«Ю.Ф.Тельнов Интеллектуальные информационные системы Москва 2004 Тельнов Ю.Ф. Интеллектуальные информационные системы / Московский государственный университет экономики, статистики и информатики. – М.: МЭСИ, 2004. –с. © ...»

МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

Международный образовательный консорциум

«Открытое образование»

Московский государственный университет экономики,

статистики и информатики

АНО «Евразийский открытый институт»

Ю.Ф.Тельнов

Интеллектуальные

информационные системы

Москва 2004

Тельнов Ю.Ф. Интеллектуальные информационные системы / Московский государственный университет экономики, статистики и информатики. – М.: МЭСИ, 2004.

–с.

© Тельнов Ю.Ф., 2004 © Московский государственный университет экономики, статистики и информатики, 2004 Содержание Глава 1. Классификация интеллектуальных информационных систем

1.1. Особенности и признаки интеллектуальности информационных систем

1.2. Системы с интеллектуальным интерфейсом

1.3. Экспертные системы

1.4. Самообучающиеся системы

1.5. Адаптивные информационные системы

1.6. Системы управления знаниями

Глава 2. Технология создания экспертных систем

2.1. Этапы создания экспертной системы

2.2. Идентификация проблемной области

2.3. Построение концептуальной модели

2.4. Формализация базы знаний

2.5. Выбор инструментальных средств реализации экспертной системы

Глава 3. Реализация экспертных систем экономического анализа деятельности предприятия

3.1. Особенности экспертных систем экономического анализа

3.2. Экспертная система анализа финансового состояния предприятия

3.3. Экспертная система анализа эффективности результатов финансово-хозяйственной деятельности предприятия

Глава 4. Реализация экспертных систем инвестиционного проектирования

4.1. Особенности экспертных систем инвестиционного проектирования

4.2. Экспертная система определения целей и типов инвестиций

4.3. Экспертная система формирования портфеля инвестиций

4.4. Экспертная система мониторинга портфеля инвестиций

Глава 5. Реализация динамических экспертных систем управления бизнес-процессами. 5.1. Особенности реализации динамических экспертных систем управления бизнес-процессами

5.2. Экспертная система динамического управления запасами

5.3. Интеллектуальная система динамического моделирования бизнес-процессов............

Глава 6. Технология создания адаптивной информационной системы на базе методологии «BAAN – Организационная среда»

6.1. Жизненный цикл адаптивной информационной системы на основе компонентной технологии

6.2. Моделирование предприятия и конфигурация информационной системы

Глава 7. Технология создания систем управления знаниями

7.1. Этапы создания системы управления знаниями

7.2. Идентификация проблемной области

7.3. Концептуализация знаний с помощью онтологий

7.4. Формализация онтологического знания

7.5. Реализации систем управления знаниями в инструментальной среде

Глава 1. Классификация интеллектуальных информационных систем Глава 1. Классификация интеллектуальных информационных систем 1.1. Особенности и признаки интеллектуальности информационных систем Принятие решений относительно действий или поведения в той или иной ситуации любыми субъектами (людьми, роботами, сложными системами управления) осуществляется на основе информационных процессов. Информационный процесс реализует отношение объекта и субъекта (рис.1.1) и представляет собой восприятие субъектом объективной реальности в виде данных, переработку этих данных в соответствии с целевой установкой и имеющимися знаниями о зависимостях фактов в информацию. На основе полученной информации происходит обновление знания субъекта, выработка решения по возможному изменению состояния объекта и целевой установки субъекта. Причем изменение состояния объекта во многих случаях может быть представлено в форме данных.

Цель Изменение Таким образом, информационный процесс рассматривается в трех аспектах:

• Синтаксический аспект – отображение объективной реальности в какой-либо среде и на каком-либо языке, которое представляет собой данные.

• Семантический аспект – понимание, осмысливание и интерпретация данных на основе знаний субъекта, которые отражают зависимости, закономерности взаимодействия объектов.

• Прагматический аспект – оценка полезности полученного нового знания (приращения знания) субъекта в соответствии с целевой установкой для принятия решения, то есть получение информации в узком смысле.

В широком смысле под информацией понимают все три аспекта отражения информационного процесса.

Любая компьютерная информационная система (ИС), реализующая информационный процесс, выполняет следующие функции: воспринимает вводимые пользователем информационные запросы (цели решения задачи) и необходимые исходные данные, обрабатывает введенные и хранимые в системе данные в соответствии с известным алгоритГлава 1. Классификация интеллектуальных информационных систем мом и формирует требуемую выходную информацию. С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем – исходные данные, продуктом – требуемая информация, а инструментом (оборудованием) – знание, с помощью которого данные преобразуются в информацию.

Знания субъектов информационного процесса могут представляться в различной форме. У людей знания представляются либо в недокументированной (неявной, непосредственно в голове) форме, либо в документированной (явной, книжной) форме. Причем документированная текстовая форма представления знаний в виде учебников, положений, инструкций и т.д. мало приспособлена для быстрого извлечения необходимых знаний при обосновании конкретных решений. Неявное знание экспертов вообще трудно доступно для использования в решении задач другими специалистами.

Компьютерные информационные системы, выступающие в роли субъектов информационного процесса, призваны упростить процесс использования знания в решении задач принятия решений. Для этого знания должны структурироваться и запоминаться для последующего многократного использования.

Знание имеет двоякую природу: фактуальную и операционную.

• Фактуальное знание представляет известные сведения об объектах отражаемой реальности и накапливается в обычных базах данных.

• Операционное знание отражает зависимости и отношения между объектами, которые позволяют интерпретировать данные или извлекать из них информацию. Операционное знание представляется либо в алгоритмической форме, либо в декларативной форме в виде специальных баз структурированных знаний.

Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание – интенсиональным (обобщенным).

Информационный процесс с помощью компьютерной информационной системы сводится к адекватному соединению операционного и фактуального знаний и в различных типах ИС выполняется по-разному. Самый простой путь их соединения заключается в рамках одной прикладной программы:

Программа = Алгоритм (Правила преобразования данных + Управляющая структура) + Структура данных Таким образом, операционное знание (алгоритм) и фактуальное знание (структура данных) неотделимы друг от друга. Однако если в ходе эксплуатации ИС выяснится потребность в модификации одного из двух компонентов программы, то возникнет необходимость ее переписывания. Это объясняется тем, что полным знанием проблемной области обладает только разработчик ИС, а программа служит «недумающим исполнителем»

знания разработчика. Конечный же пользователь вследствие процедурности и машинной ориентированности представления знаний понимает лишь внешнюю сторону процесса обработки данных и никак не может на него влиять.

Следствием перечисленных недостатков является плохая жизнеспособность ИС или неадаптивность к изменениям информационных потребностей. Кроме того, в силу детерминированности алгоритмов решаемых задач ИС не способна к формированию у пользователя знания о действиях в не полностью определенных ситуациях.

В системах, основанных на обработке баз данных (СБД – Data Base Systems), происходит отделение фактуального и операционного знаний друг от друга. Первое организуется в виде базы данных, второе – в виде программ. Причем программа может автоматиГлава 1. Классификация интеллектуальных информационных систем чески генерироваться по запросу пользователя (например, реализация SQL или QBE запросов). В качестве посредника между программой и базой данных выступает программный инструмент доступа к данным – система управления базой данных (СУБД):

СБД = Программа СУБД База данных Концепция независимости программ от данных позволяет повысить гибкость ИС по выполнению произвольных информационных запросов. Однако эта гибкость в силу процедурности представления операционного знания имеет четко определенные границы.

Для формулирования информационного запроса пользователь должен ясно представлять себе структуру базы данных и до определенной степени алгоритм решения задачи. Следовательно, пользователь должен достаточно хорошо разбираться в проблемной области, в логической структуре базы данных и алгоритме программы. Концептуальная схема базы данных выступает в основном только в роли промежуточного звена в процессе отображения логической структуры данных на структуру данных прикладной программы.

Общие недостатки традиционных информационных систем, к которым относятся системы первых двух типов, заключаются в слабой адаптивности к изменениям в предметной области и информационным потребностям пользователей, в невозможности решать плохо формализуемые задачи, с которыми управленческие работники постоянно имеют дело. Перечисленные недостатки устраняются в интеллектуальных информационных системах (ИИС).

Анализ структуры программы показывает возможность выделения из программы операционного знания (правил преобразования данных) в так называемую базу знаний, которая в декларативной форме хранит общие для различных задач единицы знаний. При этом управляющая структура приобретает характер универсального механизма решения задач (механизма вывода), который связывает единицы знаний в исполняемые цепочки (генерируемые алгоритмы) в зависимости от конкретной постановки задачи (сформулированной в запросе цели и исходных условий). Такие ИС становятся системами, основанными на обработке знаний (СБЗ – Knowledge Base (Based) Systems):

СБЗ = База знаний Управляющая структура База данных Следующим шагом в развитии интеллектуальных информационных систем является выделение в самостоятельную подсистему или репозиторий метазнания, описывающего структуру операционного и фактуального знания и отражающего модель проблемной области. В таких системах и программы, и структуры данных генерируются или компонуются из единиц знаний, описанных в репозитории, каждый раз при изменении модели проблемной области. Будем называть ИИС, обрабатывающие метазнание, системами, основанными на моделях (СБМ – Model Based Systems):

Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:

• развитые коммуникативные способности, • умение решать сложные плохо формализуемые задачи, • способность к самообучению, • адаптивность.

