 |
Моделирование и анализ ситуаций принятия решений.
|
|
|
|
Рассмотрим кратко основные категории моделей, приведенные в табл.2.1., и их использование для различных ситуаций принятия решений.
1. Решения с несколькими альтернативами. Ситуации принятия решений, которые вызывают конечное и обычно не слишком большое число альтернатив, моделируются с использованием подхода, названного решения с несколькими альтернативами.
При этом подходе альтернативы перечисляются в таблице или представляются в виде графа с их прогнозируемыми вкладами в достижение цели и вероятностями осуществления таких вкладов. Они могут быть оценены для выбора лучшей альтернативы. Существует два различных случая при принятии решений: одна цель или множество целей.
В одно-целевых ситуациях используются таблицы решений или деревья решений. В многоцелевых ситуациях (при многокритериальном анализе решений) могут использоваться другие методы.
Таблицы решений являются удобным способом организации информации в систематическом виде.
Необходимо также рассматривать два специфичных случая: неопределенность и риск. При неопределенности мы не знаем вероятности каждого состояния природы. При риске мы предполагаем, что знаем вероятности проявления каждого состояния природы. При анализе рисков могут использоваться различные методы (не только вероятностные): имитационный, факторный, нечеткая логика и др.
Деревья решений являются альтернативным представлением таблицы решений. Дерево решений имеет два преимущества: во-первых, оно показывает отношения и связи в задаче графически; во-вторых, оно может обращаться со сложными ситуациями в компактной форме. Однако оно не может быть громоздким, если в процесс вовлечены много альтернатив или состояний природы.
|
|
|
2. Оптимизация с использованием математического программирования. Математическое программирование – это семейство инструментальных средств, созданных, чтобы помочь в процессе решения управленческих задач, при котором лицо, принимающее решения должно выделить ограниченные ресурсы для различных действий или операций с условием оптимизации измеримой цели. Наиболее известным методом этого семейства инструментов является линейное программирование. Оно широко используется в ИСПР и имеет много важных практических приложений. Например, решение задачи распределения (ресурсов или времени).
Задачи распределения, решаемые на основе линейного программирования, обычно отражают следующие характеристики:
- для распределения доступно ограниченное количество ресурсов;
- ресурсы используются в производстве продукции или услуг;
- существует два или более пути использования ресурсов, каждый из которых называется решением или программой;
- распределение обычно ограничивается несколькими доступными пределами и требованиями, называемыми ограничения.
Модель распределения линейного программирования основывается на следующих различных экономических допущениях:
- отдача или доходность при различных вариантах распределения могут сравниваться, т.е. они могут быть измерены в общих единицах (например, денежных);
- отдача от одного распределения независима от других распределений;
- общая доходность является суммой доходностей, принесенных различными действиями;
- все исходные данные известны и определены.
Задачи распределения обычно имеют большое число возможных альтернативных решений. В зависимости от приведенных допущений, число решений может быть бесконечным или конечным. Решение, позволяющее получать большую доходность, является наилучшим. В том смысле, что степень достижения цели, связанная с этим решением, является наивысшей (или общая доходность максимизирована). Оно называется оптимальным решением, и может быть получена с использованием специального алгоритма.
|
|
|
Существуют и другие приложения линейного программирования. Например, задача смещения продуктов, транспортная задача и т.д.
Каждая задача линейного программирования состоит из переменных решения (чьи величины неизвестны и осуществляется их поиск), функции цели (линейная математическая функция, которая связывает переменные с целью, измеряет степень достижения цели и должна быть оптимизирована), коэффициентов целевой функции (прибыль части или элемента, или стоимостные коэффициенты, показывающие вклад в достижение цели каждого элемента переменной решения), ограничения (выраженные в форме линейных неравенств или уравнений, которые ограничивают ресурсы или требования; они связывают переменные через линейные отношения), допустимые способности (которые описывают верхние и иногда нижние пределы ограничений и переменных), входные и выходные технологические коэффициенты (которые показывают использование ресурса для переменной решения).
