Содержание к диссертации
Введение
1. Анализ развития технологий принятия решений 12
1.1. Анализ значимости эффекта «совместной деятельности» 12
1.2. Анализ субъектно-ориентированного подхода к моделированию «совместной деятельности» средствами когнитивной психологии и искусственного интеллекта 17
1.3. Анализ когнитивных средств «фокусировки внимания» лица, принимающего решение... 22
1.4. Выводы 32
2. Разработка концепции синтеза интеллектуальных систем «совместной деятельности» 36
2.1. Выбор требований к процедуре формирования внимания лица, принимающего решение 37
2.2. Разработка базовых принципов организации систем «совместной деятельности» естественного и искусственного интеллектов 44
2.3. Разработка модели доски объявления «совместной деятельности» 52
2.4. Выводы 59
3. Разработка агентно-ориентированной технологии «совместной деятельности» интегрированной компьютерной системы 61
3.1. Анализ когнитивных свойств гипертекстовых информационных пространств 62
3.2. Разработка принципов организации «совместной деятельности» в гипертекстовых информационных пространствах 79
3.3. Разработка моделей интегрированной компьютерной системы «совместной деятельности» 90
3.4. Разработка концептуальной модели когнитивного агента «фокусировки внимания» 109
3.5. Выводы 115
4. Синтез нейро-нечетких моделей когнитивных агентов, наделенных ментальными и интенциональными характеристиками 117
4.1. Разработка модели нейро-нечеткого регулятора 117
4.2. Разработка модели адаптивного нейро-нечеткого регулятора 141
4.3. Разработка когнитивной нейро-нечеткой модели 153
4.4. Разработка интеллектуальных средств вычисления когнитивного качества 166
4.5. Выводы 186
Заключение 190
Литература 196
Приложение
- Анализ субъектно-ориентированного подхода к моделированию «совместной деятельности» средствами когнитивной психологии и искусственного интеллекта
- Разработка базовых принципов организации систем «совместной деятельности» естественного и искусственного интеллектов
- Разработка принципов организации «совместной деятельности» в гипертекстовых информационных пространствах
- Разработка модели адаптивного нейро-нечеткого регулятора
Введение к работе
В современных условиях информационных перегрузок и быстротечности протекания информационных процессов принятие решений осуществляется на основе человеко-машинных процедур в виде циклического процесса взаимодействия человека и компьютера (системы искусственного интеллекта). Как правило, действие - принятие решения предварительно анализируется и формируется нормативной базой информационной системы, которая выполняет функции эксперта действий лица, принимающего решение (ЛПР). Деятельность ЛПР имеет дело с нештатными ситуациями, которые возникают в условиях неопределенности при оперативной работе с большими потоками информации в реальном масштабе времени.
Имеется достаточно много должностей, характерной особенностью которых является необходимость принимать решения. Действие, относящееся к категории «принять решение», всегда связано с мерой ответственности физического лица, а не технической системы. Однако следует отметить, что признанием фактора объективности ЛПР в принятии решения нарушен фундаментальный принцип методологии исследования операций - поиск объективно оптимального решения. Признание права субъективности ЛПР на объективность окончательного решения есть признак появления новой парадигмы, характерной для другого научного направления - принятия решений при многих критериях. В тоже время многочисленные психологические исследования показывают, что сами ЛПР без дополнительной аналитической поддержки используют упрощенные, а иногда и противоречивые решающие правила.
Применение системы поддержки принятия решений (СППР) не исключило право принятия решения и меру ответственности за человеком, но отразило практическую целесообразность и необходимость в создании человеко-машинных процедур для решения задач выбора альтернативных «совместных действий» ЛПР и системы искусственного интеллекта. Влияние и значимость человеческого фактора на процесс принятия решений ЛПР накладывает отпечаток на развитие современной теории принятия решений в рамках субъектно-ориентированного подхода, принципиальным моментом которого является снятие противопоставления между «исследователем» и «объектом исследования». Проблема учета активности ЛПР становится первичной в отличие от подхода проектирования традиционных систем
5 искусственного интеллекта по принципу «снизу-вверх» на основе «жестких моделей» информационных управленческих систем. Такой подход требует отступления от концепции «нормативных моделей управления». Основой субъектно-ориентированного подхода являются исследования, направленные на разработку методов, базирующихся на выделении психологических особенностей управленческой деятельности. Такая теория базируется на позиции когнитивной психологии и попытке формализации действий, характерных для человека при принятии им решений.
Определение множества альтернативных способов действия.
Оценка возможных последствий для каждого выбранного действия.
Оценка полезности и ранжирование соотношений «действие - последствие».
Выбор варианта действия - принятие решения.
