Информационное обеспечение менеджмента
Эта база знаний содержит правила и заключения, которые используются в принятии решений, - параметры, или факты, необходимые для решения.
Другие главные фрагменты экспертной системы - создатель заключения и интерфейс пользователя. Создатель заключения - логический каркас, который автоматически проводит линию рассуждения
и который беспечен правилами заключения и параметрами, вовлеченными в решение. Таким образом, один и тот же создатель заключения может использоваться для многих различных экспертных систем с различной базой знаний. Интерфейс пользователя - блок, используемый конечным пользователем, например неопытным планировщиком оборудования идеальный интерфейс - очень дружественный. Другие блоки включают подсистему объяснения, чтобы разъяснять доводы, что система движется в направлении решения, подсистему накопления знания, чтобы помочь инженеру знания в регистрации правил заключения и параметров в базе знаний, рабочую область, чтобы использовать компьютер, поскольку решение сделано [2].
Примеры экспертных систем
Классический пример экспертной системы - MYCIN, она была создана в "Stanford University" в середине 70-х годов, чтобы диагностировать обращения по болезням крови и менингита. "General Electric" развивала экспертную систему CATS-1, чтобы диагностировать механические проблемы в дизельных локомотивах, фирма AT&T разработала АСЕ для обнаружения повреждений в телефонных кабелях. Международная нефтяная компания "Schlumberger" развивала экспертную систему, названную Dipmeter, применяемую для подачи сигналов, когда сверло заклинивает и когда сверление идет нормально. Эти примеры относятся к проблемам диагностики ситуаций и предписывают соответствующие действия, потому что эксперты не всегда присутствуют, когда возникают проблемы на производстве.
Некоторые экспертные системы специализируются в просеивании массивов наборов правил или других предписаний, иногда называемых основанными на случаях аргументации. "Human Service Agency" из Merced County (Калифорния) использует экспертную систему по имени Magic, которая включает 6000 правительственных постановлений в отношении благосостояния, продовольственных талонов, медицины, поощрения забот и т.д. Magic определяет, соответствует ли претендент пользе, и затем вычисляет тип и количество выгод. Полный процесс от заявления до заключительного решения теперь составляет примерно три дня, в то время как до этого он составлял три месяца. Кроме того, клерки, которые обрабатывают приложения, не требуют глубокого обучения, которое прежде требовалось. Все, что они должны уметь делать, это проводить претендента шаг за шагом через ряд вопросов, задаваемых компьютером.
Организация Объединенных Наций развила подобную экспертную систему, названную Entitlements System, для объяснения комплексных норм жалованья для всех служащих Секретариата ООН во всем мире. Плата служащих ООН определяется на основе жалованья плюс прибавки, а прибавки включают выгоды, формируемые на месте работы, плюс другие договорные соглашения. Правила и нормы для прибавок занимают три издания по несколько сотен страниц каждый. Используя PowerModel - программное обеспечение из IntelliCorp, ООН построила экспертную систему, которая определяет и применяет прибавки автоматически при использовании интерактивной базы знаний, содержащей правила прибавок. Экспертная система облагает налогом прибавки всякий раз, когда происходят изменения в статусе служащего.
Компания "Credit Clearing House" (CCH) развила экспертную систему, чтобы ответить на запросы абонентов, разыскивающих информацию относительно предпринимателей в швейной промышленности. Экспертная система ССН включает приблизительно 800 правил, и ее развитие стоит один млн. долл. Когда абонент вызывает запрос информации относительно кредита бизнеса, система анализирует историю оплаты, финансовый отчет, эффективность бизнеса, оценивает кредитоспособность и рекомендации и устанавливает рекомендуемый лимит кредитования в долларах.
Планирование - другая важная область для экспертных систем. Экспертные системы, используемые в настоящее время, включают отправку грузовиков и систему планирования, которая определяет последовательность остановок на маршруте, чтобы обеспечить лучшее обслуживание и промышленную систему проектирования, которая организовывает машины и операторов, чтобы обеспечить эффективный поток материалов через фабрику и использование ресурсов. "American Airlines" использует экспертную систему МОСА (Maintenance Operation Center Advisor), которая установлена на компьютере Macintosh, для планирования текущего технического обслуживания для всех 622 самолетов флота American. МОСА включает 5000 правил, которые были получены от 30 самолетных техников. Самолет должен проходить текущее техническое обслуживание через каждые 60 ч полета, и система МОСА должна выдать график, который заполняет это правило, охватывает маршруты всей Америки и сокращает пустые полеты самолетов к региональным центрам обслуживания. По американским оценкам, МОСА сохранила компании половину миллиона долларов в год по сравнению с планировщиками-людьми.
Другой пример планирования: фирма General Motors создала Expert Scheduling System, или ESS, для формирования жизнеспособных графиков производства. Чтобы построить систему, GM использовала структуру экспертной системы IntelliCorp's Knowledge Engineering Enviroment и язык программирования Lisp. ESS включает эвристику, которая была заложена опытным фабричным планировщиком в системе и связывает в GM управляемое компьютером производство и окружающую среду так, чтобы оперативная информация завода использовалась для формирования графика работы завода [2].
3.1.6 Нейронные сети (Neural Networks)
В то время как экспертные системы пробуют ввести опыт людей в компьютерную программу, нейронные сети пытаются создать значимые модели из большого количества данных. Нейронные сети могут распознавать модели, слишком не ясные для людей, и адаптировать их при получении новой информации.
Ключевая характеристика нейронных сетей в том, что они обучаются. Программе нейронных сетей сначала дается набор данных, состоящих из многих переменных, связанных с большим количеством случаев, или исходов, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, а затем выбирает набор переменных, которые строго соотнесены с частными известными результатами, как начальная модель. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, а предсказанные результаты сравниваются с известными результатами. Базируясь на этом сравнении, программа изменяет модель, регулируя параметры переменных или даже заменяя их. Этот процесс программа нейронных сетей повторяет много раз, стремясь улучшить прогнозирующую способность при наладке модели. Когда в этом итерационном подходе дальнейшее усовершенствование исчерпывается, программа готова делать предсказания для будущих случаев.
Скачать реферат