Організаційна відповідність (придатність)

Організаційна відповідність СППР може означати, що система має стати компонентом загальної системи організації. Щоб це зробити, потрібна підтримка стилю рішень користувачів і способів, якими ці стилі рішень змінюються з часом. Крім того, потрібна відповідність щодо організації, в якій СППР функціо­нує. Це має забезпечувати певні рівні захисту інформації і вико­ристовуватись згідно з корпоративною політикою, а також забез­печувати інформацією відповідно до очікувань користувачів. Так само як нові найняті працівники мають пристосовуватися до від­ділу і організації, має це робити також система. Це може означа­ти відповідність інтерфейсу користувача, відповідність готовнос­ті даних, відповідність методологій моделювання стилю прий­няття рішень в організації. Якщо система не пристосувалася до відділу, то, напевно, вона буде «страждати» так само, як найма-

_нИй працівник, що не зміг пристосуватися, а отже, вона не буде впроваджена.

Зокрема, відповідність упровадження можна оцінити визна­ченням управлінських характеристик стосовно системи; тим, як добре задовольняються інформаційні потреби менеджерів; впли­вом проекту на комп'ютерні операції фірми. Ці оцінки відобра­жують сприйняття системи. Крім того, всі вони визначаються пі­сля впровадження системи. Отже, їх не можна застосовувати для планування і до впровадження всього проекту. Кращий метод — оцінити різні типи не технічних можливостей. СППР має також пристосуватися в потрібних місцях, визначених організацією. Наприклад, уважається, що СППР буде вдалою, якщо вона: при­стосовується до методів планування організації; допомагає обду­мувати проблему звичними для ОПР способами; покращує хід роздумів ОПР про проблеми; добре пристосовується до політики створення рішень; використовує результати здійснюваних альтер­натив; ефективна щодо витрат і цінна відносно коштів; очікується, що буде використовуватися протягом тривалого часу. Інакше ка­жучи, СППР має взаємодіяти з іншими системами в організації. Навіть якщо СППР значно полегшує прийняття рішень, вона не може бути вдалою, якщо не полегшує передбачувані кроки рі­шень або іншої діяльності.

ПЕРСПЕКТИВНІ ПРИКЛАДНІ СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

Розділ 9

ЗАСОБИ ШТУЧНОГО ІНТЕЛЕКТУ

В СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

9.1. Базові засоби штучного

інтелекту і їх застосування

в системах оброблення інформації

9.1.1. Розвиток та застосування штучного інтелекту

Людей завжди інтригувала можливість створення інте­лекту у вигляді машини (штучної людини). Ставилося завдання, щоб машина як і людина могла сприймати і розуміти візуальні дії, розмовляти звичайною (природною) мовою, накопичувати знання і на цій підставі знаходити та обґрунтовувати корисні ви­сновки про навколишній світ. В історії відомі містифікації, коли в каркаси в металевих костюмах поміщали карликів, намагаю­чись видати це за «розумну машину». Проте дійсний прогрес у створенні штучного інтелекту почався з початком комп'ютерної ери. Один із перших, хто висловив можливість того, що комп'ютери могли б обробити символи також як і цифри (і у та­кий спосіб моделювати процеси розумової діяльності людини) був британський учений Алан Тюрінг (Alan Turing). 1950 року він запропонував підхід, що в даний момент відомий як «тест Тюрінга» для визначення штучного інтелекту, в якому дослідник ставить запитання як до людини, так і до комп'ютера..Якщо за­питувач не може визначити, людина чи машина забезпечила від­повідь, тоді стверджується, що штучний інтелект досягнутий.

у сучасному розумінні термін «штучний інтелект» (Artificial intelligence) можна трактувати як науковий напрям (дисципліну), _в рамках якого ставляться і розв'язуються завдання апаратного і програмного моделювання тих видів людської діяльності, які тра­диційно вважаються інтелектуальними, тобто потребують певних розумових зусиль. У Державному Стандарті України ДСТУ 2938-94 (Системи оброблення інформації. ОСНОВНІ ПОНЯТТЯ. Тер­міни і визначення) штучний інтелект визначається як «здатність систем оброблення даних виконувати функції, що асоціюються з інтелектом людини, такі як логічне мислення, навчання та само­вдосконалення».