Однажды созданная система СППР с точки зрения нормативной базы и принципа здравого смысла, несомненно, вносит элемент эффективности действий ЛПР при его оперативной работе в нештатных ситуациях, характеризующихся той или иной долей неопределенности. Однако имеющиеся подходы к проектированию система СППР не могут отразить субъективность каждой личности, работающей с такой системой. Разрешение указанного противоречия, возможно, достичь путем введения дополнительных организационных мер и изменения методологии синтеза процедур принятия решений. Деятельность человеко-машинного комплекса в нештатных ситуациях должна сочетаться с непрерывным обучением (дообучением) принятия решений как со стороны ЛПР, так и со стороны системы искусственного интеллекта. Такой подход отражает имеющиеся тенденции по формированию деловой информационной среды инфраструктур современных организаций различного профиля. Многие исследования такой организации производства указывают на комплексную целесообразность такого подхода.
Современные результаты когнитивной психологии и искусственного интеллекта позволяют ставить и решать новые задачи построения интегрированных компьютерных систем «совместной деятельности». Так современные возможности гипермедиа позволяют создавать средства визуализации, передачи и обработки информации, с помощью которых увеличивается для ЛПР степень свободы выбора решений и диалогового управления информационными потоками. Тем не менее,
средства гипермедиа сами по себе не учитывают индивидуальные особенности ЛПР, однако они наиболее мощны как инструмент обучения, потому что пользователь этих средств фактически слышит, видит и использует реальную информацию в интерактивной окружающей среде. Примером тому являются когнитивные карты и сети, представляющие собой интеллектуальные средства генерации решений путем «фокусировки внимания» образного мышления ЛПР. Практика использования таких моделей показала, что причинно-следственные связи могут быть представлены графовыми моделями, полностью определяющих развитие ситуации.
Визуализация информации является одной из особенностей современного моделирования. По утверждениям психологов, визуализация представления информации является инструментом, позволяющим ЛПР ускорить и повысить эффективность решений. Акт формирования внимания ЛПР является актом интерпретации образа, и, следовательно, является рассуждением, обобщением, формированием гипотез. Использование образного мышления ЛПР в рамках совместной деятельности с системой искусственного интеллекта является механизмом ускоренного мышления на основе использования когнитивных свойств информации. Данное обстоятельство дает основание для построения новых информационных технологий на базе слияния естественного и искусственного интеллектов.
Различение информации со стороны ЛПР является важным аспектом, который должен учитываться при принятии решений ЛПР в условиях неопределенности ситуации. Одним из подходов для решения проблемы различения информации является использование меры эффекта различения информации о нечетких объектах. По мнению специалистов, современные системы поставляют настолько большой массив информации, что ЛПР-оператор способен контролировать не более 10% этого массива. Возможные пути решения задач по выделению указанных отношений должны быть основаны на симбиозе образного и символьно - логического представления знаний и их обработки в интеллектуальных системах, позволяющих работать с образами также оперативно, как с символами. Одним из вариантов решения данной проблемы является использование систем автоматизации, основанных на принципах искусственного интеллекта. Наиболее адекватным и реальным является способ, когда отношения предпочтения будут заданы в нечеткой
7 форме. По этой причине целесообразным является применение «мягких вычислений» (нечеткой математики) для принятия решений в условиях неопределенности с целью сокращения пространства поиска альтернативного решения. Современные средства нечеткой математики позволяют оценить размытости компоненты образного мышления человека и использовать их для описания деятельности ЛПР. Методы «мягких» вычислений являются эффективным средством при анализе сложных, слабо формализуемых систем и в последнее время привлекают все большее внимание специалистов разных областей знаний.
Система искусственного интеллекта «совместной деятельности», отражающая субъектно-ориентированный подход, должна содержать в себе механизмы и процедуры различных видов деятельности взаимно дополняющих друг друга и направленных на достижения единой цели, что может быть выполнено разработкой новых видов инструментальных средств, учитывающих современные технологии искусственного интеллекта. Такие инструментальные средств должны реализовывать интенционалъные процедуры деятельности, наделенные психикой, а также процедуры, с помощью которых решаются непосредственно задачи управленческой деятельности. Важным вопросом является выбор технологических средств искусственного интеллекта, которые будут удовлетворять целостности объектов, порождаемых естественным и искусственным интеллектами.
В этой связи разработка технологий и систем принятия решений на основе «совместной деятельности» естественного и искусственного интеллектов должна, несомненно, учитывать результаты агентно-ориентированного подхода на основе гибридных нейро-нечетких систем. Именно такой подход может обеспечить представление ментальных и интенциональных моделей деятельности ЛПР-пользователя и системы искусственного интеллекта в форме нечетких понятий и правил лингвистического и когнитивного характера. При этом необходимо учитывать значимость знаковых представлений семиотики с точки зрения формирования взаимодействия образного мышления ЛПР и символьного мышления системы ИИ. Аспект семиотического рассмотрения образа позволяет трансформировать проблему значимости образа в проблему координации деятельности. Такая позиция оценки значимости образа позволяет использовать концептуальные модели в виде наглядного представления семантических отношений
8 «совместной деятельности» на уровнях образного и символьного мышлений. Одним из важных свойств прикладной семиотики является возможность использования лексических групп естественного языка для описания и создания графических семантических конструкций «агент - действие - объект». По этой причине возникает возможность совмещения лингвистических и коннекционистских моделей в семантические конструкции концептуальной модели, отражающей «совместную деятельность» и не допускающей строгого формального описания на уровне динамики когнитивных свойств знака.