Глава 1. Классификация интеллектуальных информационных систем Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному.

Сложные плохо формализуемые задачи – это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

Способность к самообучению – это возможность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций.

Адаптивность – способность к развитию системы в соответствии с объективными изменениями модели проблемной области.

В различных ИИС перечисленные признаки интеллектуальности развиты в неодинаковой степени и редко, когда все четыре признака реализуются одновременно. Условно каждому из признаков интеллектуальности соответствует свой класс ИИС (рис. 1.2):

• Системы с интеллектуальным интерфейсом;

• Экспертные системы;

• Самообучающиеся системы;

• Адаптивные системы.

Все четыре признака интеллектуальности в той или иной степени реализуются в системах управления знаниями.

Рис. 1.2. Классификация интеллектуальных информационных систем Глава 1. Классификация интеллектуальных информационных систем 1.2. Системы с интеллектуальным интерфейсом Интеллектуальные базы данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющихся в базе данных. Вывод неявной информации осуществляется путем интерпретации следующих зависимостей:

- вычислительных зависимостей атрибутов, например, «вывести список товаров, цена которых выше среднеотраслевой», - структурных отношений объектов, например, «вывести список товаров-заменителей некоторой продукции», - логических зависимостей факторов принятия решений, например, «вывести список потенциальных покупателей некоторого товара».

Для выполнения первого типа запроса необходимо сначала проведение статистического расчета среднеотраслевой цены по всей базе данных, а уже после этого собственно отбор данных. Для выполнения второго типа запроса необходимо вывести значения характерных признаков объекта, а затем поиск по ним аналогичных объектов. Для третьего типа запроса требуется сначала определить список посредников-продавцов, выполняющих продажу данного товара, а затем провести поиск связанных с ними покупателей.

Во всех перечисленных типах запросов требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Интеллектуальная система без помощи пользователя по структуре базы данных сама строит путь доступа к файлам данных. Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса.

Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль – разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ – установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.

Естественно-языковый интерфейс используется для:

• доступа к интеллектуальным базам данных;

• контекстного поиска документальной текстовой информации;

• голосового ввода команд в системах управления;

• машинного перевода c иностранных языков.

Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и на поиск мультимедийной Глава 1. Классификация интеллектуальных информационных систем информации, включающей помимо текстовой и цифровой информации графические, аудио и видео- образы.

Системы контекстной помощи можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).

Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами. Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации.

Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе использования принципов виртуальной реальности, когда графические образы моделируют ситуации, в которых обучающемуся необходимо принимать решения и выполнять определенные действия.

Назначение экспертных систем заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Достоинство применения экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решение задач предполагается осуществлять в условиях неполноты, недостоверности, многозначности исходной информации и качественных оценок процессов.

Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли:

• консультанта для неопытных или непрофессиональных пользователей;

• ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений;

• партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.

Экспертные системы используются во многих областях, среди которых лидирует сегмент приложений в бизнесе (рис. 1.3) [39].

Глава 1. Классификация интеллектуальных информационных систем Архитектура экспертной системы [1,5,7,14,21,31,37] включает в себя два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений (решения), приобретения знаний, объяснения получаемых результатов и интеллектуального интерфейса (рис.1.4). Причем центральным компонентом экспертной системы является база знаний, которая выступает по отношению к другим компонентам как содержательная подсистема, составляющая основную ценность. «Know-how» базы знаний хорошей экспертной системы оценивается в сотни тысяч долларов, в то время как программный инструментарий – в тысячи или десятки тысяч долларов.

Глава 1. Классификация интеллектуальных информационных систем База знаний – это совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей, действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются.

В качестве методов представления знаний чаще всего используются либо правила, либо объекты (фреймы), либо их комбинация. Так, правила представляют собой конструкции:

То CF (Фактор определенности) В качестве факторов определенности (CF), как правило, выступают либо условные вероятности байесовского подхода (от 0 до 1), либо коэффициенты уверенности нечеткой логики (от 0 до 100). Примеры правил имеют следующий вид:

Правило 1: Если Коэффициент рентабельности > 0. Правило 2: Если Задолженность = «нет» и Правило 3: Если Финансовое_сост. = «удовл.» и Репутация=«удовл.»

Фреймы представляют собой совокупность атрибутов, описывающих свойства и отношения с другими фреймами. В отличие от записей баз данных каждый фрейм имеет уникальное имя. Часть атрибутов отражают типизированные отношения, такие как «род – вид» (super-class – sub-class), «целое – часть» и др. Вместо конкретных значений атрибуГлава 1. Классификация интеллектуальных информационных систем тов объектов могут задаваться значения по умолчанию (указатель наследования атрибутов устанавливается в S), присущие целым классам объектов, или присоединенные процедуры (process). Пример фреймов представлен на рис. 1.5.

Интеллектуальный интерфейс. Обмен данными между конечным пользователем и ЭС выполняет программа интеллектуального интерфейса, которая воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель. Важнейшим требованием к организации диалога пользователя с ЭС является естественность, которая не означает буквально формулирование потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.

рентабельности рентабельности рентабельности Механизм вывода. Этот программный инструмент получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из базы знаний конкретный алгоритм решения задачи, выполняет алгоритм, а полученный результат предоставляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя.

Глава 1. Классификация интеллектуальных информационных систем В основе использования любого механизма вывода лежит процесс нахождения в соответствии с поставленной целью и описанием конкретной ситуации (исходных данных) относящихся к решению единиц знаний (правил, объектов, прецедентов и т.д.) и связыванию их при необходимости в цепочку рассуждений, приводящую к определенному результату. Для представления знаний в форме правил это может быть прямая (рис. 1.6) или обратная (рис. 1.7) цепочка рассуждений.

Для фреймового (объектно-ориентированного) представления знаний характерно применение механизма наследования атрибутов, когда значения атрибутов передаются по иерархии от вышестоящих классов к нижестоящим (например, на рис.1.5. код отрасли, отраслевой коэффициент рентабельности). Также при заполнении атрибутов фрейма необходимыми данными запускаются на выполнение присоединенные процедуры.

Механизм объяснения. В процессе или по результатам решения задачи пользователь может запросить объяснение или обоснование хода решения. С этой целью ЭС должна предоставить соответствующий механизм объяснения. Объяснительные способности ЭС определяются возможностью механизма вывода запоминать путь решения задачи. Тогда на вопросы пользователя «Как?» и «Почему?» получено решение или запрошены те или иные данные система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае отсутствия решения задач объяснение должно выдаваться пользователю автоматически. Полезно иметь возможность и гипотетического объяснения решения задачи, когда система отвечает на вопросы, что будет в том или ином случае.

Однако не всегда пользователя может интересовать полный вывод решения, содержащий множество ненужных деталей. В этом случае система должна уметь выбирать Глава 1. Классификация интеллектуальных информационных систем из цепочки только ключевые моменты с учетом их важности и уровня знаний пользователя. Для этого в базе знаний необходимо поддерживать модель знаний и намерений пользователя. Если же пользователь продолжает не понимать полученный ответ, то система должна быть способна в диалоге на основе поддерживаемой модели проблемных знаний обучать пользователя тем или иным фрагментам знаний, т.е. раскрывать более подробно отдельные понятия и зависимости, если даже эти детали непосредственно в выводе не использовались.

Механизм приобретения знаний. База знаний отражает знания экспертов (специалистов) в данной проблемной области о действиях в различных ситуациях или процессах решения характерных задач. Выявлением подобных знаний и последующим их представлением в базе знаний занимаются специалисты, называемые инженерами знаний. Для ввода знаний в базу и их последующего обновления ЭС должна обладать механизмом приобретения знаний. В простейшем случае это интеллектуальный редактор, который позволяет вводить единицы знаний в базу и проводить их синтаксический и семантический контроль, например, на непротиворечивость. В более сложных случаях механизм приобретения знаний позволяет извлекать знания в результате использования специальных сценариев интервьюирования экспертов, или из вводимых примеров реальных ситуаций, как в случае индуктивного вывода, или из текстов, или из опыта работы самой интеллектуальной системы.

Классы экспертных систем. По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом:

• По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы – генерацию неизвестных решений (формирование объектов).

• По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения.

Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность пересмотра в процессе решения полученных ранее результатов и данных.

• По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной).