Штучний інтелект (ШІ) як наука почав розвиватися практично зразу (через два роки) після того, як «General Electric» установив перший комп'ютер для використання у бізнесі. 1956 року в коле­джі м. Дартмут (Dartmouth) була проведена конференція, тему якої «Artificial intelligence» запропонував Джон Маккарті (John McCarthy). Учені, котрі взяли участь у конференції, узагальнили фундаментальні знання з математики, логіки і психології та ви­значили перші цілі та методології для дослідження ШІ. Термін Маккарті «штучний інтелект» опісля став популярним. Крім цього, в тому ж таки році була оголошена перша комп'ютерна програма ШІ, яку деякі фахівці вважають першою експертною системою.

Програма, що названа логіко-теоретичною (Logic Theorist), була створена Еліеном Ньюелом і Сімоном Хербертом у техноло­гічному інституті ім. Карнегі (тепер Карнегі—Мелономському університеті) та Дж. С. Шоу з корпорації «Ренд». Вона була роз­роблена, щоб розв'язувати логічні та обчислювальні задачі й до­водити теореми з підручника «Принципи математики» Вітхеда і Русселя. Принаймні в одному разі програма забезпечила лаконіч­ніше доведення, ніж було придумане людиною-математиком. Ці­каво, що в той час жоден журнал не захотів опублікувати дове­дення, яке придумане машиною.

Програма Logic Theorist мала обмежену здатність до мірку­вання, тобто виконувала тільки доведення теорем числення, про­те перші її успіхи заохотили дослідників до розроблення іншої програми — General Problem Solver, що була продемонстрована 1957 року. Цей програмний продукт мав просунуті можливості для розв'язування ребусів, завдань рівня вищої школи з мов та відповіді на запитання, які формулюються англійською мовою.

Ранні дослідження ШІ були зосереджені також на програмах для складних ігор як, наприклад, для гри в шахи. Розроблення про-

грам для шахової гри не було кінцевою метою саме по собі, а роз­глядалося скоріше як можливість підсилення розуміння того, як людина розв'язує складні проблеми. Протягом 1960—1970 років питання ШІ розроблялися значною мірою в межах дослідницьких лабораторій. У 80-х роках зростаюча кількість продуктів ШІ почала просуватися на ринок, оскільки компанії започаткували свої перші комерційні версії. Проте, як і в багатьох технологічних розробках, обіцянки щодо можливостей комерційних додатків ШІ поки що переважають їх реальну продуктивність.

9.1.2. Сімейство додатків штучного інтелекту

Протягом розвитку штучного інтелекту отримано низку додатків, котрі застосовуються в різних галузях науки і техніки. В даний момент застосування в бізнесі штучного інтелекту в основ­ному проходить у формі основаних на знаннях систем (knowledge-based systems), в яких використовуються людські знання для розв'язання проблем. Найпопулярнішим типом таких систем є експертні системи.

Експертна система — це комп'ютерна програма, в якій нама­гаються подати знання людини-експерта у вигляді евристик, це різновид інформаційних систем. Термін «евристика» походить від грецького кореня, як і слово «еврика», і означає «відкрити». Евристики не гарантують абсолютно правильні результати, як це досягається за допомогою вмонтованих у СППР стандартних ал­горитмів, але їхні пропозиції є корисними для певного проміжку часу. Оскільки експертна система призначена, головно, для кон­сультування, то акт її використання називається консультаці­єю — користувач консультується з експертною системою для отримання відповідних порад.