В тоже время, такой подход позволяет формальное описание концептуальной модели средствами «мягких вычислений» и создание нейро-нечеткой адаптивной системы обработки информации, которая может обучаться по результатам «совместной деятельности». Предварительно заложенная субъективность ЛПР в лингвистических правилах и заданных параметрах коннекционистскои модели в виде нейронной сети уточняются в процессе обучения нейронной сети на реальных (объективных) данных. В результате объективная оценка эффективности функционирования нейро-нечеткой системы является оптимизационным критерием. Многомерная оптимизация такой системы может быть решена с помощью генетических алгоритмов. Как известно, эффективность таких алгоритмов особенно высока при решении NP-сложных задач большой размерности, не решаемых никакими детерминированными методами, так как они представляет собой многоцелевую технику решения сложных задач оптимизации, в основе которой лежат принципы моделирования эволюции. Помимо инспирированных биологией операторов и процедур поиска оптимальных решений эти алгоритмы отличаются от традиционных методов оптимизации способом осуществления napaллeльнoгq поиска и принципиально иным его пониманием, связанным с информационными обменами между рассматриваемыми решениями.
Цель работы. Исследование факторов возможности создания «совместной деятельности» естественного и искусственного интеллектов с учетом их интенциональных характеристик и разработка нейро-нечетких моделей эволюционной адаптации к обрабатываемой когнитивной информации.
В соответствии с поставленной целью в диссертации решаются следующие задачи:
Анализ предметной области и определение методологии учета факторов, определяющих особенности человеко-машинных процедур принятия решений и перспективы ее развития на основе использования современных технологий когнитивной психологии и искусственного интеллекта.
Разработка концепции построения интегрированной компьютерной системы принятия решений, основанной на «совместной деятельности» естественного и искусственного интеллектов.
Разработка нейро-нечетких моделей и инструментальных средств, предоставляющих возможность эволюционного синтеза коннекционистских моделей, адаптированных к обрабатываемой когнитивной информации с учетом интенциональных характеристик субъекта и объекта «совместной деятельности».
Новые научные результаты работы.
На основе агентно-ориентированной парадигмы разработана концептуальная модель «совместной деятельности», позволяющая учесть особенности образного мышления лица, принимающего решение, и символьной обработки информации системой искусственного интеллектов.
Разработаны нейро-нечеткие модели когнитивных агентов, отличительной особенностью которых является возможность трансформировать алгоритм обучения нейронной сети на нечеткую систему и реализовать принцип функциональной эквивалентности - сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и нейронной сети.
Разработаны инструментальные средства эволюционной технологии синтеза и оптимизации когнитивных нейро-нечетких моделей, позволяющих инкорпорирование знаний в виде образов-графов и обучение М - и APT - сетей средствами семиотического моделирования на уровне образного восприятия информации лицом, принимающим решение.
Основные положения, выносимые на защиту:
1. Разработана концепция построения интегрированной компьютерной системы на основе агентно-ориентированного подхода, которая определяет набор моделей с интенциональными характеристиками образного мышления ЛПР и символьного мышления системы искусственного интеллекта для реализации «совместной деятельности».
Синтезирована модель нейро-нечеткого регулятора, отличительной особенностью которой является свойство интеграции возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил в соответствии с известной моделью Мамдани-Заде, а также возможности нейронных сетей к обучению с целью учета взаимовлияния лингвистических правил и нечетких параметров внутри одного правила.
Разработаны эволюционный метод и алгоритм автоматического поиска оптимальных значений параметров нечеткой системы на основе принципа функциональной эквивалентности, позволяющего сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и искусственной нейронной сети.
Разработаны модель и генетическая процедура синтеза и оптимизации адаптивного нейро-нечеткого регулятора, которая позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем.
Предложена когнитивная модель нейро-нечеткой системы «совместной деятельности», отличительной особенностью которой является возможность инкорпорирования знаний в виде образов-графов и возможность к обучению М- и АРТ-сетеи средствами семиотического моделирования на уровне когнитивного (образного) восприятия информации лицом, принимающим решение.
Практическая ценность работы. Созданы инструментальные средства «фокусировки внимания» ЛПР для семиотического моделирования «совместной деятельности» естественного и искусственного интеллектов. Пакет программ «Менеджер образов когнитивных сетей коннекционистских моделей» позволяет учесть субъективные декларативные и процедурные знания ЛПР для оптимизации параметров нейро-нечетких моделей на основе объективных данных, определяющих эффективность принятия решений. Интерфейсы программ приведены в приложении.
Использование результатов работы. Материалы диссертации использованы при выполнении госбюджетных и хоздоговорных научно-исследовательских работ на факультете информационной безопасности ТРТУ и в научно-исследовательском институте технологий комплексной безопасности ТРТУ (г. Таганрог). Акты использования научных результатов, полученных в диссертационной работе,
приведены в приложении.
