнитивная концепция и синтез когнитивного конфигуратора.
7. Понятие когнитивного конфигуратора и необходимость естественно-научной (формализуемой) когнитивной концепции.
8. Формализуемая когнитивная концепция
9. Когнитивный конфигуратор и базовые когнитивные операции системного анализа.
10. Задачи формализации базовых когнитивных операций системного анализа.
11. СК-анализ, как системный анализ, структурированный до уровня базовых когнитивных операций.
12. Место и роль СК-анализа в структуре управления.
13. Структура типовой АСУ.
14. Параметрическая модель адаптивной АСУ сложными системами.
15. Модель рефлексивной АСУ активными объектами и понятие мета-управления.
16. Двухконтурная модель РАСУ в АПК.
1. Теоретические основы системной теории информации.
2. Требования к математической модели и численной мере СТИ.
3. Выбор базовой численной меры СТИ.
4. Конструирование системной численной меры на основе базовой в СТИ.
5. Семантическая информационная модель СК-анализа.
6. Формализм динамики взаимодействующих семантических информационных пространств. Двухвекторное представление данных.
7. Применение классической теории информации К.Шеннона для расчета весовых коэффициентов и мер сходства.
8. Математическая модель метода распознавания образов и принятия решений, основанного на системной теории информации.
9. Некоторые свойства математической модели СК-анализа (сходимость, адекватность, устойчивость и др.).
10. Непараметричность модели. Робастные процедуры и фильтры для исключения артефактов в математической модели СК-анализа.
11. Зависимость информативностей факторов от объема обучающей выборки.
12. Зависимость адекватности семантической информационной модели от объема обучающей выборки (адекватность при малых и больших выборках).
13. Семантическая устойчивость модели СК-анализа.
14. Зависимость некоторых параметров модели СК-анализа от ее ортонормированности.
15. Взаимосвязь математической модели СК-анализа с другими моделями.
16. Взаимосвязь системной меры целесообразности информации со статистикой Х2 и новая мера уровня системности предметной области.
17. Сравнение, идентификация и прогнозирование как разложение векторов объектов в ряд по векторам классов (объектный анализ).
18. Системно-когнитивный и факторный анализ. СК-анализ, как метод вариабельных контрольных групп.
19. Семантическая мера целесообразности информации и эластичность.
20. Связь семантической информационной модели с нейронными сетями.
21. Математический метод СК-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы.
1. Принципы формализации предметной области и подготовки эмпирических данных.
2. Иерархическая структура данных и последовательность численных расчетов в СК-анализе
3. Обобщенное описание алгоритмов СК-анализа
4. БКОСА-2.1. "Восприятие и запоминание исходной обучающей информации".
5. БКОСА-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным (общественным)".
6. БКОСА-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных".
7. БКОСА-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов".
8. БКОСА-3.1.3. "Обобщение (синтез, индукция). Расчет степени истинности содержательных смысловых связей между предпосылками и результатами (обобщенных таблиц решений)".
9. БКОСА-3.2. "Определение значимости шкал и градаций факторов, уровней Мерлина".
10. БКОСА-3.3. "Определение значимости шкал и градаций классов, уровней Мерлина".
11. БКОСА-4.1. "Абстрагирование факторов (снижение размерности семантического пространства факторов)".
12. БКОСА-4.2. "Абстрагирование классов (снижение размерности семантического пространства классов)".
13. БКОСА-5. "Оценка адекватности информационной модели предметной области".
14. БКОСА-7. "Сравнение, идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)".
15. БКОСА-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)".
16. БКОСА-9.2. "Дедукция и абдукция факторов (семантический анализ факторов)".
17. БКОСА-10.1.1. "Классификация обобщенных образов классов".
18. БКОСА-10.1.2. "Формирование бинарных конструктов классов".
19. БКОСА-10.1.3. "Визуализация семантических сетей классов".
20. БКОСА-10.2.1. "Классификация факторов".
21. БКОСА-10.2.2. "Формирование бинарных конструктов факторов".
22. БКОСА-10.2.3. "Визуализация семантических сетей факторов".
23. БКОСА-10.3.1. "Содержательное сравнение классов".
25. БКОСА-10.3.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. диаграмм Вольфа Мерлина".
26. БКОСА-10.4.1. "Содержательное сравнение факторов".
27. БКОСА-10.4.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. инвертированных диаграмм Мерлина".
28. БКОСА-11. "Многовариантное планирование и принятие решения о применении системы управляющих факторов".
29. Детальные алгоритмы СК-анализа.
1. Назначение и состав системы "Эйдос".
2. Цели и основные функции системы "Эйдос".
3. Обобщенная структура системы "Эйдос".
4. Пользовательский интерфейс, технология разработки и эксплуатации приложений в системе "ЭЙДОС".
5. Начальный этап синтеза модели: когнитивная структуризация и формализация предметной области, подготовка исходных данных (подсистема "Словари") (БКОСА-1, БКОСА-2).
6. Синтез модели: пакетное обучение системы распознавания (подсистема "Обучение") (БКОСА-3).
7. Оптимизация модели (подсистема "Оптимизация") (БКОСА-4).
8. Верификация модели (оценка ее адекватности) (БКОСА-5).
9. Эксплуатация приложения в режиме адаптации и периодического синтеза модели (БКОСА-7, БКОСА-9, БКОСА-10).
