Knowledge engineer (инженер по знаниям)

Специалист, который получает от профессионалов информацию и эксперт­ные знания и преобразует их в набор правил или фреймов для экспертной системы.

жение количества ошибок и затрат, уменьшение времени обучения, совершен­ствование принятия решений и улучшение качества и обслуживания.

Компания BlueCross BlueShield из Северной Каролины использовала оболочку ИИ Aion для формирования автоматизированной системы медицинского страхо­вания (automated medical underwriting system, AMUS). Система AMUS связыва­ет иерархическую базу данных информационно-управляющей системы (IMS) фирмы IBM и внутреннюю систему компании BlueCross BlueShield, обеспечивая назначение ставок, формирование политики и управление рисками. Система при­нимает решение, стоит ли одобрять прошения претендентов на страхование здо­ровья, после оценки их состояния и медицинских рисков. Страхователи могут внести изменения в эти правила. Эта экспертная система позволила компании BlueCross BlueShield уменьшить время, необходимое для принятия решение о стра­ховании, от одной недели до одного дня. Кроме того, полученное благодаря этой системе увеличение производительности позволило компании уволить 8 страхо­вателей и 15 человек вспомогательного персонала, заменив их четырьмя страхо­выми операционистами. После внедрения системы AMUS возросла точность ре­шений по страхованию (Кау, 2000).

Корпорация Countrywide Funding Corp. из Пасадены (штат Калифорния) явля­ется ссудно-страховой фирмой, на которую работают около 400 страхователей в 150 офисах по всей стране. В 1992 г. компания разработала экспертную систему для принятия предварительных решений о кредитоспособности претендентов на получение кредита. Компания быстро и продолжительно росла, поэтому требова­лось, чтобы система обеспечивала непротиворечивые и высококачественные ре­шения по ссудам. Система CLUES (Countrywide Loan Underwriting Expert System) включает около 400 правил. Корпорация Countrywide проверила систему, переда­вая ей каждую обработанную человеком-страхователем заявку. Система совер­шенствовалась, пока принимаемые ею решения не начали в 95% случаев совпа­дать с решениями страхователей-людей.

Корпорация Countrywide не полагается на систему CLUES при отклонении ссуды, поскольку экспертную систему нельзя запрограммировать на обработку таких исключительных ситуаций, как те, в которых участвуют лица, работающие не по найму, или ситуаций со сложными финансовыми схемами. Страхователь проверяет все отклоненные ссуды, затем принимает окончательное решение. Как правило, за день страхователь может обработать 6 или 7 заявок на получение ссуды. Используя систему CLUES, тот же страхователь может оценить не менее 16 за­явок в день. В настоящее время корпорация Countrywide использует правила сво­ей экспертной системы, чтобы ответить на запросы посетителей своего web-сай­та, желающих узнать, имеют ли они право на получение ссуды.

ООН разработала экспертную систему, позволяющую подсчитать заработную плату служащих, учитывая многочисленные и сложные правила вычисления та­ких привилегий, как льготы, основанные на местонахождении работы и контрак­те служащего. База знаний системы является сетевой и способна автоматически применять права при вычислении платежной ведомости. Система также модифи­цируется, если утверждено изменение в статусе служащего, и рассчитывает соот­ветствующую заработную плату для очередной платежной ведомости.

Хотя экспертным системам не хватает устойчивых и обобщенных сведений на уровне интеллекта людей, они могут принести пользу организациям, персонал которых осознает имеющие место ограничения. Используя экспертные системы, можно решить только некоторые классы задач. Фактически все успешные эксперт­ные системы имеют дело с задачами классификации с относительно небольшим числом альтернативных исходов, причем возможные исходы известны заранее. Многие экспертные системы требуют серьезных, продолжительных и дорогих про-ектно-конструкторских работ. Наем или обучение большего числа экспертов может оказаться менее дорогим решением, чем создание экспертной системы.

База знаний экспертных систем не очень надежна, причем невозможно их из­менение спустя какое-то время. В таких стремительно изменяющихся областях знаний, как медицина или информатика, поддержка современной базы знаний — это критическая проблема. Например, компания Digital Equipment Corporation пе­рестала использовать свою экспертную систему XCON для проектирования ком­пьютеров VAX, поскольку номенклатура ее продукции постоянно изменялась и было слишком трудно продолжать модифицировать систему для накопления этих изменений. Экспертные системы могут только представить ограниченные формы знаний. Импликативные знания (в виде правил IF—THEN) в основном существуют в учебниках. Не существует каких-либо адекватных представлений для глубоких причинно-следственных моделей или временных трендов. Напри­мер, ни одна экспертная система не может написать учебник по информационным системам или заняться другой творческой деятельностью, явно не заложенной разработчиками системы. Многие из экспертов не могут сформулировать свои знания, используя формат IF-THEN. Экспертные системы все еще не могут моде­лировать интуитивные знания, основанные на аналогии и восприятии предметов.

