Содержание к диссертации
Введение
1 Проблемы построения систем логистики знаний 11
1.1 Подход «СИЗ» к логистике знаний 11
1.2 Научные направления «Управление Знаниями» и «Извлечение информации» 14
1.3 Требования, технологии и стандарты современных систем персонифицированной информационной поддержки принятия решений 21
1.4 Многоагентная технология построения распределенных программных систем 34
Выводы по главе 1 41
2 Архитектура и модели информационных компонент системы логистики знаний 42
2.1 Методология разработки многоагентной системы логистики знаний. 42
2.2 Разработка модели окружения системы логистики знаний 47
2.3 Разработка модели профиля пользователя 57
2.4 Разработка модели картограммы знаний 62
Выводы по главе 2 73
3 Модели и сценарии работы технологических агентов системы логистики знаний 74
3.1 Проектирование сообщества агентов системы логистики знаний 74
3.2 Разработка технологических агентов системы логистики знаний 82
3.3 Поддержка сообществом агентов сценариев работы системы 97
3.4 Алгоритм вычисления рейтингов источников знаний 102
Выводы по главе 3 105
4 Программная реализация многоагентной системы логистики знаний и ее применение 106
4.1 Многоагентная система «Интеграция» 106
4.2 Применение системы групповой поддержки принятия решений для оценки источников знаний 122
4.3 Компьютерная система интеллектуального доступа к каталогам и документам 126
Выводы по главе 4 133
Заключение 134
Литература 136
Приложение 1. Акты о внедрении результатов диссертационной работы 148
- Требования, технологии и стандарты современных систем персонифицированной информационной поддержки принятия решений
- Разработка модели окружения системы логистики знаний
- Поддержка сообществом агентов сценариев работы системы
- Компьютерная система интеллектуального доступа к каталогам и документам
Введение к работе
Актуальность темы диссертации. Бурное развитие информационных технологий привело к накоплению практически во всех прикладных областях (бизнесе, производстве, образовании и т.д.) большого количества разрозненных и разнородных информационных ресурсов (электронных документов, баз данных и знаний, электронных библиотек и т.п.), которые должны способствовать решению возникающих задач. С появлением сетевых технологий и Интернет стал возможен обмен знаниями, находящимися в данных ресурсах, с целью их повторного и совместного использования. Возникла открытая информационная среда, в которой распределенные разнородные источники знаний одинаково доступны всем заинтересованным лицам при помощи картограмм, отражающим их характеристики (расположение, формат, аннотацию и др.). Однако, помимо позитивных факторов, данный процесс привел к ряду проблем для лиц, принимающих решения. Появилось большое количество источников с устаревшими и недостоверными знаниями, возникло дублирование содержимого различных источников и увеличился объем избыточных знаний. Это приводит к затруднению поиска необходимых знаний и замедлению процесса принятия решения. В связи с этим наметился качественный сдвиг систем информационной поддержки принятия решений с уровня, где связи между источниками и потребителями знаний являются статическими, к уровню, где эти связи являются динамическими [101]. Подобные системы должны быть (і) гибкими относительно быстро меняющегося окружения, (ii) способными обеспечивать персонифицированную поддержку пользователей с различными уровнями компетенции и требований к получаемым знаниям, (Ш) масштабируемыми относительно типов информационных ресурсов и их содержимого и (iv) способными взаимодействовать с другими электронными приложениями. Для создания подобных систем широкое распространение получила технология многоагентных систем.
В основе персонифицированной информационной поддержки пользователей лежат идеи таких прикладных научных направлений, как широкая приспособляемость к требованиям заказчиков (mass customization) [52, 114], адаптивная гипермедия - расширенный по сравнению с гипертекстом метод орга-
5 низации мультимедийной информации, охватывающий разные среды (adaptive hypermedia) [58, 71], управление взаимоотношениями с клиентами (customer relationship management) и обслуживанием клиентов (customer service management) [47, 111, 98, 23, 64] и другие. Для реализации таких систем используются
^ технологии обнаружения в имеющемся массиве данных ранее неизвестной, но
полезной и доступной информации (data mining) [7, 79, 73, 110], кластеризации и машинного обучения, основанные на профилировании [122, 38, 39] и другие. В ходе исследований, выполненных в СПИИРАН в области построения систем интеграции знаний, была предложена методология - «логистика знаний» [18, 33]. Она ориентирована на управление знаниями с целью извлечения, инте-
,ф грации и транспортировки адекватных знаний из распределенных источников в
правильном контексте соответствующим пользователям в заданное время для принятия решений в прикладных проблемных областях. В системе логистики знаний для описания знаний проблемной области используются онтологии, широко применяемые в системах искусственного интеллекта для описания объектов и явлений мира в формализованном виде, пригодном для компьютерного использования. Онтология - это средство описания семантики проблемной области при помощи словаря и подробной спецификации существующих в ней
* отношений и ограничений, обеспечивающих интерпретацию словаря.