10. Технические характеристики и обеспечение эксплуатации системы "ЭЙДОС" (версии 12.5).
11. Состав системы "Эйдос": Базовая система, системы окружения и программные интерфейсы импорта данных.
12. Отличия системы "Эйдос" от аналогов: экспертных и статистических систем.
13. Некоторые количественные характеристики системы "Эйдос".
14. Обеспечение эксплуатации системы "Эйдос".
15. АСК-анализ, как технология синтеза и эксплуатации рефлексивных АСУ активными объектами.
1. Интеллектуальные интерфейсы. Использование биометрической информации о пользователе в управлении системами.
2. Идентификация и аутентификация личности по почерку. Понятие клавиатурного почерка.
3. Соотношение психографологии и атрибуции текстов.
4. Идентификация и аутентификация личности пользователя компьютера по клавиатурному почерку.
5. Прогнозирование ошибок оператора по изменениям в его электроэнцефалограмме.
6. Системы с биологической обратной связью (БОС).
7. Мониторинг состояния сотрудников сборочного конвейера с целью обеспечения высокого качества продукции.
8. Компьютерные тренажеры, основанные на БОС, для обучения больных навыкам управления своим состоянием.
9. Компьютерные игры с БОС.
10. Системы с семантическим резонансом. Компьютерные (Y-технологии и интеллектуальный подсознательный интерфейс.
11. Системы виртуальной реальности и критерии реальности. Эффекты присутствия, деперсонализации и модификация сознания пользователя.
12. Классическое определение системы виртуальной реальности.
13. "Эффект присутствия" в виртуальной реальности.
14. Применения систем виртуальной реальности.
15. Модификация сознания и самосознания пользователя в виртуальной реальности.
16. Авторское определение системы виртуальной реальности.
17. Критерии реальности при различных формах сознания и их применение в виртуальной реальности.
18. Принципы эквивалентности (относительности) Галилея и Эйнштейна и критерии виртуальной реальности.
19. Системы с дистанционным телекинетическим интерфейсом.
1. Основные понятия и определения, связанные с системами распознавания образов.
2. Признаки и образы конкретных объектов, метафора фазового пространства.
3. Признаки и обобщенные образы классов.
4. Обучающая выборка и ее репрезентативность по отношению к генеральной совокупности. Ремонт (взвешивание) данных.
5. Основные операции: обобщение и распознавание.
6. Обучение с учителем (экспертом) и самообучение (кластерный анализ).
7. Верификация, адаптация и синтез модели.
8. Проблема распознавания образов.
9. Классификация методов распознавания образов.
10. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование".
11. Роль и место распознавания образов в автоматизации управления сложными системами.
12. Обобщенная структура системы управления.
13. Место системы идентификации в системе управления.
14. Управление как задача, обратная идентификации и прогнозированию.
15. Методы кластерного анализа.
16. Метод кластеризации: "Древовидная кластеризация".
17. Метод кластеризации: "Двувходовое объединение".
18. Метод кластеризации: "Метод K средних".
1. Многообразие задач принятия решений.
2. Принятие решений, как реализация цели.
3. Принятие решений, как снятие неопределенности (информационный подход).
4. Связь принятия решений и распознавания образов.
5. Классификация задач принятия решений.
6. Языки описания методов принятия решений.
7. Критериальный язык.
8. Язык последовательного бинарного выбора.
9. Обобщенный язык функций выбора.
10. Групповой выбор.
11. Выбор в условиях неопределенности.
12. Информационная (статистическая) неопределенность в исходных данных.
13. Неопределенность последствий.
14. Расплывчатая неопределенность.
15. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода.
16. Экспертные методы выбора.
17. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений.
18. Условия корректности использования систем поддержки принятия решений.
19. Хранилища данных для принятия решений.
1. Основные понятия, принципы и предпосылки генетических алгоритмов.
2. Пример работы простого генетического алгоритма.
3. Достоинства и недостатки генетических алгоритмов.
4. Примеры применения генетических алгоритмов.
1. Биологический нейрон и формальная модель нейрона Маккалоки и Питтса.
2. Возможность решения простых задач классификации непосредственно одним нейроном.
3. Однослойная нейронная сеть и персептрон Розенблата.
4. Линейная разделимость и персептронная представляемость.
5. Многослойные нейронные сети.
6. Многослойный персептрон.
7. Модель Хопфилда.
8. Когнитрон и неокогнитрон Фукушимы.
9. Проблемы и перспективы нейронных сетей.
10. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета.
11. Метафора нейросетевого представления семантической информационной модели.
12. Соответствие основных терминов и понятий.
13. Гипотеза о нелокальности нейрона и информационная нейросетевая парадигма.
14. Решение проблемы интерпретируемости весовых коэффициентов (семантическая мера целесообразности информации и закон Фехнера).
15. Семантическая информационная модель, как нелокальная нейронная сеть.
16. Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети.
17. Решение проблемы интерпретируемости передаточной функции.
18. Решение проблемы размерности.
19. Решение проблемы линейной разделимости.
20. Моделирование причинно-следственных цепочек в нейронных сетях и семантической информационной модели.
21. Моделирование иерархических структур обработки информации.
22. Нейронные сети и СК-анализ.
23. Графическое отображение нейронов, Паррето-подмножеств нелокальной нейронной сети, семантических сетей, когнитивных карт и диаграмм в системе "Эйдос".
1. Ограничения АСК-анализа и обоснованное расширение области его применения на основе научной индукции.
