Гібридна експертна система продукційного типу з Business Intelligence, KMS і з об`єктами управління


Ця проста коротка стаття опублікована на навчальному сайті "Система+" студентами навчально-наукового підрозділу ЖВІ  і дозволяє швидко зрозуміти, що таке експертна система продукційного типу і як вона може об`єднуватися з Business Intelligence і Knowledge Management System з об`єктами управління.

Eкспертна система – це поняття зі сфери штучного інтелекту (Artificial Intelligence), яке позначає комп’ютерну систему, яка емулює здатність приймати рішення людиною-експертом. 

Така система має знання та спрощені аналітичні здібності одного або кількох експертів щодо деякої галузі застосування.

Експертні системи продукційного типу з логічним виведенням за зразками призначені для вирішення не дуже складних аналітичних задач шляхом імітації міркувань експертів, використовуючи правила "якщо-то" ( if–then rules). Тобто, експертні системи здатні здійснювати логічні умовиводи у спрощеній формі. 

Це забезпечує вирішення специфічних завдань експертів (спеціалістів в конкретній проблемній області) без їх присутності. 

Експертна система розділена на дві підсистеми: підсистему логічного виведення і підсистему бази знань. 

В свою чергу, база знань містить базу фактів і базу правил. 

Механізм логічного виведення застосовує правила якщо-то ( if–then rules) до відомих фактів і виводить нові факти, що можуть також включати в себе пояснення і можливості налагодження. 



Експертні системи створюються за допомогою двох груп людей: 


1) інженер зі знань, який розробляє ядро експертної системи і, знаючи організацію бази знань, заповнює її
2) експертів (експерта) за фахом.

Сфера застосування експертних систем включає в себе: інтерпретацію вхідних даних, діагностику, проектування, прогнозування, планування, навчання, управління та інше.

Етапи розробки експертних систем: 


1) етап ідентифікації проблем (identification problems) – визначаються завдання, які підлягають вирішенню, виявляються цілі розробки, визначаються експерти і типи користувачів; 
2) етап вилучення знань (extraction of knowledge) – проводиться аналіз проблемної області, виявляються поняття і їх взаємозв’язки, визначаються методи розв’язання задач;
3) етап структуризації знань (structuring of knowledge) – обираються інформаційні системи і визначаються способи подання всіх видів знань;
4) етап формалізації (formalization) – здійснюється наповнення експертом бази знань; 
5) реалізація експертних систем (realization expert system) – відбувається створення одного або декількох прототипів ЕС котрі вирішують поставлені задачі;
6) етап тестування (testing) – проводиться оцінка обраного способу представлення знань. 



На американському і західноєвропейських ринках систем штучного інтелекту організаціям, які бажають створити експертну систему, фірми-розробники пропонують сотні  інструментальних засобів для їх побудови. Нараховуються тисячі розроблених  вузькоспеціалізованих експертних систем. Це свідчить про те, що експертні системи складають дуже вагому частину програмних засобів. 

У теперішній час експертні системи у класичному тлумаченні доцільно використовувати лише для навчання принципам їх роботи, а на практиці їх доцільно об’єднувати з Business Intelligence. Прикладом такої системи експертна система, узгоджена з Business Intelligence 2.0. Її узагальнена архітектура зображена нижче, а більш детально вона описана у відповідній статті. 

Узагальнена  архітектура експертної системи на продукційних правилах, яка інтегрована з  Business Intelligence  і Knowledge Management System, з об`єктами управління

Першоджерела: 

  1. Автори навчальної публікації - студенти 312 навчальної групи Житомирського військового інституту  Москаленко В.В., Лелет І.В.:  http://dss-bi.com.ua/System/експертна-система або http://dss-bi.com.ua/System/експертна-система/?print=pdf 
  2. ЕКСПЕРТНА СИСТЕМА, УЗГОДЖЕНА З BUSINESS INTELLIGENCE 2.0. Валюх, А.І.; Круковський, І.А.; Сімаков, В.Л.; Valyukh, A.I.; Krukovskiy, I.A.; Simakov, V.L.
  3. Круковський І.А. Архітектура експертної системи з розширеним виведенням на трикомпонентній гібридній моделі подання знань / І.А. Круковський // зб. наук. праць ВІТІ НТУ України «КПІ». – 2009. – Вип. 3. – С. 20–24.
  4. Expert system from Wikipedia, the free encyclopedia 
  5. Круковський І.А. Удосконалені вимоги до реалізації OLAP у DSS для часткових проблемних областей інформаційно-аналітичної роботи : військ.-техн. зб. / І.А. Круковський // Академія сухопутних військ. – 2010. – Вип. 3. – С. 26–32.
  6. Скорочений список авторських друкованих публікацій за тематикою  Business Intelligence + KMS (DSS, Expert System, OLAP+, Data Warehouse, Data Mart, Dashboards, Sorecard, Visual Mining, GIS, SCADA, Web-site/hosting, Web Analytics/CRM, SiteLabs, Opinion Mining, Sentiment Analysis, методики розробки інтегруючої системи систем і окремих перерахованих підсистем, ін.)
  7. Скорочений список цитованих першоджерел, на які є посилання у друкованих авторських роботах за тематикою  Business Intelligence + KMS.  

Примітка адміністратора BI & DSS

У зв`язку зі складністю розробки і підтримки в актуальному стані баз знань і правил логічного виведення великих експертних систем, вони, в основному, виродилися у прості програмні засоби користувачів, які дозволяють створювати правила "якщо...то...інакше...". Ці засоби влаштовані до всіх сучасних СУБД,  електронних таблиць. Продукційні правила широко використовуються в системах веб-безпеки, антивірусах, тощо. У останні роки почали активно розвивати й використовувати чат-боти у різних веб сферах застосування Social CRM. 

До всіх сфер застосування продукційних правил (if–then rules) цілком відноситься заключна частина статті. Для прикладу, всі чат-боти повинні бути інтегровані із засобами Business Intelligence+KMS. Якщо це не зрозуміло - у Вас проблеми, навіть якщо Ви їх не помічаєте, звертайтесь за консалтинговими послугами (system.k7@gmail.com).  



Приклад:

Система продукційних правил на сайтах в Системі+ сповіщає про явні спроби підбору паролів з  деякими параметрами порушників.




Коментарі

Дописати коментар