Традиционно используемые системы информационной поддержки принятия решений в основном используют методологии интеллектуального анализа текстов и данных [79, 73, ПО] и ориентированы на работу с хорошо структурированными данными. Как правило, в них отсутствуют или слабо представлены модели интересов пользователей. Очевидно, что их использова-
.# ния для обеспечения персонифицированной информационной поддержки при-
нятия решений недостаточно. Представляется весьма актуальной разработка архитектуры, моделей и сценариев работы системы логистики знаний, ориентированной на работу со слабосвязанными разнородными распределенными источниками знаний, предназначенной для решения указанных выше задач, базирующейся на современных технологиях, использование которой способно повысить качество принимаемых решении.
Цель работы и задачи исследования. Основной целью диссертационной работы является разработка архитектуры, моделей информационных компонент и сценариев работы многоагентной системы логистики знаний для обеспечения персонифицированной информационной поддержки лиц, принимающих решения, в открытой информационной среде.
Для достижения поставленной цели в диссертационной работе должны быть решены следующие задачи:
проанализированы существующие системы, оперирующие в открытой информационной среде и ориентированные на управление знаниями, для спецификации требований к системе логистики знаний;
разработана архитектура и концептуальные модели основанных на онтоло-гиях информационных компонент системы логистики знаний, обеспечивающих ее гибкость, масштабируемость и настраиваемость на пользователей, и произведена их интеграция в единую систему;
определены пользователи системы, разработаны сценарии их работы, основанные на предложенной архитектуре с учетом сформулированных требований;
реализована многоагентная система логистики знаний для апробации предложенных решений.
Методы исследования. Для проведения исследований в диссертационной работе использовались методы проектирования распределенных приложений, построенных на многоагентной технологии; методы искусственного интеллекта, стандарты открытых информационных систем. При разработке программного обеспечения использовались: унифицированный язык моделирования (UML), технология объектно-ориентированного программирования и язык структурированных запросов (SQL) к реляционным базам данных.
Научная новизна.
1. Разработана архитектура, реализующая интегрированный сценарий функционирования компьютерной системы логистики знаний, основанная на ис-
7 пользовании технологии многоагентных систем и предварительно разработанной онтологии проблемной области.
Разработан набор показателей для оценки источников знаний, используемой при определении релевантности результатов работы системы относительно запроса пользователя.
Разработана основанная на онтологиях формальная модель картограммы знаний, используемая для быстрого поиска источников знаний в открытой информационной среде.
Разработан алгоритм индексирования источников знаний относительно содержимого онтологии, использующий не только сходство между словарем онтологии и содержимым источников, но и связи между элементами онто-логиями, что повышает качество результатов работы системы, позволяя находить источники знаний, не содержащие понятия, распознанные в запросе пользователя.
Разработана основанная на онтологиях концептуальная модель профиля пользователя, позволяющая учитывать требования к получаемым результатам со стороны пользователей на основе их интересов и предпочтений.
Обоснованность и достоверность научных положений и выводов обеспечена за счет анализа состояния исследований в данной области и практической реализацией и внедрением системы интеллектуальной персонифицированной поддержки J11 IP.
Практическая ценность работы. Архитектура, сценарии и модели, разработанные в данной работе, направлены на улучшение результатов работы лиц, принимающих решение за счет уменьшения пространства поиска знаний в открытой информационной среде, повышения скорости получения, качества и достоверности предоставляемых знаний.
Предложенная в ходе работы над диссертацией архитектура многоагентной системы логистики знаний позволяет настраивать систему на работу в конкретной проблемной области, описываемой при помощи онтологии, и делает ее гибкой и
8 масштабируемой относительно типов и содержимого источников знаний.
