ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

INTELLIGENT DECISION SUPPORT SYSTEMS

Kuzmina Alexandra

student, Department of Electrical Equipment and Automation of Industrial enterprises, Ufa State Oil Technical University,

Russia, Salavat

АННОТАЦИЯ

Интеллектуальные системы, экспертные системы.

ABSTRACT

Intelligent systems, expert systems.

Ключевые слова: Интеллектуальные системы, экспертные системы.

Keywords: Intelligent systems, expert systems.

Ранее принятие решений было чисто познавательным процессом, позволяющим выбрать наиболее приемлемый вариант действий из имеющихся альтернатив. Однако это было, когда системы поддержки принятия решений не существовало. В настоящее время процесс принятия решений широко поддерживается автоматизированными программными системами. Однако, если внимательно посмотреть на последовательность или этапы принятия решений, едва ли можно найти какое-либо отклонение.

Экспертная система, как следует из названия, представляет собой тип инструмента или программного обеспечения, которое имитирует эксперта в данной области. Он призван поддержать человека в принятии решений и даже при определенных обстоятельствах заменить эксперта, конечно, когда это необходимо.

Обычно это происходит, когда экспертиза необходима в нескольких местах одновременно или когда доступ к эксперту/специалисту в данной области может оказаться слишком дорогостоящим. Таких систем достаточно много, и их можно найти практически во всех сферах жизни. Это могут быть простые вспомогательные приложения, работающие на сайтах туристических агентств, банков или в медицине.

Интеллектуальные системы помощи также используются в так называемых интеллектуальных зданиях.

Современные системы поддержки принятия решения (СППР), возникшие как естественное развитие и продолжение управленческих информационных систем и систем управления базами данных, представляют собой системы, максимально приспособленные к решению задач повседневной управленческой деятельности, являются инструментом, призванным оказать помощь лицам, принимающим решения (ЛПР).[3]

Интеллект экспертных систем стал возможным благодаря переводу знаний экспертов в предметной области в базу знаний системы и реализации алгоритмов вывода, которые имитируют процесс рассуждений, реализуемый людьми. В таком процессе на основе определенных предложений, называемых предпосылками (условиями), мы приходим к признанию истинности других предложений, называемых выводами (решениями). Иными словами, процесс рассуждения как в нашем случае, так и в случае машин переводится в причинно-следственные цепочки типа: „если условие, то решение”.

В зависимости от задачи экспертной системы мы можем выделить два типа алгоритмов вывода: прямой (управляемый данными/фактами) и обратный (управляемый целью).

Первый позволяет на основе входных данных (наблюдений/фактов) вывести новые знания из системы путем активации правил, предпосылки которых мы будем считать истинными.

Второй позволяет подтвердить истинность определенной гипотезы, подтвердив истинность предпосылок, которые определяют эту гипотезу.

Гораздо более очевидное применение систем искусственного интеллекта - это системы рекомендаций.

Рекомендации-это рекомендации, возникающие в результате сбора огромных объемов данных и повторяемости определенных схем или шаблонов покупок. Таким образом, система рекомендаций позволяет адаптировать предлагаемый контент к вкусу пользователя.

Рекомендации основаны на использовании алгоритмов машинного обучения, то есть алгоритмов, которые автоматически улучшаются с помощью опыта. Чем больше репрезентативных данных у нас есть, тем качественнее знания мы предоставляем системе. Алгоритмы машинного обучения на основе выборочных данных строят математическую модель для прогнозирования или принятия решений без прямого программирования человеком.

Мы живем в эпоху так называемых больших данных. Этот термин означает различные данные, полученные из разных источников, с высокой скоростью и в большом количестве.

Таким образом, слово big относится не только к количеству, но также к разнообразию и структуре данных, а также к отношениям между ними. Большие данные сегодня имеют решающее значение во всех сферах экономики – от транспорта и логистики до банков, медицины, телекоммуникаций и профилирования поведения пользователей интернета.

Однако за технологическим развитием должен последовать аппаратный прогресс, который позволит собирать огромные объемы данных. Не менее важна и стоимость их содержания. Еще одним важным фактором является вопрос управления данными. Хранилища данных или огромные хранилища данных используют специальное программное обеспечение, так называемые алгоритмы data mining.

