Artikel teknologi di bidang ekonomi. Spesialisasi "Sistem dan teknologi informasi (dalam ekonomi)". PMA: Penasihat Manajer Portofolio. Pengembang perusahaan: Athena Group. Tugas yang harus diselesaikan: pembentukan portofolio, pemberian rekomendasi untuk mendukung
1.1 Konsep dasar kecerdasan buatan
1.2 Representasi pengetahuan
1.3 Tugas membentuk basis pengetahuan
2. Pengenalan pola dan terjemahan mesin
2.1 Konsep gambar
2.2 Masalah pengenalan pola
2.3 Pelatihan, pembelajaran mandiri dan adaptasi
2.4 Mengonversi gambar ke kode digital
3. Neurokomputer dan jaringan
3.1 Neurokomputer
3.2 Apa itu jaringan saraf?
4. Sistem pakar (ES), struktur dan klasifikasinya. Alat untuk membangun ES. teknologi pengembangan ES.
5. Penggunaan dan dukungan ES. Rekayasa ulang bisnis.
5.1 Penggunaan sistem pakar keuangan
5.3 Rekayasa ulang bisnis
6. Strategi untuk memperoleh pengetahuan. Metode praktis ekstraksi pengetahuan. Menstrukturkan pengetahuan. Implementasi perangkat lunak dari basis pengetahuan.
PENGANTAR
Kemungkinan komputer elektronik tidak lagi mengejutkan siapa pun. Komputerisasi berbagai bidang aktivitas manusia, selain efek langsung dari pengenalan teknologi komputer, sering kali memunculkan kelas baru produk perangkat lunak dan teknologi untuk pengembangannya. Teknologi apa pun terutama merupakan bidang aktivitas intelektual bagi para spesialis, namun, tidak seperti jenis aktivitas lainnya, teknologi pengembangan produk perangkat lunak segera menjadi objek otomatisasi, yang membawa bagian pemrograman yang sesuai ke tingkat baru perkembangan.
Evolusi khas dari program khusus ke alat pengembangan telah menjadi sistem berbasis pengetahuan, dan pertama-tama - sistem pakar yang dirancang untuk memecahkan masalah dari bidang-bidang di mana pengetahuan dan pengalaman memainkan peran yang menentukan. aktivitas profesional. Dalam sistem pakar, pencarian solusi dilakukan dengan meniru penalaran yang melekat pada profesional yang luar biasa. Pengetahuan formal merupakan inti dari sistem pakar - basis pengetahuannya. Blok yang tersisa dari sistem mengimplementasikan fungsi transformasi pengetahuan dan ditentukan tidak begitu banyak oleh isi pengetahuan tetapi oleh sifat-sifat struktur formalnya.
1. Konsep kecerdasan buatan. Representasi pengetahuan dan pengembangan sistem berbasis pengetahuan
1.1. Konsep dasar kecerdasan buatan
Istilah kecerdasan (intelligence) berasal dari bahasa latin intelektus – yang berarti akal, akal, akal; kemampuan berpikir manusia. Oleh karena itu, kecerdasan buatan (artificial intelligence) - AI (AI) biasanya diartikan sebagai properti sistem otomatis mengambil fungsi individu dari intelek manusia, misalnya, memilih dan membuat keputusan yang optimal berdasarkan pengalaman yang diperoleh sebelumnya dan analisis rasional pengaruh eksternal.
Kecerdasan mengacu pada kemampuan otak untuk memecahkan masalah (intelektual) dengan memperoleh, mengingat, dan dengan sengaja mengubah pengetahuan dalam proses belajar dari pengalaman dan beradaptasi dengan berbagai keadaan.
Dalam definisi ini, istilah "pengetahuan" tidak hanya berarti informasi yang masuk ke otak melalui indera. Jenis pengetahuan ini sangat penting, tetapi tidak cukup untuk aktivitas intelektual. Faktanya adalah bahwa benda-benda di lingkungan sekitar kita memiliki sifat tidak hanya untuk mempengaruhi indera, tetapi juga untuk saling berhubungan dalam hubungan tertentu. Jelas bahwa untuk melakukan aktivitas intelektual di lingkungan (atau setidaknya hanya ada), perlu memiliki model dunia ini dalam sistem pengetahuan. Dalam model informasi lingkungan ini, objek nyata, sifat-sifatnya, dan hubungan di antara mereka tidak hanya ditampilkan dan diingat, tetapi, seperti yang dicatat dalam definisi ini intelek, dapat secara mental "diubah dengan sengaja". Pada saat yang sama, sangat penting bahwa pembentukan model lingkungan eksternal terjadi "dalam proses belajar dari pengalaman dan adaptasi terhadap berbagai keadaan."
1.2. Representasi Pengetahuan
Representasi pengetahuan adalah masalah yang muncul dalam kognitologi (ilmu berpikir) dan kecerdasan buatan. Dalam ilmu kognitif, ini berkaitan dengan bagaimana orang menyimpan dan memproses informasi. Dalam Artificial Intelligence (AI), tujuan utamanya adalah mempelajari cara menyimpan pengetahuan sedemikian rupa sehingga program dapat memprosesnya dan mencapai kemiripan dengan kecerdasan manusia. Peneliti AI menggunakan teori representasi pengetahuan dari ilmu kognitif. Metode seperti bingkai, aturan, dan jaringan semantik datang ke AI dari teori pemrosesan informasi manusia. Karena pengetahuan digunakan untuk mencapai perilaku cerdas, tujuan mendasar dari disiplin representasi pengetahuan adalah untuk menemukan cara representasi yang memungkinkan proses inferensi, yaitu penciptaan kesimpulan dari pengetahuan.
Beberapa pertanyaan yang muncul dalam representasi pengetahuan dari perspektif AI adalah:
Bagaimana orang merepresentasikan pengetahuan?
· Apa sifat pengetahuan dan bagaimana kita merepresentasikannya?
· Haruskah skema presentasi dikaitkan dengan area pengetahuan pribadi, atau haruskah itu menjadi tujuan umum?
Bagaimana ekspresif skema ini perwakilan?
· Apakah skema harus deklaratif atau prosedural?
Ada sangat sedikit diskusi tentang representasi pengetahuan dan penelitian di bidang ini. Ada masalah terkenal seperti "penyebaran aktivasi," (tugas menavigasi jaringan node) "kategorisasi" (ini karena pewarisan selektif; misalnya, kendaraan segala medan dapat dianggap sebagai spesialisasi (kasus khusus). ) dari sebuah mobil, tetapi hanya mewarisi beberapa karakteristik) dan "klasifikasi" ". Misalnya, tomat dapat dianggap sebagai buah dan sayuran.
Di area kecerdasan buatan, pemecahan masalah dapat disederhanakan pilihan yang tepat metode representasi pengetahuan. Metode tertentu dapat membuat bidang pengetahuan apa pun mudah terwakili. Misalnya, sistem pakar diagnostik Mitsin menggunakan skema representasi pengetahuan berbasis aturan. Pilihan metode presentasi yang salah membuat pemrosesan menjadi sulit. Sebagai analogi, seseorang dapat mengambil perhitungan dalam notasi Indo-Arab atau Romawi. Pembagian memanjang lebih mudah dalam kasus pertama dan lebih sulit dalam kasus kedua. Demikian juga, tidak ada cara penyajian yang dapat digunakan di semua tugas, atau membuat semua tugas sama sederhananya.
Masalah pembentukan basis pengetahuan adalah kompleks dan beragam. Jika kita membatasi pertimbangan masalah ini pada tugas mengekstraksi pengetahuan pribadi seorang ahli, maka kita dapat merumuskan persyaratan dan prinsip dasar untuk membangun sistem perangkat lunak yang mengotomatiskan proses pembentukan basis pengetahuan. Sistem semacam ini disebut sistem rekayasa pengetahuan otomatis.
1.3. Tugas membentuk basis pengetahuan
Untuk semua kepura-puraan namanya, rekayasa pengetahuan adalah disiplin yang murni biasa, tugasnya adalah mengembangkan program yang praktis berguna untuk bidang aktivitas manusia yang "dihitung" dengan buruk. Argumen utama yang mendukung keberhasilan pendekatan ini adalah kenyataan bahwa dalam kehidupan nyata ada lembaga ahli - profesional kelas yang mampu memecahkan masalah yang diformalkan dengan buruk dari bidang masalah tertentu.
Dari sudut pandang rekayasa pengetahuan, dalam program aplikasi apa pun (setidaknya secara teoritis) dimungkinkan untuk memilih komponen yang berisi pengetahuan tentang area masalah. Komponen inilah, yang disebut basis pengetahuan, yang menentukan nilai praktis program. Membangun basis pengetahuan memerlukan penelitian khusus di area masalah, sedangkan blok program lainnya sepenuhnya berada di bawah tanggung jawab pemrogram.
Saat ini, ada empat metode utama representasi pengetahuan, dari mana dimungkinkan untuk membangun metode "hibrida" representasi pengetahuan.
· Sistem produksi
· Jaringan semantik
· Bingkai
· Kalkulus logika
· Metode gabungan dari representasi pengetahuan
· Model domain masalah
2. Pengenalan pola dan terjemahan mesin
2.1 Konsep gambar
Citra, kelas adalah pengelompokan klasifikasi dalam sistem klasifikasi yang menyatukan sekelompok objek tertentu menurut beberapa atribut. Persepsi figuratif tentang dunia adalah salah satu sifat otak yang hidup, yang memungkinkan seseorang untuk memahami aliran informasi yang dirasakan tanpa akhir dan mempertahankan orientasi dalam data yang berbeda tentang dunia luar. Mengamati dunia luar, kami selalu mengklasifikasikan informasi, yaitu, kami membaginya menjadi kelompok-kelompok fenomena yang serupa tetapi tidak identik. Properti otak ini memungkinkan kita untuk merumuskan konsep seperti gambar.
Kemampuan untuk memahami dunia luar dalam bentuk gambar memungkinkan seseorang untuk mengenali dengan pasti jumlah objek yang tak terbatas berdasarkan kenalan dengan jumlah yang terbatas, dan sifat objektif dari properti utama gambar memungkinkan seseorang untuk memodelkan dunia luar. proses pengakuan mereka.
2.2 Masalah pengenalan pola
Pengenalan pola adalah tugas mengidentifikasi suatu objek atau menentukan sifat-sifatnya dari citranya ( pengenalan optik) atau rekaman audio (pengenalan akustik). Dalam proses evolusi biologis, banyak hewan dengan bantuan alat visual dan pendengaran telah memecahkan masalah ini dengan cukup baik. Membuat sistem buatan dengan fungsi pengenalan pola tetap sulit masalah teknis.
Beras. 2.1. Contoh objek belajar.