Созданная многоагентная система логистики знаний «Интеграция» может быть использована в различных прикладных проблемных областях как основа для организации быстрого, ориентированного на предпочтения пользователя доступа к имеющимся источникам знаний.
Реализация результатов работы. Исследования, отраженные в диссертации, были поддержаны грантами РФФИ (проекты № 02-01-00284 и № 03-01-06484 «Методологические и математические основы построения компьютерных систем быстрой интеграции знаний из распределенных источников»), 2002-2004 гг., грантом Президиума РАН (проект № 2.44 «Многоагентный подход к построению компьютерной среды для быстрой интеграции знаний из распределенных источников»), 2001-2003 гг., грантом ОИТВС РАН (проект № 1.9 «Разработка теоретических основ и многоагентной технологии управления контекстом в распределенной информационной среде»), 2003-2004 гг.
Часть результатов была использована при работе в рамках проекта МНТЦ №1993Р «Математические основы обнаружения знаний в данных и автономные интеллектуальные архитектуры» задачи 2 «Быстрое слияние знаний в масштабируемой инфосфере», 2000-2003 гг.
Разработанное программное обеспечение было использовано для методической и информационной поддержки экспертизы заявок на разработки при составлении сводного плана НИОКР в 1997-2000 гг. в рамках созданной в Отделе научно-технической политики Комитета экономики и промышленной политики Администрации Санкт-Петербурга интегрированной информационной технологии сопровождения заявки на стадии формирования сводного плана НИОКР, 1997-2000 гг.
Часть результатов была использована при выполнении контракта «Интеллектуальный доступ к каталогам и документам» на создание системы поддержки клиентов, реализованной для немецкой промышленной компании, 2003-2004 гг.
9 Публикации. Основные результаты по материалам диссертационной работы опубликованы в 14 печатных работах.
Апробация результатов работы. Основные положения и результаты диссертационной работы представлялись на национальной конференции по искусственному интеллекту КИИ'02 (Коломна, 2002), международных конференциях «Проблемы управления и моделирования в сложных системах» (Самара, 2003, 2004), «Интеллектуальные системы» (Дивноморское, 2001-2004), «Онтологии, базы данных и применение семантики ODBASE'03» (Катания, Италия, 2003), «Региональная информатика РИ'04» (Санкт-Петербург, 2004), «Практические аспекты управления знаниями РАКМ'04» (Вена, Австрия, 2004).
Структура и объем работы. Диссертация объемом 151 машинописная страница, содержит введение, четыре главы и заключение, список литературы (138 наименований), 24 таблицы, 61 рисунок.
В первой главе приводится анализ требований к системам логистики знаний. Были выделены основные типы участников информационные среды, для каждого типа был проведён анализ существующих подходов и систем для их представления. Был обоснован выбор многоагентной архитектуры и изучены свойства сообщества агентов.
Во второй главе была выбрана методология построения многоагентных систем, определяющая основные фазы разработки системы логистики знаний. Были выделены сущности системы и разработаны обобщённые сценарии работы различных групп пользователей, определены информационные компоненты и типы агентов системы логистики знаний. Были предложены модели профиля пользователя для описания пользователей, взаимодействующих с системой и картограммы знаний для описания источников знаний.
В третьей главе диссертационной работы была разработана формальная модель агента системы ЛЗ, основанная на рекомендациях концептуальной модели ГЇР А, выбранных методологических рекомендациях и учитывающая специфику разработанных сценариев работы системы логистики знаний и сущно-
10 стей. Были подробно описаны функции, сообщения и сценарии работы технологических агентов. Была проведена проверка совместимости выбранной нотации представления онтологии с современным языком описания онтологии OWL, показавшая совместимость используемой нотации с современными открытыми форматами. В разработанных ранее общих сценариях работы системы были определены функции, выполняемые членами сообщества агентов.
В четвертой главе приводятся данные по реализации разработанных архитектуры, сценариев работы, моделей и алгоритмов в системе логистики знаний и в промышленных приложениях.