Вопреки преждевременным обещаниям экспертные системы наиболее эф­фективны в автоматизации канцелярских функций низкого уровня. Они могут предоставить электронные контрольные списки для служащих низшего уровня в банковском деле, страховании, сбыте и социальном обеспечении. Примени­мость экспертных систем к управленческим задачам весьма ограничена. Вообще, управленческие задачи затрагивают выборку из различных источников фактов и интерпретаций, их оценивание и сравнение одной интерпретации фактов с другой; они не ограничиваются простой классификацией. Экспертные системы на основе предшествующих знаний о нескольких известных альтернативах не подходят для решения задач, с которыми ежедневно сталкиваются менеджеры.

Организационный интеллект: прецедентная аргументация

Прежде всего экспертные системы извлекают знания отдельных экспертов, но организации также обладают коллективными знаниями и опытом, накапливае­мым годами. Эти организационные знания можно извлечь и сохранить, исполь­зуя прецедентную аргументацию (case-based reasoning, CBR). Используются возможности CBR, описание прошлого опыта специалистов, представленного в виде прецедентов, хранится в базе для последующего поиска, необходимость в котором возникает в случае, если пользователь столкнется с новым прецеден­том с подобными параметрами. Система ищет среди сохраненных прецедентов

Case-based reasoning (cbr) (прецедентная аргументация (или вывод по аналогии))

Технология ИИ, которая представляет знания как базу прецедентов и решений.

с характеристиками задачи, похожими на новую, находит наиболее точное соответ­ствие и применяет решения старого прецедента по отношению к новому. Успеш­ные решения для нового прецедента отмечаются, и оба хранятся вместе с другими прецедентами в базе знаний. Неудачные решения также добавляются в базу пре­цедентов наряду с пояснениями того, почему решения не сработали (рис. 12.12). Экспертная система работает, применяя к базе знаний набор правил IF-THEN-ELSE, каждое из которых сформировано экспертами-людьми. Напротив, CBR представляет знание как ряд прецедентов; эта база знаний непрерывно расширя­ется и совершенствуется пользователями. Например, компания Compaq Computer из Хьюстона (штат Техас) работает в конкурентной и ориентированной на обслу­живание клиента бизнес-среде. Ежедневно она захлестывается потоком телефон­ных обращений клиентов, взывающих о помощи. Удовлетворение потребностей клиентов требует, чтобы компания Compaq ежегодно тратила миллионы долларов на поддержку большого и технически квалифицированного штата служащих для работы с клиентами. Обращающиеся к техническому персоналу клиенты должны

описать проблему, а затем подождать, пока эта служба передаст запрос соответ­ствующему техническому специалисту. После этого клиенты снова описывают проблему, в то время как техники пытаются найти решения; в итоге многие оста­ются разочарованными. Чтобы улучшить обслуживание клиентов и снизить рас­ходы, компания Compaq начала продавать дорогие программные CBR-средства клиентам в дополнение к покупке ими принтеров Pagemarq.

В рассматриваемом случае программная база знаний — это последователь­ность из нескольких сотен реальных прецедентов проблем, возникших с принтером Pagemarq, реальные истории о «помятых экземплярах», проблемах с памятью принтера, о принтерах, «зажевавших» бумагу, т. е. все типичные проблемы, с ко­торыми сталкиваются пользователи при работе с лазерными принтерами. Об­ученный персонал вводит в CBR-систему описание прецедента в текстовом фор­мате, а также такие необходимые для категоризации проблемы ключевые слова, как пятно, мазок, строки, полосы и «заедание» бумаги. Вводится также ряд во­просов, с помощью которых еще больше сужается описываемая проблема. Нако­нец, к каждому прецеденту прилагаются соответствующие решения.

Благодаря CBR-системе, поставляемой компанией Compaq вместе с ее компью­терами, владельцам не нужно звонить в сервисный отдел Compaq. Вместо этого они запускают программу, затем описывают возникшую проблему. Система бы­стро ищет реальные случаи, отбрасывая не имеющие отношения к данному и вы­бирая имеющие отношение. При необходимости еще больше ограничить резуль­таты поиска программа запрашивает у пользователя дополнительную информацию. В итоге один или более прецедентов, соответствующих проблеме, предлагаются пользователю наряду с их решениями. Теперь клиенты могут быстро решить большинство своих проблем, не обращаясь в сервисный отдел, а компания Com­paq ежегодно экономит $10-20 млн на обслуживании клиентов.

Такие новые коммерческие программные продукты, как Inference CasePoint Webserver, позволяют клиентам обращаться к базе прецедентов через Сеть. Ис­пользуя CBR-систему, сервер просит клиентов ответить на ряд вопросов, чтобы локализовать проблему. Затем CasePoint извлекает из базы решения и передает их клиентам. Американский производитель музыкального оборудования Kenwood использовала это инструментальное средство для размещения в Интернете своих инструкций и решений по техническому обслуживанию.

12.4. Другие интеллектуальные технологии

Организации используют и другие интеллектуальные вычислительные методы для расширения своей базы знаний, обеспечивая решение проблем, слишком гро­моздких или сложных, чтобы их могли обработать люди с ограниченными ресур­сами. В перспективных бизнес-приложениях используются нейронные сети, не­четкие логики, генетические алгоритмы и интеллектуальные агенты.

Нейронные сети

Наблюдается всплеск интереса к методам ИИ, которые воплощаются в разработ­ке машин, имитирующих физический процесс мышления биологического мозга.

_--------—™-----------_------------------------------------------------------------,