2. Перспективы применения АСК-анализа в управлении.
3. Оценка рисков страхования и кредитования предприятий.
4. Мониторинг, прогнозирование и управление в финансово-экономической сфере.
5. Некоторые перспективные области применения АСК-анализа.
6. Развитие АСК-анализа.
7. Многоагентные распределенные системы обнаружения, накопления и использования знаний в Internet.
8. Развитие АСК-анализа с применением теории нечетких множеств и неклассической логики.
9. Динамика взаимодействующих семантических пространств и создание континуального АСК-анализа.
10. Перспективные области применения АСК-анализа и систем искусственного интеллекта.
Краткая теория
Данная задача взята из книги Д.Мичи и Р.Джонстона "Компьютер – творец" (c.205-208), в которой она приводится в качестве примера задачи, решаемой методами искусственного интеллекта. Авторами этой задачи являются Рышард Михальски и Джеймс Ларсон.
Суть этой задачи сводится к тому, чтобы выработать правила, обеспечивающие идентификацию железнодорожных составов и прогнозирование направления их следования на основе их формализованных или вербальных описаний.
Выбор данной задачи не накладывает ограничений на выводы, полученные в результате ее исследования. Это обусловлено тем, что она имеет ряд характерных особенностей, наблюдающихся в подобных задачах в самых различных предметных областях. Поэтому ее с полным основанием можно рассматривать как типовую для широкого класса задач идентификации и прогнозирования.
Эти особенности состоят в следующем:
1. Рассматривается ряд объектов, имеющих сложную многоуровневую структуру признаков.
2. Для каждого из этих объектов известно, к каким обобщенным категориям (классам) он относится.
3. Необходимо сформировать модель, обеспечивающую как идентификацию объектов, так и определение их принадлежности к обобщенным классам.
Если признаки и классы относятся к одному времени, то имеет место задача идентификации (распознавания). Если же признаки (факторы, причины) относятся к прошлому, а классы, характеризующие состояния объектов, – к будущему, то это задача прогнозирования. Математически эти задачи не отличаются.
Существуют различные подходы к решению данной задачи, отличающиеся способами формализации предметной области, объектов обучающей выборки и синтеза математической модели.
В данной работе мы исследуется два основных подхода:
1. "Классический", основанный на изучении объектов предметной области экспертами (когнитивный анализ), выделении признаков объектов и формировании описательных шкал и градаций, которым соответствуют уникальные коды.
2. "Лингвистический", в котором вербальные описания объектов предметной области на естественном языке используются для автоматизированной формализации предметной области, формирования обучающей выборки и синтеза модели.
Задачами данной лабораторной работы являются:
1. Продемонстрировать студентам возможность выявления причинно-следственных связей между признаками внешнего вида (описательные шкалы и градации), и их полом, успеваемостью, тем, откуда они родом, обучением в той или иной группе (классификационные шкалы и градации).
2. Сформировать у студентов навыки формализации предметной области, подготовки и ввода обучающей выборки, синтеза информационной семантической модели и проверки ее адекватности, анализа модели (информационные портреты, кластерно-конструктивный анализ, семантические сети и когнитивные диаграммы, графическое отображение векторов классов и признаков).
Известно, что подчерк каждого человека зависит от его темперамента и других генетически обусловленных, конституционных качеств личности, обладающих высокой стабильностью (некоторые из этих качеств могут быть измерены с применением 16PF-опросника Кеттела), а также от текущего психического и физического состояния человека.
Учебные достижения по различным дисциплинам также зависят от конституционных качеств. Поэтому вполне корректно поставить задачу прогнозирования учебных достижений студентов на основе изучения особенностей их подчерка.
При проведении в 2001 году одного из первых в г. Краснодаре экспериментов по централизованному компьютерному тестированию для поступлении в вуз его организаторы предложили заполнить всем тестирующимся дополнительную социологическую анкету. Если бы удалось собрать данные с помощью этой анкеты по ряду регионов России и обработать их совместно с результатами тестирования по предметной обученности по ряду предметов, то в принципе оказалось бы возможным найти зависимости между характеристиками социального статуса абитуриента и его учебными достижениями. Безусловно, такие результаты представляли бы огромный научный интерес. Однако провести это дополнительное тестирование не удалось по ряду причин, среди которых основными, по-видимому, явились следующие:
– это тестирование не было бы анонимным;
– в анкету были включены некоторые вопросы, имеющие спорный характер;
– работа по организации проведению этого дополнительного тестирования потребовало бы от абитуриентов и организаторов проведения тестирования ранее незапланированных затрат времени и других усилий.
Но то, что в свое время не удалось сделать в масштабе России, вполне возможно осуществить в рамках одной лабораторной работы, в которой и предлагается использовать "ту самую социологическую анкету".
Язык является мощным средством моделирования реальности. Иерархическая структура языка, включающего в частности такие структуры, как символы, слова, предложения и тексты, является ярким примером иерархической структуры обработки информации, обеспечивающей адекватное отражение структуры реальности. Описание некоторых объектов на естественном языке является их моделированием и позволяет решать задачи идентификации, прогнозирования, сравнения и классификации этих объектов. Автоматизированный синтез моделей объектов, описанных на естественном языке, представляет большой интерес для теории и практики систем искусственного интеллекта.
Эффективность языка, как системы моделирования, удивительна: 32 буквы русского алфавита позволяют составить более 40 тысяч слов русского языка, из которых может быть образовано огромное количество осмысленных предложений.