Требования, технологии и стандарты современных систем персонифицированной информационной поддержки принятия решений
В последние несколько десятилетий был выполнен большой объем отечественных и зарубежных исследований и разработок в области поддержки принятия решений [15, 16, 17, 19, 28, 29, 22]. Анализ современных информационных систем поддержки ЛПР позволил определить набор требований к подобным системам: Гибкость. Система должна быть готова к внезапным изменениям в целепо-лагании функционирования. Система должна иметь возможности быть адаптированной к различным проблемным областям. Масштабируемость. Система должна быть способной работать с ИЗ, изменяющихся относительно типов и содержимого. Обучаемость. Если пользователь отклоняет какое либо из предложенных решений или считает эффективным другое решение, необходимо предусмотреть возможности внесения изменений в правила функционирования системы [113]. Целостность. По мере развития системы необходимо периодически выполнять проверку доступности и изменений имеющихся ИЗ. Если ИЗ становится недоступным, необходимо удалить все ссылки на него и проверить знания, синтезированные на основании его использования. При изменении содержимого ИЗ необходимо выполнять проверки на непротиворечивость имеющихся знаний. Скорость реагирования на изменения. Система должна уметь находить пути уменьшения и компенсации вариабельности и неоднозначности в запросах пользователя и ИЗ. Открытость. Система должна быть способна обмениваться имеющимися знаниями с другими системами. Современные электронные приложения направлены на хранение знаний в Интернет и основаны на использовании Интернет — технологий и таких стандартов, как XML, RDF, DAML+OIL, OWL и т.д. Поэтому система поддержки ЛПР должна поддерживать современные форматы описания знаний и иметь средства импорта/экспорта. Быстродействие. Системы должны работать в режиме реального времени для обеспечения возможности принятия быстрого и четкого решения ответственным лицом. Планирование. Системы должны иметь четкий сценарий действий для достижения результата. Настраиваемостъ на потребителя. Система должна предоставлять результаты, максимально соответствующие модели интересов пользователя. Дружественный интерфейс. Система должна иметь интуитивно понятный унифицированный интерфейс, предоставлять средства подсказки пользователю. Количество диалогов с пользователем должно быть минимальным. Web интерфейс. Системы, позволяющие пользователю обращаться к ним через Интернет, являются более востребоваными, чем аналогичные системы, ориентированные на работу в локальной сети или на выделенном компьютере. Это связано с тем, что они не требуют установки специального программного обеспечения на компьютере конечного пользователя, могут быть оперативно изменены и, при необходимости, могут использоваться локально.
Большинство крупных современных информационных систем имеют архитектуру клиент-сервер (Рис. 1.6). Использование данной архитектуры позволяет снизить стоимость оборудования, используемого в приложении, децентрализовать приложения, повысить надежность и общую производительность, поскольку сокращается объем информации, пересылаемой между ЭВМ, и каждый модуль приложения выполняется на адекватном оборудовании [24, 3].
Таким образом, все компоненты системы ЛЗ должны разрабатываться с учетом указанные требований. Профиль пользователя является важной компонентой информационных систем персонифицированной поддержки J11 IP. Он представляет собой хранилище информации о пользователе, истории его обращений и т.д. Данная компонента доступна для использования в различных целях, в частности, для ускорения поиска путем изучения истории обращений и предпочтений. В данной главе приведен обзор некоторых современных систем профилирования пользователей. В лаборатории Hewlett Packard был разработан проект для работы со знаниями CONNEX. Целью данного проекта является разработка средств для приобретения экспертных знаний. В проекте разработан Web-интерфейс для доступа к реляционным базам данных, хранящих множество профилей экспертов, и средства поиска экспертов по заданным темам с учетом их опыта работы и знаний. Использование CONNEX позволяет найти эксперта, обладающего требуемым знанием и опытом. Это достигается за счет того, что эксперты сами подготавливают свои профили и поддерживают их [62]. Целью проекта SPUD, разработанного компанией Microsoft являлось создание онлайнового профиля компетентности работников и служащих. Проект направлен не на внесение уровней компетентностеи, а скорее на выявление того, чем нужно обладать и овладеть для того, чтобы занять лидирующее положение в какой-либо области. Основными пятью компонентами проекта SPUD являются [63]: Разработка структуры типов и уровней компетентностеи. Определение уровней компетентностеи для выполнения требуемых работ. оценка работы отдельных служащих на выбранных рабочих местах, основанная на компетентностях. Реализация онлайновой системы знаний о компетентности. Подключение модели компетентности к процессу обучения. Одной из ключевых задач программы "Knowledge Оп-Ыпе" (KOL) является создание интеллектуального советника для создания групп специалистов. KOL базируется на централизованной, клиент-серверной архитектуре вида «многие к одному» [129]. Целью системы SAGE является создания репозитория экспертов [48]. Эта система осуществляет поиск экспертов в различных репозиториях (например, базах данных), работающих в различных учреждений и департаментов.