Secara umum, masalah pengenalan pola (PRO) terdiri dari dua bagian: pembelajaran dan pengenalan. Pendidikan dilakukan dengan menunjukkan objek individu dengan indikasi milik mereka pada satu atau lain gambar. Sebagai hasil dari pelatihan, sistem pengenalan harus memperoleh kemampuan untuk merespons dengan reaksi yang sama terhadap semua objek dari satu gambar dan reaksi lainnya - terhadap semua objek dari gambar yang dapat dibedakan. Sangat penting bahwa proses pembelajaran harus diselesaikan hanya dengan menampilkan sejumlah objek yang terbatas. Sebagai objek pembelajaran, dapat berupa gambar (Gbr. 2.1) atau gambar visual lainnya (huruf, angka). Penting bahwa dalam proses pembelajaran hanya objek itu sendiri dan milik mereka yang ditunjukkan pada gambar. Pelatihan diikuti dengan proses pengenalan objek baru, yang mencirikan tindakan dari sistem yang sudah dilatih. Otomatisasi prosedur ini adalah masalah pelatihan pengenalan pola. Dalam kasus ketika seseorang sendiri menebak atau menciptakan, dan kemudian menerapkan aturan klasifikasi pada mesin, masalah pengenalan diselesaikan sebagian, karena bagian utama dan utama dari masalah (pelatihan) diambil alih oleh orang tersebut.
Kisaran tugas yang dapat diselesaikan dengan bantuan sistem pengenalan sangat luas. Ini mencakup tidak hanya tugas mengenali gambar visual dan pendengaran, tetapi juga tugas mengklasifikasikan proses dan fenomena kompleks yang muncul, misalnya, ketika memilih tindakan yang tepat oleh manajer perusahaan atau memilih manajemen teknologi, ekonomi, transportasi atau militer yang optimal. tugas. Sebelum Anda mulai menganalisis objek apa pun, Anda perlu mendapatkan informasi yang pasti dan teratur tentangnya.
Pilihan deskripsi awal objek adalah salah satu tugas utama dari masalah pengenalan pola. Dengan pilihan deskripsi awal yang berhasil (ruang fitur), tugas pengenalan mungkin menjadi sepele, dan, sebaliknya, deskripsi awal yang tidak berhasil dipilih dapat menyebabkan pemrosesan informasi lebih lanjut yang sangat sulit, atau tidak adanya solusi. sama sekali.
2.5 Pelatihan, pembelajaran mandiri dan adaptasi
Belajar adalah suatu proses, sebagai akibatnya sistem secara bertahap memperoleh kemampuan untuk merespons dengan reaksi yang diperlukan terhadap serangkaian pengaruh eksternal tertentu, dan adaptasi adalah penyesuaian parameter dan struktur sistem untuk mencapai kualitas yang diperlukan. kontrol di bawah kondisi perubahan terus menerus dalam kondisi eksternal. Semua gambar yang ditunjukkan pada Gambar. 2.1 mencirikan tugas belajar. Dalam setiap masalah ini, diberikan beberapa contoh (urutan pelatihan) dari masalah yang diselesaikan dengan benar. Jika dimungkinkan untuk memperhatikan properti universal tertentu yang tidak bergantung pada sifat gambar atau gambarnya, tetapi hanya menentukan kemampuannya untuk dapat dipisahkan, maka bersama dengan tugas biasa mengajar pengenalan menggunakan informasi tentang milik setiap objek dari urutan pelatihan ke satu atau gambar lain, seseorang dapat mengajukan masalah klasifikasi yang berbeda - yang disebut masalah belajar tanpa guru. Tugas semacam ini pada tingkat deskriptif dapat dirumuskan sebagai berikut: objek disajikan ke sistem secara bersamaan atau berurutan tanpa indikasi kepemilikannya terhadap gambar. Perangkat input dari sistem memetakan satu set objek ke satu set gambar dan, dengan menggunakan beberapa properti keterpisahan gambar yang disematkan di dalamnya sebelumnya, membuat klasifikasi independen dari objek-objek ini. Setelah proses belajar mandiri seperti itu, sistem harus memperoleh kemampuan untuk mengenali tidak hanya objek yang sudah dikenal (objek dari urutan pelatihan), tetapi juga yang belum pernah disajikan sebelumnya. Proses belajar mandiri dari sistem tertentu adalah proses seperti itu, akibatnya sistem ini, tanpa bantuan guru, memperoleh kemampuan untuk mengembangkan reaksi yang sama terhadap gambar objek dengan gambar yang sama dan reaksi berbeda terhadap gambar dari gambar yang berbeda. Peran guru dalam hal ini hanya terdiri dari mendorong sistem beberapa properti objektif yang sama untuk semua gambar dan menentukan kemampuan untuk membagi satu set objek menjadi gambar. Sifat objektif seperti itu adalah sifat kekompakan gambar. Susunan titik-titik di ruang yang dipilih sudah berisi informasi tentang bagaimana himpunan titik harus dibagi. Informasi ini menentukan sifat keterpisahan pola, yang cukup untuk belajar mandiri dari sistem pengenalan pola.
Belajar biasanya disebut proses mengembangkan dalam beberapa sistem reaksi tertentu terhadap kelompok sinyal identik eksternal dengan berulang kali mempengaruhi sistem koreksi eksternal. Penyesuaian eksternal seperti itu dalam pelatihan biasanya disebut "dorongan" dan "hukuman". Mekanisme untuk menghasilkan penyesuaian ini hampir sepenuhnya menentukan algoritma pembelajaran. Belajar mandiri berbeda dari belajar di sini informasi tambahan tentang kebenaran reaksi terhadap sistem tidak dilaporkan.
Adaptasi adalah proses mengubah parameter dan struktur sistem, dan mungkin mengontrol tindakan berdasarkan informasi saat ini untuk mencapai keadaan sistem tertentu dengan ketidakpastian awal dan kondisi operasi yang berubah.
Sebuah metode untuk membangun mesin pengenal dimungkinkan, berdasarkan perbedaan fitur dari angka yang akan dikenali. Berbagai ciri suatu bangun dapat dipilih sebagai kenampakan, misalnya sifat geometrisnya (ciri-ciri kurva yang membentuk gambar), sifat topologi (susunan unsur-unsur gambar yang saling berhubungan), dll. Mesin pengenal diketahui, di mana huruf atau angka dibedakan, sesuai dengan apa yang disebut "metode penyelidikan" (Gbr. 2.2), mis. dengan jumlah perpotongan kontur gambar dengan beberapa garis dengan cara khusus.
Beras. 2.2 Susunan probe untuk pengenalan digit.
Jika Anda memproyeksikan angka pada bidang dengan probe, maka ternyata setiap angka berpotongan dengan probe yang terdefinisi dengan baik, dan kombinasi probe yang berpotongan berbeda untuk semua sepuluh angka. Kombinasi ini digunakan sebagai tanda yang membedakan angka-angka. Mesin tersebut bekerja dengan baik, misalnya, dengan membaca teks yang diketik, tetapi kemampuannya dibatasi oleh font (atau kelompok font serupa) yang sistem fiturnya dikembangkan. Pekerjaan menciptakan satu set angka referensi atau sistem fitur harus dilakukan oleh seseorang. Kualitas operasi mesin, yaitu, keandalan "pengenalan" angka-angka yang disajikan, ditentukan oleh kualitas persiapan awal ini dan tidak dapat ditingkatkan tanpa partisipasi manusia. Mesin yang dijelaskan bukanlah mesin pembelajaran.
Simulasi proses pembelajaran menyiratkan pembelajaran yang tidak didahului dengan memberi tahu mesin informasi apa pun tentang pola yang harus dipelajari untuk dikenali; pembelajaran itu sendiri terdiri dari menyajikan ke mesin sejumlah objek terbatas dari setiap gambar. Sebagai hasil pembelajaran, mesin harus dapat mengenali sejumlah besar objek baru yang terkait dengan gambar yang sama. Jadi, kami memiliki skema percobaan berikut:
a) tidak ada informasi tentang gambar yang akan diklasifikasikan dimasukkan ke dalam mesin terlebih dahulu;
b) selama pembelajaran, sejumlah objek dari masing-masing gambar yang akan diklasifikasikan disajikan ke mesin dan (saat memodelkan proses pembelajaran "dengan seorang guru") dilaporkan milik gambar mana setiap objek;
c) mesin secara otomatis memproses informasi yang diterima, setelah itu
d) membedakan dengan keandalan yang memadai sejumlah besar objek baru yang sebelumnya tidak terlihat dari gambar.
Mesin yang beroperasi dengan cara ini disebut mesin pembelajaran.
2.6 Mengubah gambar menjadi kode digital
Untuk memasukkan gambar ke dalam mesin, Anda perlu menerjemahkannya ke dalam bahasa mesin, mis. encode, direpresentasikan dalam bentuk beberapa kombinasi simbol yang dapat dioperasikan oleh mesin. Angka-angka pesawat dapat dikodekan dalam berbagai cara. Yang terbaik adalah membidik penyandian gambar yang paling "alami". Kami akan menggambar angka di bidang tertentu, dibagi dengan garis vertikal dan horizontal menjadi elemen identik - kotak. Elemen tempat gambar jatuh akan benar-benar menghitam, sisanya akan dibiarkan putih. Mari kita sepakat untuk menetapkan elemen hitam sebagai satu, dan elemen putih sebagai nol. Mari kita perkenalkan penomoran berurutan dari semua elemen bidang, misalnya, di setiap baris dari kiri ke kanan dan baris demi baris dari atas ke bawah. Kemudian setiap gambar yang digambar pada bidang seperti itu akan ditampilkan secara unik oleh kode yang terdiri dari digit (satu dan nol) sebanyak elemen di bidang tersebut.
Gambar 2.3 Contoh proyeksi dan pengkodean gambar.
Pengkodean seperti itu (Gbr. 2.3) dianggap "alami" karena pembagian gambar menjadi elemen-elemen yang mendasari pekerjaan peralatan visual kita. Memang, retina mata terdiri dari sejumlah besar elemen sensitif yang terpisah (yang disebut batang dan kerucut) yang dihubungkan oleh serabut saraf dengan bagian visual otak. Elemen sensorik retina mengirimkan sinyal di sepanjang serabut sarafnya ke otak, yang intensitasnya tergantung pada iluminasi. elemen yang diberikan. Dengan demikian, gambar, yang diproyeksikan oleh sistem optik mata ke retina, dibagi oleh batang dan kerucut menjadi bagian yang terpisah, dan ditransmisikan elemen demi elemen dalam kode tertentu ke otak. Elemen individu dari medan disebut reseptor, dan medan itu sendiri disebut medan reseptor.
Totalitas semua figur datar yang dapat digambarkan pada bidang reseptor merupakan himpunan tertentu. Setiap sosok konkret dari himpunan ini adalah objek dari himpunan ini. Masing-masing objek ini sesuai dengan kode tertentu. Dengan cara yang sama, kode apa pun sesuai dengan gambar tertentu di bidang reseptor. Korespondensi satu-ke-satu antara kode dan gambar akan memungkinkan seseorang untuk beroperasi hanya dengan kode, dengan mengingat bahwa gambar selalu dapat direproduksi oleh kodenya.