Каждый символ содержит некоторое количество информации о словах, предложениях и текстах, в которые он входит, каждое слово – о предложениях и текстах, и каждое предложение – о текстах. Однако в буквах содержится больше информации о словах, в словах – о предложениях, в предложениях – о текстах. Поэтому на основе анализа букв целесообразно идентифицировать лишь слова, а на основе слов – предложения, на основе предложений – тексты.
В данной работе исследуется возможность идентификации слов по входящим в них буквам. При этом слова рассматриваются как классы распознавания, а буквы – как признаки.
Эта задача проста и наглядна. Поэтому она рекомендуется в качестве первой лабораторной работы для освоения инструментария системно-когнитивного анализа – универсальной когнитивной аналитической системы "Эйдос" [64, 92].
Подобные задачи имеют большое практическое значение и решаются в ряде систем, например, в редакторе Word – при проверке орфографии и подборе рекомендуемых слов для замены, в системе FineReader – для поиска слов с неверно распознанными символами и др.
Данная лабораторная работа является продолжением предыдущей, поэтому внимательно прочитайте теорию по предыдущей лабораторной работе. В этой работе исследуется возможность атрибуции текстов с применением технологии и инструментария системно-когнитивного анализа. Приведен подробный численный пример реализации всех этапов СК-анализа при атрибуции текстов, т.е. когнитивной структуризации и формализации предметной области; формирования обучающей выборки; синтеза семантической информационной модели; ее оптимизации и измерения адекватности; адаптации и пересинтеза; а также типологического и кластерно-конструктивного анализа.
Под атрибуцией анонимных и псевдонимных текстов понимается установление их вероятного авторства ([1-5] рекомендуемой литературы).
Анонимные тексты – это тексты вообще без подписи автора, а псевдонимные – подписанные не фамилией автора, а псевдонимом.
Задача идентификации текстов на основе анализа предложений является тривиальной из-за практически абсолютной уникальности предложений. Поэтому больший интерес представляет задача идентификация текстов на основе анализа слов, т.е. задача атрибуции текстов, имеющая очень большое научное и практическое значение. К этой задаче сводится определение вероятного авторства текстов в случае, когда автор не указан (анонимный текст) или указан его псевдоним (псевдонимный текст), а также датировка текста.
Но самое главное, что к задаче атрибуции текстов сводятся задачи идентификации, прогнозирования, сравнения и классификации объектов, описанных на естественном языке (причем не важно, на каком именно).
С ней связаны также задачи автоматического выделения дескрипторов и задачи нечеткого поиска и идентификации.
Все эти задачи имеют практическое значение для специалистов по прикладной информатики в экономике и юриспруденции, которых готовит Кубанский государственный аграрный университет.
Одному из вариантов рения этих задач с применением интеллектуальной технологии "Эйдос" и посвящена данная лабораторная работа.
Натуральные числа имеют ряд свойств, такие, например, как: делители, неделители, количество делителей и др. Существуют и более сложные свойства натуральных чисел, изучаемые в теории чисел. По этим свойствам числа классифицируются как простые, четные и т.д. Таким образом, исследование свойств чисел и является типичной задачей обучения распознаванию образов, идентификации и автоматической классификации. Эта задача довольно проста и наглядна, поэтому эта задача представляет для нас интерес в качестве учебной.
Когда мы зрительно воспринимаем окружающую действительность, то постоянно решается задача идентификации трехмерных тел по их проекциям. При этом мы можем наблюдать одну, две или даже три проекции тела.
Одну проекцию мы наблюдаем при наблюдении тела на достаточно большом расстоянии, при котором бинокулярность зрения несущественна, или при монокулярном наблюдении за очень короткое время, за которое точка зрения на тело не меняется или оно не успевает повернутся.
Ясно, что наиболее сложными условиями для идентификации формы тела являются те, когда мы видим лишь одну его проекцию (большое расстояние и малое время наблюдения).
Исследование проведено совместно с О.А.Засухиной на базе Кубанского государственного аграрного университета в 1993-1996 годах [64]. Предложенные технологии АСК-анализа реализовывалась на базе системы "Эйдос". С помощью сформированной содержательной информационной модели прогнозировались количественные и качественные результаты выращивания культур и вырабатывались научно-обоснованные рекомендации по управлению продуктивностью сельхозкультур и качеством сельхозпродукции.
Созданная модель включала:
– объект управления (сельскохозяйственную культуру); классы (будущие состояния объекта управления, т.е. количественные и качественные результаты выращивания);
– факторы управляющей системы (агротехнологии, т.е. нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация севооборота и т.п.);
– факторы окружающей среды (вид почв, культуры–предшественники по предшествующим годам и др.).
Любая реальная информация о предметной области содержит как полезную информацию о закономерностях, так и шум. Соотношение между полезной информацией (сигналом) и шумом может быть различное:
– уровень сигнала может быть намного выше уровня шума, тогда шум можно считать несущественным;
– уровень сигнала может быть намного ниже уровня шума, тогда шум может существенно сказываться на свойствах модели.
Поэтому представляет интерес исследование семантической информационной модели, созданной на основе случайной обучающей выборки, в которой принадлежность анкет с описаниями объектов к классам и сам набор признаков в них – случайные.
