Використання основних форм умовиводів логіки для автоматизованої підтримки інформаційно-аналітичної роботи

Досвід показує, що дуже часто аналітиками в узагальненому розумінні і керівниками ставали і стають спеціалісти, які по незалежним від них причинам не вивчали навіть основ ЛОГІКИ. ЛОГІКА є частковою і автономною складовою ФІЛОСОФІЇ. Проте, викладання ЛОГІКИ з її основними умовиводами часто відсутнє у викладанні ФІЛОСОФІЇ у технічних ВНЗ та ВВНЗ. 

Проте, ЛОГІКА є важливою методологічною основою ІНФОРМАЦІЙНО-АНАЛІТИЧНОЇ РОБОТИ/ДІЯЛЬНОСТІ та підтримки прийняття рішень в узагальненому розумінні. Тому УМОВИВОДИ ЛОГІКИ розглянуті провідними радянськими вченими (Поспелов Д. А., ін.) у методології ШТУЧНОГО ІНТЕЛЕКТУ, яка є важливою основою автоматизації інформаційно-аналітичної роботи. 

Тому при розробці Інструкції до Автоматизованої інформаційної системи аналітика (АІСА) мною запропоновано,  розроблено і вбудовано  до неї короткі тематичні відомості про основні умовиводи логіки. Цей витяг з Інструкції також наданий у 2007 році начальнику кафедри гуманітарних дисциплін Житомирського військового інституту для викладання основ ЛОГІКИ курсантам і студентам ЖВІ у визначеній на кафедрі формі. Адже у майбутньому багато курсантів і студентів стають аналітиками чи споживачами аналітичної продукції, розробниками чи адміністраторами інформаційних систем як мінімум локального рівня.


Скульптура Родена - Мислитель

Далі дається витяг з документації до автоматизованої системи підтримки інформаційно-аналітичної роботи корпоративного інформаційно-аналітичного центра (АС ПІАР КІАЦ), 2006 рік. Наведені короткі відомості є основою для подальшого більш глибокого рогляду основних положень ЛОГІКИ користувачами автоматизованих інформаційно-аналітичних систем, які також можуть мати функції автоматизованого управління.

Використання основних форм умовиводів логіки для автоматизованої підтримки інформаційно-аналітичної роботи 



До числа основних форм умовиводу сучасної логіки відносяться: дедуктивні умовиводи; недедуктивні умовиводи (індукція, статистичні умовиводи, аналогія, моделювання). Важливою формою умовиводу стала аргументація. Ці форми умовиводу необхідно враховувати під час створення бази даних/знань та при використанні АІСА.

Дедукція – умовивід, у якому здійснюється перехід, як правило, від загального до менш загального, часткового, одиничного.

Індукція – умовивід, у якому з одиничних або часткових суджень виводиться загальне судження. 


Повна індукція – це індукція, в якій висновок про весь клас предметів робиться на основі засновків, які охоплюють усі без винятку предмети цього класу. 

Неповна індукція – це індукція, в якій висновок про весь клас предметів робиться на основі засновків, які охоплюють лише частину предметів цього класу. 

Індукція через простий перелік (популярна індукція) – це індукція, в якій висновок про клас предметів робиться лише на фактах, які здобуті на основі частини випадково спостережуваних предметів цього класу. 

Індукція через відбір фактів – це індукція, в якій висновок про клас предметів робиться на фактах, які здобуті на основі вивчення частини відібраних за певною системою предметів цього класу. 

Наукова індукція - це індукція, у якій висновок про клас предметів робиться на основі знань необхідних ознак, властивостей або причинних зв’язків частини предметів цього класу.

Статистичні умовиводи за своєю побудовою подібні до неповної наукової індукції, але за структурою і ходом міркування значно відрізняються від неї. У цій формі умовиводу особливу роль відіграють такі два поняття як генеральна сукупність та вибірка. 