Апробация работы. Основные результаты диссертационной работы были представлены и обсуждались на следующих конференциях:
Международной научно-методической конференции «Информационные технологии и'системы в образовании, науке и бизнесе» г. Пенза, 1999 г.;
Второй всероссийской научно-методической конференции «Интернет и современное общество» г. Санкт-Петербург, 1999 г.;
Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР», г. Геленджик, 2000, 2002 г.г.;
Первой Международной научной конференции «Искусственный интеллект», п. Кацивели, Крым, 2000 г.;
Всероссийской научно-технической конференции «Медицинские
информационные системы», г. Таганрог, 2000, 2002 г.г.;
Седьмой Национальной конференции по искусственному интеллекту КИИ-2000, г. Переславль-Залесский, 2000 г.;
Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности», г. Таганрог, 2000, 2002 г.г.
Публикации. По теме диссертации опубликовано 20 печатных работ, из них 1 -в российском реферируемом журнале, 3 - в российских реферируемых изданиях, 3 -в материалах международных конференций, 6 - в материалах российских конференций, 4 - в тезисах международных конференций, 3 - в тезисах российских конференций. Перечень публикаций, содержащих описание полученных результатов, приведен в заключении.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературных источников из 195 наименований на 15 страницах и приложений на 37 страницах текста и рисунков. Основное содержание работы изложено на 178 страницах текста, из которых 36 страниц являются иллюстрациями и таблицами.
Анализ субъектно-ориентированного подхода к моделированию «совместной деятельности» средствами когнитивной психологии и искусственного интеллекта
Значимость когнитивной психологии определяется основным достижением по разработке экспериментальных методов исследования микроструктуры и микродинамики психических процессов [4]. Развитие когнитивной парадигмы позволило рассматривать микро- и макроструктуры действия не как отдельные сущности, а как атрибуты единого целого, образующего суть интропсихологии [5-8]. Расширение предметной области когнитивной психологии в направлении исследований созвучных направлению «искусственного интеллекта» (ИИ) привело к вопросу об адекватности и границах применения информационного подхода для изучения микро- и макроструктур психического.
Основная суть проблемы по этому поводу является разрыв между понятием информации и понятиями значений и смыслов. Преобразование информации в рамках когнитивной психологии рекомендуют отнести к категории абстрактного до тех пор, пока не станут явными знания о процессах оперирования значениями и смыслом. По этой причине являются актуальными исследования, направленные на включение в когнитивные модели операторов значений и смыслов, в том числе значения смыслов и осмысления значений [9-11]. Другими словами, речь идет о проблеме семантических преобразований, которая имеет место в системах ИИ.
Основная причина критики информационного подхода в рамках когнитивной психологии состоит в отсутствии должных результатов в понимании сути триады познания (приобретение, структурирование и оперирование знаниями) как в науке -психологии для естественного интеллекта, так и в технических науках для систем искусственного интеллекта. Полагают, что решение этой проблемы будет разным в гуманитарных и технических науках в силу различия материальных носителей естественного и искусственного интеллекта. Однако указанная естественная неизбежность различий сути двух интеллектов приводит к новому аспекту деятельности для эргономики не с позиций философии, а с позиций конкретных технических решений по взаимодействию человека и техники.
Считается, что информационный подход при разработке когнитивных моделей может иметь место на жизнь, только в случае использования не пассивно-отражательной парадигмы, а использования в моделях источников самодвижения системы субъективного опыта человека. Модели взаимодействия между организмом и средой должны ориентироваться на действия, так как через действия формируется система значений и смыслов. Такая система должна отражать субъективные представления человека, формирующие его действия.
Пересечение концепций когнитивной психологии и информационных компьютерных технологий с позиций исследования проблемы моделирования через экспериментальные подтверждения новых когнитивных моделей является единственным способом устранения пробела в понимании проблемы триады познания. Накопившийся опыт решения похожих проблем в рамках эргономики дает надежду на возможность осуществить построение когнитивных информационных моделей для систем ИИ, позволяющих косвенно учесть особенности функционирования естественного интеллекта. При этом такое моделирование основывается либо на использовании известных результатов по изучению законов работы мозга человека, например [12-20], и/или на использовании технологий психотехнического эксперимента, позволяющих получить «определенную настройку и усиление» человеческой психики без объяснения психофизиологических процессов в мозге человека, сопутствующих этому, в частности [21-23]. Современные средства нечеткой математики позволяют оценить размытости компоненты образного мышления человека и использовать их для описания совместной деятельности лица, принимающего решение, (ЛПР) и системы ИИ, например [24-33].
Казалось бы, что отношения взаимодействия человека и информационной системы претерпевает ряд изменений, что отражается в изменении названий интеллектуальных систем от «систем поддержки принятия решений» к «советующим системам». Однако данное изменение названий не отражает сути взаимоотношений человека и информационной системы, а скорее указывает на факт необходимости построения интеллектуальных систем на новых принципах, отражающих значимость гуманитарной составляющей человека для осмысления и активизации его деятельности в общении с технической системой [34-38].
Как отмечалось выше (подраздел 1.1.), уровень современных коммуникативных отношений общества через технические информационные средства вышел на этап «совместной деятельности» [39,40]. Данное обстоятельство определяет актуальность и практическую необходимость в разработке новых интеллектуальных информационных систем, учитывающих на равноправном уровне роль гуманитарной составляющей ЛПР. Важно заметить, что цели достижения эффекта «совместной деятельности» требуют необходимости изменения парадигмы обучения как персонала современных предприятий, так и студентов за счет создания новых информационных технологий, учитывающих особенности гуманитарной составляющей человека [41]. Актуальность и значимость данного вопроса возросла в связи с появлением современных средств коммуникации, особенно глобальной сети Интернет - хранилища огромного объема знаний.
Создание систем виртуальной реальности и систем для решения задач реинжиниринга привело к необходимости создания интеллектуальных систем новых типов и пересмотру в направлении развития новых парадигм искусственного интеллекта [2, 42, 43]. Такие интеллектуальные системы ориентированы на пользователей и требуют необходимости их проектирования по принципу «сверху -вниз». При таком подходе устоявшиеся понятия объектов ИИ - (категории «субъекта деятельности», рассуждения, интеллект и интеллектуальная деятельность) становятся вторичными, так как психика в целом (и интеллект в частности) выступает как средство деятельности объектов [44]. Другими словами, указанный подход по принципу «сверху - вниз» привел к необходимости пересмотра традиционных понятий объектов ИИ, в качестве которых выступают объекты ИИ субъектов деятельности (индивидуум, группа, организация и др.) [45]. Результатом явилась нетрадиционная «субъектно-ориентированная парадигма» ИИ.
Разработка базовых принципов организации систем «совместной деятельности» естественного и искусственного интеллектов
В настоящее время вегетативная нервная система человека определяется как результирующая, адаптивная, самообучающаяся система, проявляющая свойства гомеостатичности и регулируемости [107, 108]. Поэтому каждое функциональное состояние ЛПР может иметь свой «вегетативный портрет» [109-111]. Возможные изменения физиологических функций ЛПР должны отражать динамику отклонения объекта, в данном случае системы ИИ. Одним из подходов к изучению регулирующих систем является описание пространства состояний, для анализа которого могут использоваться методы распознавания образов.
В данной диссертационной работе рассматриваются средства когнитивного представления информации об объекте. В этом плане графические методы позволяют осуществлять визуальный контроль результатов в процессе анализа многомерных данных и анализировать сложные комплексы взаимосвязных признаков как симптомокомплексы. Тем самым открываются возможности количественной и качественной оценки связей между психофизиологическими параметрами ЛПР, так и применительно к межсистемным связям ЛПР и система ИИ.
Несомненно, что индивидуальные оценки образов со стороны различных ЛПР велики. Однако рассмотрение множества индивидуальных вариаций показало [112], что они могут быть систематизированы в основные классы состояний по отношению к главным пространственно-временным характеристикам модели стандартного представления образа. Понимание со стороны ЛПР характера изменения визуальных соотношений стандартного образа позволяет определить качественную меру отклонения от стандартного уровня и принять соответствующие решения. На этой основе могут быть разработаны модель и метод диагностики функционального комплексного состояния, определяемого отношением «ЛПР и система ИИ» с позиций субъективно-ориентированного подхода. Такая модель позволяет провести сравнение двух сложных систем и интерпретировать предъявляемый образ на основе решающих правил идеальной модели, например [109,113].
Визуальный анализ образов основан на том, что человеческий глаз легко улавливает даже небольшие геометрические изменения, особенно при использовании симметрических свойств образов, что дает возможности ЛПР «домыслить» и интерпретировать характер отклонений и их динамику, что особенно важно при принятии решений.
Заметим, что в данной диссертационной работе анализ представления индивидуальных образов не является предметом исследований данной диссертационной работы. В качестве геометрического представления образов отметим зарекомендовавшие себя на практике графовые модели когнитивных карт, имеющие некоторые отличительные особенности от известных способов представления таких карт. Для графического представления информационных структур (графические средства визуализации) используются различные специальные сетевые графовые модели. Особенности анализа когнитивной графики - методологии «познания через образ», когнитивной подсказки как средства активизации поиска решения описаны в ряде работ, например [114-120]
Практические результаты исследований, ориентированных на образное мышление ЛПР, указывают, что визуализацию соотношений между различными группами признаков (визуализация закономерностей) целесообразно проводить с использованием круговой диаграммы. Каждой группе признаков сопоставляют сектор круга, центральный угол которого прямо пропорционален количеству признаков соответствующей группы. Каждый сектор окрашивается заранее выбранным цветом, например, сектор неинформационных признаков - в черный цвет, сектор обязательных признаков — в красный цвет, сектор альтернативных - в голубой, а сектор зависимых признаков - в желтый цвет. Кроме того, альтернативные признаки представляются двудольным графом, а зависимые признаки - ориентированным графом.
Для представления весовых коэффициентов признаков целесообразно воспользоваться гистограммой, на которой высота прямоугольника прямо пропорциональна весовым коэффициентам соответствующих им признаков. Эта же информация может быть представлена и круговой диаграммой. В каждом ее секторе вычерчивается дуга с радиусом, прямо пропорциональным весовому коэффициенту соответствующего признака. Имеются также рекомендации по представлению множества тестов либо диаграммами Венна с правилами раскраски кругов, соответствующих различным тестам, либо графическими представлениями тестов в виде древовидных графов.
В целом отметим, что, несмотря на некоторые известные результаты, в этой области исследований необходимы дополнительные исследования. Подтверждением этому является факт различного восприятия информации даже для ЛПР одной квалификации, что приводит к необходимости использования набора альтернативных упомянутых выше графических средств. В данной работе акцент сделан на разработке модели и интеллектуальных инструментальных средств визуализации механизма «фокусировки внимания», т.е. возможности представления отношений «ЛПР и система ИИ» в виде геометрических образов с точки зрения когнитивной психологии и субъективно-ориентированного подхода.
Как указывалось выше, анализ развития информатизации организаций различных сфер деятельности указывает о наличии проблемы разумного сочетания нормативных актов и субъективных представлений пользователей, использующих новые информационные технологии. Отсутствие неосознанного решения этой проблемы разработчиками информационных систем приводит к неосознанному конфликту на уровне пользователей таких систем. С одной стороны, необходимо поддержать управленческие решения, а, с другой стороны, необходимо выполнить поддержку субъективных представлений лица, осуществляющего деятельность в сфере производства, управления, бизнеса и др. В работе [45] приведены принципиальные различия организации поддержки нормативных и субъективных представлений в рамках информационной системы. Данная проблема является актуальной при разработке информационных систем различного предназначения. Ее решение возможно только путем совместной деятельности, учитывающей интересы проектировщиков и пользователей системы.
Особенностью проектирования новых информационных систем должен стать переход от проектирования отдельных элементов системы для того или иного вида деятельности к проектированию конкретных видов деятельности с учетом непосредственной (персональной) деятельности ЛПР на этапе использования новых информационных технологий. Одной из принципиальных особенностей новых информационных систем должно явится целостное представление процессов поддержки: а) ЛПР, имеющего свои субъективные представления, б) сложившихся нормативных представлений о процессах управления. При этом деятельность системы подразумевает, что указанные выше два вида механизмов поддержки являются не альтернативными, а дополняют друг друга и могут изменяться от результатов как персональной деятельности ЛПР, так и «совместной деятельности».
Указанные особенности информационной системы можно достичь путем разработки соответствующей концепции системной организации логики функционирования системы в ориентации на персональную поддержку деятельности ЛПР. При этом системная организация такой системы ИИ, отражающей субъектно-ориентированный подход, должна быть поддержана разработкой новых видов инструментальных средств, учитывающих современные технологии ИИ. Следует отметить, что система ИИ, ориентированная на персональную поддержку ЛПР, должна содержать в себе механизмы и процедуры различных видов деятельности, взаимно дополняющих друг друга и направленных на достижения единой цели.
Такое множество процедур можно условно разбить на два подмножества. Первое подмножество содержит интенциональные процедуры деятельности пользователя - процедуры, наделенные психикой; второе подмножество - это процедуры, с помощью которых решаются непосредственно задачи управленческой деятельности. Здесь важно отметить, что обобщенная структурная схема системной организации управленческой деятельности в ориентации на персональную поддержку ЛПР должна отражать главный принцип субъектно-ориентированного подхода. Суть его в следующем - центральным звеном является ЛПР, который на основании решения задач управления и своих субъективных потребностей определяет современные технологии средств ИИ для решения задач, а не наоборот, как это было принято для случая нормативных систем поддержки, когда ЛПР вынужден был «ломать» свои субъективные представления в угоду жесткой нормативной системы ИИ.
Разработка принципов организации «совместной деятельности» в гипертекстовых информационных пространствах
Анализ подходов к построению компьютерных систем обучения позволяет сформулировать и обосновать принципы организации таких систем [124, 143, 158].
Концептуальные принципы. Научно-технические достижения вычислительной техники, периферийных устройств, средств связи и телекоммуникационных систем создали новый мир электронных средств доступа к культурным достижениям. Современные системы мультимедиа изменили привилегированные позиции книжной индустрии. Данное обстоятельство привело к необходимости пересмотра ключевых позиций образовательной деятельности. Ранее созданные системы компьютерного обучения, которые были развиты на принципах печатной (книжной) продукции, оказалась несостоятельными относительно имеющихся технических возможностей.
Другими словами, в последнее десятилетие прошлого века более гибкие и мощные средства мультимедиа привели к необходимости пересмотра образовательных стратегий и разработке новых систем обучения, в основе которых используются информационные технологии. Разработка новой педагогической системы ведется в направлении кардинально изменения и замены старой системы организации идей и знаний, отменив привычные принципы образования с помощью классных комнат, расписания, уроков и др. Созданная веками цельная система образовательной деятельности изменяется в сторону гибкой стратегии процесса обучения.
Системы мультимедиа является сложной диалоговой системой, с помощью которой объединяются компоненты, отражающие различные формы человеческого выражения. Такая интеграция позволяет достичь эффекта обучения путем использования всех многомодальных форм выражения, в отличие только от устного и письменного выражения знаний - характерных компонент классической системы образования. Многомодальность форм выражения знаний сохраняет процессы мышления на основе сопоставимости слов, но дополнительно подключает возможности рефлексивных размышлений человека на уровне предлингвистических форм восприятия и понимания, которые могут быть выражены не только через слова и символы, а также через изображения (образы), звуки и другие особенности ассоциаций и действий. Основой новой образовательной системы являются концепции когнитивной психологии и систем искусственного интеллекта, в частности, систем поддержки принятия решений, советующих систем, распознавания образов и др.
Принципы конструктивно-инструктивной стратегии образования. Система компьютерного (машинного) гипермедиа обучения трактуется не просто оппозиция, альтернатива классической системе образования, а переворот системы образования и культуры в целом. Условно можно выделить следующие принципы новой стратегии образования: индивидуальное обучение. Имеет место двоякость понимания данного принципа. С одной стороны, появилась реальная возможность использования образовательного процесса в направлении обучения одного индивидуума (или небольшого числа студентов), в сравнении с ранними образовательными стандартами - классная комната рассчитывалась на 24 учащихся. С другой стороны, индивидуальность обучения рассчитана на активную позицию самого обучаемого индивидуума в рамках новой образовательной деятельности - усилилась значимость понятия «самостоятельная работа обучаемого» конструктивно-инструктивное представление процесса образования,. Используемая ранее командная система обучения учащихся в классной комнате изменяется на представление преподавателем учебного материала в виде конструктора для сборки знаний самим учащимся. Авторский замысел преподавателя представляется инструкциями к пользованию «конструктором знаний» в рамках той или иной предметной области. Сказанное означает, что профессия преподавателя в новой системе «электронного» образования требует пересмотра классических, устоявшихся требованиям к профессиональной деятельности преподавателя. Следует также заметить, что в новой образовательной системе обучаемый ЛПР - студент обладает правом самостоятельного принятия решений при работе с «конструктором знаний». При этом его творческий уровень и подход может изменить, а порой даже исключить авторский замысел преподавателя -систему усвоения знаний по заданной предметной области; представление предметной области с различными уровнями ее детализации. Релевантность уровня изучаемой предметной области определяется как образовательной системой, так и самим обучаемым. Другими словами, новая педагогическая система отменяет принцип последовательного изучения предметной области, представленной минимальными объемами информации (текст, подраздел, раздел, набор тем и т.д.); индексная градуировка (адресация) предметной области. Поиск -фундаментальная проблема всех культур. При цифровом способе кодирования информации данная проблема является особенно существенной, так как для управления поиском информации необходимо иметь мощные инструментальные средства в связи с решением задач выборочного ее получения и обмена информацией. Исторически поиск информации развивался относительно ее текстовой формы представления. Текст использовался и до сих пор используется, чтобы каталогизировать большинство других форм - карты, изображения, числовые таблицы, фильмы, регистрация и др. Однако с развитием информационных систем оказалось, что такая форма оказалась не единственной формой интеллектуального выбора и поиска. В добавление к текстовой форме стали применяться методы нетекстового поиска, основанные на свойствах когнитивного (образного) восприятия путем визуализации данных пространственной памятью человека через символы, звуки, геометрические отношения и др.
Разработка модели адаптивного нейро-нечеткого регулятора
Введение принципа функциональной эквивалентности НС и ИНС позволяет сформулировать задачу «совмещенного» синтеза НС и ИНС, направленного на создание моделей адаптивных ННС, рис. 4.11. Такая адаптивная модель ННС должна функционально содержать возможности НС и ИНС, а, главное, позволять трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем. Другими словами, основными отличительными особенностями адаптивной модели ННС является наличие субъективных знаний эксперта (представленных набором лингвистических правил) и процедуры обучения на основе объективных данных из предметной области. Заметим, что наличие процедуры обучения для модели адаптивного нейро-нечеткого регулятора позволяет автоматизировать процесс подбора внутренних параметров регулятора в зависимости от «качества» внешних параметров (от набора шкал оценок входной информации) и в зависимости от результатов деятельности системы (выходной информации) с точки зрения различения и разделения информации, рис. 4.12. В общем, процедура синтеза адаптивного ННС регулятора может быть сведена к двухэтапному проектированию нейро-нечеткой системы.