Експертні системи, як потенційний додаток до систем під­тримки прийняття рішень, а також інші продукти штучного ін­телекту, що мають безпосереднє відношення до СППР, будуть докладніше розглянуті окремо. Зображення на рис. 9.1 додат­ків ШІ у вигляді дерева підкреслює ту обставину, що зони їх дії перекриваються і зливаються, а деякі з них можуть бути складовими частинами інших. Коротко опишемо решту додат­ків штучного інтелекту.

Оброблення природною мовою (Natural language processing) — це найзручніший спосіб спілкування людей з комп'ютером рі-

зними розмовними мовами, наприклад, це можливість комп'ю­терної перевірки правопису і граматики. Система природної мо­ви не має жорстких синтаксичних вимог (на відміну від комп'ютерних мов). Вона забезпечує діалогову взаємодію з кори­стувачем, може настроюватися під нього, автоматично виявляти помилки, забезпечувати контекстну інтерпретацію. В інформа­ційних системах оброблення природною мэвою використовуєть­ся для пошуку інформації, модифікації даних, обчислень, статис­тичного аналізу, генерування графічних образів, забезпечення консультацій з експертною системою тощо,

Рис. 9.1. Дерево додатків штучного інтелекту

Системи візуалізації (Visualization systems) можуть подіб­но людині візуально взаємодіяти зі своїм середовищем, вико­ристовувати візуальні зображення і звукові сигнали для ін­структування комп'ютерів або інших пристроїв, як наприклад, роботів. Ці системи, що часто також називають системами розпізнавання образів (Perceptive systems?, реалізують функції технічного бачення і розпізнавання звукових сигналів (аналоги систем природної мови). Системи автоматичного розпізнаван-

ня образів у технічній літературі називають персептронами (Perceptron).

Роботи (Robotics) складаються з контрольованих комп'юте­ром пристроїв, які імітують моторну функцію людини. Термін «робот» уперше було вжито чеським письменником Карелом Ча­пеком 1920 року в соціально-фантастичній драмі «R.U.R.». Най­частіше роботів використовують для піднімання предметів і пе­реміщення їх в інше місце. Вони виконують функції машин для завантаження, пристроїв для зварювання або фарбування на складальному конвеєрі, засобів збирання частин у ціле та ін. Іх, головно, використовують для складання автомобілів і в інших подібних процесах виробництва. В СППР роботи не використо­вуються.

Нейромережі (Neural networks) — це надзвичайно спро­щені програмні або апаратні моделі нервової системи людини, що можуть імітувати такі здатності людини як навчання, уза­гальнення і абстрагування. Нейромережі знайшли широке за­стосування в системах підтримки прийняття рішень, зокрема, як засіб добування знань (інформації) в базах та сховищах даних.

Системи з навчання (Learning) містять низку операцій, які надають можливість комп'ютеру або іншому зовнішньому пристрою набувати нових знань на додаток до того, що було вже введено раніше в пам'ять фірмою-виробником або про­грамістами. Такі системи передбачають можливість навчання на базі досвіду, прикладів, аналогів, модифікації поведінки, аку­мулювання фактів. Узагалі, навчання може бути контрольова­ним, тобто через механічне запам'ятовування, та неконтрольо-ваним, наприклад, система може навчатися, використовуючи свій власний досвід. У СППР засоби навчання використову­ються дуже часто.

Апаратні засоби ШІ (Artificial intelligence hardware) — це фізичні пристрої, які допомагають виконувати функції в інших додатках штучного інтелекту. їх прикладами є апаратні засоби, які призначені для експертних систем на основі знань, нейро-комп'ютери, які використовуються для прискорення обчислень, електронна сітчатка ока та ін.

Програмні агенти (Software agents) — програмні продукти, що виконують завдання за дорученням користувача з метою по­шуку інформації в комп'ютеризованих мережах. Вони мають значний потенціал для застосування в системах підтримки при­йняття рішень.