Какая-то часть валидности обусловлена законами теории вероятностей, а какая-то – наличием закономерностей в предметной области и работой системы распознавания, причем в зависимости от параметров модели (размерности по классам и признакам и объема обучающей выборки).
Например, при увеличении объема выборки результат все ближе к предсказываемому теорией вероятностей. Но модель "борется" за повышение адекватности идентификации. И в результате получается валидность заметно выше, чем по теории вероятностей даже при довольно больших выборках.
Когда анализируешь величину интегральной валидности и оцениваешь ее в категориях "довольно хорошая", или "не достаточно высокая", то надо сравнивать ее с валидностью, получаемой по теории вероятностей. Например, если есть два класса, то валидность даже с неработающей системой распознавания должна быть 50% при равновероятных
классах, а если классов 10, то валидность должна быть 10%. И только то, что свыше этого значения, предсказываемого теорией вероятности, можно отнести на счет закономерностей в предметной области и работы модели.
Если статистика мала и закон больших чисел не применим, то система "Эйдос" воспринимает шум как закономерности (причем даже иногда детерминистского характера, когда статистики вообще нет) и дает тем более высокую валидность модели, чем меньше статистика.
КРАТКИЙ СЛОВАРЬ ТЕРМИНОВ ПО СК-АНАЛИЗУ И СИСТЕМАМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В данном небольшом толковом словаре по терминам СИИ мы ни в коей мере не претендуем на его исчерпывающий характер (да это и вряд ли возможно) и приводим лишь определения тех терминов, которые введены автором данного учебного пособия, а также тех, у которых автором изменены или модифицированы формулировки.
Принятие решения есть действие над множеством альтернатив, в результате которого исходное множество альтернатив сужается. Это действие называется "выбор".
Экспертная система (ЭС) – это программа, которая в определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области.
Клавиатурный почерк – система индивидуальных особенностей начертаний и динамики воспроизведения букв, слов и предложений на клавиатуре.
Система, оснащенная интеллектуальным интерфейсом – это система, способная вести себя по-разному в зависимости от результатов идентификации пользователя, его профессионального уровня и текущего психофизиологического состояния.
Аутентификация – это проверка, действительно ли пользователь является тем, за кого себя выдает. При этом пользователь должен предварительно сообщить о себе идентификационную информацию: свое имя и пароль, соответствующий названному имени.
Идентификация – это установление его личности.
Почерк – это система индивидуальных особенностей начертания и динамики воспроизведения букв, слов и предложений вручную различными людьми или на различных устройствах печати.
Система с биологической обратной связью (БОС)
– это система, поведение которой зависит от психофизиологического (биологического) состояния пользователя.
Система с семантическим резонансом – это система, поведение которой зависит от состояния сознания пользователя и его психологической реакции на смысловые стимулы, в т.ч. неосознаваемые.
Виртуальная реальность (ВР) – модельная трехмерная (3D) окружающая среда, создаваемая компьютерными средствами и реалистично реагирующая на взаимодействие с пользователями.
Эффект присутствия – это создаваемая для пользователя иллюзия его присутствия в смоделированной компьютером среде, при этом создается полное впечатление "присутствия" в виртуальной среде, очень сходное с ощущением присутствия в обычном "реальном" мире.
Система виртуальной реальности (ВР) – это система, обеспечивающая:
– генерацию полиперцептивной модели реальности
в соответствии с математической моделью этой реальности, реализованной в программной системе;
– погружение пользователя в модель реальности
путем подачи на все или основные его перцептивные каналы – органы восприятия, программно-управляемых по величине и содержанию воздействий: зрительного, слухового, тактильного, термического, вкусового и обонятельного и других;
– управление системой путем использования виртуального "образа Я" пользователя и виртуальных органов управления системой (интерфейса), на которые он воздействует, представляющие собой зависящую от пользователя часть модели реальности;
– реалистичную реакцию моделируемой реальности на виртуальное воздействие и управление со стороны пользователя;
– разрыв отождествления пользователя со своим "Образом Я" из обычной реальности (деперсонализация), и отождествление себя с "виртуальным образом Я", генерируемым системой виртуальной реальности (модификация сознания и самосознания пользователя);
– эффект присутствия пользователя в моделируемой реальности в своем "виртуальном образе Я", т.е. эффект
личного участия пользователя в наблюдаемых виртуальных событиях;
– положительные результаты применения критериев реальности, т.е. функциональную замкнутость и самодостаточность виртуальной реальности, вследствие чего никакими действиями внутри виртуальной реальности, осуществляемыми над ее объектами, в т.ч. объектами виртуального интерфейса, с помощью своего виртуального тела, невозможно установить, "истинная" эта реальность или виртуальная.
Критерий реальности – это самосогласованность реальности, т.е. получение одной и той же информации качественно различными способами и по различным каналом связи (принцип наблюдаемости):
– согласованность реальности самой с собой во времени;
– согласованность и взаимное подтверждение информации от различных органов восприятия, которые обычно реагируют на различные формы материи и часто являются парными (зрение, слух, обоняние) и расположенными в различных точках пространства.
Принцип эквивалентности виртуальной и истинной реальности: виртуальная система отсчета, локализованная в полнофункциональной виртуальной реальности полностью физически эквивалентна
физической системе отсчета, локализованной в "истинной реальности", т.е. никакими действиями внутри виртуальной реальности, осуществляемыми над ее объектами, в т.ч. объектами виртуального интерфейса, с помощью своего виртуального тела, невозможно установить, "истинная" эта реальность или виртуальная (Луценко Е.В., 2004).