Они используются для интеллектуального анализа данных, управления ими и извлечения полезных знаний из огромных объемов данных. Выбор алгоритмов интеллектуального анализа данных (data mining) очень широк. Наиболее известными являются алгоритмы ассоциативных правил (например, в интернет-магазинах), позволяющие создавать шаблоны покупок, находя ассоциации между покупаемыми продуктами. Другим важным алгоритмом является алгоритм кластеризации (он же кластерный анализ), который ищет сходства между анализируемыми объектами и разбивает их на группы, в которых объекты максимально похожи друг на друга и максимально отличаются от объектов других групп.

Метод позволяет выполнять задачу сегментами и отлично работает, например, при сегментации клиентов, которые характеризуются аналогичным профилем, например, покупателями. Также следует отметить метод машинного обучения, который представляет собой искусственные нейронные сети. Эти сети представляют собой аналитические методы, созданные по образцу процесса обучения в когнитивной системе и неврологических функциях мозга и способные прогнозировать новые наблюдения на основе других наблюдений после проведения процесса так называемого обучения на основе существующих данных.

Для полного осуществления интеллектуальных способностей, связанных с анализом, прогнозированием, обобщением исходной информации по сложной управленческой проблеме и, в конечном итоге, принятии верного решения современные и будущие интеллектуальные системы поддержки принятия решений и интеллектуальные системы учета должны быть реализованы с использованием новейших прогрессивных технологий, которые основаны на динамических моделях данных, способных адаптироваться к конкретной ситуации и задаче, концепциях распределенного искусственного интеллекта, параллельной обработки огромных объемов данных в процессе решения, а также методов правдоподобного вывода результатов [1].

Современные компьютерные системы применимы практически во всех видах человеческой деятельности. Возможность обработки больших объемов данных, генерирование большого количества альтернативных решений, поддержка графических презентаций, исследования в области моделирования процессов – это лишь несколько примеров, поддерживающих творческую, инженерную деятельность. Однако эта широкая и высокоэффективная поддержка не может заменить процесс принятия решений, который всегда остается в руках человека и за который человек несет ответственность. Таким образом, одной из наиболее ожидаемых функций компьютерных систем является поддержка процесса принятия решений, получившая название DSS - Decision Support Systems.

Широко используются различные отраслевые системы поддержки принятия решений, известные как САПР (автоматизированное проектирование) для поддержки поиска оптимальных проектных решений. Системы поддержки принятия решений используются в меньшей степени в отношении инвестиционных решений, главным образом из-за их разнообразия и многофакторных критериев. Основные возможности связаны с использованием многокритериальных методов поддержки принятия решений на основе оперативных исследований.

Особый класс DSS - это решения, которые поддерживают операторов сложных процессов, которым часто приходится принимать важные решения в рамках ограниченной информации о состоянии процесса, за короткое время и без полного знания последствий своих решений. Такого рода системы используют новейшие достижения информатики, связанные с оперативной диагностикой процессов и методами искусственного интеллекта. Зная решения и результаты последних исследований, становится ясно, что системы поддержки принятия решений будут все чаще использоваться во многих областях, включая экологическую инженерию.

Список литературы:

1. Бояркина О.О., Шкаликова А.А. Интеллектуальные системы поддержки принятия решений // Современные научные исследования и инновации. 2016. № 12 [Электронный ресурс]. URL: https://web.snauka.ru/issues/2016/12/75361 (дата обращения: 23.01.2023).
2. Карелин В.П. Интеллектуальные технологии и системы искусственного интеллекта для поддержки принятия решений // Вестник ТИУиЭ. – 2011. – №2 – С.79-84.
3. Стадниченко, С. Ю. Интеллектуальные системы поддержки принятия решения / С. Ю. Стадниченко. — Текст : непосредственный // Молодой ученый. — 2010. — № 6 (17). — С. 61-63. — URL: https://moluch.ru/archive/17/1704/ (дата обращения: 31.01.2023).