• По числу используемых источников знаний экспертные системы могут быть построены с использованием одного или множества источников знаний. Источники знаний могут быть альтернативными (множество миров) или дополняющими друг друга (кооперирующими).

В соответствии с перечисленными признаками классификации, как правило, выделяются следующие четыре основные класса экспертных систем (рис. 1.8) Глава 1. Классификация интеллектуальных информационных систем Классифицирующие экспертные системы. К аналитическим задачам, прежде всего, относятся задачи распознавания различных ситуаций, когда по набору заданных признаков (факторов) выявляется сущность некоторой ситуации, в зависимости от которой выбирается определенная последовательность действий. Таким образом, в соответствии с исходными условиями среди альтернативных решений находится одно, наилучшим образом удовлетворяющее поставленной цели и ограничениям.

Экспертные системы, решающие задачи распознавания ситуаций, называются классифицирующими, поскольку определяют принадлежность анализируемой ситуации к некоторому классу. В качестве основного метода формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путем подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение.

Доопределяющие экспертные системы. Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и применяемых знаний. В этом случае экспертная система должна как бы доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве методов работы с неопределенностями могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика. Доопределяющие экспертные системы могут использовать для формирования решения несколько источников знаний. В этом случае могут использоваться эвристические приемы выбора единиц знаний из их конфликтного набора, например, на основе использования приоритетов важности, или получаемой степени определенности результата, или значений функций предпочтений и т.д.

Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области:

• Интерпретация данных – выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное назначение – определение сущности рассматриваемой ситуации, выбор гипотез, исходя их фактов. Типичным примером является экспертная система анализа финансового состояния предприятия.

• Диагностика – выявление причин, приведших к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов, например, выявление факторов снижения эффективности производства.

• Коррекция – диагностика, дополненная возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния рассматриваемых ситуаций.

Трансформирующие экспертные системы. В отличие от аналитических статических экспертных систем синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с харакГлава 1. Классификация интеллектуальных информационных систем тером результата, который нельзя заранее предопределить, а также с динамичностью самой проблемной области.

В качестве методов решения задач в трансформирующих экспертных системах используются разновидности гипотетического вывода:

• генерации и тестирования, когда по исходным данным осуществляется генерация гипотез, а затем проверка сформулированных гипотез на подтверждение поступающими фактами;

• предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов, которые в дальнейшем динамически адаптируются к конкретной ситуации в зависимости от ее развития;

• использование общих закономерностей (метауправления) в случае неизвестных ситуаций, позволяющих генерировать недостающее знание.

Многоагентные системы. Для таких динамических систем характерно распределенное решение задач несколькими программными агентами, каждый их которых обладает собственной базой знаний и механизмом вывода [30,32]. Программные агенты, как правило, выполняют поручения людей, субъектов решения задачи, и в этом смысле их заменяют. При этом они реагируют на события во внешней среде (реактивные агенты), обрабатывают ситуации, принимают решения, передают результаты решения задач пользователям и во внешнюю среду. Наиболее интеллектуальные (когнитивные) агенты способны обучаться и изменять правила своего поведения.

При совместном решении задач несколькими программными агентами образуются многоагентные системы (МАС), с централизованным или децентрализованным управлением. В первом случае МАС должна иметь, по крайней мере, один агент, который выполняет роль координатора (диспетчера), планирующего и контролирующего реализацию процессов. Во втором случае все агенты самостоятельны в своем поведении. Интеграция работы программных агентов и соответствующих источников знаний осуществляется на динамической основе путем обмена между ними получаемыми результатами, например, через «доску объявлений» (рис. 1.9).

Ист.знанийИст.знанийДоска объявлений Для многоагентных систем характерны следующие особенности:

• Проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

• Распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;

Глава 1. Классификация интеллектуальных информационных систем • Применение множества стратегий работы механизма вывода в зависимости от типа решаемой проблемы;

• Обработка больших массивов данных, содержащихся в базе данных, и способность к самообучению, изменяющая правила поведения агентов;

• Использование различных математических моделей и внешних процедур, хранимых в базе моделей;

• Способность прерывания решения задач в связи с необходимостью получения дополнительных данных и знаний от пользователей, моделей, параллельно решаемых подпроблем.

Для синтезирующих динамических экспертных систем наиболее применимы следующие проблемные области:

• Проектирование – определение конфигурации объектов с точки зрения достижения заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия, портфеля инвестиций, конфигурация изделий в электронной коммерции.

• Прогнозирование – предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.

• Планирование – выбор последовательности действий пользователей по достижению поставленной цели, например, планирование цепочек поставки продукции (supply chain management).

• Диспетчирование – распределение работ во времени, составление расписаний, например, планирование графика потоков работ (workflow).

• Мониторинг – слежение за текущей ситуацией с возможной последующей коррекцией. Для этого выполняется диагностика, прогнозирование, а в случае необходимости планирование и коррекция действий пользователей, например, мониторинг сбыта готовой продукции.

• Управление – мониторинг, дополненный реализацией действий в автоматических системах, например, принятие решений на биржевых торгах.

По данным публикации [39], в которой проводится анализ 12500 действующих экспертных систем, распределение экспертных систем по проблемным областям имеет следующий вид (рис. 1.10):

Глава 1. Классификация интеллектуальных информационных систем В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации. Причем обучающая выборка может быть:

• «с учителем», когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);

• «без учителя», когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.

Общие недостатки, свойственные всем самообучающимся системам, заключаются в следующем:

• возможна неполнота и/или зашумленность (избыточность) обучающей выборки и, как следствие, относительная адекватность базы знаний возникающим проблемам;

Глава 1. Классификация интеллектуальных информационных систем • возникают проблемы, связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;

• ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.

Индуктивные системы. Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся к одним и тем же подклассам, и определению для них значимых признаков.

Процесс классификации примеров осуществляется следующим образом:

1. Выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу, например, в соответствии с максимальным числом получаемых подмножеств примеров);

2. По значению выбранного признака множество примеров разбивается на подмножества;

3. Выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу;

4. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются);

5. Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с пункта 1. (Каждое подмножество примеров становится классифицируемым множеством).

Процесс классификации может быть представлен в виде дерева решений, в котором в промежуточных узлах находятся значения признаков последовательной классификации, а в конечных узлах – значения признака принадлежности определенному классу. Пример построения дерева решений на основе фрагмента таблицы примеров (таблица 1.1) показан на рис. 1.11.

Классообр.

признак Глава 1. Классификация интеллектуальных информационных систем Анализ новой ситуации сводится к выбору ветви дерева, которая полностью определяет эту ситуацию. Поиск решения осуществляется в результате последовательной проверки признаков классификации. Каждая ветвь дерева соответствует одному правилу решения:

Если Спрос = «низкий» и Издержки = «маленькие»

Примерами инструментальных средств, поддерживающих индуктивный вывод знаний, являются 1st Class (Programs in Motion), Rulemaster (Radian Corp.), ИЛИС (ArgusSoft), KAD (ИПС Переяславль-Залесский).

Нейронные сети. В результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации), которые определяют зависимости между входными (Xi) и выходными (Yj) признаками (сигналами) [36] (рис. 1.12).

Каждая такая функция, называемая по аналогии с элементарной единицей человеческого мозга – нейроном, отображает зависимость значения выходного признака (Y) от взвешенной суммы (U) значений входных признаков (Xi), в которой вес входного признака (Wi) показывает степень влияния входного признака на выходной:

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

Функциональная зависимость может быть линейной, но, как правило, используется сигмоидальная форма, которая позволяет вычленять более сложные пространства значений выходных признаков. Такая функция называется логистической (рис.1.13).

Глава 1. Классификация интеллектуальных информационных систем Рис.1.13. Логистическая (сигмоидальная) функция Нейроны могут быть связаны между собой, когда выход одного нейрона является входом другого. Таким образом, строится нейронная сеть (рис. 1.14), в которой нейроны, находящиеся на одном уровне, образуют слои.

Обучение нейронной сети сводится к определению связей (синапсов) между нейронами и установлению силы этих связей (весовых коэффициентов). Алгоритмы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зависимость.

Наиболее распространенным алгоритмом обучения нейронной сети является алгоритм обратного распространения ошибки. Целевая функция по этому алгоритму должна обеспечить минимизацию квадрата ошибки в обучении по всем примерам:

где: Ti – заданное значение выходного признака по i-му примеру;

Yi – вычисленное значение выходного признака по i-му примеру.

Сущность алгоритма обратного распространения ошибки сводится к следующему:

1. Задать произвольно небольшие начальные значения весов связей нейронов.

2. Для всех обучающих пар «значения входных признаков – значение выходного признака» (примеров из обучающей выборки) вычислить выход сети (Y).

3. Выполнить рекурсивный алгоритм, начиная с выходных узлов по направлению к первому скрытому слою, пока не будет достигнут минимальный уровень ошибки.

Глава 1. Классификация интеллектуальных информационных систем Вычислить веса на (t+1) шаге по формуле:

где: Wij ( t ) – вес связи от скрытого i -го нейрона или от входа к j-му нейрону на шаге t;

X i – выходное значение i -го нейрона;

– коэффициент скорости обучения;

i – ошибка для j-го нейрона.

Если j-й нейрон – выходной, то Если j-й нейрон находится в скрытом внутреннем слое, то где: k – индекс всех нейронов в слое, расположенном вслед за слоем с j-м нейроном.

Достоинство нейронных сетей перед индуктивным выводом заключается в решении не только классифицирующих, но и прогнозных задач. Возможность нелинейного характера функциональной зависимости выходных и входных признаков позволяет строить более точные классификации.

Сам процесс решения задач в силу проведения матричных преобразований проводится очень быстро. Фактически имитируется параллельный процесс прохода по нейронной сети в отличие от последовательного в индуктивных системах. Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциативной памятью.

Последнее время нейронные сети получили стремительное развитие и очень активно используются в финансовой области. В качестве примеров внедрения нейронных сетей можно назвать:

• «Система прогнозирования динамики биржевых курсов для Chemical Bank»

(фирма Logica);

• «Система прогнозирования для Лондонской фондовой биржи» (фирма SearchSpace);

• «Управление инвестициями для Mellon Bank» (фирма NeuralWare) и др.

В качестве инструментальных средств разработки нейронных сетей следует выделить инструментальные средства NeuroSolution, NeuralWorks Professional II/Plus, Process Advisor, NeuroShell 2, BrainMaiker Pro, NeurOn-line и др.

Системы, основанные на прецедентах (Case-based reasoning). В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты. Тогда поиск решения проблемы сводится к поиску по аналогии (выводу от частного к частному):

1. Получение подробной информации о текущей проблеме;

2. Сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

3. Выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

Глава 1. Классификация интеллектуальных информационных систем 4. В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме;

5. Проверка корректности каждого полученного решения;

6. Занесение детальной информации о полученном решении в базу знаний.

Так же как и для индуктивных систем прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Но в отличие от индуктивных систем допускается поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторой мерой схожести с анализируемой ситуацией. Обычно в качестве меры схожести двух прецедентов принимается функция от взвешенной суммы нормализованных на некоторой общей относительной шкале отклонений значений совпадающих признаков прецедентов. Формально полная схожесть SIM между прецедентами А и В, описанными р признаками, может быть выражена:

SIM(A,B)=F(Sim1(a1,b1), Sim2(a2,b2),…… Simр(aр,bр)), где: Simi(ai,bi) – локальная схожесть (отклонение) значений i-го признака двух прецедентов A и B, нормализованная на шкале [0, 1] В качестве функций полной схожести F могут использоваться следующие функции:

где:

i – относительный вес такой, что i =1.

Далее наиболее подходящие решения адаптируются по специальным алгоритмам к реальным ситуациям. В качестве методов адаптации в основном применяют методы повторной конкретизации переменных, уточнения параметров, замены одних компонентов решения другими [5]. Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в базе прецедентов.

Наиболее известными инструментами разработки приложений, использующих поиск прецедентов, являются: CBR-Express (Inference), REMIND (Cognitive Systems), ReCall (Isoft S.A.), KATE tools (Acknosoft), Pattern Recognition Workbench (Unica) и др. С помощью этих систем можно создать различные приложения для решения задач диагностики, анализа рисков, предсказания, контроля и обучения. Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как системы контекстной помощи. Например, в работе «горячей линии» центра технической поддержки компании Dell в Дублине используется система CBR-Express [28], которая помогает сотрудникам центра отвечать на большее число запросов по телефону.

Благодаря этой системе производительность труда 200 сотрудников центра выросла до Глава 1. Классификация интеллектуальных информационных систем тысячи звонков в день от пользователей. Пример подобной консультации может иметь следующий вид (рис. 1.15).

Описание ситуации (проблемы) Извлечение знаний на основе информационных хранилищ (Data mining based on Data Warehouse). В отличие от интеллектуальной базы данных информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативных баз данных, которое предназначено, в первую очередь, для оперативного анализа данных (реализации OLAP – технологии) [29]. Формулирование запроса осуществляется в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа для произвольной группировки данных. Наиболее известными инструментальными средствами поддержки информационных хранилищ и OLAP – технологий являются такие инструментальные средства, как статистический пакет прикладных программ SAS, специализированные программы Business Objects, Oracle Express, отечественные программные продукты PolyAnalyst, Контур Стандарт и др.

Типичными задачами оперативного ситуационного анализа, решаемых на основе информационных хранилищ, являются:

• Определение профиля потребителей конкретного товара;

• Предсказание изменений ситуации на рынке;

• Анализ зависимостей признаков ситуаций (корреляционный анализ) и др.

Для решения перечисленных задач требуется применение методов извлечения знаний из баз данных (Data Mining или Knowledge Discovery), основанные на применении методов многомерного статистического анализа, индуктивных методов построения деревьев решений, нейронных сетей, генетических алгоритмов.

Рассмотрим сущность применения ранее не рассмотренного метода, основанного на применении генетических алгоритмов. Пусть требуется определить набор экономических показателей, которые в наибольшей степени влияют на положительную динамику поведения рынка. Тогда набор показателей можно рассматривать как набор хромосом, определяющих качества индивида, то есть решения поставленной задачи. Значения показателей, определяющих решение, при этом соответствуют генам.

Поиск оптимального решения поставленной задачи похож на эволюцию популяции индивидов, представленных их наборами хромосом [12]. В этой эволюции действуют три механизма: отбор сильнейших – наборов хромосом, которым соответствуют наиболее оптимальные решения; скрещивание – производство новых индивидов при помощи смешивания хромосомных наборов отобранных индивидов; и мутации – случайные изменения Глава 1. Классификация интеллектуальных информационных систем генов у некоторых индивидов популяции. В результате смены поколений, в конце концов, вырабатывается такое решение поставленной задачи, которое уже не может быть далее улучшено.

Генетические алгоритмы имеют ряд недостатков. Критерий отбора хромосом и сама процедура являются эвристическими и далеко не всегда гарантируют нахождения лучшего решения. Как и в реальной жизни, эволюция может остановиться на какой-либо непродуктивной ветви. С другой стороны можно подобрать примеры, когда из эволюции генетическим алгоритмом исключаются перспективные продолжения. Это особенно становится заметно при решении задач большой размерности со сложными внутренними связями. В качестве примера разработки систем на основе генетических алгоритмов можно привести систему GeneHunter фирмы Ward Systems Group.

Применение методов интеллектуального анализа на основе информационных хранилищ на практике все в большей степени демонстрирует необходимость интеграции интеллектуальных и традиционных информационных технологий, комбинированное использование различных методов представления и вывода знаний, усложнение архитектуры информационных систем (см. параграф 1.6. и главу 7).

В условиях динамического развития экономических объектов возрастают требования к адаптивности информационных систем к изменениям. Эти требования сводятся к следующему:

• ИС в каждый момент времени должна адекватно поддерживать организацию бизнес-процессов.

• Реконструкция ИС должна проводиться всякий раз, как возникает потребность в реорганизации бизнес-процессов.

• Реконструкция ИС должна проводиться быстро и с минимальными затратами.

Учитывая высокую динамичность современных бизнес-процессов, можно сделать вывод о том, что адаптивность ИС немыслима без интеллектуализации ее архитектуры.

Ядром адаптивной ИС является постоянно развиваемая модель проблемной области (предприятия), поддерживаемая в специальной базе знаний – репозитории, на основе которого осуществляется генерация или конфигурация программного обеспечения. Таким образом, проектирование и адаптация ИС сводится, прежде всего, к построению модели проблемной области и ее своевременной корректировке. Отсюда адаптивную систему можно отнести к классу интеллектуальной информационной системы, основанной на модели проблемной области.

При проектировании информационной системы обычно используются два подхода:

оригинальное или типовое проектирование. Первый подход предполагает разработку информационной системы «с чистого листа» в соответствии с требованиями экономического объекта, второй подход – адаптацию типовых разработок к особенностям экономического объекта. Первый подход, как правило, реализуется на основе применения систем автоматизированного проектирования ИС или CASE-технологий, например, таких как, Designer 2000 (Oracle), SilverRun (SilverRun Technology), Natural LightStorm (Software AG) и др., второй подход – на основе применения систем компонентного проектирования ИС, например, таких как R/3 (SAP), BAAN IV (Baan Corp), Галактика (Новый Атлант) и др.

С точки зрения адаптивности информационной системы к бизнес-процессам экономического объекта оба подхода ориентируются на предварительное тщательное изучеГлава 1. Классификация интеллектуальных информационных систем ние экономического объекта и его моделирование [10,29]. Отличие подходов заключается в следующем: при использовании CASE-технологии на основе репозитория при возникновении изменения выполняется каждый раз генерация (пересоздание) программного обеспечения, а при использовании компонентной технологии – конфигурация программ и только в редких случаях их переработка с помощью CASE – средств, например, использования языков четвертого поколения (4GL).

Для моделирования проблемной области и последующих конфигураций информационной системы из отдельных компонентов (программных модулей) используется специальный программный инструментарий, например, R/3 Business Engineer и BAAN DEM (Dynamic Enterprise Modeler). Несомненным достоинством применения модельноориентированных компонентных систем, таких как R/3 или BAAN IV, перед CASE – технологиями является накапливание опыта проектирования информационных систем для различных отраслей и типов производства в виде типовых моделей или так называемых референтных/ссылочных (reference) моделей, которые поставляются вместе с программным продуктом в форме наполненного репозитория. Таким образом, вместе с программным продуктом пользователи приобретают базу знаний «know-how» об эффективных методах организации и управления бизнес-процессами, которые можно адаптировать в соответствии со спецификой конкретного экономического объекта.

В обобщенном виде конфигурация адаптивных информационных систем на основе компонентной технологии [29] представлена на рис. 1.16.

Рис. 1.16. Конфигурация адаптивной информационной системы Глава 1. Классификация интеллектуальных информационных систем Базовая модель репозитория содержит описание объектов, функций (операций), процессов (совокупности операций), которые реализуются в программных модулях компонентной системы. При этом большое значение в базовой модели имеет задание правил (бизнес-правил) поддержания целостности информационной системы, которые устанавливают условия проверки корректности совместного применения операций бизнеспроцессов и поддерживающих их программных модулей. Таким образом, многообразие и гибкость определения бизнес-процессов и соответствующих конфигураций информационной системы задается с помощью набора бизнес-правил.

Типовые модели соответствуют типовым конфигурациям информационной системы, выполненным для определенных отраслей (автомобильная, электронная, нефтегазовая и т.д.) или типов производства (индивидуальное, серийное, массовое, непрерывное и т.д.).

Модель предприятия (проблемной области) строится либо путем привязки или копирования фрагментов основной или типовой моделей в соответствии со специфическим особенностями предприятия, например, как в инструментальном средстве BAAN Orgware, либо в результате просмотра этих моделей и экспертного опроса, как в инструментальном средстве R/3 Business Engineer. Причем в последнем случае пользователю предлагается определить значения не всех параметров, а только тех, которые связаны между собой в контексте диалога и описаны бизнес-правилами.

Сформированная модель предприятия в виде метаописания хранится в репозитории и при необходимости может быть откорректирована. Далее по сформированной модели предприятия автоматически осуществляется конфигурация информационной системы, в ходе которой выполняется семантический контроль по соответствующим бизнес-правилам.

Недостатками описанной схемы конфигурации информационной системы является отсутствие средств оценки модели предприятия. Для того чтобы можно было выбирать оптимальные варианты конфигурации информационной системы, как правило, используются средства экспорта модели во внешние системы моделирования. Так, для системы R/3 предусмотрен экспорт (импорт) моделей в (из) среду(ы) инструментального средства ARIS Toolset, который позволяет осуществлять функционально-стоимостной анализ эффективности моделируемых бизнес-процессов и их динамическое имитационное моделирование.

Непрерывные изменения, происходящие в экономике, диктуют необходимость постоянного обновления знаний предприятий и организаций, как интеллектуального капитала, обеспечивающего устойчивые стратегические позиции предприятий на рынке. По выражению Мильнера Б.З. «формируется новая функция управления, в задачу которой входит аккумулирование интеллектуального капитала, выявление и распространение имеющейся информации и опыта, создание предпосылок для распространения и передачи знаний. Именно знания становятся источником высокой производительности, инноваций и конкурентных преимуществ» [16]. Новая функция управления знаниями реализуется как совокупность процессов систематического приобретения, синтеза, обмена и использования знаний внутри организации. Для управления знаниями характерно коллективное формирование и использование как внутренних, так и внешних источников знаний (информационных ресурсов).

Согласно результатам опроса руководителей компаний, входящих в список Fortune 1000, 97% менеджеров заявили, что существуют процессы, играющие для компании определяющую роль, и которые могли бы быть значительно усовершенствованы, если бы только о них знали больше сотрудников. В том же опросе 87% его участников утверждаГлава 1. Классификация интеллектуальных информационных систем ют, что дорогостоящие ошибки возникают именно потому, что служащие вовремя не получили необходимую информацию [2].

Качество используемых знаний непосредственно влияет на эффективность следующих деловых процессов:

• Принятие управленческих решений в стратегическом, тактическом и оперативном управлении в результате получения своевременного доступа к релевантным знаниям;

• Инновационная деятельность за счет возможности коллективного формирования идей и сокращения затрат на дублирование работ, обеспечивающая ускорение инновационного цикла;

• Непрерывное повышение квалификации работников предприятий в режиме реального времени.

• Предоставление партнерам (поставщикам, подрядчика, клиентам) в дополнение к своим основным услугам доступа к накопленным знаниям, включая консалтинг и обучение.

Под системой управлением знаниями (СУЗ) будем понимать совокупность организационных процедур, организационных подразделений (служб управления знаниями) и компьютерных технологий, которые обеспечивают интеграцию разнородных источников знаний и их коллективное использование в деловых процессах.

Согласно данным Попова Э.В., мировые расходы на создание и эксплуатацию СУЗ, составившие в 1999 году 2 млрд. долл., увеличатся до 12 млрд. долл. к 2003 году, в которых 7,9 млрд. долл. будут связаны с оказанием услуг, 1,8 млрд. долл. – с программным обеспечением, 0,9 млрд. долл. с поддержанием инфраструктуры, 1,4 млрд. долл. – с обеспечением внутренних ресурсов. Вместе с тем, как отмечают эксперты Delphi Consulting Group, в настоящее время только 12 процентов корпоративных знаний формализовано в компьютерных базах данных и знаний [22-24].

Отличительной особенностью системы управления знаниями является интеграция множества разнородных, часто территориально распределенных источников знаний для решения общих задач. СУЗ интегрирует знания, как из внутренних, так и из внешних источников. Источники знаний могут иметь недокументированную форму (неявные знания экспертов), документированную текстовую, табличную, графическую форму и структурируемую форму в виде баз знаний экспертных систем.

К внутренним источникам знаний относятся:

• техническая документация, описание производственных и деловых процессов, • внутрифирменные базы данных (data bases) и информационные хранилища (data warehouse), • базы знаний опыта работы специалистов («лучшей практики»), • описание профилей знаний специалистов (экспертов), • специализированные экспертные системы Внешние источники знаний включают:

• материалы публикаций и новости, содержащиеся в ИНТЕРНЕТ, • электронные обучающие системы, • внешние базы данных партнеров и статистические базы данных в региональном, продуктовом и отраслевом разрезах, • справочники экспертов и консалтинговых компаний, специализирующихся в конкретных проблемных областях, ссылки на форумы в ИНТЕРНЕТ • референтные модели организации бизнес-процессов (отраслевые и типовые решения).

Глава 1. Классификация интеллектуальных информационных систем Система управления знаниями обычно используется в двух аспектах:

• Обеспечение качественными знаниями процессов решения различных задач.

• Создание интерактивной среды взаимодействия специалистов в процессе решения задач.

С точки зрения первого аспекта СУЗ в отличие от традиционных информационных систем документационного обеспечения (информационно-поисковых систем) превращают знания в законченный продукт с высокой потребительной стоимостью, поскольку знание в отличие от набора относящейся к запросу всевозможной информации точно соответствует характеру решаемой задачи и может использоваться непосредственно при выработке решения.

С точки зрения второго аспекта СУЗ создает интерактивную среду общения людей, в которой повышается креативная способность генерации новых знаний, сразу попадающих в корпоративную память для последующего использования. С помощью СУЗ любое предприятие или организация превращаются в обучающуюся организацию, создающую «спираль знаний», в которой «неизвестные (неявные) знания должны быть выявлены и распространены, чтобы стать частью индивидуализированной базы знаний каждого работника. Спираль возобновляется всякий раз для подъема на новый уровень, расширяя базу знаний, применяемую к разным областям организации» [16].

Таким образом, для того чтобы процесс обновления знания был постоянным, необходимо создание постоянно функционирующих систем управления знаниями, которые могли бы не только объединять индивидуальные источники знаний отдельных пользователей, но и извлекать знания из внешних источников знания, баз статистических данных, информационного пространства ИНТЕРНЕТ. Для этого требуется возможность подключения корпоративной системы управления знаниями к другим системам управления знаний на базе единых подходов к концептуализации знаний.

Для систем управления знаниями характерны следующие особенности:

Интеллектуальное ассистирование. Система управления знаниями в отличие от экспертных систем не заменяет эксперта в процессе решения задач, а помогает ему, обеспечивая релевантной информацией и правилами принятия решений в конкретной ситуации. При этом в процессе решения задачи пользователь рассматривает различные варианты решений, представляемые системой управления знаниями, модифицирует постановку задачи или моделирует ситуацию, выбирая, таким образом, наиболее приемлемые решения. Может быть и другой режим решения задачи, когда пользователь самостоятельно решает задачу, а результат решения оценивает с помощью системы управления знаниями на предмет правильности и эффективности, например, обращаясь с помощью системы управления знаниями к коллегам-экспертам или экспертным системам.

Сбор и систематическая организация знаний из различных источников. Интеграция множества разнородных источников знаний осуществляется на основе единой системы концептуализации знаний. Основное требование к источникам знаний – предотвратить потерю и увеличить доступность всех видов корпоративного знания путем обеспечения централизованного, хорошо структурированного информационного хранилища. Структурированность информационного хранилища предполагает создание и описание единой системы знаний на основе таксономии концептуальных понятий, базы метазнаний или онтологии, через которую можно получать доступ к различным источникам знаний.

Минимизация проектирования базы знаний, как наполнения концептуальной схемы. Не все источники знаний могут быть известны, или они могут быть противоречивы, Глава 1. Классификация интеллектуальных информационных систем или часто изменяться. Система управления знаниями, с одной стороны, должна обеспечивать методы обработки таких ситуаций, а с другой стороны, обеспечивать легкое подключение новых источников знаний по мере их появления. При этом должна модифицироваться и сама концептуальная схема системы управления знаниями.

Быстрая адаптация системы управления знаниями к изменяющимся информационным потребностям. Адаптация системы управления знаниями осуществляется на основе обратной связи пользователей к системе в результате формулирования ими новых требований и разрезов анализа, а также информирования о пробелах, неверности и запаздывании знаний. Кроме того, происходит наполнение базы прецедентов с указанием успешного и неудачного решения проблем пользователями. При этом выполняется преобразование индивидуального знания в групповое знание, доступное для других пользователей системы управления знаниями. Форма собираемого и распределяемого знаний становится генеративной и повторно-используемой.

С этой точки зрения полезно накопление базы знаний прецедентов решения задач, обобщение характерных ситуаций и ошибок и распространение формируемых знаний.

Интеграция с существующей программной средой. К системе управления знаниями подключаются разнообразные аналитические инструменты, которые позволяют проводить извлечение неявной информации, содержащейся в источниках знаний, с помощью таких методов как статистический анализ и нейронные сети, экспертные системы, математическое и имитационное моделирование. Эти инструменты позволяют обнаруживать закономерности в отражаемой действительности и выявлять наиболее рациональное поведение в существующих условиях. Пользователь становится исследователем-экспериментатором, который не просто запрашивает интересующего его информацию, но и выдвигает и проверяет различные гипотезы. В этом смысле полезно подключение специализированных инструментальных программных средств.

Активная презентация релевантной информации. Система управления знаниями становится компетентным партнером в кооперативном решении проблем, учитывающим круг информационных потребностей пользователя и формирующим для него знания, исходя из его предполагаемых интересов. Особенно эффективно это свойство реализуется в системах управления отношениями с клиентами (CRM – customer relationship management).

Интеграция разнородных источников знаний, междисциплинарный характер их использования, необходимость привлечения внешних источников знаний, обмен знаниями между пользователями предполагает проведение разработки архитектуры системы управления знаниями на основе общего информационного пространства в виде интегрированной памяти, которую можно представить на трех взаимодействующих уровнях [1,43]:

Синтаксический (объектный) уровень – хранение аннотированных с помощью специально разработанной системы категорий источников знаний и их индексирование.

Семантический (понятийный) уровень – определение концептуальной модели структуры знаний (системы категорий), общей для всех источников знаний, то есть разработка онтологии [15].

Прагматический уровень (уровень приложений) – определение цели и ограничений на решение интеллектуальной задачи пользователем, то есть задание его глобального и локального контекста. При этом должен быть определен профиль знаний пользователя.

Глава 1. Классификация интеллектуальных информационных систем Рассмотрим перечисленные уровни организации корпоративной памяти более детально. При описании организации знаний на этих уровнях приводятся примеры конкретных действующих СУЗ, описанные в [1,2,11,19, 21-24,38,43].

Возможные источники знаний, которые подключаются к СУЗ, представлены в таблице 1.2.

Источники знаний Методы приобретения знаний Примеры знаний Опыт специалистов предприятия или внешних экспертов представляет основной источник знаний, который может быть представлен в нескольких формах:

• в документальной форме, например, в базе прецедентов, отражающей описания конкретных ситуаций из реальной практики работы людей;

• в структурированной базе знаний экспертных систем;

• в неявной форме путем непосредственного подключения специалистов и экспертов к вычислительной сети посредством описания их профиля знаний.

Опыт ведения прецедентов лучшей практики известен, например, в компании Huges Electronics, входящая в состав General Motors, которая ведет базу данных лучших проектов реконструкции предприятий. С каждым проектом связывается краткое описание и информация для контакта с ответственными лицами.

Базы статистических данных и информационные хранилища представляют собой источник для извлечения неявных знаний с помощью методов интеллектуального анализа данных: индуктивного построения деревьев решений, кластерного и регрессионного анализа, построения нейронных сетей. Информационные хранилища могут содержать огромные объемы данных. Например, банк Chase Manhatten Bank имеет хранилище объемом более 560 Гбайт, компания MasterCard OnLine – 1,2 Тбайт. Для сбора статистических данных могут использоваться специализированные инструментальные средства. Например, для извлечения знаний из финансовой информации в системе EDGAR (Electronic Data Gathering and Retrival System) была разработана система EdgarScan, функционирующая в среде Internet.

Текстовые источники знаний подключаются к СУЗ с помощью технологии фильтрации анализируемых в источнике знаний текстовых сообщений на основе списка тем, определяющих иерархию таксономии терминов конкретной предметной области. Как правило, фильтрация проводится по категориям и приоритетам важности. Например, система Odie (On demand Information Extractor) каждую ночь сканирует около 1000 статей с поГлава 1. Классификация интеллектуальных информационных систем следними новостями для извлечения знаний о тенденциях в менеджменте. Odie, разработанная для американских и европейских обозревателей новостей, использует распознавание стилизованных фраз в статьях деловых новостей и знания о синтаксических правилах для распознавания соответствующих событий в сфере бизнеса.

Графические схем референтных моделей хранятся в специальных репозиториях, описывающих метаинформацию об организации бизнес-процессов. Например, в репозитории системы R/3 SAP содержится около 100 испытанных организационноэкономических сценариев и моделей для различных отраслей. Референтные модели с помощью экспертных правил могут быть преобразованы в конкретные модели организации бизнес-процессов предприятий.

Концептуальный уровень структуры знаний корпоративной памяти В основе концептуального уровня структуры знаний лежит таксономия используемых понятий (онтология), предназначенная для идентификации различных компонентов знания. Онтологию можно рассматривать, как систему рубрикации предметной области, с помощью которой интегрируются разнородные источники знаний. С другой стороны, онтология рассматривается, как словарь-тезаурус, совместно используемый в СУЗ для упрощения коммуникации пользователей, формулирования и интерпретации их запросов.

Концептуальный уровень корпоративной памяти обеспечивает семантическую интерпретацию запросов к СУЗ, которая реализует унифицированный интеллектуальный доступ к множеству источников знаний. В результате достигаются следующие ключевые преимущества:

• Точный и эффективный доступ СУЗ к источникам знаниям, релевантным контексту задачи (конкретной ситуации).

• Лучшее понимание и интерпретацию пользователем полученных знаний в данном контексте с возможностью дополнительных справочных обращений к корпоративной памяти.

• Информационное моделирование, то есть итерационное уточнение информационных потребностей в процессе решения задачи.

В качестве примера применения словарей–тезаурусов можно привести промышленную информационно-поисковую систему Retrieval Ware (Canbera), позволяющую осуществлять с использованием обычного web-браузера полнотекстовый и атрибутивный поиск в разнообразных источниках знаний: электронных архивах текстовых документов, web-ресурсах, базах форматированных данных, электронных таблицах, графических, звуковых и визуальных образах (в 250 форматах). Семантическая сеть, отражаемая в словаретезаурусе для английского языка, включает 400000 слов и более 1600000 связей между ними. В словаре локализованной версии программного продукта «Русский семантический сервер» в настоящее время отражено около 42 тысяч слов и идиоматических выражений.

Технология семантического поиска позволяет также использовать одновременно несколько словарей. Например, одновременно с базовым словарем, система может использовать отраслевой словарь, внутренний словарь организации, а также личный словарь пользователя, которые могут разрабатываться по мере необходимости.

Ограниченность тезаурусной организации знаний связана с узкой направленностью на решение только поисковых задач. Для расширения круга задач СУЗ, связанных с выбором альтернатив при обосновании проектов, принятии решений, обучении, требуется более сложная организация знаний, предполагающая определение в декларативной форме логики решения задач или создание онтологий задач.

Глава 1. Классификация интеллектуальных информационных систем В качестве хорошего примера такого рода системы можно назвать систему Ontolingua. Система Ontolingua предназначена для поддержки формального специфицирования задач пользователя на основе библиотеки формальных описаний фрагментов задач, моделей и понятий, а также для ведения самой библиотеки фрагментов (рис.1.17).

Рис.1.17. Использование онтологической системы Ontolingua Отологии могут использоваться не только в системах управления знаниями, но и в транзакционных системах таких, как системы электронной коммерции, логистические системы, виртуальные предприятия, в которых требуется многоагентная технология обмена знаниями.

Интеллектуальные задачи, которые решаются на основе СУЗ, отличаются слабой формализованностью, предполагающей нечеткость постановки целей решения задачи и описания условий решения задачи. Кроме того, уровень знаний и система критериев оценки решения у различных пользователей могут отличаться. Обычно типичное решение интеллектуальной задачи сводится к следующим шагам:

• Формулировка постановки задачи.

• Отбор релевантных задаче источников знаний.

• Понимание отобранного материала (обучение, консультация).

Глава 1. Классификация интеллектуальных информационных систем • Решение задачи (выработка, конфигурация решения).

• Проверка допустимости решения задачи (оценка решения задачи, консультация с экспертами, экспертными системами).

• Принятие решений и мониторинг его реализации.

• Запоминание результатов решения задачи в корпоративной памяти.

На каждом шаге решения интеллектуальной задачи может использоваться СУЗ, работа которой сводится к итерационной серии поисков в корпоративной памяти, обеспечивающей точность достижения цели каждого этапа.

Например, на предприятии решается задача выбора стратегии повышения эффективности производства, которая относится к классу слабо формализованных задач. Для начала необходимо запросить информацию о возможных целях, критериях и методах повышения эффективности производства. Далее описать свое предприятие. На основе сформулированной задачи система произведет отбор источников знаний. Изучение материала может вызвать уточняющий или объясняющий диалог. Принятое решение может быть отправлено выбранным с помощью СУЗ специалистам на экспертизу. В процессе реализации решения информация об отдельных шагах заносится в базу знаний для корректировки стратегии на основе выявленных отклонений и для использования при решении аналогичных задач в будущем.

На каждом этапе решения интеллектуальной задачи определяются требования по входу и выходу, используемым методам и средствам, а также используемым ресурсам (конкретным исполнителям, временным, материальным и стоимостным ограничениям) и чисто внешне выглядит как заполнение некоторой экранной формы, в которой фиксируются:

• Общая цель активности.

• Контекстная информация, известная из состояния процесса или задаваемая вручную на данном шаге.

Экранная форма, как правило, заполняется с помощью списков ключевых слов, связанных с рубриками онтологии. Таким образом, экранная форма запроса отражает текущий локальный контекст поиска, который определяет особенности выполнения следующего шага решения задачи.

Однократный доступ к знаниям в современных СУЗ сводится в основном либо к поиску релевантных знаний со стороны конечных пользователей, либо к распространению знаний среди пользователей со стороны системы управления знаниями. Таким образом, в качестве инициаторов процессов управления знаниями могут быть как люди, так и СУЗ. С другой стороны носителями знаний, к которым обращаются инициаторы процессов, также могут быть, как люди, так и СУЗ. Возможные варианты взаимодействия людей и СУЗ показаны в таблице 1.3.

Глава 1. Классификация интеллектуальных информационных систем Связывание людей в СУЗ осуществляется с помощью многоагентной технологии на основе репозитория умений людей. У каждого участника процесса управления знаниями в вычислительной сети может существовать компьютерный двойник – интеллектуальный агент, который вступает в переговоры с аналогичными агентами в сети для решения общей задачи. Примером такой многоагентной системы может служить система ContactFinder, которая осуществляет поиск экспертов в сети, используя технологию доски объявлений, которая доступна для обмена сообщениями между агентами. При этом велика роль онтологии, как словаря общения агентов и описания профиля их знаний.

Связывание людей и СУЗ для отбора релевантных знаний осуществляется с помощью поисковых машин в хранилищах знаний («pool –хранилищ»). Недостаточная интеллектуальность существующих поисковых машин приводит к нерелевантности отбираемых знаний. В настоящее время разрабатываются поисковые машины на базе применения онтологий, например, система SHOE, OntoBroker и др. В качестве графических инструментов визуализации карты знаний при навигации путей доступа могут использоваться специальные инструменты, например, Perspecta и InXight.

Связывание СУЗ и людей осуществляется по «толкающей» технологии (pushтехнологии), по которой СУЗ изучает информационные потребности пользователей и в соответствии с ними самостоятельно распространяет или доставляет знания до потребителей.

Например, InfoFinder изучает интересы пользователей по наборам формируемых сообщений или запрашиваемых документов. Кроме того, InfoFinder использует эвристические методы для сбора дополнительных, более точных сведений о запросах пользователей, что позволяет InfoFinder находить документы, предугадывая запросы пользователя.

Связывание СУЗ и СУЗ в процессе реализации более сложных запросов, когда одна СУЗ не может справиться с поставленной задачей и обращается за помощью к другой СУЗ, как правило, выполняется по многоагентной технологии. Кроме того, могут использоваться специальные путеводители знаний, с помощью которых упрощается навигация путей отбора знаний в интегрированном пространстве знаний, например, путеводитель компании Coopers&Librand – «Michelin Guides», облегчающий понимание содержания и местоположения источников знаний. Компания Andersen Consulting имеет центральное хранилище карт знаний, с помощью которой связываются различные источники знаний.

Интеллектуальная информационная система (ИИС) – это ИС, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей.

Важнейшие признаки классификации ИИС: развитые коммуникативные способности, сложность (плохая формализуемость алгоритма), способность к самообучению, адаптивность.

Основные подклассы ИИС: интеллектуальные базы данных, в т.ч. с интерфейсами, использующими естественный язык, гипертекст и мультимедиа, когнитивную графику; статические и динамические экспертные системы; самообучающиеся системы на принципах индуктивного вывода, нейронных систем, поиска прецедентов, организации информационных хранилищ; адаптивные информационные системы на основе использования CASE-технологий и/или компонентных технологий, системы управления знаниями.

Глава 1. Классификация интеллектуальных информационных систем Система с интеллектуальным интерфейсом – это ИИС, предназначенная для поиска неявной информации в базе данных или тексте для произвольных запросов, составляемых, как правило, на ограниченном естественном языке.

Экспертная система (ЭС) – это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области.

Участники процесса разработки и эксплуатации ЭС: эксперты, инженеры по знаниям, пользователи.

Эксперт – специалист, знания которого помещаются в базу знаний.

Инженер по знаниям – специалист, который занимается извлечением знаний и их формализацией в базе знаний.

Пользователь – специалист, интеллектуальные способности которого расширяются благодаря использованию в практической деятельности ЭС.

Основные составные части архитектуры ЭС: база знаний, механизмы вывода, объяснения, приобретения знаний, интеллектуальный интерфейс.

База знаний – это центральный компонент ЭС, который определяет ценность ЭС и с которым связаны основные затраты на разработку.

База знаний – это хранилище единиц знаний, описывающих атрибуты и действия, связанные с объектами проблемной области, а также возможные при этом неопределенности.

Единица знаний – это элементарная структурная единица, (описание одного объекта, одного действия), которая имеет законченный смысл. В качестве единиц знаний обычно используются правила и/или объекты.

Неопределенность знаний – это или неполнота, или недостоверность, или многозначность, или качественная (вместо количественной) оценка единицы знаний.

Механизм вывода – это обобщенная процедура поиска решения задачи, которая на основе базы знаний и в соответствии с информационной потребностью пользователя строит цепочку рассуждений (логически связанных единиц знаний), приводящую к конкретному результату.

Дедуктивный вывод (от общего к частному) – вывод частных утверждений путем подстановки в общие утверждения других известных частных утверждений. Различают прямую (от данных к цели) и обратную (от цели к данным) цепочки рассуждений (аргументации).

Индуктивный вывод (от частного к общему) – вывод (обобщение) на основе множества частных утверждений общих утверждений (из примеров реальной практики правил).

Абдуктивный вывод (от частного к частному) – вывод частных утверждений на основе поиска других аналогичных утверждений (прецедентов).

Механизм приобретения знаний – это процедура накопления знаний в базе знаний, включающая ввод, контроль полноты и непротиворечивости единиц знаний и, возможно, автоматический вывод новых единиц знаний из вводимой информации.

Механизм объяснения – это процедура, выполняющая обоснование полученного механизмом вывода результата.

Интеллектуальный интерфейс – это процедура, выполняющая интерпретацию запроса пользователя к базе знаний и формирующая ответ в удобной для него форме.

Назначение экспертной системы: консультирование и обучение неопытных пользователей, ассистирование экспертам в решении задач, советы экспертам по вопросам из смежных областей знаний (интеграция источников знаний).

Статическая экспертная система – это ЭС, решающая задачи в условиях не изменяющихся во времени исходных данных и знаний.

Динамическая экспертная система – это ЭС, решающая задачи в условиях изменяющихся во времени исходных данных и знаний.

Глава 1. Классификация интеллектуальных информационных систем Аналитическая экспертная система – это ЭС, осуществляющая оценку вариантов решений (проверку гипотез).

Синтетическая экспертная система – это ЭС, осуществляющая генерацию вариантов решений (формирование гипотез).

Классы решаемых задач в экспертной системе: интерпретация, диагностика, прогнозирование, проектирование, планирование, мониторинг, коррекция, управление.

Самообучающаяся система – это ИИС, которая на основе примеров реальной практики автоматически формирует единицы знаний.

Система с индуктивным выводом – это самообучающаяся ИИС, которая на основе обучения на примерах реальной практики строит деревья решений.

Нейронная сеть – это самообучающаяся ИИС, которая на основе обучения на примерах реальной практики строит ассоциативную сеть понятий (нейронов) для параллельного поиска на ней решений.

Система, основанная на прецедентах, – это самообучающаяся ИИС, которая в качестве единиц знаний хранит собственно прецеденты решений (примеры) и позволяет по запросу подбирать и адаптировать наиболее похожие прецеденты.

Интеллектуальный анализ данных (Data Mining) – это набор методов автоматического извлечения знаний из специально организованных информационных хранилищ (Data Warehouse), к которым относят статистические методы, индуктивный вывод, нейронные сети, генетические алгоритмы.

Адаптивная информационная система – это ИИС, которая изменяет свою структуру в соответствии с изменением модели проблемной области.

Модель проблемной области – отражение структуры объектов, функций, процессов, правил, связанных с функционированием проблемной области.

Репозиторий – хранилище метазнаний о структуре фактуального и операционного знания или модели проблемной области.

Case – технология – технология, позволяющая генерировать информационную систему на основе модели проблемной области, хранимой в репозитории.

Компонентная технология – технология, позволяющая конфигурировать информационную систему из готовых типовых компонентов на основе модели проблемной области, хранимой в репозитории.

Система управления знаний (СУЗ) – взаимосвязанная совокупность организационных процедур, людей и информационных технологий, которая обеспечивает сбор, накопление, организацию, распространение и использование знаний для решения задач качественного информационного обслуживания (обеспечения) выполнения деловых процессов и интерактивного взаимодействия специалистов.

Корпоративная память – хранилище источников знаний и их метаописания для коллективного использования в организации.

Источники знаний СУЗ – опыт специалистов, представляемый в виде прецедентов, структурированных баз знаний экспертных систем, описаний профилей знаний; документальных источников знаний внутри и вне организации; баз и хранилищ форматированных данных; референтных моделей организации деловых процессов.

Онтология – концептуальное описание структуры знаний для формализованных и не формализованных источников.

Приложения СУЗ – поиск и использование знаний для решения интеллектуальных задач обоснований решений, проектирования, инноваций; обучение; обмен знаниями в процессе взаимодействия специалистов; распространение знаний для ознакомления в потенциальном плане.

Глава 1. Классификация интеллектуальных информационных систем 1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем:

Учебник. – М.: Питер, 2000. – 382 с. :ил.

2. Герстинг А., Ивс Б. Как больше узнать об управлении знаниями // Computerworld, 1999, № 35.

3. Зайцева Ж. Н., Рубин Ю. Б., Титарев Л. Г., Тихомиров В. П., Хорошилов А. В., Усков В. Л., Филиппов В. М. Открытое образование – стратегия XXI века для России / Под общей редакцией Филиппова В. М. и Тихомирова В. П. – М.: Издательство МЭСИ, 2000. – 324 с.

4. Дубров А.М., Лагоша Б.А., Хрусталев Е.Ю. Моделирование рисковых ситуаций в экономике и бизнесе: Учеб. пособие / Под ред. Б.А. Лагоши. – Финансы и статистика, 1999. – 176 с. :ил.

5. Джексон П. Введение в экспертные системы.: Пер. с англ.: Учебное пособие. – М.: Изд. дом «Вильямс», 2001. – 624с. :ил.

6. Информационные системы в экономике: Учебник / Под ред. проф. В.В. Дика. – М.: Финансы и статистика, 1996. – 272с. :ил.

7. Искусственный интеллект. Книга 1. Системы общения и экспертные системы / Под ред. проф. Э.В.Попова.- М.: Радио и связь, 1990. – 461с. :ил.

8. Искусственный интеллект. Книга 2. Модели и методы / Под ред. проф.

Д.А.Поспелова. – М.: Радио и связь, 1990. – 304 с. :ил.

9. Искусственный интеллект. Книга 3. Программные и аппаратные средства / Под.

ред. В.Н.Захарова, В.Ф.Хорошевского. – М.: Радио и связь, 1990. – 320с. :ил.

10. Калянов Г.Н. Консалтинг при автоматизации предприятий: Научнопрактическое издание. Серия «Информатизация России на пороге ХХI века». – М.:

СИНТЕГ, 1997. – 316 с. :ил.

11. Каменова М.С. Корпоративные информационные системы: технологии и решения // Системы управления базами данных, №4, 1995.

12. Курейчик В.М., Курейчик В.В. Эволюционные, синергетические и гомеостатические стратегии в искусственном интеллекте: состяние и перспективы //Новости искусственного интеллекта. М.: РАИИ, 2000. №3, с. 39 – 65.

13. Ларичев О.И., Браун Р. Количественный и вербальный анализ решений: сравнительное исследование возможностей и ограничений //Экономика и математические методы. – 1998. – т.34. – вып.4. – с.97-107.

14. Левин Р., Дранг В., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бэйсике / Пер. с англ.- М.:

Финансы и статистика, 1991.- 239c. :ил.

15. Мизогучи Р. Шаг в направлении инженерии онтологий // Новости искусственного интеллекта. М.: РАИИ, 2000. №1-2, с. 11 – 36.

16. Мильнер Б.З. Теория организации. М.: ИНФРА-М, 1999. – 478 с.

17. Мишенин А.И. Теория экономических информационных систем: Учебник. – М.:

Финансы и статистика, 1998 – 166 с. :ил.

18. Обработка знаний / Пер. с япон.: Под ред. С.Осуга. – М.: Мир, 1989. – 292 с. :ил.

19. О’Лири Д. Е. Управление корпоративными знаниями // Открытые системы, 1998, №4- 20. Ойхман Е.Г., Попов Э.В. Реинжиниринг бизнеса: Реинжиниринг организаций и современные информационные технологии. – М.: Финансы и статистика, 1997. – 336с.: ил.

Глава 1. Классификация интеллектуальных информационных систем 21. Попов Э.В., Шапот М.Д., Кисель Е.Б., Фоминых И.Б. Статические и динамические экспертные системы: Учебное пособие. – М: Финансы и статистика, 1996. – 320с. :ил.

22. Попов Э.В. Корпоративные системы управления знаниями. // Новости искусственного интеллекта. 2001, №1. –с. 14-25.

23. Попов Э.В., Василевский А.С. Предприятия нового типа и управление знаниями в реинжиниринге. // Сборник научных трудов 4-й Российской научно-практической конференции «Реинжиниринг бизнес-процессов на основе современных информационных технологий». М.: МЭСИ, 2000. – с. 9-15.

24. Попов Э.В. Управление корпоративными знаниями. // Сборник научных трудов 6-й Российской научно-практической конференции «Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управлениязнаниями». М.:

МЭСИ, 2002. – c.11-19.

25. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных фактов. – М.: Радио и связь, 1989. – 184 с. :ил.

26. Приобретение знаний / Пер. с япон.: Под ред. С.Осуга., Ю. Саэки – М.: Мир, 1990. – 292 c. :ил.

27. Представление и использование знаний / Пер. с япон.: Под ред. Х.Уэнo, М.Исидзука. – М.: Мир, 1990. – 220 c. :ил.

28. С миру по байту «Искусственный интеллект «горячей линии» Dell» // Computerworld, №9, 1998.

29. Смирнова Г.Н., Сорокин А.А., Тельнов Ю.Ф. Проектирование экономических информационных систем: Учебник / Под ред. Ю.Ф. Тельнова. – М.: Финансы и статистика, 2001. – 512 с. :ил.

30. Тарасов В.Б. Искусственная жизнь и нечеткие эволюционные многоагентные системы // Теория и системы управления, 1998, N5. – с. 12-23.

31. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. – М.: Финансы и статистика, 1990. – 319с. :ил.

32. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: Синтег, 1998. – 360с. :ил.

33. Тельнов Ю.Ф., Скорова А.А., Андреева Н.В. Проектирование баз знаний: Учебное пособие. – М.: МЭСИ, 1992. – 100с. :ил.