Новые технологии развития интеллектуальных информационных систем презентация

описания открытия знаний в БД, выделения знаний, изыскания данных, исследования данных, обработки образцов данных, очистки и сбора данных. Все эти действия осуществляются автоматически и позволяют получать быстрые результаты.
Запрос преобразуется в SQL – формат. SQL запрос по сети поступает в СУБД, которая управляет БД или хранилищем данных. СУБД находит ответ на запрос и доставляет его назад. Пользователь может затем разрабатывать презентацию или отчет в соответствии со своими требованиями.
Поддержка принятия управленческих решений на основе накопленных данных может выполняться в 3х базовых сферах
Сфера детализированных данных.
Сфера агрегированных показателей.
Сфера закономерностей.

значений

Прогнози-
рование
развития
процессов

Выявление
Отклонений

Выявление
закономер-
ностей
Ассоциатив-
ной логики

Свободный поиск
(Discovery)

Прогностическое
моделирование
(Predicate Modeling)

Анализ исключений
(Forensic Analysis)

СТАДИИ ИАД

системы,
источники данных
























Область Область Область
детализированных агрегированных закономерностей
данных показателей

Генераторы
запросов,
информационно-
поисковые системы

Системы оперативной,
аналитической
обработки данных
(OLAP)

Системы
интеллектуального
анализа данных
(ИАД)

Хранилище данных

Сбор, очистка и согласование данных из внешних источников

Информационные
системы руководителя

OLTP

OLTP

Retention)

Выявление и
использование
формализованных
закономерностей
(Data Distillation)

Методы
логической
индукции
1.Деревья
Решений
(Decision Trees)
2.Индукция
Правил
(Rule Learning)

Эволюционное
моделирование
Генетические
Алгоритмы
2.Искусственные
нейронные
сети

Рассуждения
На основе
Прецендентов
(Case-based
Reasoning)

МЕТОДЫ ИАД

компьютеров с
архитектурными и обрабатывающими способностями, которые
имитируют некоторые способности человеческого мозга к обработке
информации.
Представления знаний в ИНС основаны на:
массированной параллельной обработке,
быстром поиске больших объемов информации
способности распознавать образцы, основанной на исторических прецедентах.
Качествами человеческого мозга, которые, возможно, будут в будущем присутствовать в ИС, являются:
массовый параллелизм,
распределенное представление информации и вычисления,
способность к обучению и способность к обобщению,
адаптивность,
свойство контекстуальной обработки информации,
толерантность к ошибкам,
низкое энергопотребление.

нейронной системой

образа, представленного вектором признаков, одному
или нескольким предварительно определенным классам)

Кластеризация/категоризация или классификация
образов «без учителя». Алгоритм кластеризации основан на
подобии образов и размещает близкие образы в один кластер.

Аппроксимация функций.
Пусть имеется обучающая выборка ((x1,y1),(x2,y2)...,(xn,yn))
(пары данных вход-выход), которая генерируется неизвестной
функцией (x), искаженной шумом. Задача аппроксимации
состоит в нахождении оценки неизвестной функции (x).
(Необходима при решении задач моделирования).

моменты времени t1, t2,..., tn.
Задача состоит в предсказании значения y(tn+1) в некоторый
будущий момент времени tn+1.

Оптимизация - нахождение такого решения, которое удовлетворяет систему ограничений и максимизирует или минимизирует целевую функцию)

Память, адресуемая по содержанию
доступна по указанию заданного содержания

Управление.
Рассмотрим динамическую систему, заданную совокупностью
{u(t), y(t)}, где u(t) - входное управляющее воздействие,
а y(t) - выход системы в момент времени t.
В системах управления с эталонной моделью целью управления
является расчет такого входного воздействия u(t), при
котором система следует по желаемой траектории, диктуемой
эталонной моделью (оптимальное управление двигателем)

информацию

в качестве модели искусственного
нейрона,
Нейрон вычисляет взвешенную сумму n входных сигналов xj,
j = 1, 2... n, и формирует на выходе сигнал величины 1, если эта
сумма превышает определенный порог u, и 0 - в противном
случае.
u - весовой коэффициент, связанный с постоянным входом x0=1
Положительные веса соответствуют возбуждающим связям, а
отрицательные – тормозным.
При соответствующим образом подобранных весах
совокупность параллельно функционирующих нейронов
способна выполнять универсальные вычисления.
Некоторые аналогии и отношения между
биологическими и искусственными нейронными сетями.

обрабатывающих элементов), организованных различными путями для формирования структуры сети.

Входные данные



Дендрит Нейрон 1 Вес W12 Нейрон 2
(входной Аксон Дендрит Аксон
провод) (выходной
провод) Синапс (управление
потоком
электрохимических
импульсов)
Сигнальные данные
Нейрон 3

Уj

К2


Суммирование Передаточная
К3 функция

Нейрон j
wijxi

W1j

W2j

W3j

W1j W2j W3j W4j
Слой
X1 X2 X3 X4




ИНС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами.

Н

Н

Н

Н

Н

Н

Н

Функция
передачи f
Весовая
сумма

связей ИНС могут быть сгруппированы в 2 класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.

ИНС обучение -это настройка архитектуры сети и весов связей
для эффективного выполнения специальной задачи.

