О применении современных технологий в разработке интеллектуальных систем

Баженов Руслан Иванович,

кандидат педагогических наук, доцент, заведующий кафедрой информатики и вычислительной техники Приамурского государственного университета им. Шолом-Алейхема,

Лопатин Дмитрий Константинович,

студент Приамурского государственного университета им. Шолом-Алейхема.

Современные тенденции развития информационных технологий все больше тяготеют к интеллектуализации. Это стало возможно благодаря исследованиям многочисленных ученых в самых разнообразных областях.

В настоящее время к интеллектуальным информационным технологиям относят следующие направления: представление знаний и разработка систем, основанных на знаниях (knowledge-based systems, expert systems); программное обеспечение систем искусственного интеллекта (software engineering for AI); разработка естественно-языковых интерфейсов и машинный перевод (natural language processing); интеллектуальные роботы (robotics); обучение и самообучение (machine learning); распознавание образов (pattern recognition); новые архитектуры компьютеров (new hardware platforms and architectures); игры и машинное творчество (games and machine creativity); машинное обучение (machine learning), генетические алгоритмы (genetic algorithm); когнитивное моделирование (cognitive modeling); интеллектуальные интерфейсы (intelligent interfaces); нейронные сети (neural network); распознавание и синтез речи (recognition and speech synthesis); дедуктивные модели (deductive model); многоагентные системы (multi-agent systems); онтологии (ontology); менеджмент знаний (knowledge management); логический вывод (logical deduction); формальные модели (formal models); мягкие вычисления (soft computing) и др.

Опишем некоторые технологии, использованные авторами для решения производственных задач.

Методология представления знаний на основе правил использовалась многими исследователями для проектирования и разработки промышленных и научных экспертных систем: психиатрическое лечение, производство и планирование, консультативные системы, обучение, планирование процессов управления автомобилем, проверка знаний, производство алкоголя, интерпретация ДНК, оценка мошенничества в управлении, обработка материалов и др. [5, 6, 7, 10]. Представленная методология использовалась авторами для разработки с помощью оболочки RuleBook [3] простой диагностической системы поиска неисправностей в компьютерных сетях для управления информатизации вуза.

Искусственные нейронные сети широко применяются в программных системах для различных областей: диагностика неисправностей, система обработки сигнала, машинное обучение, макетирование объектов, управления технологическими процессами, добыча полезных ископаемых, роботизированные системы, очистка сточных вод, перегонка сырой нефти и др. [4, 8, 13]. Наличие на рынке достаточно хороших программных систем позволят исследователям решать многочисленные задачи. Авторы применяли свободно-распространяемую библиотеку NeuralBase [1] для построения системы распознавания изображений.

Технологии мягких вычислений, нечетких систем находят отражение в следующих областях: экологическое планирование, системы управления, интеграция знаний, классификация энергосистем, обнаружение неисправностей, оценка спроса, прогноз водоснабжения, он-лайн аналитическая обработка, выбор отеля, компьютерная безопасность, распознавание жестов и др. [2, 9, 14 и др.] Один из авторов принимал участие в разработке и внедрении системы, основанной на нечеткой логике, для call-центра компании, оказывающей услуги в области предоставления информации по справочно-правовым системам.

Технологии использования онтологий находит все больше применений в следующих направлениях: поддержка в медицине, повторное использование знаний, превентивный контроль, приобретение знаний, поиск информации и др. [11, 12 и др.]. Один из авторов участвовал в разработке поисковой системы на основе онтологий для сайта вуза.

Можно заметить, что такой спектр технологий сложно охватить. Для предоставления более широкого выбора тематики исследований для студентов Приамурского государственного университета им. Шолом-Алехема учебные планы подготовки студентов по направлению «Информационные системы и технологии» были составлены так, чтобы студент мог сам построить свою индивидуальную образовательную траекторию через возможность записаться на предпочитаемые курсы по выбору профессионального блока. Это было реализовано через сайты университета edu.pgusa.ru, moodle.pgusa.ru.

Литература

1.                  BaseGroup Labs // URL: http://www.basegroup.ru/.

2.                  Cho, H. J., & Park, J. K. (1997). An expert system for fault section diagnosis of power systems using fuzzy relations. IEEE Transactions on Power Systems, 12, 342–348.

3.                  Exsys Inc // URL: http://exsys.com.

4.                  Fu, Y., & Shen, R. (2004). GA based CBR approach in Q&A system. Expert Systems with Applications, 26, 167–170.

5.                  Hatzilygeroudis, J., & Prentzas, J. (2004). Integrating (rules, neural networks) and cases for knowledge representation and reasoning in expert systems. Expert Systems with Applications, 27, 63–75.

6.                  Kim, H.-T.,& Kim, K.-J. (2013) Hybrid of Rule-based Systems Using Genetic Algorithm to Improve Platform Game Performance Original Research Article. Procedia Computer Science, 24, 114-120.

7.                  Kim, H. S., & Im, Y. T. (1999). An expert system for cold forging process design based on a depth-first search. Journal of Materials Processing Technology, 95, 262–274.

8.                  Li, W., Tasi, Y. P., Tasi, & Chiu, C. L. (2004). The experimental study of the expert system for diagnosing unbalance by ANN and acoustic signals. Journal of Sound and Vibration, 272, 69–83.

9.                  Liao, S. H. (2001). A knowledge-based architecture for implementing military geographical intelligence system on Intranet. Expert Systems with Applications, 20, 313–324.

10.              Plant, R. E., & Vayssieres, M. P. (2000). Combining expert system and GIS technology to implement a state-transition model of oak woodlands. Computers and Electronics in Agriculture, 27, 71–93.

11.               Shen, J., Beydoun, G., Low, G., & Lijuan, W. (2014) Aligning ontology-based development with service oriented systems Original Research Article. Future Generation Computer Systems, 32, 263-273.

12.              Thukaram, B. D., & Parthasarathy, K. (1997). An expert system for power system voltage stability improvement. Electrical Power and Energy Systems, 19, 385–392.

13.              Wang, X., Qu, H., Liu, P., & Cheng, Y. (2004). A self-learning expert system for diagnosis in traditional Chinese medicine. Expert Systems with Applications, 26, 557–566.

14.              Zhu, A. X., Band, L. E., Dutton, B., & Nimlos, T. J. (1996). Automated soil inference under fuzzy logic. Ecological Modeling, 90, 123–145.

Поступила в редакцию 21.03.2014 г.