9.1.3. Знання та їх використання в СППР

Поняття «знання» (Knowledge) у системах підтримки прийняття рішень, зокрема, орієнтованих на знання, мають ви­ключно важливе значення. Незважаючи на те, що інтуїтивно цей термін зрозумілий кожному користувачу, проте реалізація цього виду інформації потребує значних теоретичних обгрунтувань та різноманітних технологічних засобів. У загальному тлумаченні термін «знання» означає те, що будь-хто щось знає і розуміє. Інакше кажучи, це сукупність відомостей, які утворюють цілісний опис, що відповідає деякому рівню інформованості щодо певного питання, завдання, предмета тощо.

Якщо знання організоване і легке для користування, тоді воно називається структурованим, а в протилежному разі — неструк-турованіш. Знання, які неструктуровані і зрозумілі, але чітко не ви­ражені, називаються знаннями-припущеннями. В інформаційних системах важливе місце відводиться питанню нагромадження знань (Knowledge acguisition), тобто формулюванню та зберіганню знань, які отримуються від різних джерел, особливо від експертів.

Нагромаджені знання зберігаються в базах знань (Knowledge base). База знань — це ряд фактів, правил і процедур, які органі­зовуються в систему за допомогою специфічних програмних за­собів, що забезпечують пошук, зберігання, перетворення і зане­сення в пам'ять ЕОМ структурованих одиниць знань. Системи, які містять бази знань, розв'язувач (Solver) задач і користувацький ін­терфейс, часто називають інтелектуальними. Знання, нагромаджу­вані і використовувані в інтелектуальних системах, можна поділити на три типи: декларативні, процедурні та евристичні.

Декларативними називають знання, котрі записані в пам'яті інте­лектуальної системи у такий спосіб, щоб вони були безпосередньо доступними для використання після звертання до відповідного поля пам'яті. У вигляді декларативних знань записується інформація про об'єкти предметних галузей, метаправила, таблиці, словники тощо. За формою подання декларативні знання протилежні процедурним.

Процедурні знання — це такі, які зберігаються в пам'яті інте­лектуальної системи у вигляді описів процедур, за допомогою яких ці знання можна отримати. У такому вигляді записується ін­формація про способи розв'язання задач у специфічній предметній галузі, а також різні інструктивні та методичні матеріали.

Евристичні знання або просто евристики (Heuristics) — це змістовні (неформальні) розсудливі знання щодо певної приклад­ної галузі, які складаються з «правил доброго міркування» («здо-

рового глузду») у цій сфері. Евристики також містять у собі знання про те, як кваліфіковано і ефективно розв'язувати задачі. як спланувати кроки для розв'язування комплексної проблеми, як удосконалювати продуктивність тощо. Як правило, евристики ві­дображають особливості того, як людина розв'язує задачу, не ко­ристуючись строгими формальними прийомами, математичними моделями й алгоритмами. В експерних системах для формалізації професійних знань людини, що стосуються способів розв'язання задач у специфічній проблемній галузі, широко використовують ті евристики, якими користуються професіонали-експерти.

З концепцією евристичних знань тісно взаємопов'язані ключові в орієнтованих на знання СППР терміни — «інженер зі знань» та «ін­жиніринг знань». Інженер зі знань (Knowledge engineer) — фахівець зі штучного інтелекту, відповідальний за технічну сторону розроблення експертної системи. Інженер зі знань тісно працює з експертом при­кладної галузі, щоб оволодіти знаннями експерта-людини для відо­браження їх у базі знань. Інжиніринг знань (Knowledge engineering) — технічна дисципліна, яка містить інформацію про інтегрування знань у комп'ютерних системах для того, щоб розв'язувати складні проблеми, які, зазвичай, потребують високого рівня знань.

Корпоративні знання є активом організацій, але ефективне уп­равління цими засобами потребує інвестицій, зокрема, витрат грошей і залучення трудових ресурсів, виходячи з того, що: знання пов'язані зі створенням документів і їх рухом в обчислювальній системі; збі­льшення обсягів знань відбувається через їх редагування, інтегруван­ня і відокремлення; потрібне розроблення підходів до класифікації знань і нових вкладень до них; необхідна інфраструктура технології оброблення інформації й додатків для поділу знань; нагальною є та­кож потреба у навчанні службовців стосовно створення, поділу і ви­користання знань. Усі ці процеси потрібно організовувати і керувати ними, що входить до складу функцій управління знаннями.