Під генеральною сукупністю розуміється число об’єктів, на яке мають бути поширені ознаки, які вивчаються на меншому числі об’єктів (вибірці), що входять у генеральну сукупність. Якщо обсяг вибірки встановлено правильно, то кажуть, що така вибірка є репрезентативною. Статистичний умовивід дозволяє визначити таку вибірку, що ознаки, які будуть виявлені в ній, з високим ступенем імовірності, за певної корекції, можна перенести і на генеральну сукупність. Міркування може йти як від вибірки до генеральної сукупності (подібно до індукції), так і від генеральної сукупності до вибірки (подібно до дедукції). При побудові статистичних висновків не просто констатується, що висновок є можливим, як в індукції, а й визначається у відсотках (кількісно) ступінь імовірності висновку на основі дослідження вибірки. Така кількісна характеристика має важливе значення, особливо коли приймається рішення в умовах невизначеності.

АНАЛОГІЯ - форма недедуктивного умовиводу, в якому з того, що два з досліджуваних предметів схожі між собою у декількох ознаках, робиться висновок, що можливо ці ж предмети схожі й у інших ознаках. За своєю природою аналогія є перенесенням інформації з одного предмета (моделі) на інший (прототип). Ця характерна риса умовиводу за аналогією відрізняє його від дедукції й індукції. У висновку за аналогією може йтись про предмет зовсім іншого класу від того, до який належить предмет, про який йдеться у засновках. За ступенем схожості предметів аналогії поділяються на строгі (наукові) аналогії і нестрогі аналогії


Частковою формою виведення за аналогією є традуктивне виведення (з часткого - часткове).

Форма умовиводу, яка позначена як АРГУМЕНТАЦІЯ (ймовірно, вперше запропонована Сократом) реалізована для систем управління знаннями у парадигмі ЗНАННЯ+АРГУМЕНТАЦІЯ. Це одна з основних форм умовиводу, яка підтримується АІСА. Її суть в тому, що аналітик висуває гіпотезу, після чого за допомогою багатокритеріальних запитів та сортування (кластеризації, групування) елементів даних\знань знаходить у базі знань всі аргументи (необхідні набори елементів знань про зареєстровані інформаційні ресурси (ЗІР), які підтверджують чи спростовують висунуту ним гіпотезу. 


У ролі гіпотези можуть виступати аналітичні елементи, на основі яких розроблена модель знань: АТРИБУТИ, ВИКЛАДАННЯ, ВИСНОВКИ, ПРОГНОЗИ, ПРОПОЗИЦІЇ, РІШЕННЯ, РЕЗУЛЬТАТИ (АВ+ВПП+РР).  На основі відібраного фрагменту елементів знань, фахівець формує узагальнююче знання за тією ж моделлю знань АВ+ВПП+РР, яке підтверджує чи спростовує висунуту гіпотезу. 

Умови багатокритеріального пошуку й відбору елементів знань можуть бути збережені у базі запитів та використовуватися у подальшому для повторного аналізу елементів бази знань, після її оновлення описами нових ЗІР. У цьому разі, результати аргументації можуть дати інший результат. 

Процес аргументації у даному випадку можливо розглядати як однокрокове індуктивне виведення (умовивід від часткового – до загального) на позитивних та негативних прикладах (аргументи які підтверджують гіпотезу користувача – позитивні приклади, а аргументи, які її спростовують – негативні приклади). 
У різних підручниках по логіці ці типи аргументів можуть позначатися дещо по іншому, але суть їх така сама. У цьому випадку, «часткове» - це описи ЗІР, а «загальне» - це назване та збережене багатокритеріальне правило (запит), яке сформоване за результатами відбору часткових аргументів (набори елементів знань про ЗІР).

Збережене правило відбору елементів знань можливо також використовувати для автоматизованої підтримки однокрокового дедуктивного виведення (умовивід від загального – до часткового). 

У цьому випадку «загальне» - це назва правила відбору, а «часткове» – відібрані аргументи (набори елементів знань про ЗІР)
У деяких випадках, кількакрокове дедуктивне виведення також можливо звести до однокрокового – шляхом додавання нових умов відбору й сортування (кластеризації, групування) до уже створеного правила. 

Більш складні форми дедуктивного виведення забезпечують спеціалізовані дедуктивні системи управління базами даних (у цій версії АІСА не використовуються), проте вони не забезпечують обробку великої кількості ЗІР, кількість яких безперервно збільшується.