Kapasitas JST - jumlah gambar yang disajikan ke input JST untuk dikenali. Untuk membagi kumpulan gambar masukan, misalnya menjadi dua kelas, cukup satu keluaran saja. Dalam hal ini, setiap level logis - "1" dan "0" - akan menunjukkan kelas yang terpisah. Pada dua output, Anda sudah dapat mengkodekan 4 kelas, dan seterusnya. Untuk meningkatkan keandalan klasifikasi, diinginkan untuk memperkenalkan redundansi dengan mengalokasikan satu neuron ke setiap kelas di lapisan keluaran atau, bahkan lebih baik, beberapa, yang masing-masing dilatih untuk menentukan apakah suatu gambar termasuk dalam kelas dengan tingkat keandalannya sendiri. , misalnya: tinggi, sedang dan rendah. JST semacam itu memungkinkan untuk mengklasifikasikan gambar input yang digabungkan menjadi himpunan fuzzy (fuzzy atau berpotongan). Properti ini membawa JST serupa lebih dekat ke kondisi kehidupan nyata.
3. Neurokomputer dan jaringan
3.1 Neurokomputer
Neurokomputer adalah sistem di mana algoritma untuk memecahkan masalah diwakili oleh jaringan logis elemen tipe tertentu - neuron dengan penolakan lengkap elemen Boolean seperti AND, OR, NOT. Akibatnya, hubungan khusus antara elemen diperkenalkan, yang merupakan subjek pertimbangan terpisah.
Tidak seperti metode pemecahan masalah klasik, neurokomputer mengimplementasikan algoritma pemecahan masalah yang disajikan dalam bentuk jaringan saraf. Keterbatasan ini memungkinkan pengembangan algoritma yang berpotensi lebih paralel daripada implementasi fisik lainnya.
Neurocomputer adalah sistem komputasi dengan arsitektur MSIMD, di mana dua solusi teknis mendasar diimplementasikan: elemen pemrosesan dari struktur homogen disederhanakan ke tingkat neuron dan koneksi antara elemen sangat rumit; pemrograman struktur komputasi telah ditransfer untuk mengubah koneksi bobot antara elemen prosesor.
Definisi umum dari neurocomputer dapat direpresentasikan sebagai berikut. Neurocomputer adalah sistem komputasi dengan arsitektur perangkat keras dan perangkat lunak yang memadai untuk eksekusi algoritma yang disajikan dalam basis logika jaringan saraf.
3.2 Apa itu jaringan saraf?
Setiap neuron menerima sinyal dari neuron tetangga di sepanjang serabut saraf khusus. Sinyal-sinyal ini dapat berupa rangsang atau penghambatan. Jumlahnya adalah potensial listrik di dalam tubuh neuron. Ketika potensial melebihi ambang batas tertentu, neuron masuk ke keadaan tereksitasi dan mengirimkan sinyal di sepanjang serat saraf keluaran. Neuron buatan individu terhubung satu sama lain dengan berbagai cara. Ini memungkinkan Anda untuk membuat variasi jaringan saraf dengan arsitektur yang berbeda, aturan pembelajaran dan kemampuan.
Istilah "jaringan saraf tiruan" dikaitkan dengan banyak fantasi tentang android dan pemberontakan robot, tentang mesin yang menggantikan dan meniru seseorang. Kesan ini diperkuat oleh banyak perancang sistem saraf, yang berbicara tentang bagaimana, dalam waktu dekat, robot akan mulai mempelajari berbagai aktivitas hanya dengan mengamati seseorang. Jika Anda beralih ke tingkat pekerjaan sehari-hari, maka jaringan saraf hanyalah jaringan yang terdiri dari elemen sederhana dari neuron formal yang saling berhubungan. Sebagian besar pekerjaan dalam neuroinformatika dikhususkan untuk transfer berbagai algoritma memecahkan masalah untuk jaringan tersebut.
Konsep ini didasarkan pada gagasan bahwa neuron dapat dimodelkan oleh automata yang cukup sederhana, dan seluruh kompleksitas otak, fleksibilitas fungsinya, dan kualitas penting lainnya ditentukan oleh hubungan antar neuron. Setiap koneksi direpresentasikan sebagai elemen yang sangat sederhana yang berfungsi untuk mengirimkan sinyal. Secara singkat, ide ini dapat diungkapkan sebagai berikut: "struktur koneksi adalah segalanya, sifat-sifat elemen bukanlah apa-apa."
Himpunan gagasan dan arah ilmiah dan teknis, yang ditentukan oleh gagasan otak yang dijelaskan, disebut koneksionisme (komunikasi koneksi). Dengan otak yang nyata, semua ini berkorelasi dengan cara yang hampir sama seperti karikatur atau kartun dengan prototipenya. Yang penting bukanlah korespondensi literal dengan aslinya, tetapi produktivitas ide teknis.
Blok ide berikut terkait erat dengan koneksionisme:
Homogenitas sistem (elemennya sama dan sangat sederhana, semuanya ditentukan oleh struktur koneksi);
· sistem yang andal dari elemen yang tidak dapat diandalkan dan penggunaan "kebangkitan analog" dari elemen analog sederhana;
· Sistem "holografik" ketika bagian yang dipilih secara acak dihancurkan, sistem mempertahankan propertinya.
Diasumsikan bahwa kemungkinan besar sistem komunikasi mengimbangi pilihan elemen yang buruk, tidak dapat diandalkannya, dan kemungkinan kerusakan beberapa koneksi.
Untuk menggambarkan algoritme dan perangkat dalam neuroinformatika, "sirkuit" khusus telah dikembangkan, di mana perangkat dasar (penambah, sinapsis, neuron, dll.) digabungkan ke dalam jaringan yang dirancang untuk memecahkan masalah. Bagi banyak pemula, tampaknya tidak terduga bahwa baik dalam implementasi perangkat keras jaringan saraf, maupun dalam perangkat lunak profesional, elemen-elemen ini tidak harus diimplementasikan sebagai bagian atau blok yang terpisah. Sirkuit ideal yang digunakan dalam neuroinformatika adalah bahasa khusus untuk menggambarkan jaringan saraf dan pelatihannya. Dengan implementasi perangkat lunak dan perangkat keras, deskripsi yang dibuat dalam bahasa ini diterjemahkan ke bahasa lain yang lebih cocok.
4. Sistem pakar (ES), struktur dan klasifikasinya. Alat untuk membangun ES. teknologi pengembangan ES
4.1 Penunjukan sistem pakar
Pada awal 1980-an, arah independen dibentuk dalam penelitian kecerdasan buatan, yang disebut "sistem pakar" (ES). Tujuan penelitian tentang ES adalah untuk mengembangkan program yang ketika memecahkan masalah yang sulit bagi seorang ahli manusia, mendapatkan hasil yang tidak kalah dalam kualitas dan efisiensi dengan solusi yang diperoleh oleh seorang ahli. Para peneliti di bidang ES untuk nama disiplin mereka sering juga menggunakan istilah "rekayasa pengetahuan", yang diperkenalkan oleh E. Feigenbaum sebagai "membawa prinsip dan alat penelitian dari bidang kecerdasan buatan ke dalam memecahkan masalah terapan yang sulit yang membutuhkan ahli pengetahuan."
Perangkat lunak (PS), berdasarkan teknologi sistem pakar, atau rekayasa pengetahuan (kita akan menggunakannya sebagai sinonim di masa depan), telah tersebar luas di dunia. Pentingnya sistem pakar adalah sebagai berikut:
· teknologi sistem pakar secara signifikan memperluas jangkauan tugas praktis signifikan yang diselesaikan pada komputer, solusinya membawa efek ekonomi yang signifikan;
· Teknologi ES adalah alat yang paling penting dalam memecahkan masalah global pemrograman tradisional: durasi dan, akibatnya, biaya tinggi untuk mengembangkan aplikasi yang kompleks;
Tingginya biaya pemeliharaan sistem yang kompleks, yang seringkali melebihi biaya pengembangannya beberapa kali; tingkat penggunaan kembali program yang rendah, dll.;
· kombinasi teknologi ES dengan teknologi pemrograman tradisional menambah kualitas baru pada produk perangkat lunak karena: menyediakan modifikasi dinamis aplikasi oleh pengguna, bukan oleh programmer; "transparansi" aplikasi yang lebih besar (misalnya, pengetahuan disimpan pada NL terbatas, yang tidak memerlukan komentar tentang pengetahuan, menyederhanakan pelatihan dan pemeliharaan); grafik yang lebih baik; antarmuka dan interaksi.
Menurut para ahli terkemuka, dalam waktu dekat, ES akan menemukan aplikasi berikut:
· EC akan memainkan peran utama dalam semua fase desain, pengembangan, produksi, distribusi, penjualan, dukungan dan penyediaan layanan;
· Teknologi ES, yang telah menerima distribusi komersial, akan memberikan terobosan revolusioner dalam integrasi aplikasi dari modul interaksi cerdas yang siap pakai.
ES dirancang untuk apa yang disebut tugas nonformal, mis. EC tidak menolak atau mengganti pendekatan tradisional untuk pengembangan program yang berfokus pada pemecahan masalah yang diformalkan.
Tugas yang tidak diformalkan biasanya memiliki ciri-ciri sebagai berikut:
kesalahan, ambiguitas, ketidaklengkapan dan inkonsistensi sumber data;
kesalahan, ambiguitas, ketidaklengkapan dan inkonsistensi pengetahuan tentang area masalah dan masalah yang dipecahkan;
· dimensi besar dari ruang solusi, mis. pencarian solusi sangat besar;
data dan pengetahuan yang berubah secara dinamis.
Harus ditekankan bahwa masalah yang tidak diformalkan mewakili kelas masalah yang besar dan sangat penting. Banyak ahli percaya bahwa masalah ini adalah kelas paling luas dari masalah yang diselesaikan oleh komputer.
Sistem pakar dan sistem kecerdasan buatan berbeda dari sistem pemrosesan data karena mereka terutama menggunakan representasi simbolis (bukan numerik), inferensi simbolis, dan pencarian heuristik untuk solusi (daripada mengeksekusi algoritma yang diketahui).
Sistem pakar hanya digunakan untuk memecahkan masalah praktis (bukan mainan) yang sulit. Dalam hal kualitas dan efisiensi solusi, sistem pakar tidak kalah dengan solusi dari seorang pakar manusia. Solusi sistem pakar memiliki "transparansi", yaitu dapat dijelaskan kepada pengguna level kualitas. Kualitas sistem pakar ini dipastikan oleh kemampuan mereka untuk menalar tentang pengetahuan dan kesimpulan mereka. Sistem pakar mampu mengisi kembali pengetahuan mereka selama interaksi dengan seorang pakar. Perlu dicatat bahwa saat ini teknologi sistem pakar digunakan untuk memecahkan berbagai jenis tugas (interpretasi, prediksi, diagnostik, perencanaan, desain, kontrol, debugging, instruksi, manajemen) di berbagai bidang masalah, seperti keuangan, industri minyak dan gas, energi, transportasi, produksi farmasi, ruang angkasa, metalurgi, pertambangan, kimia, pendidikan, industri pulp dan kertas, telekomunikasi dan komunikasi, dll.