Помимо линейного программирования, существуют и другие методы математического программирования: нелинейное программирование, динамическое программирование, стохастическое программирование.
Оптимизационные модели часто бывают включены в разработки программного обеспечения систем поддержки решений.
3. Имитационное моделирование. Имитационное моделирование имеетмного значений. Вообще, имитировать означает допускать проявление свойств и особенностей действительности.
В ИСПР это в основном относится в методу проведения экспериментов (таких, как анализ что-если) на компьютере с моделью управляемой системы.
Т.к. ИСПР имеет дело со слабоструктурированными или неструктурированными ситуациями, она вовлекает в процесс сложную действительность, которая не может быть легко представлена оптимизационными или другими моделями, но с которой часто может справится имитационная модель. Поэтому имитационное моделирование является наиболее часто используемым инструментом ИСПР.
Главные характеристики. Прежде всего, имитационная модель, строго говоря, не является типичным образцом модели. Модели в общем представляют действительность, в то время как имитационная модель обычно имитирует ее. На практике это означает, что в имитационных моделях меньше упрощений действительности, чем в других моделях.
|
|
|
Во-вторых, имитационное моделирование это метод проведения экспериментов. Поэтому, имитационное моделирование включает проверку определенных переменных решения или неуправляемых переменных в модели и наблюдение их влияния на выходные переменные.
Имитационное моделирование является скорее описательным, чем нормативным инструментом. То есть, здесь нет автоматического поиска оптимального решения. Вместо этого, имитационная модель описывает или предсказывает характеристики данной системы в различных условиях. Наилучшая альтернатива выбирается среди нескольких предварительно рассчитанных значений характеристик. Имитационный процесс часто состоит из многократного повторения экспериментов для получения оценки общего результата определенных действий.
Наконец, имитационное моделирование привлекается обычно тогда, когда задача является слишком сложной, чтобы обращаться к числовым оптимизационным методам (таким, как линейное программирование).
Здесь «сложность» означает, что задача либо не может быть сформулирована для оптимизации, либо формализация является слишком сложной или задача стохастическая по своей природе (проявляется риск и неопределенность).
Методология имитационного моделирования. Имитационный процесс включает установленную модель реальной системы и управляемые повторяющиеся эксперименты с ней. Методология состоит из определенного количества шагов:
а). Определение задачи. Исследуется и классифицируется задача реального мира. Здесь мы определяем, почему необходимо имитационное моделирование. Затрагиваются такие аспекты, как границы системы и другие.
б). Построение имитационное модели. Этот шаг включает определение переменных и их связей, а также сбор необходимых данных. Часто для описания процесса используется блок-схема. Далее пишется компьютерная программа.
|
|
|
в). Испытание и подтверждение модели. Имитационная модель должная подобающе представлять изучаемую систему. Это гарантируется испытаниями и подтверждением адекватности модели.
г). Планирование экспериментов. После подтверждения адекватности модели, планируется эксперимент. На этом шаге определяется также длительность имитационного процесса.
Существуют две важные и противоречивые цели: точность и стоимость.
Также предусматривается определение типичных (для усредненных значений случайных переменных), наилучших (например, низкая стоимость, высокая доходность) и наихудших (высокая стоимость и низкая доходность) сценариев. Это помогает установить переделы изменения переменных решения, в которых надо работать, а также способствует устранению ошибок в имитационной модели.
д). Проведение экспериментов включает ранжирование исходов при генерации случайных чисел для представления результатов.
е). Оценка результатов. Здесь мы определяем и оцениваем значения результатов, используя статический инструментарий.
ж). Использование результатов имитационного процесса имеет более высокие шансы для реализации, т.к. менеджер, принимающий решения, обычно в большей степени вовлечен в имитационный процесс, чем при работе с другими моделями.
Типы имитационных процессов и моделей. Существует несколько типов имитационных моделей.
а). Вероятностные имитационные модели. В этих моделях одна или более независимых переменных являются вероятностными. Они следуют некоторым вероятностным распределениям.
Существуют дискретные и непрерывные распределения вероятностей. Дискретные распределения включают ситуации с ограниченным числом событий или переменных, которые требуют только конечное число значений.
Непрерывные распределения – это ситуации с неограниченным числом возможных событий, которые следуют, например, нормальному распределению. Вероятностная имитация проводится с помощью методы Монте – Карло.
б). Имитация, зависимая от времени в сравнении с имитацией, не зависимой от времени. Независимая от времени имитация относится к ситуации, в которой точное знание о том, когда событие произошло, не является важным. Например, мы не можем знать, что потребность в некотором продукте определяется в количестве три единицы в день, но нас не заботит, когда в течении дня требуется каждая единица. В некоторых время вообще может не быть существенным фактором. С другой стороны, в задачах ожидания важно знать точное время прибытия (или, например, знать, должен ли будет покупатель ожидать и сколько времени). В этом случае мы имеем дело с ситуацией, зависимой от времени.
|
|
|
4. Визуальное моделирование и имитация. Имитация в течение долгого времени является полезным методом, привносящим понимание в сложные ситуационные задачи ИСПР. Однако, техника имитации обычно не позволяет лицам, принимающим решения видеть, как решение сложной задачи развивается во времени. Также она не дает им способность взаимодействовать с этим решением. Имитационная техника дает только статистические ответы в конце множества специальных экспериментов. Как результат, ЛПР не являются неотъемлемой частью развития имитационного процесса и их опыт и мнение обычно не могут непосредственно оказать содействие при изучении процесса.
Таким образом, любые заключения, получаемые при помощи таких моделей, должны приниматься с доверием. Если же заключения не согласуются с интуицией или особым мнением ЛПР, то уменьшается доверие к использованию этой модели.
Одним из наиболее интересных направлений развития компьютерной графики является визуальное интерактивное моделирование (ВИМ). Эта технология с успехом используется в ИСПР в области управления процессами и операциями. Такая технология имеет несколько наименований и вариаций, таких как визуальное интерактивное решение проблем, визуальное интерактивное моделирование и визуальная интерактивная имитация.
ВИМ использует компьютерные графические отображения для представления воздействия различных управленческих решений. Это отличается от обычной графики, при которой пользователь может вмешиваться в процесс принятия решений и видеть результаты этого вмешательства. Визуальная модель является детальным отображением, используемым как неотъемлемая часть процесса принятия решений или решения задач, но не только как средство общения. ВИМ отображает результаты различных решений в графической форме на экране компьютера.
ВИМ может представлять статические и динамические системы. Статические модели проявляют визуальный образ результата одного альтернативного решения в определенный момент времени (при помощи компьютерных окон несколько результатов могут быть сравнены на одном экране). Динамические модели проявляют и отображают системы, которые развиваются во времени. Эволюция представляется при помощи анимации.
Одной из наиболее развитых областей в динамических ВИМ является визуальная имитация. Это очень важная технология для ИСПР, потому что имитация считается главным подходом в системах поддержки решений.
Визуальная интерактивная имитация представляет собой имитацию решения, при которой конечный пользователь наблюдает развитие имитационной модели в анимационной форме с использованием графических представлений. Пользователь может взаимодействовать с имитационной моделью и проверять различные стратегии решения.
ВИМ – это подход, который по сути, обладает способностью позволять ЛПР узнавать о своих собственных субъективных ценностях. Это узнавание может быть очень существенным при проектировании систем поддержки решений. Эту методологию делают возможной анимационные системы, которые производят реалистичные графические представления. Последние технологии визуальной имитации связаны с понятием виртуальной реальности, где искусственный мир создается для определенных целей, от обучения до развлечения.
Основной философией визуальной интерактивной имитации является то, что ЛПР могут взаимодействовать с имитационной моделью и наблюдать развитие результатов во времени. ЛПР могут также способствовать подтверждению адекватности модели. Они будут иметь больше доверия к возможности использования этой модели вследствие своего участия в процессе ее развития. Они также могут использовать свои знания и опыт чтобы взаимодействовать с моделью при исследовании альтернативных стратегий.
Имитация может быть интерактивной на стадии построения модели, на стадии эксплуатации модели, или на обеих стадиях. Для понимания того, как системы работают в различных условиях, важно иметь способность взаимодействовать в моделью в процессе ее эксплуатации, когда могут проверяться альтернативные предложения или директивные воздействия.
ВИМ может графически представлять ответы на вопросы что-если с учетом изменений во входных переменных.
Подход ВИМ может быть также использован совместно с искусственным интеллектом. Интеграция этих двух технологий добавляет несколько способностей: от способности построения систем графически, до изучения динамики системы.
5. Эвристическое программирование. Определение оптимальных решений в некоторых сложных задачах может содержать запрещенные или нереализуемые значения и количества, например, времени и стоимости. Часто оптимальное решение может быть даже невозможным. Альтернативный имитационный подход может быть продолжительным по времени реализации, сложным и даже неточным. В таких ситуациях иногда возможно достичь удовлетворительных решений более быстро и с меньшими затратами, используя эвристики.
Эвристическая процедура может быть также описана как нахождение правил, которые помогают решать сложные задачи, нахождение путей поиска и интерпретации информации в каждом опыте и нахождение методов, которые ведут к вычислительному алгоритму или общему решению.
Хотя эвристики используются в основном для решения слабо структурированных задач, они также могут использоваться для обеспечения удовлетворительных решений некоторых сложных хорошо структурированных задач (таких, как крупно масштабные комбинаторные задачи, которые имеют много потенциальных решений для исследования). Процесс решения с помощью эвристик в этих случаях может осуществляться намного быстрее и дешевле, чем оптимизационными алгоритмами. Поэтому эвристики обычно используются только для конкретных ситуаций, для которых они предназначены.
Эвристическое программирование – это подход с использованием эвристикдля достижения осуществимых и приемлемых решений некоторых сложных задач.
Эвристики могут быть количественными, и таким образом они играют главную роль в базовой модели системы поддержки решений. Они могут быть также качественными и тогда они играют главную роль в обеспечении знаниями экспертной системы.
Эвристическое мышление включает поиск, обучение, оценку, суждение и затем снова поиск, переобучение и переоценку, как процесс исследования и апробирования.
2.3. Процесс подготовки и принятия решений.
Процесс подготовки и принятия решений включает три главные стадии: концепции проектирования и выбора. Завершает процесс выполнение решения. На рис.2.1. представлена обобщенная схема процесса принятия решений, состоящая из непрерывного потока действий от концептуальной стадии до проектирования и выбора, но возможны возвраты на предыдущую стадию (обратная связь).
Моделирование является основной частью этого процесса.
Процесс принятия решений начинается на концептуальной стадии, где проверяется проблемная область, идентифицируется и определяется задача. На стадии проектирования строится модель, которая представляет и описывает систему. Это делается путем допущений, которые упрощают действительность путем описания отношений между всеми переменными. Затем проверяется адекватность модели и устанавливаются критерии для оценки альтернативных направлений.
На стадии выбора осуществляется верификация и испытание предложенного решения. Если предложенное решение окажется приемлемым, то оно готово для завершающей стадии: выполнение решения. Успешный результат завершает решение исходной задачи. Неудачный ведет к ранним стадиям процесса.
Рассмотрим более детально процесс принятия решений.
Концептуальная стадия начинается с определения организационных целей. Задачи возникают, из неудовлетворенности существующим состоянием дел или их развитием. На этой стадии пытаются определить, существует ли проблема, идентифицировать ее признаки, определить ее значимость и в итоге окончательно определить задачу. Часто то, что описывается как проблема, может быть только признаком проблемы. Так как проблемы реального мира обычно усложняются многими взаимосвязанными факторами. Поэтому иногда бывает трудно различать между признаками и действительной проблемой.
Действия по классификации задачи представляют собой концептуализацию задачи путем ее классификации и отнесения к определенной категории. Важным признаком классификации является степень очевидной структурированности задачи. Различают две крайние ситуации относительно структурированности задачи принятия решения. На одном конце спектра находится хорошо структурированные задачи, которые являются повторяющимися и рутинными. Для их решения строятся стандартные модели. Их можно назвать программируемыми задачами. На другом конце находятся слабо структурированные или непрограммируемые задачи, которые являются новыми, неповторяющимися и нестандартными. Кроме того существуют частично структурированные задачи между этими двумя крайними позициями спектра.
Многие сложные задачи могут быть разделены на подзадачи в процессе декомпозиции. Решение более простых подзадач может помочь в решении сложной задачи. Кроме того, некоторые слабо структурированные задачи могут иметь некоторое количество высоко структурированных подзадач.
Стадия проектирования влечет порождение, развитие и анализ возможных направлений действия. На этой стадии также строится, испытывается и проверяется модель ситуационной задачи.Моделирование включает концептуализацию задачи и ее абстрагирование в количественной и/или качественной формах. Для математической модели идентифицируются переменные и устанавливаются уравнения, описывающие их отношения. Если необходимо, производятся упрощения путем принятия набора определенных допущений. Однако должно учитываться и соблюдаться правильное равновесие между степенью упрощения модели и ее адекватностью представления действительности.
Задача моделирования представляет собой сочетание искусства и науки. Особенно это относится к имитационным моделям.
 |
Рис.2.1. Процесс принятия решений.
Основными вопросами и понятиями, относящимися к количественным моделям (математическим, финансовым и др.) являются:
- компоненты модели;
- структура модели;
- определение принципов выбора (критерии для оценки);
- генерация и развитие альтернатив;
- предсказываемые результаты;
- сценарии.
Граница между стадиями проектирования и выбора часто неразличима, т.к. некоторые действия могут быть совершены как при проектировании, так и на стадии выбора. Кроме того, возможны частые возвраты со стадии выбора на стадию проектирования. Стадия выбора включает поиск, оценку и выработку рекомендации по приемлемому решению на модели. Решение на основе модели – это набор значений переменных для выбранной альтернативы.
Решение на модели это не одно и то же, что решение задачи, которую эта модель представляет. Решение на модели дает рекомендуемое решение задачи. Только если это рекомендуемое решение успешно выполняется, задача может считаться решенной.
Существует несколько основных подходов к реализации поиска на стадии выбора решения, зависящих от критерия выбора. Это оптимизационные методы, слепой поиск и эвристический поиск.
Для аналитических моделей могут использоваться как оптимизационные методы, так и методы полного перебора (сравнение всех альтернатив друг с другом). Для описательных моделей может использоваться метод сравнения ограниченного количества альтернатив, слепой поиск или эвристики.
Здесь необходимо напомнить, что к оптимизационным моделям относятся модели линейного, динамического, нелинейного программирования, сетевые модели планирования и составления расписаний и другие. К описательным моделям относятся анализ информационных потоков, сценарный анализ, финансовое планирование, Марковский анализ, различные типы имитационных моделей, технологическое прогнозирование, модели управления очередями, эвристические модели и др.
Процесс поиска связан с оценкой. Оценка является конечным шагом, который ведет к рекомендуемому решению. Основными подходами к оценке альтернатив являются: многоцелевая (или многокритериальная) оценка, анализ чувствительности, что-если (what – if) анализ и анализ от цели.
Современные системы управления становятся все более сложными, и одна функциональная цель, например, максимизация прибыли, встречается редко. Менеджеры хотят достигать одновременно нескольких целей, некоторые из которых конфликтуют друг с другом. Поэтому, часто необходимо анализировать каждую альтернативу в свете ее потенциального влияния на несколько целей.
В ИСПР могут использоваться различные методы и подходы при многокритериальной оценке. Это теория полезности, целевое программирование, выражение целей через ограничения (используя линейное программирование) и др.
Разработчик модели делает предсказания и предположения относительно входных данных, многие из которых имеют дело с оценкой неопределенного будущего. Когда модель реализована и получены решения на модели, то результаты зависят от этих данных. Анализ чувствительности осуществляет проверку влияния изменений входных данных или параметров на предполагаемое решение, т.е. результирующую переменную. Анализ чувствительности важен в ИСРМ, т.к. он дает возможность гибкости и адаптации и к изменениям условий и к требованиям различных ситуаций принятия решений. Он обеспечивает лучшее понимание модели и ситуации для принятия решения.
Анализ что – если можно представить следующим образом: Что случится, произойдет с решением, если входные переменные, допущения или значения параметров изменятся? При допущении приемлемого пользовательского интерфейса, ЛПР легко может задать компьютерной модели вопросы такого типа и получить быстрые ответы. Более того, он может повторить вопрос и изменить процентные соотношения или изменить какие – либо другие данные в вопросе, если пожелает. Все это выполняется напрямую, без помощи программиста.
Анализ от цели позволяет вычислять количество входов, необходимых для достижения желаемого уровня выхода, т.е. цели.
Он представляет собой подход «обратное решение». Во многих ИСПР бывает трудно проводить анализ чувствительности, т.к. предварительно установленный порядок обычно представляет ограниченные возможности только для постановки вопросов что-если. Поэтому в ИСПР можно легко осуществлять выбор на основе анализа что-если и анализа и поиска решения от цели.
Завершает процесс подготовки и принятия решения стадия выполнения решения.
2.4. Новая технология решения задач управления.
В процессе развития искусственного интеллекта были заложены основы новой технологии обработки информации. При этом новая технология нашла воплощение в самых разнообразных приложениях, например в понимании естественного языка, распознавании образов, в экспертных системах, при разработке интеллектуальных информационных систем.
В последние годы технология решения информационных задач значительно изменилась. Интенсивно развивается и внедряется новая информационная технология решения задач управления.
Для дальнейшего анализа новой технологии рассмотрим традиционную
технологию решения задач [25]:
- постановка задачи конечным пользователем;
- формализация и разработка программы задачи (системным аналитиком и программистом без участия пользователя);
- необходимые корректировки, вносимые в постановку, оценка новых результатов. Далее по новому кругу;
- корректировку в программу вносят системный аналитик и программист.
- Корректировка порой является более сложным процессом, чем разработка
- новой программы. Часто изменение программы связано с изменением
- производственной, экономической ситуации, изменением взглядов группы
- пользователей на процесс эксплуатации задачи, неправильного понимания
- создателями прикладного ПО соответствующих требований конечного
- пользователя;
- сложная программная система обычно содержит ошибки, не выявленные на стадиях отладки и тестирования. Ошибки могут быть внесены на любой стадии создания системы. Исправление ошибок - необходимое сопровождение программной системы. Это необходимо также в связи с изменениями условий, в которых задача решается, что вызывается естественным развитием предметной области. Эти изменения требуется внести в программу;
- как следствие, возникает необходимость постоянного расширения функциональных возможностей системы.
При традиционной технологии решения задач сопровождение прикладного программного обеспечения выполняется на протяжении всего ее жизненного цикла. Процесс сопровождения в традиционной технологии требует по крайней мере такого же количества ресурсов, как и разработка программы (удваивается число специалистов по ПО, обслуживающих потребности пользователей).
Это обусловило необходимость изменения технологии использования компьютеров.
Ситуацию можно преодолеть только путем привлечения пользователей к процессам решения задач, сопровождения программной системы, и, возможно, даже разработки прикладного ПО.
Однако это требует коренного изменения принципов организации прикладного ПО и методов его использования при решении задач, сложившихся в рамках традиционных технологий.
Прежде всего, необходимо строить программные системы таким образом, чтобы радикально упростить процессы их эксплуатации и сопровождения.
Для того, чтобы глубже понять характер затруднений пользователя при его взаимодействии с компьютером при решении задач, необходимо подчеркнуть, что программная система в традиционной технологии решения обычно основывается на формальной модели решения задачи. Это может быть модель исследования операций, численный метод решения прикладного математического анализа, некоторая модель данных и т.п. При этом, как правило, множество понятий и терминов, в которых формулируется и описывается задача для применения программы, минимально и связано с математической моделью, а не с конкретной областью ее применения.
Как следствие - стремление к универсализации программных систем, т.е. к возможности использования такой системы в различных предметных областях. В то же время, каждая предметная область характеризуется системой содержательных понятий, которыми оперирует пользователь при решении задач.
Таким образом, в традиционной технологии обработки данных системы понятий предметной области и формальной модели, положенной в основу программы, как правило, не совпадают. Это различие и является основной причиной затруднений, возникающих при взаимодействии пользователя с компьютером в процессе решения задачи.
Для применения программы пользователь должен перевести постановку задачи, выраженную в системе понятий предметной области, в постановку, выраженную в системе понятий формальной модели. Перевод из одной системы понятий в другую называется интерпретацией. При получении результатов решения задачи пользователь также должен выполнить интерпретацию, обратную первой. Процесс интерпретации связан с рядом существенных объективных и субъективных трудностей, которые увеличиваются с ростом объема, сложности и универсальности программной среды.
Новая информационная технология ставит своей целью обеспечение простоты процесса взаимодействия пользователя с компьютером с исключением необходимости регулярного сопровождения.
Основная идея новой технологии, призванная обеспечить проблемы интерпретации, состоит в том, чтобы рассматривать систему понятий предметной области и соответствие между ней и системой понятий формальной модели как исходную информацию для решения прикладных задач.
В идеале подобный подход должен обеспечить пользователю возможность самостоятельного изменения системы понятий предметной области, определения новых понятий через «известные» системе. Пользователь получает возможность формулирования своего видения предметной области, выделения в ней объектов и взаимосвязей, существенных для решения задачи и удобных для рассуждения в процессе решения.
Разработчики систем искусственного интеллекта и экспертных систем, как важной составляющей новой информационной технологии решения задач, ставят своей задачей изменения традиционных подходов к системе взаимодействия человека и компьютера при решении задач принятия решений, обеспечения удобства и комфорта пользователя, повышения эффективности взаимодействия таких систем.
Новая информационная технология основывается прежде всего на интеллектуальных технологиях и теории искусственного интеллекта.
Искусственный интеллект – это термин, который охватывает много определений. Многие специалисты согласны, что ИИ соотносится с двумя базовыми идеями. Во – первых, ИИ вовлечен в процессы изучения мыслительных процессов человека (для понимания, что представляет собой интеллект); во-вторых, ИИ имеет дело с представлением этих процессов через машины (такие как компьютеры и роботы).
Одним из многих определений ИИ является следующее: искусственный интеллект – это такое поведение машины, что если оно совершалось бы человеком, то могло бы быть названо умным, т.е. интеллектуальным.
Если исследовать значение термина интеллектуальное поведение, то можно определить различные способности, которые рассматриваются как признаки интеллекта:
- обучение или понимание из опыта;
- выявление смысла из двусмысленности или противоположных сообщений;
- быстрый и адекватный отклик на новую ситуацию (разнообразные реакции, гибкость);
- использование рассуждений при решении проблем и эффективном направлении поведения;
- использование относительной важности различных элементов в ситуации;
- мышление и рассуждение.
Т.о. конечной целью ИИ является создание устройств, которые имитируют человеческий интеллект. Возможности современных коммерческих продуктов ИИ далеки от каких – либо значительных успехов в достижении перечисленных способностей. Тем не менее, программы ИИ непрерывно совершенствуется, они увеличивают производительность и качество при автоматизации различных заданий, которые требуют определенного уровня человеческого интеллекта.
Как искусственный интеллект и интеллектуальные технологии отличаются от традиционных вычислений?
Традиционные компьютерные программы основываются на алгоритме, который ясно определяет последовательную процедуру для решения проблемы. Это может быть математическая формула или последовательная процедура, которая ведет к решению. Алгоритм преобразуется в компьютерную программу, которая только указывает компьютеру какие операции выполнять. Кроме того, для решения проблемы алгоритм использует данные, такие как числа, буквы или слова.
В таблице 2.2. представлены некоторые традиционные способы компьютерной обработки данных. Эти процессы ограничены очень структурированными количественными применениями.
Таблица 2.2.
|
|
|