Взвешивание данных или ремонт обучающей выборки
– это операция, в результате которой частное распределение объектов по классам в обучающей выборке максимально, на сколько это возможно, приближается либо к частотному распределению генеральной совокупности (если оно известно из независимых источников), либо к равномерному.
Обобщение – это операция формирования обобщенных образов классов на основе описаний конкретных объектов, входящих в обучающую выборку.
Распознавание – это операция сравнения и определения степени сходства образа данного конкретного объекта с образами других конкретных объектов или с обобщенными образами классов, в результате которой формируется рейтинг объектов или классов по убыванию сходства с распознаваемым объектом.
Обучение с учителем – это процесс формирования обобщенных образов классов, на основе обучающей выборки, содержащей характеристики конкретных объектов как в описательных, так и в классификационных шкалах и градациях.
Шкала – это способ классификации объектов по наименованиям или степени выраженности некоторого свойства. Понятие шкалы тесно связано с ключевым понятием когнитивной психологии: понятием конструкта, более того, практически является синонимом или формальным аналогом этого понятия.
Градация – это положение на шкале (или интервал, диапазон), соответствующее наименованию или определенной степени выраженности свойства.
Обучение без учителя или самообучение – это процесс формирования обобщенных образов классов, на основе обучающей выборки, содержащей характеристики конкретных объектов, причем только в описательных шкалах и градациях.
Верификация модели – это операция установления степени ее адекватности (валидности) путем сравнения результатов идентификации конкретных объектов с их фактической принадлежностью к обобщенным образам классов.
Адаптация модели – это количественное уточнение модели, не требующее изменения классификационных и описательных шкал и градаций, а лишь объема обучающей выборки.
Синтез (или повторный синтез – пересинтез) модели
– качественное уточнение модели, путем учета в модели объектов и факторов, ранее не входящих ни в обучающую выборку, ни в генеральную совокупность, по отношению к которой данная обучающая выборка репрезентативна.
Кластеризация – это операция автоматической классификации, в ходе которой объекты объединяются в группы (кластеры) таким образом, что внутри групп различия между объектами минимальны, а между группами – максимальны. При этом в ходе кластеризации не только определяется состав кластеров, но и сам их набор и границы.
Системный анализ – современный метод теоретического познания и программно-целевого управления, в котором объект управления рассматривается как система.
Система – представляет собой совокупность элементов
различных уровней иерархии (подсистемы), связанных между собой каналами взаимодействия, объединенных в единое структурно-функциональное целое, обеспечивающее им преимущества в достижении общей цели системы и целей подсистем за счет системного эффекта.
Системный (эмерджентный) эффект – наличие у системы качественно новых, эмерджентных свойств, которые не сводятся к сумме свойств ее частей.
Эмерджентность свойств – так как все свойства есть свойства тех или иных систем, то можно предположить, что все свойства без исключения имеют эмерджентную природу, т.е. любое свойство основано на уровне Реальности этим свойством не обладающим. Например, свойство "быть соленым " основано на свойствах Na и Cl, по отдельности этим свойством ни в коей мере не обладающими.
Уровень системности – степень отличия свойств системы от суммы свойств ее частей.
Диалектика: структура-свойство-отношение – подсистемы различных уровней иерархии могут рассматриваться с внешней точки зрения как неделимое целое, не имеющее частей, т.е. элемент, обладающий свойством
вступать во взаимодействие с другими элементами, а с внутренней точки зрения – как имеющие структуру, состоящую из элементов более низкого уровня иерархии, объединенных определенными видами взаимосвязей. Сам канал взаимодействия может рассматриваться как отношение элементов, которые с помощью него взаимодействуют, или как система, обладающая определенной структурой, включающая среду передачи и объекты, перемещающиеся в этой среде и переносящие субстанцию взаимодействия, например: вещество, стоимость, энергию или информацию.
Системно-когнитивный анализ (СК-анализ) – системный анализ, структурированный по базовым когнитивным операциям.
Автоматизированный системно-когнитивный анализ (АСК-анализ) – автоматизированный СК-анализ, т.е. системный анализ, автоматизированный путем структурирования по базовым когнитивным операциям системного анализа (БКОСА) и включающий: формализуемую когнитивную концепцию, математическую модель, методику численных расчетов и реализующий их программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система "Эйдос". АСК-анализ предложен в 2002 году Е.В.Луценко.
Компоненты АСК-анализа:
– формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;
– теоретические основы, методология, технология и методика СК-анализа;
– математическая модель СК-анализа, основанная на системном обобщении семантической меры целесообразности информации А. Харкевича;
– методика численных расчетов, в универсальной форме реализующая математическую модель СК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;
– специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод СК-анализа – Универсальная когнитивная аналитическая система "Эйдос";
– методика, технология и результаты синтеза рефлексивных АСУ активными объектами на основе АСК-анализа.