Разработка модели окружения системы логистики знаний
Одной из бурно развивающихся в последнее время информационных технологий построения сложных распределенных информационных систем является технология многоагентных систем [8, 12, 34, 14]. Первоначально агенты использовались только как «персональные ассистенты», настраиваемые на пользователя и помогающие при работе с программными продуктами. Затем их стали использовать во вредных для человека производствах и на предприятиях с большими потоками информации: они выполняли сенсорные функции и реагировали на возникновение определенных событий или ситуаций. В настоящее время много-агентные системы проникают во все области науки, бизнеса и производства.
Агенты это автономные программные сущности, которые находятся в гетерогенной компьютерной среде и служат для достижения определенных целей совместно с другими агентами или в одиночку [69]. Они обладают следующими свойствами [136]: Автономность: агенты функционируют без какого-либо человеческого или другого глобального внешнего управления, осуществляют самоконтроль своих состояний и действий; Социальное поведение: агенты взаимодействуют друг с другом при помощи обмена сообщениями или прямых коммуникаций для синхронизации своих действий; Реактивность: агенты способны воспринимать внешнюю информацию и реагировать на нее. Внешняя информация поступает из среды, в которой они функционируют. Она может поступать как по отдельности из внешнего мира (от пользователя через графический интерфейс или от других агентов) так и одновременно из нескольких источников; Инициативность: агенты могут выполнят определенные действия не только по запросу окружения, но и согласно своим планам и целям.
Регулирующие агенты имеют встроенные знания, всегда знают, по какому пути они должны действовать для достижения цели. Планирующие агенты могут выполнять функции регулирующих агентов, но имеют механизмы планирования своих действий в зависимости от ситуации (например, реализовывать сценарии «что-если»). В зависимости от решаемых задач и используемых методов возникает их классификация. Обучающиеся агенты могут выполнять функции планирующих агентов и дополнительно приобретать знания для планирования.
Многоагентная технология была выбрана как основная для систем ЛЗ, так как: (і) агенты оперируют знаниями, используя словарь конкретной онтологии [80]; (ii) структура сообщества агентов подразумевает распределенность, (размещение агентов на различных компьютерах), что позволяет эффективно организовать доступ к распределенным ИЗ; (ш) некоторые сложные задачи могут быть решены командой агентов параллельно или асинхронно; (iv) стандартизированные форматы обмена сообщениями для многоагентных систем позволяют обеспечить возможность взаимодействия с другими многоагентными системами; (v) появление новых членов сообщества агентов или изменение функций некоторых агентов не требует перезагрузки всей информационной системы.
Существует несколько подходов к разработке моделей агентов: (і) создание универсального типа агента, умеющего выполнять любую необходимую функцию в системе и (ii) создание нескольких типов (шаблонов) проблемно ориентированных агентов, решающих конкретные задачи. Подход первого типа наиболее приемлем для распределенных систем с небольшим статистическим набором задач. Системы ЛЗ имеют динамическую природу - новые задачи могут возникать по мере их использования. Поэтому разработка набора проблемно-ориентированных агентов является более подходящей для ее реализации.
Многоагентные системы могут иметь статистическую (жестко заданный набор агентов и количество членов сообщества) и динамическую структуру. Ввиду того, что одними из требований к системе ЛЗ являются гибкость и масштабируемость, структура многоагентного сообщества предполагает динамическую природу: количество агентов может варьироваться в зависимости от количества решаемых задач, количество типов агентов может изменяться на этапе функционирования системы.
Многоагентные системы бывают следующих типов: кооперативные, конкурирующие и смешанные. Агенты в кооперативных системах являются частями единой системы и решают подзадачи одной общей задачи. В таких случаях агент не может работать вне системы и выполнять самостоятельные задачи. Конкурирующие агенты являются самостоятельными системами, хотя для достижения определенных целей они могут объединять свои усилия, принимать цели и команды от других агентов, но при этом поддержка связи с другими агентами не обязательна. Смешанные модели используются в системах, подсистемы которых реализуются на различных агентных технологиях.
Для реализации конкурирующих систем применяется модель BDI (beliefs, desires and intentions - убеждения, желания и намерения). Основываясь на этих ментальных понятиях агенты объединяются в коалиции, проводят переговоры и решают поставленные задачи. В таких системах большое внимание уделяется доверительному управлению, контролю работы агентов, согласованию убеждений и др.
В кооперативных системах каждый агент должен (і) функционировать в составе сообщества агентов независимо от того, когда были определены спецификации его организации - на этапе проектирования или во время работы, (іі) генерировать планы в соответствии с требованиями сообщества, (ііі) определять задачи, которые может выполнить, (iv) сообщать о своих планах и расписании членам сообщества, и (v) выполнять планы для решения задач. Агенты системы ЛЗ обладают следующим рядом свойств, присущим кооперативным агентным системам: благожелательность - готовность агентов помочь друг другу и готовность агента решать именно те задачи, которые ему поручает пользователь, что предполагает отсутствие у агента конфликтующих целей; правдивость - свойство агента не манипулировать информацией, о которой ему заведомо известно, что она ложна; рациональность - свойство агента действовать так, чтобы достигнуть своих целей, а не избегать их достижения.
Поддержка сообществом агентов сценариев работы системы
Сценарий обработки запроса пользователя (потребителя знаний), поддерживаемый многоагентной архитектурой, представлен на Рис. 3.5. 1. Потребитель знания (лицо, принимающее решение) с помощью интерфейсных форм и при поддержке агента пользователя вводит в систему запрос R на получение знания. 2. Агент пользователя запрашивает маршрутизатора предоставить посредника, который будет сопровождать задание во время его обработки. Маршрутизатор клонирует экземпляр посредника и назначает ему задание. 3. Агент пользователя выполняет необходимые изменения в профиле пользователя (сохраняет текст и время начала обработки запроса). 4. Посредник получает запрос пользователя для его сопровождения. 5. Посредник передает запрос транслирующему агенту. Транслирующий агент, взаимодействуя с агентом управления онтологиями, производит разбор запроса: удаляет незначимые слова, проверяет синтаксические ошибки, формирует канонические формы слов, готовит вспомогательную XML структуру, содержащую информацию о словах запроса. 6. Агент управления онтологиями распознает понятия, содержащиеся в запро се. Для этого он выполняет сравнение имен классов и атрибутов, содержа щихся в онтологии и их синонимов, хранящихся в модели интересов поль зователя со словами запроса. Используя алгоритм нечеткого сравнения строк, он вычисляет близость найденных классов и атрибутов к тексту за проса. Иными словами, производится отображение запроса в словарь: fontoSearch R— ({ObSimi} ,{qj,Simj}) (3.1) где oteO, qjeQ, шгє]0;1], 5м»ує]0;1]. Принимая во внимание (і) связи между классами и атрибутами, (іі) пороговое значение близости, задаваемое администратором системы, и (ш) правила построения срезов онтологии, этот агент формирует минимальный набор элементов онтологии, представляющий структурную составляющую запроса пользователя. В результате, получается следующая сеть ограничений: где 0(R) zO, Q(R)aQ, D(R)CJXJD , D - параметрическая составляющая запроса, C(R)czC. Далее эта структура заполняется конкретными экземплярами классов со значениями атрибутов с учетом доменов и ограничений, полученных из источников знаний и заданных пользователем. 7. Используя образцы запросов, агент конфигуратор выполняет декомпозицию запроса пользователя на подзапросы {sRt)"=i. Используя результаты работы агента управления онтологиями, он производит поиск в картограмме знаний и определяет ИЗ, содержащие необходимые знания. 8. Принимая во внимание ограничения пользователя на обработку запроса (время, стоимость и др.) он готовит возможную конфигурацию сети ИЗ. 9. Конфигурирующий агент проводит переговоры с интерфейсными агентами для того, чтобы сконфигурировать эффективную сеть ИЗ, определяющую, из каких источников будут извлекаться данные и знания, или какие электронные документы будут предоставляться пользователю в качестве результатов работы. 10.Результаты конфигурирования возвращаются посреднику: список интерфейсных агентов и данных, что они должны выполнить (подготовить запрос к базе данных, извлечь содержимое документа и др.). И.Посредник посылает сообщения соответствующие асинхронные сообщения интерфейсным агентам и собирает ответы от них. 12.Интерфейсные агенты запрашивают у агента управления онтологиями найти соответствие между элементами ОП и онтологии ИЗ и переводят подзапросы в нотацию источников знаний. 13.Интерфейсные агенты передают запросы к ИЗ, получают ответы, переводят их в нотацию системы логистики знаний, производят контроль ошибок, сбоев и временных ограничений обработки. Результатом работы интерфейсных агентов являются наборы экземпляров классов I(Sj,SRm), полученные из источника знаний Sj, на подзапрос SRm. 14. Интерфейсные агенты передают результаты агенту управления онтологиями для перевода в термины словаря ОП и возвращают посреднику. 15.Посредник передает результаты агентам интеграции знаний, которые выполняют интеграцию, проверяют знания на непротиворечивость. Для каждого подзапроса SRm выполняется обработка результатов: где jus - набор программных методов обработки результатов (например, решения оптимизационных задач), указанный в картограмме знаний. Іб.Посредник передает результаты работы агентов интеграции знаний транслирующему агенту для подготовки их представления пользователю. П.Посредник возвращает результат агенту пользователя. 18.Агент пользователя предоставляет результат пользователю. 19.Агент пользователя обновляет профиль пользователя (время окончания и результат обработки запроса). Результатом является: список индексируемых источников знаний (например, документов) и визуализированное представление информации из подключаемых источников (например, список изделий, производимых компанией). 20.Посредник пользователя сообщает маршрутизатору об окончании работы и его сущность уничтожается. Возможны следующие сценарии работы пользователей, поддерживающих систему: (і) работа над заданием, подготовленным администратором и (іі) ввод интенсиональных и экстенсиональных знаний для расширения спектра задач, которые могут быть решены с использованием системы ЛЗ. Задачами первого вида могу быть: поиск ИЗ, ранжирования ИЗ, модификация ОП и внесение недостающих знаний в источники. Пример сценария ранжирования ИЗ, поддерживаемый многоагентной архитектурой, представлен на Рис. 3.6. 1. Администратор назначает агенту мониторинга задание на ранжирование ИЗ, содержащее: набор ИЗ, состав группы экспертов. Агент мониторинга подготавливает задание для экспертов. 2. Агент мониторинга запрашивает у маршрутизатора идентификатор посредника, который будет сопровождать данное задание. 3. Маршрутизатор клонирует нового посредника и назначает ему задание.
Компьютерная система интеллектуального доступа к каталогам и документам
При импорте онтологии были учтены следующие особенности перевода: 1. Некоторые атрибуты имеют в качестве значения домена имена классов, заданные в онтологии и не имеющие подклассов или атрибутов (например, атрибуты доступная производительность, общая производительность, максимальная производительность имеют в качестве домена имя значение производительности). Такие классы были переведены в домены с добавлением соответствующих ограничений. 2. Некоторые атрибуты имеют в качестве значения домена имена классов, заданные в онтологии и имеющие подклассы или атрибуты (например, атрибуты профиль производительности имел в качестве домена имя значение производительности). Такие классы были добавлены в таксономию как подклассы класса Thing с добавлением соответствующих ограничений, описывающих ассоциативные отношения. 3. Классы положение, профайл положения и временной интервал положения не были переведены, так как в данной задаче они были излишними. 4. Классы были переведены в классы, причем при построении иерархии и таксономии учитывался атрибут Подкласс. 5. Атрибуты были переведены в атрибуты с добавлением соответствующих ограничений на принадлежность атрибутов классам (тип II). 6. При переводе атрибутов были добавлены или заменены необходимые домены и добавлены соответствующие ограничения на принадлежность атрибутов классам (тип II). 7. Были добавлены необходимые функциональные ограничения (например, на вычисление атрибута продолжительность временного интервала). 8. После перевода онтологии были добавлены 2 иерархических ограничения. В результате, была получена онтология «Производительность», приведенная на Рис. 4.15 и использованная для построения ОП. Еще одним из возможных событий, на которые должен отреагировать агент мониторинга, является появление XML файла с информацией об ИЗ, которые необходимо ранжировать группе экспертов: список ИЗ, список экспертов, набор показателей, по которым необходимо оценить ИЗ. После этого он выполняет функцию SupportExpertQ.