На первом этапе формируется логическая структура ННС, которая устанавливает набор лингвистических правил, задаваемым экспертом. Описывая конкретный набор правил, эксперт тем самым задает для ННС некоторую стратегию, посредством которой будет достигаться цель системы (например, для задачи управления, целью может быть успешное управление объектом). Таким образом, общая стратегия функционирования ННС заложена в самой ее структуре. Далее, на этом этапе экспертом определяются типы и изменяемые параметры функций, представляющих нечеткие понятия в системе. При этом на первом этапе значения для множества изменяемых параметров устанавливаются экспертом самостоятельно, исходя из его интуитивных определений нечетких понятий.
Вследствие субъективного способа установки настраиваемых параметров, значения последних являются лишь приблизительными и могут быть улучшены. Вместе с тем, ННС уже на этом этапе способна к действиям по достижению цели с определенной степенью эффективности. Дальнейшее уточнение значений параметров может быть проведено на основе объективных данных, характеризующих эффективность работы ННС в реальном или моделируемом окружении. Указанное уточнение и есть цель второго этапа проектирования.
На втором этапе проектируемая ННС рассматривается уже как адаптивная сеть с фиксированной структурой и соответствующим набором изменяемых параметров, значения которых могут быть изменены применяемым генетическим алгоритмом параметрического обучения нейронных сетей на основе использованных алгоритмом реальных оценок качества работы ННС. Обучая сеть на реальных данных, можно достичь оптимальной работы ННС при заданном наборе лингвистических правил.
Сам процесс обучения правомерно назвать оптимизацией, при которой оптимизационным критерием служит объективная оценка эффективности функционирования ННС. Генетические алгоритмы получили широкое распространение как средство многопараметрической оптимизации, способное находить оптимальные решения даже в случаях, когда поверхность целевой функции сильно изрезана и содержит множество локальных экстремумов. Процесс поиска генетическим алгоритмом основан на исследовании поискового пространства. Процедура оптимального решения сопровождается накоплением полезной информации по аналогии, как это происходит в генотипе некоторого биологического вида, эволюционирующего в природной среде и порождающего все более приспособленных (оптимальных) особей.
С функциональной точки зрения, генетический алгоритм (ГА) представляет собой активный «черный ящик». При осуществлении генетического механизма накопления полезной информации и поиска ГА использует аналог биологической особи и ее природного генотипа [174, 175]. Аналогом особи является конкретное решение оптимизационной задачи. На вход ГА подаются оценки качества, которые определяет внешняя среда для предлагаемых генетическим алгоритмом тех или иных вариантов решения оптимизационной задачи. Не имея априорных данных от внешней среды, ГА производит поиск наиболее высоко оцениваемых решений, основываясь только на оценках ранее предложенных им решений. На выходе ГА появляются различные варианты решений оптимизационной задачи - аналог особи.
Отличительные свойства решения (особи) хранятся в специальном наборе данных - искусственной хромосоме, образующей генотип особи. В процессе поиска лучшего решения, ГА манипулирует именно с генотипом искусственных особей -хромосомами. Последние, для получения оценки во внешней среде, должны быть декодированы в особи - конкретные решения оптимизационной задачи. Таким образом, в ГА можно выделить 2 составляющие: 1) собственно генетическую поисковую процедуру, осуществляющую поиск посредством манипуляций с хромосомами, а так же 2) часть, осуществляющую декодирование (интерпретацию) хромосом в особи. При этом декодирование осуществляется на основе принятого в данной задаче способа кодирования особи - решения в хромосому. Применительно к рассматриваемой модели оптимизации управления, в качестве оценки решения оптимизационной задачи служит критерий качества управления К, в качестве особи — варианта решения служит ННС, инициализированный конкретным набором значений настраиваемых параметров 77,, в качестве кодируемых в хромосоме отличительных свойств решения выступает набор 77, значений параметров 77. Для случая нечеткого регулятора генетический алгоритм может быть использован для вычисления значимостей Wi лингвистических правил на основе статистики о результатах совместной деятельности нечеткого регулятора и объекта управления. Очевидно, что оптимальными значениями весов Wi будут величины, при которых разница между оценками НС и реальными оценками будет минимальна. Тогда целевая функция вычисляется на основе евклидова расстояния между вектором, образованным набором оценок, предсказанных НС и вектором, состоящим из реальных оценок по следующей формуле: Y- целевая функция; 1Ґ- оценка, прогнозируемая НС для решения d; В?- реальная оценка для решения d; d - номер решения; D -число, определяющее количество решений (число попыток ГА найти оптимальное решение). Таким образом, в качестве набора оптимизируемых параметров служат вектор значимости весов Wt. Конкретный набор значений Щ определяет некоторое решение оптимизационной задачи (особь), который хранится в хромосоме ГА. В качестве оцениваемой особи - носителя хромосомы выступает НС с параметрами W , установленными экспертом и закодированные в хромосоме. В общем случае, применительно к модели адаптивного ННС регулятора, рис. 4.11, в качестве оценки решения оптимизационной задачи служит критерий качества управления К, в качестве особи - варианта решения служит ННК, инициализированный конкретным набором значений настраиваемых параметров /7,, в качестве кодируемых в хромосоме отличительных свойств решения выступает набор /2} значений параметров П.