АРГУМЕНТОВАНЕ ВИВЕДЕННЯ - такий умовивід можливо запропонувати, як розширення умовиводу АРГУМЕНТАЦІЯ. У цьому випадку, на першому етапі дослідження елементів знань про ЗІР, вони нумеруються згідно відношення до етапів розвитку відображеного у ЗІР досліджуваного процесу. Число-лінгвістична оцінка (нумерація та назва) етапів процесу може здійснюватися за допомогою призначеного для задоволення евристичних потреб користувача елемента моделі знань. Після накопичення достатньо великого розміру бази знань щодо етапів розвитку досліджених процесів, їх можливо використовувати для знаходження аналогій з ознаками нових подібних процесів, що підлягають дослідженню аналітиком. 


Для знаходження аналогій можливо здійснити багатокритеріальний відбір елементів знань задокументованого процесу, здійснити їх кластеризацію (класифікацію, групування) за зростанням номерів етапів процесу, за часом реєстрації, тощо. У цьому разі аргументи, які свідчать про розвиток вже відомого процесу, будуть класифіковані за зростанням номерів етапів процесу чи їх дат, тощо. 
Аналіз розвитку ймовірних ознак нового процесу забезпечує можливість визначення етапів його розвитку шляхом порівняння із встановленими етапами вже відомого процесу чи процесів. АРГУМЕНТАМИ у цьому випадку будуть елементи знань про окремі ЗІР, які характеризують етапи розвитку досліджуваного процесу.

Необхідність зазначити, що багато вчених у галузі штучного інтелекту вважають спроможність знаходити складні аналогії між подіями, процесами, об’єктами, головною відмінною аналітичною функцією, яка відрізняє людину від обчислювальної машини. Тому АІСА не виконує цю функцію, а лише підтримує процес пошуку аналогій людиною за допомогою автоматизованого аналізу елементів моделі знань АВ+ВПП+РР та пристосованих для цієї роботи інтерфейсів користувача.

Запропоноване АРГУМЕНТОВАНЕ ВИВЕДЕННЯ можливо розглядати як доповнення до описаних у логіці таких умовиводів як ДОСТОВІРНЕ ЛОГІЧНЕ ВИВЕДЕННЯ (перехід від одного етапу виведення до іншого є цілком достовірним) та ПРАВДОПОДІБНЕ ЛОГІЧНЕ ВИВЕДЕННЯ (перехід від одного етапу виведення до іншого є правдоподібним (ймовірним) з більшою чи меншою мірою впевненості). Парадигма ЗНАННЯ+ЛОГІЧНЕ ВИВЕДЕННЯ у даній версії АІСА не використовується, тому що приводить до ускладнення моделі знань, алгоритмічного і програмного забезпечення, проте не надає очевидних переваг перед парадигмою ЗНАННЯ+АРГУМЕНТАЦІЯ чи ЗНАННЯ+АРГУМЕНТОВАНЕ ВИВЕДЕННЯ. Проте, модель знань АВ+ВПП+РР можливо адаптувати для реалізації кількакрокового логічного виведення. Багато провідних вчених вважає, що парадигма ЗНАННЯ+АРГУМЕНТАЦІЯ є більш сучасною для побудови систем управління знаннями ніж парадигма ЗНАННЯ + ЛОГІЧНЕ ВИВЕДЕННЯ, та такою, що є більш наближеною до логіки людського мислення та прийняття рішень.

Наступним етапом розвитку парадигми ЗНАННЯ+АРГУМЕНТАЦІЯ провідні вчені у галузі штучного інтелекту Радянського Союзу Поспелов Г.С та Поспелов Д.А. вважали парадигму АРГУМЕНТАЦІЯ+ВИПРАВДАННЯ. Підтримка в АІСА парадигми АРГУМЕНТАЦІЯ+ВИПРАВДАННЯ забезпечується як часткова форма парадигми ЗНАННЯ+АРГУМЕНТАЦІЯ, яку можливо визначити як АРГУМЕНТАЦІЯ НА НЕПОВНИХ ПРИКЛАДАХ (або АРГУМЕНТАЦІЯ ЧЕРЕЗ ВІДБІР ФАКТІВ, тільки позитивних чи тільки НЕГАТИВНИХ). У цьому випадку, користувач може підібрати у базі знань саме ті елементи знань, які виправдовують висунуту ним гіпотезу, якою можуть бути ВИКЛАДАННЯ, ВИСНОВКИ, ПРОГНОЗИ, ПРОПОЗИЦІЇ, РІШЕННЯ, РЕЗУЛЬТАТИ. При достатньо великому розмірі бази знань АВ+ВПП+РР, в ній може бути накопичена значна кількість аргументів (описів ЗІР), які спростовують чи підтверджують альтернативні (протилежні) гіпотези користувача. 