Этапы АСК-анализа –
1) когнитивная структуризация предметной области;
2) формализация предметной области (конструирование классификационных и описательных шкал и градаций);
3) подготовка обучающей выборки (ввод данных мониторинга в базу прецедентов);
4) синтез семантической информационной модели (СИМ);
5) оптимизация СИМ;
6) проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности);
7) системно-когнитивный анализ СИМ, исследование моделируемого объекта путем исследования его модели:
– решение задач идентификации и прогнозирования;
– генерация информационных портретов классов и факторов, т.е. решение обратной задачи прогнозирования, поддержка принятия решений по управлению (результаты отображаются в графической форме двухмерных и трехмерных профилей классов и факторов);
– кластерно-конструктивный анализ классов и факторов (результаты отображаются в форме семантических сетей классов и факторов);
– содержательное сравнение классов и факторов (результаты отображаются в форме когнитивных диаграмм классов и факторов);
– изучение системы детерминации состояний моделируемого объекта, нелокальные нейроны и интерпретируемые нейронные сети;
– построение классических когнитивных моделей (когнитивных карт).
– построение интегральных когнитивных моделей (интегральных когнитивных карт).
Математическая модель АСК-анализа основана на системной теории информации (СТИ).
Системная теория информации (СТИ) – Отличия СТИ от классической теории информации Больцмана-Найквиста-Хартли-Шеннона обусловлены отличиями понятия "система" от понятия "множество". СТИ рассматривает в качестве элементов не только первичные элементы множества, но и элементы, представляющие собой подсистемы различных уровней иерархии, образующиеся за счет взаимодействия первичных элементов, а также учитывает понятие цели. В рамках СТИ предложено системное обобщение семантической меры информации Харкевича, которое удовлетворяет принципу соответствия с мерой Хартли в детерминистском случае, как и мера Шеннона в случае равновероятных событий, чем преодолена несогласованность семантической теории информации и классической теории информации Шеннона.
Так как данная мера учитывает понятие цели, то она является количественной мерой знаний. В рамках СТИ предложены гипотезы "О возрастании эмерджентности", следующие из нее: "О природе сложности системы", и "О видах системной информации".
Гипотеза "О возрастания эмерджености":
"Чем больше элементов в системе, тем большую долю содержащейся в ней информации составляет информация, содержащаяся во взаимосвязях ее элементов".
Гипотеза "О природе сложности системы":
сложность системы определяется количеством содержащейся в ней информации.
Гипотеза "О видах системной информации": системная информация включает две составляющие:
– зависящую от количества элементов системы;
– зависящую как от количества элементов системы, так и от сложности взаимосвязей между ними.
Методика численных расчетов АСК-анализа
включает: структуры входных данных (формализация предметной области), промежуточных и выходных данных, а также алгоритмы БКОСА.
Программный инструментарий АСК-анализа – универсальная когнитивная аналитическая система "Эйдос".
Базовые когнитивные операции системного анализа (БКОСА) – когнитивные операции, образующие когнитивный конфигуратор.
Когнитивный конфигуратор – минимальный полный набор познавательных (когнитивных от: "cognition" – "познание", англ.) операций, к которым сводятся различные процессы познания, в т.ч. системный анализ, как метод познания. В формализуемой когнитивной концепции выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) дедукция и абдукция; 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.
Формализуемая когнитивная концепция – когнитивная концепция, предложенная с целью разработки СК-анализа.
Из данной концепции выводятся структура когнитивного конфигуратора, система базовых когнитивных операций и обобщенная схема системного анализа, структурированного до уровня базовых когнитивных операций (СК-анализ).
Рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. На 1-м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный образ конкретного объекта. Те, в свою очередь, на 3-м уровне интегрируются в обобщенные образы классов и факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне образуют текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На 7-м же уровне обнаруживается, что текущая парадигма не единственно-возможная.
Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт
рассматривается как квант смысла, что является основой для его формализации. Таким образом, происхождение смысла связывается со своего рода "разностью потенциалов", существующей между смежными уровнями интеграции-иерархии обработки информации в процессах познания. Между когнитивными структурами разных уровней иерархии существует отношение "дискретное – интегральное". Именно это служит основой формализации смысла.
АСК-анализ в экономике – новый математический и инструментальный метод экономики, характеризующийся универсальной непараметрической математической моделью, основанной на системной теории информации, наличием методики численных расчетов и программного инструментария (система "Эйдос").
Адекватность модели – это ее способность правильно идентифицировать объекты. Понятие адекватности имеет свою структуру, включающую понятия внутренней и внешней, дифференциальной и интегральной валидности ("валидность" и переводится как "правильность").
Внутренняя валидность – способность модели правильно идентифицировать объекты, входящие в обучающую выборку.
Внешняя валидность – способность модели верно идентифицировать объекты, не входящие в обучающую выборку, но относящиеся к генеральной совокупности, по отношению к которой она репрезентативна.
Интегральная валидность – это валидность, средневзвешенная по всей обучающей выборке.
Дифференциальная валидность – это способность правильно идентифицировать отдельные классы.
Инструментарий СК-анализа – универсальная когнитивная аналитическая система "Эйдос".
Показатели валидности:
– идентифицировано верно – это количество объектов обучающей выборки, которые идентифицированы как классы, к которым они действительно относятся;
– идентифицировано ошибочно – это количество объектов обучающей выборки, которые идентифицированы как классы, к которым они в действительности не относятся (ошибка идентификации);
– неидентифицировано верно – это количество объектов обучающей выборки, которые неидентифицированы как классы, к которым они действительно не относятся;
– неидентифицировано ошибочно – это количество объектов обучающей выборки, которые неидентифицированы как классы, к которым они в действительности относятся (ошибка неидентфикации).
Идентификация – количественная оценка степени сходства конкретного объекта или его состояния с классом по признакам, которые относятся к тому же моменту времени, что и состояние.