Для конструирования процесса обучения необходимо:
1)иметь модель внешней среды, в которой функционирует нейронная сеть - знать доступную для сети информацию. Эта модель определяет парадигму обучения.
2)необходимо понять, как модифицировать весовые параметры сети - какие правила обучения управляют процессом настройки.

Существуют 3 парадигмы обучения:
1."с учителем", 2."без учителя" (самообучение), 3.смешанная.

Известны 4 основных типа правил обучения:
1.коррекция по ошибке, 2.машина Больцмана,
3.правило Хебба 4.обучение методом соревнования.

можно использовать 2 подхода:

ОСНОВНАЯ ИДЕЯ ПРОГРАММНЫХ АГЕНТОВ
-делегирование полномочий

ЦЕЛЬ ПОИСКОВЫХ АГЕНТОВ
улучшить результаты поиска пользователей в Интернет,
выбрать наиболее релевантные документы.

Реализация единственного
автономного агента
Автономный агент взаимодействует
только с пользователем и
реализует весь спектр
функциональных возможностей,
необходимых в рамках агентно-
ориентированной программы.

Разработка
мультиагентной системы.
MAC - программно-
вычислительные комплексы,
где взаимодействуют
Различные агенты для решения
задач,которые трудны для
одного агента. (agencies)

передает пользователю не просто результаты работы машины поиска, а предварительно просматривает документы и выбирает из них наиболее релевантные с его точки зрения
2 Агент может настраиваться на предпочтения пользователя, то есть учитывать ряд ограничений на поиск, формулируемых владельцем агента.
Некоторые агенты могут работать в off-line режиме, т.е. когда пользователь дает задание агенту и отключается от интернет, агент отправляется на сервер, где выполняет работу. Когда пользователь снова подключается, агент посылает ему выполненное задание.
4 Агенты могут обучаться. Пользователь оценивает работу агента, а агент учитывая эти оценки может корректировать свои критерии отбора информации.

(intellegent).

Обычно выделяются 3 базовых класса архитектур:
архитектуры, которые базируются на принципах и методах работы со знаниями;
архитектуры, основанные на поведенческих моделях типа «стимул-реакция»;
гибридные архитектуры.

АГЕНТ - это аппаратная или программная
сущность, способная действовать в интересах
достижения целей, поставленных перед ним
владельцем и или пользователем.

только точное представление картины мира в символьной
форме, а решения принимаются на основе формальных рассуждений и
использования методов сравнения по образцу.
Реактивными называются агенты и архитектуры, где нет эксплицитно
представленной модели мира, а функционирование отдельных агентов и
всей системы осуществляется но правилам типа ситуация—действие.
Гибридные архитектуры появились в результате объединения
интеллектуальной и реактивной архитектуры, т.к. ни одна сама по себе
не является оптимальной.

устойчивым словосочетаниям
-Поддерживают различные сервисы (передача запроса пользователя сразу на множество машин поиска, настройка на личные предпочтения пользователя, формирование тематической БД на основе результатов поиска пользователя, а иногда — и обучение агентов.
-Объединяют ссылки на сайты, найденные множеством машин поиска, исключая повторные и неработающие ссылки

-не в состоянии самостоятельно отобрать полезную информацию и оставляет это пользователю.
-степень «попадания ответа в запрос» практически та же, что и у машин поиска.
-не накапливают опыта по поиску в определенной ПО.
-обучение, если вообще допускается, занимает много времени.

+

-

музыку, или только про
книги, или только про котировки акций и т. д. Они «умеют»
очень хорошо работать на определенных сайтах с
фиксированным форматом данных.
кроме поиска предоставляют пользователям определенный пакет средств для организации и управления найденной информацией.
В развитых системах этого класса имеются возможности:
сохранения параметров поиска для повторного использования
параллельного поиска на множестве ресурсов Интернета;
оформления результатов в виде отчетов и сохранения их в БД
слежения за обновлением информационных ресурсов Интернета, в том числе с частотой, задаваемой пользователем.
Серьезный плюс - четкое срабатывание на хорошо структурированных данных в известном формате.

Недостатки те же, что и у неспециализированных

-

+

передавать
только данные приложений) и динамический подход (обеспечивают
возможности передачи исполняемого кода).
При динамическом подходе МАС-приложения используют парадигму
мобильных агентов.

Мобильные агенты - это программы, которые могут перемещаться по
сети, например по WWW. Они покидают клиентский компьютер и
перемещаются на удаленный сервер для выполнения своих действий,
после чего возвращаются обратно.
Использование мобильных агентов может быть целесообразным, если они:
• уменьшают время и стоимость передачи данных
• позволяют преодолеть ограничение локальных ресурсов
• облегчают координацию
• позволяют выполнять асинхронные вычисления

аналитической обработки данных в режиме on-line (Analytical Processing).
2. Технология ИАД (DM-Data Mining), будет прогрессивно изменяться, впитывая в себя новые эвристические и индуктивные методы обобщения для формирования требуемых знаний
3. Интеллектуальные мультиагентные системы (МА)
4. Отказ от “жестких” схем рассуждений, опирающихся на дедуктивную процедуру.
5. Развитие индуктивных подходов в самообучении ИС, ИАД и МАС
6. Развитие мягких вычислений
7. Развитие когнитивных технологий
8. Развитие динамических интеллектуальных систем