У цьому випадку, навмисне або ненавмисне використання для аргументації гіпотези лише НЕПОВНИХ ПРИКЛАДІВ може привести до необ’єктивної аргументації. 

Умовивід на основі навмисної АРГУМЕНТАЦІЇ НА НЕПОВНИХ ПРИКЛАДАХ може бути використаний для реалізації фальсифікованої аргументації. При відборі великої кількості НЕПОВНИХ (ПОЗИТИВНИХ) прикладів, їх загальна вага може перевищити загальну вагу значно меншої кількості окремо більш вагомих НЕПОВНИХ (НЕГАТИВНИХ) прикладів, що можливо використати для реалізації дискредитації альтернативних аргументів («кількість» проти «якості»). 

На основі останніх двох форм умовиводу може бути розроблена часткова парадигма побудови систем управління знаннями спеціального призначення ЗНАННЯ+АРГУМЕНТАЦІЯ НА НЕПОВНИХ ПРИКЛАДАХ. Перераховані можливості розширюють сферу застосування аналітичних функцій АІСА для АЦ різного призначення.

АІСА також забезпечує підтримку таких необхідних видів пошуку у системах управління знаннями, як ПОШУК В ГЛИБИНУ та ПОШУК В ШИРИНУ. Ці види пошуку забезпечуються шляхом застосування необхідної послідовності багатокритеріального відбору та сортування (кластеризації, групування) елементів знань. Для прикладу, можливо почати пошук по всім країнам, поступово звужуючи його до однієї країни - ПОШУК В ГЛИБИНУ, або почати пошук по одній країні, послідовно розширюючи його й по іншим країнам - ПОШУК в ширину.

Ще однією важливою парадигмою побудови систем управління знаннями, яка була найпершою, вважають парадигму ЗНАННЯ+ЕВРИСТИКИ. Парадигма побудована на тому, що евристичне маніпулювання знаннями може привести до шуканого результату. Не дивлячись на примітивність цього виду умовиводу, він у багатьох випадках приносить значну користь, адже базується у тому числі й на інтуїції аналітика, яка має велике значення в інформаційно-аналітичній роботі. 


Особливо корисною може бути цей умовивід під час аналізу процесів, які прийнято називати процесами, що «не піддаються законам логіки» (найчастіше в цих процесах «є логіка», проте вона прихована або неявно виражена). 

Такі процеси особливо характерні для сфери інформаційно-аналітичної роботи, для якої безпосередньо призначена АІСА. Очевидно, що наявність базових елементів моделі знань АВ+ВПП+РР значно підвищує ефективність використання форми умовиводу «ЗНАННЯ+ЕВРИСТИКИ».

Необхідно зазначити, що перераховані парадигми побудови систем управління знаннями, засновані на формах умовиводу логіки, не замінюють, а доповнюють одна одну і разом утворюють систему ефективних методів аналітика АЦ для інформаційно-аналітичної обробки наявних інформаційних ресурсів за допомогою АІСА. Ця система може бути доповнена й іншими методами.

Інформаційно-пошукові та інформаційно-аналітичні функції АІСА стосовно структурованого аналізу елементів знань про наявні інформаційні ресурси на АЦ по своїй сукупності перевищують аналогічні функції таких систем управління наявними інформаційними ресурсами як: Провідник (Total Commander, Far, ін.) операційної системи Windows; інформаційно-пошукові засоби для Інтернету; інформаційно-пошукові засоби для автоматизованих інформаційних бібліотечних систем, Національного реєстру інформаційних ресурсів, наукових фахових видань, воєнно-технічної інформації; діючої інформаційно-довідкової системи АЦ, ін. 