Прогнозирование – количественная оценка степени сходства конкретного объекта или его состояния с классом по признакам, причем признаки относятся к более раннему времени, чем состояние.
Информационный портрет класса – это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу. Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием данной системы факторов, а в информационном портрете мы наоборот, по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т.е.
вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее – факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть от отфильтрованы
по диапазону факторов, т.е. мы можем отобразить влияние на переход объекта управления в данное состояние не всех отраженных в модели факторов, а только тех, коды которых попадают в определенный диапазон, например, относящиеся к определенным описательным шкалам.
Информационный (семантический) портрет фактора
– это список классов, ранжированный в порядке убывания силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам. Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния – переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть от отфильтрованы по диапазону классов, т.е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам.
Функция влияния представляет собой график зависимости вероятностей перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора. Если взять несколько информационных портретов факторов, соответствующих градациям одной описательной шкалы, отфильтровать их по диапазону градаций некоторой классификационной шкалы и взять из каждого информационного портрета по одному состоянию, на переход в которое объекта управления данная градация фактора оказывает наибольшее влияние, то мы и получим зависимость, отражающую вероятность перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора, т.е.
функцию влияния. Функции влияния являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необходимо отметить, что на вид функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и нелинейные.
Двухмерные и трехмерные профили классов и факторов – это графические диаграммы, отображающие силу и направление влияния различных факторов на переход объекта управления в различные состояния. Профилем класса называется графическое отображение столбца матрицы информативностей, соответствующего данному классу. Профилем признака (фактора) называется графическое отображение строки матрицы информативностей, соответствующего данному признаку. Информативности факторов означают силу и направление влияния данного фактора на переход системы в состояние, соответствующее данному классу.
Кластерно-конструктивный анализ – это математический метод анализа данных, обеспечивающий:
– выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры;
– выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами;
– выявление факторов, наиболее сходных по детерминируемым ими классам и объединение их в кластеры;
– выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами.
Состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми (коалиционными) по детерминирующим их факторам. Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е.
являются противоположными по детерминирующим их факторам (антагонистическими).
Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.
Кластерно-конструктивный анализ классов
позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в наглядной графической форме семантической сети классов.
Кластерно-конструктивный анализ факторов
позволяет сравнить факторы по сходству их влияния на переход объекта в будущие состояния и отобразить эту информацию в наглядной графической форме семантической сети факторов.
Когнитивные диаграммы классов (факторов) – это графические диаграммы, позволяющие отобразить в чем конкретно состоит сходство и различие любых двух классов (или любых двух факторов), т.е. детально увидеть структуру каждой линии связи в семантической сети. Когнитивные диаграммы представляет собой графическое изображение обобщенного коэффициента корреляции профилей классов (или факторов), при этом каждая линия, вносящая вклад в сходство или различие соответствует одному слагаемому, ее цвет – знаку, а толщина – модулю этого слагаемого.
Нелокальные нейроны и интерпретируемые нейронные сети позволяют в наглядной форме отобразить систему детерминации будущих состояний. Нелокальный нейрон представляет собой будущее состояние объекта управления с изображением наиболее сильно влияющих на него факторов с указанием силы и направления (способствует-препятствует) их влияния. Нейронная сеть представляет собой совокупность взаимосвязанных нейронов. В классических нейронных сетях связь между нейронами осуществляется по входным и выходным сигналам, а в нелокальных нейронных сетях – на основе общего информационного поля, реализуемого семантической информационной моделью. Система "Эйдос" обеспечивает построение любого подмножества многослойной нейронной сети с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом связями любого уровня опосредованности.
Классические когнитивные карты являются графической формой представления фрагментов СИМ, объединяющей достоинства таких форм, как нейроны и семантические сети факторов. Классическая когнитивная карта представляет собой нейрон, соответствующий некоторому состоянию объекта управления с рецепторами, каждый из которых соответствует фактору в определенной степени способствующему или препятствующему переходу объекта в это состояние. Рецепторы соединены связями как с нейроном, так и друг с другом. Связи рецепторов с нейроном отражают силу и направление влияния факторов, а связи рецепторов друг с другом, отображаемые в форме семантической сети факторов, – сходство и различие между рецепторами по характеру их влияния на объект управления. Таким образом, классическая когнитивная карта представляет собой нейрон с семантической сетью факторов, изображенные на одной диаграмме.
Обобщенные когнитивные карты позволяют объединить в одной графической форме семантические сети классов и факторов, объединенных нейронной сетью. Если объединить несколько классических когнитивных карт на одной диаграмме и изобразить на ней также связи между нейронами в форме семантической сети классов, то получим обобщенную (интегральную) когнитивную карту. Система "Эйдос" обеспечивает построение любого подмножества многоуровневой семантической информационной модели с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом связями любого уровня опосредованности в форме классических и обобщенных когнитивных карт. В частности, в системе полуавтоматически формируется задание на генерацию подмножеств обобщенной когнитивной карты.
Луценко Евгений Вениаминович
доктор экономических наук, кандидат технических наук,
профессор кафедры компьютерных технологий и систем
Кубанского государственного аграрного университета
ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ
УЧЕБНОЕ ПОСОБИЕ
для студентов очной и заочной форм обучения по специальности:
351400 – прикладная информатика (по отраслям)
Литературный редактор: | Авторская правка |
Оригинал-макет: | Е. В. Луценко |