Агент мониторинга сканирует картограмму знаний, выявляя необходимые характеристики ИЗ и подготавливая требуемые вспомогательные данные. Исходные данные для работы группы экспертов подготавливаются в виде задания, в состав которого входит перечень оценочных и классификационных параметров (критериев оценки ИЗ) и описание ИЗ. С целью проверки и упорядочивания критериев оценки ИЗ, а также для ранжирования ИЗ была разработана среда «MultiExpert».
Агент мониторинга формирует группу экспертов для работы над заданием и подготавливает персональный календарь работы группы экспертов (Рис. 4.16). Для этого он сканирует профили пользователей, изучая собранные знания об экспертах, их предпочтениях и загруженности. Когда группа сформирована, агент мониторинга подготавливает необходимые служебные таблицы для работы экспертов и посылает сообщение маршрутизатору с запросом на предоставление посредника для выполнения задачи. Маршрутизатор клонирует посредника, с которым в дальнейшем будет взаимодействовать агент мониторинга. Посредник взаимодействует с агентами помощниками экспертов. На Рис. 4.17 представлена одна из экранных форм для работы эксперта на основном этапе формирования иерархии показателей для оценки альтерна тивных ИЗ. На ней представлен пример организации иерархии предложенных показателей, сгруппированных экспертами по определенным критериям в 3 группы: (1) дополнительные параметры, (2) выгодность, и (3) производительность (упорядочены по алфавиту).Каждому подготовленному заданию соответствует календарь его выполнения, содержащий контрольные даты выполнения основных этапов, наименование этапов и основные результаты работы на каждом из этапов. В предложенном алгоритме работы над заданием выделены два типа этапов: основные этапы (1, 3, 5, 7) и этапы согласования (2, 4, 6). Основные этапы предоставляют возможность экспертам высказывать свое мнение по предлагаемым вопросам. С каждым из таких этапов связан соответствующий интерфейс. Этапы согласования позволяют приостановить процесс выполнения задания для оценки сгенерированных системой групповых решений. Агент помощник эксперта передает результаты работы эксперта над заданием посреднику с последующими переговорами для достижения согласованного решения. После прохождения задания по всем этапам посредник посылает уведомление о полученных результатах агенту мониторинга.
В рамках подхода «СИЗ» была предложена технология и реализована компьютерная система интеллектуального доступа к корпоративным документам и каталогам, основанная на использовании онтологии компании для обработки многоязыковых запросов пользователей и индексирования ИЗ (разнородные базы данных, программные системы и корпоративные документы). Разработанная система является частью корпоративной информационной системы управления связей с клиентами глобальной промышленной компании, имеющей более 300 000 клиентов в 176 странах, более 50 национальных компаний и 250 офисов по всему миру.
Для того, чтобы повысить конкурентные преимущества и прибыль, компаниям необходимо тесно контактировать со своими клиентами. Это может быть сделано за счет вовлечения клиентов в промышленное производство, исследования и разработки, производственные процессы и т.д. для того, чтобы повысить уровень настраиваемость на требования клиентов [52, 114]. Одним из современных исследовательских и прикладных направлений, ориентированных на указанные задачи, является концепция систем управления обслуживанием клиентов (УОК) [47, 111, 98, 23, 64]. В современных условиях недостаточно обеспечить доступ к корпоративным ИЗ и сбор информации от потребителей потому, что очень часто клиенты точно не знают что им действительно нужно и что они могут найти. Что действительно требуется - уменьшить разрыв между моделями интересов пользователей и корпоративных ИЗ для извлечения, интеграции и транспортировки адекватных знаний из распределенных источников в правильном контексте соответствующим пользователям в заданное время для определенных целей.
Обычно, первым шагом при установке диалога с пользователей является предоставление пользователю доступа к репозиторию знаний компании, выполняемая средствами разрабатываемого программного обеспечения, рассыл-ками по электронной почте, создания Интернет сайта компании и т.п. Данная стратегия не позволяет понять какая информация является наиболее интересной пользователю, какие изменения могут улучшить предлагаемые товары и услуги и имеет ряд других недостатков. Следующим шагом является предоставление средств сбора информации от клиентов: опросников, интерфейсных форм оценки качества результатов и т.п. Но опыт показывает, что пользователи предпочитают не предоставлять обратно связи без стимуляции со стороны компании. Поэтому, следующим шагом является сбор и анализ истории запросов пользователей для повышения настраиваемое имеющихся информационных систем на требования клиентов, совершенствования их достоинств и облегчения навигации пользователей в океане корпоративной памяти.