Управління знаннями (Knowledge management) — це поділ, уста­новлення доступу і вибирання неструктурованої інформації про «людський досвід» між взаємозалежними особами або між членами робочої групи. Управління знаннями включає в себе розпізнавання групи людей, які мають потребу в спільному використанні знань, розроблення технологічної підтримки, яка дає можливість поділяти знання, і створення процесу для передання й розповсюдження знань. На даний час розроблені численні засоби комп'ютерної підтримки управління знаннями, тобто спеціалізоване програмне забезпечення.

Програмне забезпечення управління знаннями (Knowledge management software) — програмне забезпечення, яке уможлив-

пює накопичення і управління неструктурованою інформацією в пізних електронних форматах. Програмне забезпечення може до­помагати в нагромадженні знань, їх класифікації, використанні, дослідженні, відкритті або в організації зв'язку між структурни­ми одиницями знань. До продуктів даного типу, зокрема, нале­жать системи управління електронними документами (EDMS).

Немало фірм здійснили кількісну оцінку вартості управління знаннями. За деякими оцінками, витрати на управління інтелек­туальним капіталом становлять від 7 до 10 відсотків доходу. Але в той час, як управління знаннями дороге, очевидним є той факт, що втрати від неуцтва і дурості більші. Скільки коштує організації те, коли головні службовці забувають, як швидко і правильно вико­нувати завдання, або які втрати зумовлені рішенням, прийнятим на основі помилкових знань? Втрати за цих обставин мають критичне значення для організацій, що стало спонукальним мотивом для роз­роблення орієнтованих на знання СППР, англомовною назвою яких є «Knowledge-Driven DSS», що дослівно можна перекласти як СППР, котрі управлять знаннями (запускають знання).

9.1.4. Моделі подання знань в інформаційних системах

Знання в базі знань подаються в певному вигляді, тоб­то в певних інформаційних одиницях знань і зв'язках між ними. Форма подання знань істотно впливає на характеристики і влас­тивості інформаційних систем, тому це є однією з найважливі­ших проблем, характерних для систем, орієнтованих на знання. Оскільки логічні висновки і дії над знаннями в інформаційних ін­телектуальних системах проводяться програмовано, то знання не можуть бути подані безпосередньо в звичайному вигляді, тобто в якому вони використовуються людьми (наприклад, у розмовній чи текстовій формі). У зв'язку з цим розробляються формальні моделі подання знань.

За розроблення специфічних моделей подання знань намага­ються дотримуватися таких вимог:

1) подання знань має бути однорідним (одноманітним). Одно­рідна презентація знань приводить до спрощення механізму управління логічними висновками і управління знаннями взагалі;

2) подання знань має бути зрозумілим експертам і користува­чам системи. В іншому разі утрудняються набуття знань та їх оцінювання.

Відомі чотири основні типи моделей описання знань у базах знань:

— логічні, основою яких є формальна модель, тобто формаль­ний опис деякою логічною мовою структури об'єкта;

— продукційні, що грунтуються на використанні правил (про-дукцій);

— фреймові, тобто форми подання знань, в основу яких по­кладені фрейми, кожен з яких складається зі слотів. Фреймова форма подання знань визначається рекурсивно;

— моделі у вигляді семантичної мережі, тобто мережі, у вер­шинах якої містяться інформаційні одиниці, а дуги характеризу­ють відношення і зв'язки між ними.