Keberhasilan komersial untuk perusahaan yang mengembangkan sistem kecerdasan buatan (AI) tidak datang dengan segera. Selama tahun 1960 - 1985. Kemajuan dalam AI terutama dalam pengembangan penelitian yang telah menunjukkan kesesuaian AI untuk penggunaan praktis. Mulai sekitar tahun 1985 (dalam skala massal dari 1988 - 1990), pertama-tama, ES, dan dalam beberapa tahun terakhir, sistem yang memahami bahasa alami (sistem NL) dan jaringan saraf (NN) telah digunakan secara aktif di aplikasi komersial.
Alasan yang membuat AIS sukses secara komersial adalah sebagai berikut.
Integrasi. Alat kecerdasan buatan (AI IS) telah dikembangkan yang mudah diintegrasikan dengan teknologi dan alat informasi lainnya (dengan CASE, DBMS, pengontrol, konsentrator data, dll.).
keterbukaan dan portabilitas. AI IS dikembangkan dengan standar yang memastikan keterbukaan dan portabilitas.
Penggunaan bahasa pemrograman tradisional dan workstation. Transisi dari AI IS yang diimplementasikan dalam bahasa AI (Lisp, Prolog, dll.) ke AI IS yang diimplementasikan dalam bahasa pemrograman tradisional (C, C ++, dll.) telah menyederhanakan integrasi, mengurangi persyaratan aplikasi AI menjadi kecepatan dan volume komputer memori akses acak. Penggunaan workstation (bukan PC) telah secara dramatis meningkatkan jangkauan aplikasi yang dapat dilakukan pada komputer yang menggunakan IC AI.
Arsitektur klien-server. AI IS telah dikembangkan yang mendukung komputasi terdistribusi pada arsitektur client-server, yang memungkinkan untuk: mengurangi biaya peralatan yang digunakan dalam aplikasi, mendesentralisasi aplikasi, meningkatkan keandalan dan kinerja keseluruhan (karena jumlah informasi yang dikirim antar komputer berkurang , dan setiap modul aplikasi dijalankan pada peralatannya yang memadai).
IC AI Berbasis Domain/Domain. Transisi dari pengembangan IS ke AI tujuan umum(walaupun mereka tidak kehilangan arti pentingnya sebagai sarana untuk menciptakan IS yang berorientasi) ke IS yang berorientasi pada masalah/domain AI menyediakan: pengurangan waktu pengembangan aplikasi; meningkatkan efisiensi penggunaan IP; penyederhanaan dan percepatan pekerjaan ahli; penggunaan kembali informasi dan perangkat lunak (objek, kelas, aturan, prosedur).
4.2 Klasifikasi sistem pakar
Kelas "sistem pakar" saat ini menyatukan beberapa ribu sistem perangkat lunak berbeda yang dapat diklasifikasikan menurut berbagai kriteria. Klasifikasi berikut mungkin berguna (Gambar 4.1).
Beras. 4.1. Klasifikasi sistem pakar
Klasifikasi menurut masalah yang sedang dipecahkan
Interpretasi data. Ini adalah salah satu tugas tradisional untuk sistem pakar. Interpretasi mengacu pada penentuan makna data, yang hasilnya harus konsisten dan benar. Biasanya, analisis multivariat data disediakan.
Diagnostik. Diagnostik mengacu pada deteksi kerusakan pada beberapa sistem. Kesalahan adalah penyimpangan dari norma. Interpretasi ini memungkinkan untuk mempertimbangkan, dari sudut pandang teoretis terpadu, kegagalan peralatan di sistem teknis, dan penyakit organisme hidup, dan semua jenis anomali alam. Kekhususan penting adalah kebutuhan untuk memahami struktur fungsional ("anatomi") dari sistem diagnostik.
Pemantauan. Tugas utama pemantauan adalah interpretasi data secara terus-menerus secara real time dan memberi sinyal keluaran parameter tertentu di luar batas yang diizinkan. Masalah utama adalah "lewati" dari situasi yang mengkhawatirkan dan masalah kebalikan dari alarm "salah". Kompleksitas masalah ini terletak pada kaburnya gejala situasi kecemasan dan kebutuhan untuk memperhitungkan konteks temporal.
Rancangan. Desain terdiri dari mempersiapkan spesifikasi untuk penciptaan "objek" dengan properti yang telah ditentukan. Spesifikasi dipahami sebagai seluruh rangkaian dokumen yang diperlukan - gambar, catatan penjelasan dll. Masalah utama di sini semakin jelas deskripsi struktural pengetahuan tentang objek dan masalah "jejak". Untuk mengatur desain yang efektif dan, pada tingkat yang lebih besar, mendesain ulang, perlu untuk membentuk tidak hanya keputusan desain itu sendiri, tetapi juga motif untuk adopsi mereka. Dengan demikian, dalam tugas desain, dua proses utama yang dilakukan dalam kerangka ES yang sesuai terkait erat: proses inferensi keputusan dan proses penjelasan.
Peramalan. Sistem prediksi secara logis menyimpulkan kemungkinan konsekuensi dari situasi tertentu. Dalam sistem prediksi, model dinamis parametrik biasanya digunakan, di mana nilai parameter "disesuaikan" dengan situasi tertentu. Konsekuensi yang diturunkan dari model ini membentuk dasar untuk prakiraan dengan perkiraan probabilistik.
Perencanaan. Perencanaan dipahami sebagai menemukan rencana tindakan yang berkaitan dengan objek yang mampu melakukan fungsi tertentu. Dalam ES seperti itu, model perilaku objek nyata digunakan untuk secara logis menyimpulkan konsekuensi dari kegiatan yang direncanakan.
Pendidikan. Sistem pelatihan mendiagnosis kesalahan dalam studi disiplin apa pun dengan bantuan komputer dan menyarankan solusi yang tepat. Mereka mengumpulkan pengetahuan tentang "siswa" hipotetis dan kesalahan karakteristiknya, kemudian dalam pekerjaan mereka dapat mendiagnosis kelemahan pengetahuan siswa dan menemukan cara yang tepat untuk menghilangkannya. Selain itu, mereka merencanakan tindakan berkomunikasi dengan siswa tergantung pada keberhasilan siswa untuk mentransfer pengetahuan.
Secara umum, semua sistem berbasis pengetahuan dapat dibagi menjadi: sistem yang memecahkan masalah analisis, dan terus sistem yang memecahkan masalah sintesis.
Perbedaan utama antara masalah analisis dan masalah sintesis adalah sebagai berikut: jika dalam masalah analisis himpunan solusi dapat dicantumkan dan dimasukkan ke dalam sistem, maka dalam masalah sintesis himpunan solusi berpotensi dibangun dari solusi komponen atau submasalah. Tugas analisis adalah interpretasi data, diagnostik; tugas sintesis meliputi desain, perencanaan. Tugas gabungan: pelatihan, pemantauan, peramalan.
Klasifikasi menurut koneksi waktu nyata
ES statis dikembangkan di bidang subjek di mana basis pengetahuan dan data yang ditafsirkan tidak berubah dari waktu ke waktu. Mereka stabil.
ES kuasi-dinamis menafsirkan situasi yang berubah dengan interval waktu tertentu.
ES Dinamis beroperasi dalam hubungannya dengan sensor objek secara real time dengan interpretasi terus menerus dari data yang masuk.
Klasifikasi berdasarkan jenis komputer
Hari ini ada:
ES untuk tugas-tugas unik yang strategis dan penting pada superkomputer (Elbrus, CRAY, CONVEX, dll.);
ES pada komputer dengan kinerja rata-rata (seperti komputer ES, mainframe);
ES pada prosesor karakter dan workstation (SUN, APOLLO);
ES pada komputer mini dan supermini (VAX, micro-VAX, dll.);
ES pada komputer pribadi (IBM PC, MAC II dan sejenisnya).
Klasifikasi berdasarkan tingkat integrasi dengan program lain
ES otonom bekerja secara langsung dalam mode konsultasi dengan pengguna untuk tugas "ahli" tertentu, yang solusinya tidak perlu melibatkan metode pemrosesan data tradisional (perhitungan, pemodelan, dll.).
ES Hibrida mewakili paket perangkat lunak yang menggabungkan paket perangkat lunak aplikasi standar (misalnya, statistik matematika, pemrograman linier atau sistem manajemen basis data) dan alat manipulasi pengetahuan. Ini bisa menjadi add-on cerdas untuk PPP atau lingkungan terintegrasi untuk memecahkan masalah kompleks dengan elemen pengetahuan ahli.
Terlepas dari daya tarik eksternal dari pendekatan hibrida, perlu dicatat bahwa pengembangan sistem semacam itu adalah tugas yang jauh lebih sulit daripada pengembangan ES otonom. Docking tidak hanya paket yang berbeda, tetapi metodologi yang berbeda (yang terjadi dalam sistem hybrid) menimbulkan berbagai macam kesulitan teoretis dan praktis.
4.3 Struktur sistem pakar (pada contoh ES statis dan dinamis)
ES statis tipikal terdiri dari komponen utama berikut (Gbr. 4.2):
pemecah (interpreter);
memori kerja (RP), juga disebut database (DB);
basis pengetahuan (KB);
komponen perolehan pengetahuan;
Komponen penjelasan
komponen dialog.
Basis data (memori kerja) dirancang untuk menyimpan data awal dan menengah dari masalah yang sedang dipecahkan pada saat ini. Istilah ini sesuai namanya, tetapi tidak berarti dengan istilah yang digunakan dalam sistem temu kembali informasi (IPS) dan sistem manajemen basis data (DBMS) untuk merujuk ke semua data (terutama jangka panjang) yang disimpan dalam sistem.
Dasar pengetahuan(BZ) di ES dirancang untuk menyimpan data jangka panjang yang menggambarkan area yang sedang dipertimbangkan (bukan data saat ini), dan aturan yang menggambarkan transformasi yang sesuai dari data di area ini.
pemecah, menggunakan data awal dari memori kerja dan pengetahuan dari basis pengetahuan, itu membentuk urutan aturan yang, ketika diterapkan pada data awal, mengarah pada solusi masalah.
Komponen akuisisi pengetahuan mengotomatiskan proses pengisian ES dengan pengetahuan, yang dilakukan oleh pengguna ahli.
Komponen Penjelasan menjelaskan bagaimana sistem mendapatkan solusi untuk masalah (atau mengapa tidak mendapatkan solusi) dan pengetahuan apa yang digunakan untuk melakukannya, yang memudahkan pakar untuk menguji sistem dan meningkatkan kepercayaan pengguna pada hasilnya.
Beras. 4.2. Struktur ES statistik
Komponen Dialog difokuskan pada pengorganisasian komunikasi yang ramah dengan pengguna baik dalam proses pemecahan masalah maupun dalam proses memperoleh pengetahuan dan menjelaskan hasil kerja.
Perwakilan dari spesialisasi berikut terlibat dalam pengembangan ES:
seorang ahli di bidang masalah, yang tugasnya akan diselesaikan oleh ES;
insinyur pengetahuan - spesialis dalam pengembangan ES (teknologi yang digunakannya, metodenya disebut teknologi (metode) rekayasa pengetahuan);
programmer untuk pengembangan alat (IS), yang dirancang untuk mempercepat pengembangan ES.
Perlu dicatat bahwa tidak adanya insinyur pengetahuan di antara para peserta dalam pengembangan (yaitu, penggantian mereka oleh programmer) dapat menyebabkan kegagalan dalam proses pembuatan ES, atau secara signifikan memperpanjangnya.