ВИСНОВКИ


Вказана система умовиводів логіки є важливою методологічною основою для вірної побудови баз даних та знань і високоавтоматизованих hi-tech аналітичних методів їх обробки на основі системи Business Intelligence+KMS (Knowledge Management System), яка складається з підсистем Data Warehouse/Data Marts, OLAP, Data Mining, Expert system (bot), Visual Mining, Dashboards, KPI (Key Performance Indicator), Scorecard, Text Mining, Opinion Mining, Sentimetial Analysis, ін. 


На основі перерахованих систем будують комплекси систем:
DSS BI (DSS BI 2.0, DSS BI 3.0/Cloud Computing), ES BI, Spatial DSS BI, Social Media DSS BI, Social Media Spatial DSS BI, Hosting DSS BI, Web Site DSS BI, Network Ergatic organizm (NEO), BI NEO, NEO BI, ets.


Читайте також більш нові публікації: 

  •  І.А. Круковський  Узагальнена архітектура системи підтримки прийняття рішень на основі Business Intelligence у розширеному тлумаченні
  • І.А. Круковський, В.Л. Гаврилюк, Б.А. Хомів Проблемні питання використання і розвитку засобів Social Media Analytics, їх інтеграції з Business Intelligence  та з елементами ГІС – на прикладі платформи SemanticForce/
  • І.А. Круковський, Б.А. Хомів, В.Л. Гаврилюк Ієрархічно-синергетичне об'єднання Social Media Analytics/Social CRM з Business Intelligence і з географічною інформаційною системою/
  • Круковський І.А. Дослідження шляхів об’єднання для організацій Social Media, Social Media Analytics/Social CRM/
  • Круковський І.А. Удосконалені вимоги до реалізації OLAP у DSS для часткових проблемних областей інформаційно-аналітичної роботи.
  • Б. М. Герасимов, І. А. Круковський. Методика вибору раціональної моделі подання знань для автоматизованої системи підтримки інформаційно-аналітичної роботи корпоративного інформаційно-аналітичного центру.
  • Б. М. Герасимов, І. А. Круковський. Методика розробки моделі знань про наявні інформаційні ресурси на аналітичному центрі з використанням експертного морфологічного багатовимірного OLAP аналізу її елементів і властивостей.
  • А.І. Валюх, І.А. Круковський, В.Л. Сімаков. Експертна система, узгоджена з Business Intelligence 2.0.
  • Скорочений список авторських друкованих публікацій за тематикою  Business Intelligence + KMS 

Базові умовиводи логіки тут сформовані на основі інформації з підручників:

  1. Гладунський В. Н. Логіка : навч. посібник / В. Н. Гладунський. – 2-е вид. – Львів : Афіша, 2004. – 359 с.
  2. Тофтул М. Г. Логіка / М. Г. Тофтул. – К. : Академія, 1999. – 336 с.

Спеціалізовані умовиводи логіки для штучного інтелекту взяті з базових робіт в СРСР по штучному інтелекту: 

  1. Поспелов Д. А. Моделирование рассуждений : опыт анализа мыслительных актов / Д. А. Поспелов. – М. : Радио и связь, 1989. – 184 с.
  2. Горелов И. Н. Разговор с компьютером : психолингвистический аспект проблемы (с послесловием Д. А. Поспелова) / И. Н. Горелов ; послесл. Д. А. Поспелова. – М. : Наука, 1987. – 256 с.
  3. Левитин К.Е. Будущее искусственного интеллекта : сб. / АН СССР; ред.-сост. : К.Е. Левитин, Д.А. Поспелов. – М. : Наука, 1991. – 302 с.
  4. Поспелов Г. С. Исследование по искусственному интеллекту в СССР / Г. С. Поспелов, Д. А. Поспелов // Кибернетику – на службу коммунизму : сб. ст. / под ред. акад. А. И. Берга. – М. : Энергия, 1978. – Т. 9 : Управление и информатизация. – С. 212-236.
  5. Поспелов Г. С. Системный анализ и искусственный интеллект для планирования и управления / Г. С. Поспелов // Кибернетика. Дела практические : сб. ст. – М. : Наука, 1984. – 176 с.

Більше робіт щодо використанн умовивоядів логіки для автоматизації за допомогою штучного  інтелекту див. на сторінках:

Коментарі

Дописати коментар