Мова, що використовується для розроблення систем на основі цих моделей, називається мовою подання знань. Відомі такі мови подання знань:

• логічна мова подання знань, в основу якої покладено чис­лення предикатів першого порядку. Виразами цієї мови є синтак­сично правильні формули даного числення, через які виражають­ся всі записані в системі декларативні й процедурні знання;

• продукційна мова, основними одиницями якої є продукції (правила);

• фреймова мова, у котрій для подання і маніпулювання знан­нями використовується фреймова модель подання знань. На даний час найвідомішими фреймовими мовами є FRL (Frame Representa­tion Language) і KRL (Knowlenge Representation Language).

Характеристики названих моделей подання знань описані в лі­тературі зі штучного інтелекту. Частково вони будуть розглянуті пізніше в контексті створення орієнтованих на правила СГІПР.

9.2. Орієнтовані на знання системи підтримки прийняття рішень

9.2.1. Загальна характеристика орієнтованих на знання систем підтримки прийняття рішень

Широковідоме твердження «знання — сила» в органі­заціях справджується лише тоді, коли знання спільно використо­вуються службовцями та іншими учасниками бізнес-процесів. Причому важливість розподілення знань за створення рішень

сьогодні розуміє більшість людей. Єдиний спосіб спільно вико­ристовувати знання — створити комп'ютеризовані системи, які можуть збирати і зберігати знання, що описують події, їх імовір­ності, правила і зв'язки (відношення). Спеціалізоване програмне забезпечення може оброблювати такі знання і допомагати мене­джерам у створенні рішень. Як уже зазначалося, цим системам відповідає термін «орієнтовані на знання системи підтримки прийняття рішень». Досить часто застосовуються й інші назви (синоніми) СППР даного типу: СППР, що керують знаннями (Knowledge-Driven DSS); рекомендаційні СППР (Suggestion DSS); СПРП, що ґрунтуються на правилах (орієнтовані на правила СППР) (Rule-Based DSS); інтелектуальні СППР (Intelligent DSS). Слід зауважити, загальноприйнятної термінології в цій галузі ще не вироблено, оскільки процес дослідження й розроблення цього типу СППР бурхливо розвивається.

Орієнтовані на знання СППР забезпечують менеджерів відпо­відними рекомендаціями. Домінуючими їхніми компонентами є «здобування» знань (knowledge discovery) та механізми їх за­пам'ятовування. Створюючи такі системи, зазвичай, використо-вуть оболонку розроблення експертних систем і інструментальні засоби дейтамайнінгу (Data Mining). Аналітики бізнесу та вико­навці виявляють зв'язки (відношення) в дуже великих базах да­них із застосуванням дейтамайнінгу і в результаті аналізу можуть розпізнати нові відношення й нові знання.

Орієнтовані на знання системи підтримки прийняття рішень збе­рігають і застосовують різні знання для розв'язання багатьох спе­цифічних бізнесових проблем. Ці проблеми включають необхід­ність конфігурації таких задач як, наприклад, визначення плато­спроможності позичальника перед наданням йому кредиту, виявлен­ня обману (шахрайства, підробки) і оптимізація інвестицій. Вони да­ють змогу вдосконалити узгодженість у прийнятті рішень, проводити в життя політику і регламентування, передавати набутий досвід не­досвідченим штатним працівникам і зберігати важливі результати експертиз (експертні знання) для компаній, якщо штатні експерти звільняються або відмовляються надавати експертні послуги.

У принциповому відношенні орієнтована на знання СППР має такі самі компоненти, що і звичайна СППР, тобто елементи мо­делювання та керування даними, користувацький інтерфейс, за­соби телекомунікацій (керування поштою та повідомленнями). Проте вона містить і додаткові компоненти — базу знань і маши­ну (механізм) висновків. На рис. 9.2 зображена спрощена схема орієнтованої на знання СППР.

Рис. 9.2. Спрощена схема орієнтованої на знання СППР

Машина логічного висновку (Inference Engine) — це програмне за­безпечення, яке імітує виконання функцій мислення. У малих систе­мах цей компонент інколи називають командним процесором (shell) експертної системи. Машина логічного висновку використовує знан­ня, які містяться в базах знань, щоб продукувати висновки. Для цього вона застосовує ряд правил, які створюються розробником.