Ahli menentukan pengetahuan (data dan aturan) yang menjadi ciri area masalah, memastikan kelengkapan dan kebenaran pengetahuan yang dimasukkan ke dalam ES.
Insinyur Pengetahuan membantu pakar untuk mengidentifikasi dan menyusun pengetahuan yang diperlukan untuk pengoperasian ES; memilih IS yang paling cocok untuk area masalah yang diberikan, dan menentukan cara untuk merepresentasikan pengetahuan dalam IS ini; mengalokasikan dan program (dengan cara tradisional) fitur standar(khas untuk area masalah ini), yang akan digunakan dalam aturan yang diperkenalkan oleh pakar.
Programmer mengembangkan IS (jika IS sedang dikembangkan lagi), yang berisi batas semua komponen utama ES, dan melakukan antarmuka dengan lingkungan di mana ia akan digunakan.
Sistem pakar beroperasi dalam dua mode: mode akuisisi pengetahuan dan mode pemecahan masalah (juga disebut mode konsultasi atau mode penggunaan ES).
Dalam mode belajar komunikasi dengan ES dilakukan (melalui mediasi seorang insinyur pengetahuan) oleh seorang ahli. Dalam mode ini, pakar, menggunakan komponen akuisisi pengetahuan, mengisi sistem dengan pengetahuan yang memungkinkan ES dalam mode solusi untuk secara mandiri (tanpa pakar) memecahkan masalah dari area masalah. Pakar menggambarkan area masalah sebagai satu set data dan aturan. Data mendefinisikan objek-objek, ciri-cirinya dan artinya yang ada dalam bidang keahliannya. Aturan menentukan cara di mana data dimanipulasi yang khusus untuk domain yang bersangkutan.
Perhatikan bahwa mode akuisisi pengetahuan dalam pendekatan tradisional untuk pengembangan program sesuai dengan tahapan algoritme, pemrograman, dan debugging yang dilakukan oleh programmer. Jadi, berbeda dengan pendekatan tradisional, dalam kasus ES, pengembangan program tidak dilakukan oleh seorang programmer, tetapi oleh seorang ahli (dengan bantuan ES), yang tidak tahu pemrograman.
Dalam mode konsultasi komunikasi dengan ES dilakukan oleh pengguna akhir, yang tertarik dengan hasil dan (atau) metode untuk mendapatkannya. Perlu dicatat bahwa, tergantung pada tujuan ES, pengguna mungkin bukan spesialis di bidang masalah ini (dalam hal ini, ia beralih ke ES untuk hasilnya, tidak bisa mendapatkannya sendiri), atau menjadi seorang spesialis (dalam hal ini, pengguna bisa mendapatkan hasilnya sendiri, tetapi ia beralih ke ES dengan tujuan untuk mempercepat proses mendapatkan hasil, atau mempercayakan ES dengan pekerjaan rutin). Dalam mode konsultasi, data tentang tugas pengguna, setelah diproses oleh komponen dialog, memasuki memori kerja. Pemecah, berdasarkan data masukan dari memori kerja, data umum tentang area masalah dan aturan dari basis pengetahuan, membentuk solusi untuk masalah tersebut. Saat memecahkan masalah, ES tidak hanya mengeksekusi urutan operasi yang ditentukan, tetapi juga membentuknya terlebih dahulu. Jika reaksi sistem tidak jelas bagi pengguna, maka ia mungkin memerlukan penjelasan:
“Mengapa sistem mengajukan pertanyaan ini atau itu?”, “Bagaimana jawaban yang dikumpulkan oleh sistem diterima?”.
Struktur yang ditunjukkan pada gambar. 4.2 disebut struktur ES statis. ES jenis ini digunakan dalam aplikasi yang memungkinkan untuk tidak memperhitungkan perubahan di dunia sekitar yang terjadi selama penyelesaian masalah. ES pertama, yang menerima penggunaan praktis, bersifat statis.
Beras. 4.3. Struktur ES dinamis
pada gambar. 4.3 menunjukkan bahwa dua komponen diperkenalkan ke dalam arsitektur ES dinamis dibandingkan dengan ES statis: subsistem untuk pemodelan dunia luar dan subsistem untuk berkomunikasi dengan lingkungan eksternal. Yang terakhir berkomunikasi dengan dunia luar melalui sistem sensor dan pengontrol. Selain itu, komponen tradisional dari ES statis (basis pengetahuan dan mesin inferensi) mengalami perubahan signifikan untuk mencerminkan logika temporal dari peristiwa yang terjadi di dunia nyata.
Kami menekankan bahwa struktur ES ditunjukkan pada Gambar. 4.2 dan 4.3, hanya mencerminkan komponen (fungsi), dan banyak yang tersisa "di belakang layar".
4.4 Tahapan pengembangan sistem pakar
Pengembangan ES memiliki perbedaan yang signifikan dari pengembangan produk perangkat lunak konvensional. Pengalaman membuat ES telah menunjukkan bahwa penggunaan metodologi yang diadopsi dalam pemrograman tradisional selama pengembangannya dapat menunda proses pembuatan ES secara berlebihan, atau bahkan mengarah pada hasil yang negatif.
ES harus digunakan hanya ketika pengembangan ES mungkin, dibenarkan dan metode rekayasa pengetahuan sesuai dengan masalah yang sedang dipecahkan. Untuk pengembangan ES menjadi mungkin untuk permohonan ini, sekurang-kurangnya persyaratan berikut harus dipenuhi secara bersamaan:
1) ada ahli di bidangnya yang memecahkan masalah jauh lebih baik daripada pemula;
2) para ahli menyetujui penilaian solusi yang diusulkan, jika tidak, kualitas ES yang dikembangkan tidak dapat dinilai;
3) para ahli mampu mengungkapkan secara verbal (diekspresikan dalam bahasa alami) dan menjelaskan metode yang mereka gunakan, jika tidak, sulit untuk mengharapkan bahwa pengetahuan para ahli akan "digali" dan diinvestasikan dalam ES;
4) pemecahan masalah hanya membutuhkan penalaran, bukan tindakan;
5) tugas tidak boleh terlalu sulit (yaitu, penyelesaiannya harus memakan waktu beberapa jam atau hari, bukan berminggu-minggu);
6) meskipun tugas tidak boleh diungkapkan dalam bentuk formal, tugas itu harus tetap berada dalam area yang cukup "dapat dipahami" dan terstruktur, yaitu. konsep utama, hubungan dan cara yang diketahui (setidaknya untuk seorang ahli) untuk mendapatkan solusi untuk masalah harus disorot;
7) solusi masalah tidak boleh sebagian besar menggunakan "akal sehat" (yaitu berbagai informasi umum tentang dunia dan cara kerjanya, yang diketahui dan dapat digunakan oleh orang normal), karena pengetahuan seperti itu belum dimungkinkan (cukup) untuk berinvestasi dalam sistem kecerdasan buatan.
Penggunaan ES dalam aplikasi ini dimungkinkan, tetapi tidak dibenarkan. Penggunaan ES dapat dibenarkan salah satu faktor berikut:
Penyelesaian masalah akan membawa dampak yang signifikan, misalnya ekonomi;
· penggunaan tenaga ahli tidak mungkin dilakukan karena jumlah tenaga ahli yang tidak mencukupi, atau karena kebutuhan untuk melakukan pemeriksaan pada waktu yang sama di tempat yang berbeda;
Penggunaan ES adalah bijaksana dalam kasus-kasus ketika, ketika mentransfer informasi ke ahli, terjadi kehilangan waktu atau informasi yang tidak dapat diterima;
Penggunaan ES adalah bijaksana, jika perlu, untuk memecahkan masalah di lingkungan yang tidak bersahabat dengan manusia.
Aplikasi sesuai Metode ES, jika masalah yang dipecahkan memiliki kombinasi karakteristik berikut:
1) masalah dapat diselesaikan dengan cara alami melalui manipulasi simbol (yaitu, menggunakan penalaran simbolik), dan bukan melalui manipulasi angka, seperti yang biasa dilakukan dalam metode matematika dan dalam pemrograman tradisional;
2) tugas harus memiliki sifat heuristik, bukan algoritmik, mis. solusinya harus membutuhkan penerapan aturan heuristik. Tugas yang dapat dijamin untuk diselesaikan (dengan batasan yang diberikan) dengan bantuan beberapa prosedur formal tidak cocok untuk penggunaan ES;
3) tugas harus cukup kompleks untuk membenarkan biaya pengembangan ES. Namun, tidak boleh terlalu rumit (membutuhkan jam ahli untuk menyelesaikannya, bukan berminggu-minggu) agar ES dapat menyelesaikannya;
4) tugas harus cukup sempit untuk diselesaikan dengan metode ES, dan secara praktis signifikan.
Saat mengembangkan ES, sebagai aturan, konsep "prototipe cepat" digunakan. Inti dari konsep ini adalah pengembang tidak mencoba untuk segera membangun produk akhir. Pada tahap awal, mereka membuat prototipe (prototipe) dari ES. Prototipe harus memenuhi dua persyaratan yang saling bertentangan: di satu sisi, mereka harus memecahkan masalah tipikal aplikasi tertentu, dan di sisi lain, waktu dan tenaga pengembangan mereka harus sangat kecil agar dapat paralel proses mengumpulkan dan debugging pengetahuan (dilakukan oleh seorang ahli) dengan proses seleksi (pengembangan) sebanyak mungkin. alat perangkat lunak(dilakukan oleh seorang insinyur pengetahuan dan seorang programmer). Untuk memenuhi persyaratan ini, sebagai aturan, saat membuat prototipe, berbagai alat digunakan untuk mempercepat proses desain.
Prototipe harus menunjukkan kesesuaian teknik rekayasa pengetahuan untuk aplikasi ini. Jika berhasil, ahli, dengan bantuan insinyur pengetahuan, memperluas pengetahuan prototipe tentang area masalah. Kegagalan mungkin memerlukan pengembangan prototipe baru, atau pengembang dapat menyimpulkan bahwa metode ES tidak cocok untuk aplikasi tertentu. Seiring bertambahnya pengetahuan, prototipe dapat mencapai titik di mana ia berhasil menyelesaikan semua masalah aplikasi yang diberikan. Transformasi prototipe ES menjadi produk akhir biasanya mengarah pada pemrograman ulang ES dalam bahasa tingkat rendah, memberikan peningkatan kecepatan ES dan penurunan memori yang diperlukan. Kompleksitas dan waktu pembuatan ES sangat bergantung pada jenis alat yang digunakan.
Selama pengerjaan pembuatan ES, teknologi tertentu untuk pengembangannya telah dikembangkan, termasuk enam tahap berikut (Gbr. 4.4):
identifikasi, konseptualisasi, formalisasi, eksekusi, pengujian, operasi percobaan. Di panggung identifikasi tugas yang harus diselesaikan ditentukan, tujuan pengembangan diidentifikasi, ahli dan jenis pengguna ditentukan.
Beras. 4.4. teknologi pengembangan ES
Di panggung konseptualisasi analisis yang bermakna dari area masalah dilakukan, konsep yang digunakan dan hubungannya diidentifikasi, metode untuk memecahkan masalah ditentukan.
Di panggung formalisasi SI dipilih dan cara untuk mewakili semua jenis pengetahuan ditentukan, konsep dasar diformalkan, metode interpretasi pengetahuan ditentukan, operasi sistem dimodelkan, kecukupan tujuan sistem konsep tetap, metode keputusan, sarana mewakili dan memanipulasi pengetahuan dinilai.
Di panggung pemenuhan basis pengetahuan diisi oleh pakar. Karena dasar dari ES adalah pengetahuan, tahap ini merupakan tahap yang paling penting dan paling memakan waktu dalam pengembangan ES. Proses memperoleh pengetahuan dibagi menjadi ekstraksi pengetahuan dari seorang ahli, organisasi pengetahuan yang menyediakan kerja yang efisien sistem, dan representasi pengetahuan dalam bentuk yang dapat dimengerti oleh ES. Proses memperoleh pengetahuan dilakukan oleh seorang insinyur pengetahuan berdasarkan analisis aktivitas seorang ahli dalam memecahkan masalah nyata.
5. Penggunaan dan dukungan ES. Rekayasa ulang bisnis
5.1 Penggunaan sistem ekspor keuangan
Banyak perusahaan menginstal ES untuk memecahkan masalah di bidang-bidang seperti: perdagangan di bursa saham, pemahaman otomatis berita, analisis kredit, manajemen risiko, membangun portofolio pinjaman dan investasi, bank pemeringkat, mengotomatisasi audit, memprediksi perubahan di pasar keuangan, dll.
Contohnya adalah seluruh kelas ES penasehat: Sistem Pemantauan Pialang Bear, Sterns & Company, Penasihat Portofolio Athena Group dan Asisten Pedagang, dikembangkan bersama oleh Penulis D. Little Corporation, Perusahaan Jaringan Berbasis Pengetahuan dan enam lembaga keuangan lainnya. Bank Sanwa Jepang, salah satu bank terbesar di dunia, menggunakan sistem pakar Best Mix untuk meningkatkan kualitas informasi investasinya.
ES Nikko Portfolio Consultation Management System, yang dikembangkan secara internal oleh Nikko Securities, Ltd., membantu manajer investasi memilih portofolio terbaik untuk klien mereka. Sistem ini berdasarkan database lima tahun penjualan saham dan sistem teori manajemen portofolio baru yang menghitung dan mengoptimalkan portofolio sekuritas untuk melakukan lindung nilai terhadap berbagai risiko. Manajer dana dibebaskan dari perhitungan rutin dan dengan demikian memiliki kesempatan untuk membangun portofolio efek yang optimal dengan lebih cepat. IDS Financial Services, divisi perencanaan keuangan American Express Company, telah mengkategorikan keahlian keuangan para manajer terbaiknya untuk membuat sistem pakar yang disebut Insight. IDS telah memasukkan keahlian manajer terbaik dalam perangkatnya, yaitu. sistem pakar yang tersedia untuk semua perencananya. Salah satu hasil utama penggunaan sistem pakar di IDS adalah persentase klien yang meninggalkan perusahaan turun lebih dari setengahnya.
Kami membuat daftar karakteristik dari beberapa ES spesifik dari kelas ini.
1. FLiPSiDE: Sistem Pemrograman Logika Keahlian Keuangan. Pengembang perusahaan: Case Western Reserve University Tugas yang harus diselesaikan: memantau keadaan pasar sekuritas; memantau keadaan portofolio efek saat ini; mendukung tinjauan kondisi pasar di masa depan; perencanaan dan pelaksanaan penjualan.
Karakteristik singkat: penerapan paradigma "Papan Tulis" asli yang dijelaskan oleh Newell; bahasa Prolog sebagai platform pemrograman; penyajian data pada “Papan Tulis” sebagai data masukan untuk berbagai pengetahuan;
2. Kemegahan: Sistem manajemen portofolio real-time. Tantangan: Mencapai berbagai tujuan investasi dalam lingkungan data yang berubah dengan cepat. Karakteristik singkat: sistem real-time, penggunaan bahasa tingkat tinggi khusus Keuntungan, fleksibilitas yang besar dalam membuat portofolio untuk programmer C berpengalaman, kemampuan untuk membuat portofolio untuk analis keuangan non-pemrograman.
Sistem ini memungkinkan Anda untuk membuat portofolio investasi yang optimal dalam skala nyata dengan bermain berdasarkan perubahan cepat di bursa saham.
3. PMIDSS: Sistem Pendukung Keputusan Manajemen Portofolio. Perusahaan Pengembang: Grup Keuangan Universitas New York. Tugas yang harus diselesaikan: pemilihan portofolio sekuritas, perencanaan investasi jangka panjang. Karakteristik singkat: sistem representasi pengetahuan campuran, penggunaan berbagai mekanisme inferensi: logika, jaringan semantik terarah, bingkai, aturan.
4. Le Courtier: Sistem asisten ahli untuk manajer portofolio. Perusahaan Pengembang: Cognitive System Inc. Tugas yang harus diselesaikan: bantuan kepada investor dalam menentukan tujuan investasi mereka, manajemen portofolio. Karakteristik singkat: penggunaan aturan, antarmuka bahasa alami yang kuat.
5. PMA: Penasihat Manajer Portofolio. Pengembang perusahaan: Athena Group. Tugas yang harus diselesaikan: pembentukan portofolio, pemberian rekomendasi tentang dukungan portofolio. Karakteristik singkat: memberikan pembenaran kualitatif untuk hasil penerapan berbagai metode numerik.
6. ArBoR: Model Komputasi Peringkat Obligasi. Perusahaan Pengembang: Sekolah Tinggi Administrasi Bisnis Universitas Nebraska. Tugas yang harus diselesaikan: Sistem ini dibuat untuk membangun model komputasi di bidang peringkat obligasi dan menggunakan model tersebut sebagai sistem pakar. Karakteristik singkat: penggunaan analisis kualitatif dan kuantitatif, penggunaan shell ES standar.
7. Intelligent Hedger: pendekatan berbasis pengetahuan untuk masalah asuransi risiko. Perusahaan Pengembang: Departemen Sistem Informasi, Universitas New York. Tantangan: Masalah sejumlah besar alternatif asuransi risiko yang terus berkembang, pengambilan keputusan yang cepat oleh manajer risiko dalam arus informasi yang semakin cepat, dan kurangnya dukungan mesin yang sesuai pada tahap awal proses pengembangan sistem asuransi risiko. bidang berbagai solusi optimal untuk manajer risiko. Dalam sistem ini, pengembangan asuransi risiko dirumuskan sebagai masalah optimasi multiguna. Masalah optimasi ini melibatkan beberapa kesulitan yang tidak dapat diatasi oleh solusi teknis yang ada.
Karakteristik singkat: sistem menggunakan representasi objek yang menangkap pengetahuan mendalam tentang manajemen risiko dan memfasilitasi emulasi alasan utama manajer risiko, berguna untuk kesimpulan dan penjelasan mereka.
8. Sempit sistem berorientasi pendukung keputusan untuk memilih strategi investasi. Perusahaan pengembang: Intelligent System Laboratory Science University of Tokyo. Tugas yang harus diselesaikan: Dengan munculnya konsep "pilihan" dan "masa depan" dalam rangkaian instrumen keuangan, investor memiliki kesempatan untuk membentuk serangkaian strategi yang memenuhi tujuan investasi mereka. Namun, kemungkinan ini menimbulkan tugas yang sulit untuk menemukan strategi yang diperlukan di antara sejumlah besar strategi investasi. Sistem pendukung keputusan cerdas disajikan untuk menghasilkan strategi investasi yang diperlukan menggunakan notasi kepuasan terbatas, yang banyak digunakan dalam masalah pencarian. Dalam sistem ini, batasan memainkan peran navigasi untuk pembuatan strategi kompleks secara otomatis melalui perbandingan abstrak dengan profil kontributor. Perbandingan abstrak dapat dilihat sebagai pencarian metode untuk menghasilkan strategi yang sehat secara kualitatif yang menggambarkan serangkaian penawaran untuk membeli atau menjual tanpa informasi digital. Karena teknik ini dapat digunakan sebagai preprocessor untuk analisis kuantitatif seperti: pemrograman linier untuk mendapatkan solusi yang optimal, sistem yang diusulkan merupakan jembatan untuk kelancaran transisi antara analisis kualitatif dan kuantitatif.
Karakteristik singkat: penggunaan analisis kualitatif untuk mendapatkan solusi kualitatif yang mungkin (solusi intuitif) dan analisis kuantitatif untuk menemukan solusi optimal menggunakan metode program linier simpleks.
9. Penalaran eksplisit dalam peramalan pertukaran mata uang. Perusahaan-pengembang: Departemen Ilmu Komputer Politeknik Kota Hong Kong. Tugas yang harus diselesaikan: Memperkenalkan pendekatan baru dalam peramalan pertukaran mata uang berdasarkan akumulasi dan penalaran dengan dukungan fitur yang hadir untuk fokus pada serangkaian hipotesis tentang pergerakan nilai tukar. Himpunan fitur yang disajikan dalam sistem peramalan adalah seperangkat nilai ekonomi yang diberikan dan berbagai set parameter yang bervariasi waktu yang digunakan dalam model peramalan.
Karakteristik singkat: dasar matematis dari pendekatan yang diterapkan didasarkan pada teori Dempster-Schafer.
10. Nereid: Sistem pendukung keputusan untuk mengoptimalkan pekerjaan dengan opsi mata uang. Perusahaan Pengembang: Data NTT, Bank Tokai, Universitas Sains Tokyo.
Tugas diselesaikan: sistem memfasilitasi dukungan dealer untuk respons optimal dari opsi yang mungkin disajikan. Sistem ini lebih praktis dan memberikan keputusan yang lebih baik daripada sistem pengambilan keputusan konvensional.
Fitur Singkat: Sistem dirancang menggunakan sistem bingkai CLP, yang dengan mudah mengintegrasikan area keuangan ke dalam aplikasi AI. Jenis optimasi campuran diusulkan, menggabungkan pengetahuan heuristik dengan teknik pemrograman linier. Sistem ini bekerja di stasiun Matahari.
5.2 ES berdasarkan contoh
ES berdasarkan contoh dapat dibagi menjadi dua kelompok sesuai dengan prinsip operasi: yang menggunakan jaringan saraf dan yang menggunakan algoritma generalisasi induktif ID3. Yang pertama terutama digunakan sebagai pengklasifikasi yang telah dilatih sebelumnya pada contoh, yang, ketika serangkaian nilai parameter keuangan awal dimasukkan ke inputnya, solusi yang diinginkan untuk situasi keuangan tertentu muncul di output. Kumpulan contoh kedua membentuk pohon keputusan, dari mana aturan keputusan yang sesuai kemudian dibangun. Di bawah ini kami memberikan 2 contoh khas ES dari kedua kelompok.
1. S&PCBRS: Neural Simulator untuk Peringkat Efek. Pengembang: Chase Manatten Bank, Standard & Poor's Corp. Tugas yang harus diselesaikan: penilaian peringkat sekuritas menurut data pada perusahaan penerbit, pembentukan skala peringkat yang benar.
Karakteristik singkat: penyajian tugas penilaian peringkat sebagai tugas klasifikasi, pemilihan data pada penerbit dan pembentukan materi pelatihan, pemilihan neuroclassifier, pelatihan dan pengujiannya, perbandingan dengan penilaian ahli, penggunaan paradigma jaringan saraf Couter-Propagation, probabilitas prediksi peringkat yang benar adalah 84%.
2. ISPMS: Sistem Manajemen Portofolio Cerdas. Tugas yang harus diselesaikan: pembentukan portofolio saham yang memberikan keseimbangan antara risiko dan pendapatan yang diharapkan.
Karakteristik singkat: penggunaan model optimasi pemrograman kuadratik Markowitz, basis data dan basis pengetahuan pada perusahaan dan industri penerbit, adanya subsistem pembelajaran berdasarkan ekstraksi aturan dari sejumlah besar fakta, dengan mempertimbangkan pengetahuan ahli dan preferensi pribadi investor dalam model optimasi. Probabilitas memprediksi dengan tepat perubahan tajam di pasar saham berada di kisaran 68% - 84%.
5.3 Penemuan kembali bisnis
Restrukturisasi pekerjaan perusahaan di bidang proses yang terkait dengan desain dan persiapan produksi produk baru, yang disebut rekayasa ulang dan dilakukan untuk meningkatkan efisiensi fungsi perusahaan dalam kondisi modern, didasarkan pada perubahan organisasi dan penggunaan teknologi informasi baru.
Saat menganalisis bisnis yang ada dan mengembangkan bisnis baru, peran penting dimainkan dengan membangun model perusahaan dan proses bisnis yang terjadi di dalamnya. Model dapat berbeda dalam tingkat detail proses, bentuk presentasinya, hanya dengan mempertimbangkan faktor statis atau dinamis, dll. Perlu dicatat bahwa semua pendekatan yang diketahui untuk pemodelan bisnis milik keluarga metode untuk memodelkan informasi yang kompleks sistem.
Alat tradisional untuk membangun model sistem yang kompleks termasuk metodologi SADT (Teknik Desain Analisis Terstruktur). Itu dibuat pada awal 1970-an untuk menyatukan pendekatan untuk deskripsi sistem yang kompleks. SADT mencakup pendekatan konseptual untuk membangun model sistem dan seperangkat aturan dan simbol grafis untuk menggambarkan mereka. Metode yang diusulkan untuk membangun model fungsional, di mana deskripsi sistem dilakukan dalam hal fungsi yang mereka lakukan, disebut metodologi IDEF0. Ada juga metodologi khusus untuk membangun model informasi yang menggambarkan arus informasi (IDEFIX) dan model dinamis yang menampilkan hubungan sebab akibat antara objek sistem (IDEF/CPN).
Alat pemodelan yang lebih modern yang muncul pada pertengahan 90-an termasuk metodologi RUP (Rational Unified Process). Metodologi ini, yang dikembangkan oleh Rational Software Corp., adalah
mendukung proses berulang untuk membuat sistem informasi yang kompleks berdasarkan pendekatan berorientasi objek, menggunakan diagram UML (Unified Modeling Language) untuk pemodelan domain visual. Notasi diagram UML dan metode untuk menggunakan UML dalam desain rekayasa ulang dan proses bisnis produksi akan dibahas di bagian selanjutnya dari tutorial ini.
Seiring dengan UML, ada notasi lain untuk pemodelan visual, diimplementasikan, misalnya, dalam sistem ARIS dan ADONIS. Sistem ADONIS memungkinkan Anda untuk melakukan tidak hanya visual, tetapi juga pemodelan simulasi proses bisnis, kemampuannya juga dibahas di bawah ini.
Sistem informasi untuk mendukung proses bisnis baru.
Telah dicatat di atas bahwa penggunaan teknologi informasi baru merupakan bagian integral dari rekayasa ulang. Pada saat yang sama, model proses bisnis baru diimplementasikan secara langsung di lingkungan sistem pendukung informasi (SIS) bisnis baru. Pentingnya ISP tidak hanya terletak pada kenyataan bahwa itu adalah elemen yang diperlukan dari rekayasa ulang, tetapi juga dalam kenyataan bahwa seringkali penggunaan ISP sangat menentukan teknologi bisnis baru. ISP dikembangkan secara khusus perangkat lunak- sistem perangkat lunak yang dibangun berdasarkan penggunaan alat yang sesuai.
Di bidang perancangan produk baru, peran ICP dimainkan oleh desain sistem desain berbantuan komputer (CAD-K). Di bidang persiapan teknologi produksi, peran ISP dimainkan oleh sistem otomatisasi persiapan teknologi produksi (ASTPP).
Sistem CAD/CAM, CAE, dan PDM adalah salah satu alat pembuatan CAD/CAM. Pada saat yang sama, sistem CAD / CAM dan CAE menjadi alat untuk mengotomatisasi implementasi prosedur desain, dan sistem PDM menjadi alat untuk mengelola proses persiapan desain dan produksi. Pada saat yang sama, sistem PDM adalah alat dasar yang mengimplementasikan ruang informasi tunggal untuk semua tahap siklus hidup produk (LCI).
Sistem CAD/CAM/CAE/PDM yang paling kuat dan berfitur lengkap disebut solusi PLM (Manajemen Data Produk).
6. Strategi untuk memperoleh pengetahuan. Praktik Ekstraksi Pengetahuan
6.1 Strategi akuisisi pengetahuan
Ada tiga strategi untuk memperoleh pengetahuan - akuisisi pengetahuan, ekstraksi pengetahuan dan penemuan pengetahuan dalam database:
Dibawah Akuisisi(akuisisi) pengetahuan memahami cara pengisian otomatis basis pengetahuan melalui dialog seorang ahli dan program khusus.
ekstraksi(elisitasi) pengetahuan adalah prosedur interaksi seorang insinyur pengetahuan dengan sumber pengetahuan (ahli, literatur khusus, dll) tanpa menggunakan teknologi komputer.
Syarat " penemuan pengetahuan dalam database” (penemuan pengetahuan dalam basis data - KDD) hari ini menunjukkan proses memperoleh yang baru, berpotensi informasi berguna tentang bidang pelajaran. Proses ini mencakup beberapa tahap (Gbr. 6.1). Ini meliputi akumulasi data mentah, seleksi, persiapan, transformasi data, pencarian pola dalam data, evaluasi, generalisasi dan penataan pola yang ditemukan.
Beras. 6.1. Proses penemuan pengetahuan dalam database
Strategi KDD semakin mengemuka. Hal ini sebagian besar disebabkan oleh pesatnya perkembangan berbagai gudang data (data warehouse) - kumpulan data yang berorientasi pada subjek, terintegrasi, didukung secara kronologis, tidak dapat diubah, dan dimaksudkan untuk pemrosesan analitis selanjutnya.
Spesifik persyaratan modern untuk pemrosesan data untuk tujuan penemuan pengetahuan adalah sebagai berikut:
Datanya tidak terbatas
Data bersifat heterogen (kuantitatif, kualitatif, kategoris)
Hasil harus spesifik dan dapat dimengerti
Alat pemrosesan data mentah harus mudah digunakan
6.2 Praktik ekstraksi data
Klasifikasi metode ekstraksi pengetahuan (Gbr. 6.2) akan memungkinkan insinyur pengetahuan, tergantung pada tugas dan situasi tertentu, untuk memilih metode tertentu. Dari skema klasifikasi yang diusulkan, dapat dilihat bahwa prinsip dasar pembagian dikaitkan dengan sumber pengetahuan. Metode komunikatif mencakup semua jenis kontak dengan sumber pengetahuan yang hidup - seorang ahli, dan metode tekstual berhubungan dengan metode untuk mengekstraksi pengetahuan dari dokumen (metode, manual, manual) dan literatur khusus (artikel, monografi, buku teks).
Pembagian kelompok-kelompok metode tersebut pada tingkat atas klasifikasi tidak berarti bersifat antagonistik, biasanya seorang knowledge engineer menggabungkan metode yang berbeda, misalnya terlebih dahulu mempelajari literatur, kemudian berbicara dengan para ahli, atau sebaliknya.
Beras. 6.2. Klasifikasi metode ekstraksi pengetahuan.
Pada gilirannya, metode komunikasi juga dapat dibagi menjadi dua kelompok: aktif dan pasif. Metode pasif menyiratkan bahwa peran utama dalam prosedur ekstraksi pengetahuan, seolah-olah, ditransfer ke ahli, dan insinyur pengetahuan hanya mencatat alasan ahli selama dia bekerja. pekerjaan nyata pengambilan keputusan atau menuliskan apa yang dianggap perlu oleh pakar untuk diceritakan sendiri dalam bentuk ceramah. Dalam metode aktif, di sisi lain, inisiatif sepenuhnya berada di tangan insinyur pengetahuan, yang secara aktif berhubungan dengan ahli. cara yang berbeda- dalam permainan, dialog, diskusi meja bundar, dll.
Sekilas metode pasif cukup sederhana, tetapi pada kenyataannya mereka membutuhkan kemampuan seorang insinyur pengetahuan untuk menganalisis dengan jelas "aliran kesadaran" ahli dan mengidentifikasi bagian-bagian penting dari pengetahuan di dalamnya. Kurangnya umpan balik (kepasifan insinyur pengetahuan) secara signifikan melemahkan efektivitas metode ini, yang menjelaskan peran tambahan mereka dalam metode aktif.
Metode aktif dapat dibagi menjadi dua kelompok tergantung pada jumlah ahli yang memberikan pengetahuan mereka. Jika jumlah mereka lebih dari satu, maka disarankan, selain serangkaian kontak individu dengan masing-masing, untuk menerapkan metode diskusi kelompok dari bidang subjek. Metode kelompok seperti itu biasanya mengaktifkan pemikiran para peserta dalam diskusi dan memungkinkan untuk mengidentifikasi aspek-aspek yang sangat non-sepele dari pengetahuan mereka. Pada gilirannya, metode individu hari ini tetap memimpin, karena prosedur rumit seperti "menyapih pengetahuan" tidak mentolerir saksi yang tidak perlu.
Secara terpisah, harus dikatakan tentang permainan. Metode permainan sekarang banyak digunakan dalam sosiologi, ekonomi, manajemen, pedagogi untuk pelatihan para pemimpin, guru, dokter, dan spesialis lainnya. Permainan adalah bentuk khusus dari aktivitas dan kreativitas, di mana seseorang dibebaskan dan merasa jauh lebih bebas daripada dalam pekerjaan biasa.
Kesimpulan
Selama pekerjaan, kesimpulan berikut dibuat:
Sistem pakar adalah program cerdas yang mampu menarik kesimpulan logis berdasarkan pengetahuan di bidang subjek tertentu dan memberikan solusi untuk masalah tertentu.
Persyaratan berikut dikenakan pada sistem pakar: penggunaan pengetahuan yang terkait dengan bidang subjek tertentu; memperoleh pengetahuan dari seorang ahli; definisi tugas yang nyata dan agak rumit; memberkahi sistem dengan kemampuan seorang ahli.
Struktur sistem pakar diwakili oleh elemen struktural berikut: basis pengetahuan, mesin inferensi, antarmuka pengguna, modul akuisisi pengetahuan, modul saran dan penjelasan.
Bidang penerapan sistem berbasis pengetahuan dapat dikelompokkan ke dalam beberapa kelas utama: diagnostik medis, kontrol dan manajemen, diagnostik kesalahan pada perangkat mekanik dan listrik, pendidikan, ekonomi dan keuangan.
Banyak perusahaan menginstal ES untuk memecahkan masalah di bidang-bidang seperti: perdagangan di bursa saham, pemahaman otomatis berita, analisis kredit, manajemen risiko, membangun portofolio pinjaman dan investasi, bank pemeringkat, mengotomatisasi audit, memprediksi perubahan di pasar keuangan, dll. Sistem pakar yang paling umum di bidang keuangan dipertimbangkan.
Informatisasi masyarakat mengarah pada internasionalisasi produksi. Neraca perdagangan luar negeri dari pengetahuan profesional yang relevan berfungsi sebagai indikator kekuatan teknis negara, dan konsep teknologi informasi terkait dengan ini. Hal ini diwujudkan melalui pasar lisensi untuk produk industri, berbagai pengetahuan, serta konsultasi penggunaan produk teknologi tinggi.
Berkat evolusi pasar dunia, negara yang bergerak di bidang penjualan produk teknologi tinggi yang mencakup pengetahuan profesional modern dan teknologi terbaru memiliki keunggulan. Ada perdagangan aktif dalam produk yang tidak terlihat dalam bentuk pengetahuan, budaya, stereotip perilaku yang dipaksakan secara aktif. Ini adalah alasan mengapa di masyarakat informasi informasi, kreativitas dan pengetahuan bertindak sebagai sumber daya strategis. Dan karena bakat tidak diciptakan, ada kebutuhan untuk menciptakan budaya, yaitu lingkungan di mana bakat dapat berkembang dan berkembang. Di sini, pengaruh teknologi komputer sangat besar, dinyatakan dalam pembelajaran jarak jauh, permainan komputer, film, dll.
Teknologi informasi dalam perekonomian dan implementasinya
Tujuan dari sistem informasi adalah penyimpanan, pencarian dan penerbitan data atas permintaan dari pengguna. Inti dari sistem informasi ekonomi adalah pemrosesan informasi yang relevan. statistik, akuntansi, asuransi, kredit dan keuangan, perbankan, serta jenis kegiatan komersial lainnya melayani di sini. Untuk digunakan di tempat kerja, harus dirancang menggunakan teknologi informasi. Penting untuk dicatat bahwa di masa lalu, proses desain sistem dipisahkan dari pemrosesan informasi domain. Saat ini, itu juga ada secara independen, membutuhkan kualifikasi tertinggi dari spesialis desain. Saat ini ada Teknologi Informasi dalam ekonomi, yang tidak hanya tersedia untuk pengguna mana pun, tetapi juga memungkinkan Anda untuk menggabungkan proses merancang komponen individual sistem dengan pemrosesan informasi. Ini bisa menjadi kantor elektronik, Surel, spreadsheet dan pengolah kata, dan banyak lagi. Tren membuat teknologi informasi dapat diakses oleh pengguna terus berlanjut.
Ternyata tempat kerja menggunakan teknologi informasi dalam ekonomi, yang dikembangkan oleh desainer, dan teknologi informasi yang memungkinkan untuk mengotomatisasi aktivitas di tempat kerja mereka.
Fitur-fitur berikut dari transisi ke informatisasi masyarakat dapat dibedakan: reorientasi ekonomi menuju eksploitasi, replikasi pengetahuan profesional, keterlibatan profesional dalam proses formalisasi pengetahuan, dan percepatan "produksi pengetahuan- siklus pengetahuan”.
Teknologi informasi dalam perekonomian melibatkan penggunaan sambungan telepon, televisi kabel, peralatan penyalinan, komputer, peluncuran program pelatihan, dan banyak lagi. Berkat perkembangan hubungan pasar, muncul jenis baru tentang penciptaan perusahaan yang bergerak di bidang bisnis informasi, perkembangan teknologi informasi, distribusi komponen. sistem otomatis.
Berkat ini, dimungkinkan tidak hanya untuk dengan cepat menyebarluaskan dan menggunakan teknologi informasi secara efektif, tetapi juga untuk membuatnya dalam variasi yang sangat besar. Dan di sini penting untuk dipahami bahwa informasi ekonomi merupakan komponen penting dari keseluruhan proses.
Peningkatan sistem manajemen perusahaan dalam ekonomi informasi didasarkan pada teknologi informasi. Pencapaian tujuan organisasi dilakukan atas dasar kesadaran para manajer organisasi tentang promosi produk dan layanan di pasar, persaingan, teknologi baru dalam situasi pasar yang berubah.
Perubahan cepat dalam parameter lingkungan eksternal modern mengarah pada peningkatan volume dan kecepatan penyebaran informasi, oleh karena itu, untuk bisnis yang sukses, perlu untuk mengurangi waktu pengambilan keputusan, yang pasti mengarah pada peningkatan kecepatan transmisi dan pemrosesan informasi berdasarkan penggunaan teknologi informasi baru. Analisis tren dan pola perkembangan proses informasi di bidang bisnis menegaskan kesimpulan tentang tingginya tingkat informatisasi, baik dari proses manajemen maupun proses produksi barang dan jasa.
Dibawah informasi kita akan memahami proses perkembangan "industri informasi". Tiga interpretasi yang sama dari istilah ini dipertimbangkan:
- o proses menciptakan dan meningkatkan masyarakat informasi;
- o proses peningkatan efisiensi penggunaan informasi di negara dan masyarakat berdasarkan teknologi informasi yang maju;
- o proses pembentukan noosfer.
Pengukuran proses informatisasi dilakukan dengan menentukan skala pengenalan teknologi informasi di segala bidang kehidupan masyarakat. Karena teknologi informasi modern didasarkan pada penggunaan teknologi komputer, kadang-kadang mereka menempatkan tanda yang sama antara konsep "informatisasi" dan "komputerisasi".
Konsep "teknologi informasi" didasarkan pada konsep dasar "informasi" dan "teknologi".
Teknologi (dari bahasa Yunani, "techne" - seni, keterampilan, keterampilan, dan "logos" - pengetahuan, sains) - seperangkat metode pemrosesan, pembuatan, perubahan keadaan, sifat, bentuk, yang dilakukan dalam proses produksi. Tugas teknologi sebagai ilmu adalah mengidentifikasi pola untuk menentukan dan menggunakan dalam praktik proses produksi yang paling efisien dan ekonomis.
Teknologi Informasi - ini adalah seperangkat metode, proses produksi, dan algoritme perangkat lunak dan perangkat keras, digabungkan dalam rantai teknologi, yang implementasinya memastikan pengumpulan, penyimpanan, pemrosesan, keluaran, dan penyebaran informasi untuk mengurangi kompleksitas proses menggunakan sumber informasi, meningkatkan keandalan dan efisiensinya.
Analisis definisi esensi TI memungkinkan kita untuk menyimpulkan bahwa dalam kondisi modern mereka menjadi alat yang efektif untuk meningkatkan manajemen perusahaan, terutama di bidang kegiatan manajemen seperti manajemen strategis, manajemen kualitas produk dan layanan, pemasaran, pekerjaan kantor, manajemen personalia, dan budaya organisasi.
Tujuan utama TI adalah untuk memastikan penggunaan sumber daya informasi yang efisien:
- o ketika mengembangkan rencana strategis untuk pengembangan organisasi;
- o dalam proses mempelajari dampak kegiatan investasi dan inovasi;
- o untuk memastikan daya saing divisi perusahaan berdasarkan pendapat pelanggan, keadaan pesaing;
- o untuk mendukung pengambilan keputusan manajemen.
Perkembangan TI di seluruh dunia dijelaskan oleh meningkatnya intensitas arus informasi akibat perkembangan proses globalisasi ekonomi dunia dan pembentukan ruang informasi. Aktivitas manajemen membutuhkan dukungan informasi, karena pemrosesan informasi untuk membuat keputusan manajerial dan mengembangkan tindakan pengendalian membutuhkan banyak waktu.
Di jantung manajemen perusahaan modern adalah konsep pemasaran interaksi, mis. transisi dibuat dari konsep manajemen abad XX. "kami menjual apa yang kami hasilkan" dengan konsep abad XXI. "kami memproduksi apa yang kami jual", apa yang diminati.
Buku teks adalah karya umum di bidang sistem informasi modern dan teknologi yang digunakan dalam perekonomian, dan tidak hanya mencakup bagian wajib dari program, tetapi juga materi tambahan yang menjelaskan keadaan saat ini di bidang penciptaan dan pengoperasian sistem dan teknologi informasi modern, serta prospek pengembangannya. Di akhir setiap bagian ada pertanyaan kontrol dan tugas yang akan membantu siswa untuk menguji pengetahuan mereka.
Langkah 1. Pilih buku di katalog dan klik tombol "Beli";
Langkah 2. Pergi ke bagian "Keranjang";
Langkah 3. Tentukan jumlah yang dibutuhkan, isi data di blok Penerima dan Pengiriman;
Langkah 4. Klik tombol "Lanjutkan ke pembayaran".
Saat ini, dimungkinkan untuk membeli buku cetak, akses elektronik, atau buku sebagai hadiah ke perpustakaan di situs web ELS hanya dengan pembayaran uang muka 100%. Setelah pembayaran, Anda akan diberikan akses ke teks lengkap buku teks di Perpustakaan Digital atau kami akan mulai menyiapkan pesanan untuk Anda di percetakan.
Perhatian! Harap jangan mengubah metode pembayaran untuk pesanan. Jika Anda telah memilih metode pembayaran dan gagal menyelesaikan pembayaran, Anda perlu mendaftarkan ulang pesanan dan membayarnya dengan cara lain yang nyaman.
Anda dapat membayar pesanan Anda menggunakan salah satu metode berikut:
- Cara tanpa uang tunai:
- kartu bank: Semua kolom formulir harus diisi. Beberapa bank meminta Anda untuk mengonfirmasi pembayaran - untuk ini, kode SMS akan dikirim ke nomor telepon Anda.
- Perbankan online: bank yang bekerja sama dengan layanan pembayaran akan menawarkan formulir mereka sendiri untuk diisi. Silakan masukkan data yang benar di semua bidang.
Misalnya untuk " class="text-primary">Sberbank Online nomor yang diperlukan telepon genggam dan email. Untuk " class="text-primary">Alpha Bank Anda akan memerlukan login di layanan Alfa-Click dan email. - dompet online: jika Anda memiliki dompet Yandex atau Dompet Qiwi, Anda dapat membayar pesanan melalui mereka. Untuk melakukan ini, pilih metode pembayaran yang sesuai dan isi kolom yang diusulkan, kemudian sistem akan mengarahkan Anda ke halaman untuk mengonfirmasi faktur.
Baca juga...