Основою орієнтованих на знання СППР є механізм (середо­вище) розроблення, що включає програмне забезпечення для створення та підтримки бази знань і машини висновків, а також експерт домена (проблемної галузі). Експертом домена є особа, яка має знання та досвід у проблемній галузі, для якої розробля­ється специфічна система. Він тісно співпрацює з інженером знань, щоб відобразити знання експерта в базі знань. Цей процес особливо часто використовується для відображення в комп'ю­терному форматі правил та інформаційних відношень.

Можна виділити низку характеристик, які є загальними для орієнтованих на знання СППР:

1. Цей вид програмного забезпечення допомагає менеджерам у розв'язуванні проблем.

2. Такі системи використовують накопичені знання у вигляді правил, фреймів або ймовірної (правдоподібної) інформації.

3. Люди взаємодіють із системою, коли виконують завдання.

4. Орієнтовані на знання СППР грунтуються на рекомендаціях, отриманих з людських знань, і застосовуються для розв'язання не­великого кола завдань.

5. Орієнтовані на знання СППР (експертні системи також) не «думають» на відміну від людини-експерта.

Орієнтовані на знання СППР відрізняються від відоміших і по­ширених орієнтованих на моделі СППР способами подання й обро­блення знань. Орієнтовані на знання СППР намагаються імітувати процеси міркування людини в той час, як орієнтовані на моделі СППР мають послідовність заздалегідь визначених інструкцій для

реагування на події. Для порівняння орієнтованих на знання СППР і орієнтованих на моделі СППР ми маємо запам'ятати такі формули:

Орієнтовані на знання СППР = База знань + Машина логічно­го висновку.

Орієнтовані на моделі СППР = Дані + Кількісні моделі.

Розроблення орієнтованих на знання СППР має починатися з орієнтованої на рішення діагностики, і, якщо аналіз здійснимості дасть позитивний результат, то тоді команда проектувальників по­винна завершити процес розроблення СППР швидким макетуван­ням. Багато орієнтованих на знання СППР будують, використовую­чи середовище розроблення правил і командний процесор експерт­ної системи. Інженер зі знань співпрацює з експертом проблемної галузі, щоб виявити правила і відношення. Тестування й перевірка правильності системи може включати використання попередніх прикладів і випадків з даної проблемної галузі.

Є кілька загальних підходів до швидкого макетування для роз­роблення орієнтованих на знання СППР. Можна виділити такі ста­дії: ідентифікація домена; концептуалізація; формалізація; реачі-зація; тестування. Ці п'ять стадій є надзвичайно взаємопов'я­заними і взаємозалежними. Ітеративний процес продовжується до затвердження на прийнятному рівні орієнтованих на знання СППР.

9.2.2. Технології експертних систем

у системах підтримки прийняття рішень

Як уже зазначалося, підґрунтям для розроблення та функціонування орієнтованих на знання СППР є технологія екс­пертних систем та засоби добування знань. Відомо, що основна концепція експертних систем (ЕС) базується на припущенні, що знання експерта можуть бути записані в комп'ютерній пам'яті і потім застосовані іншими, коли з'являється в цьому потреба. Оскільки з проблематики побудови та використання експертних систем є достатня кількість літературних джерел, у тому числі й україномовних, то є резон розглянути цей тип інформаційних си­стем у контексті створення орієнтованих на знання СППР, зокре­ма, дати відповідь на запитання:

1. Що таке технологія експертних систем?

2. Яке співвідношення між технологіями ЕС і СППР?

3. Чи є експертна система різновидом СППР?

Для отримання відповіді на ці запитання потрібно охарактери­зувати експертні системи з погляду підтримки створення рішень,

проаналізувати схему функціонування експертних систем з виді­ленням модулів, однакових (спільних) з орієнтованими на знання СППР, і на цій підставі дійти необхідних висновків.

Поиск по сайту: