На этапе формализации выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

На этапе выполнения осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

5. Использование и поддержка ЭС. Реижиниринг бизнеса

5.1 Использование финансовых экспортных систем

Множество предприятий устанавливают ЭС для решения задач в таких областях как: торги на фондовой бирже, автоматическое понимание новостей, кредитный анализ, управление рисками, построение портфелей кредитов и инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке и т.д.

Примерами этому является целый класс консультативных ЭС: Bear, Sterns & Company's Broker Monitoring System, Athena Group's Portfolio Advisor и Trader's Assistant, совместно разработанные корпорациями Author D. Little Corporation, Knowledge-Based Network Corporation и еще шестью финансовыми институтами. Японский Sanwa Bank, один из крупнейших мировых банков, применяет экспертную систему Best Mix для улучшения качества своей информации по инвестициям.

ЭС Nikko Portfolio Consultation Management System, разработанная для внутреннего использования фирмой Nikko Securities, Ltd., помогает управляющим фондами выбрать оптимальный портфель для своих клиентов. Данная система основана на базе данных с информацией за пять лет продаж акций и на системе с новой теорией управления портфелем, которая вычисляет и оптимизирует портфель ценных бумаг для страховки от различных рисков. Управляющие фондами освобождаются от рутинных вычислений и, таким образом, имеют возможность более быстро составить оптимальный портфель ценных бумаг. Компания IDS Financial Services, подразделение финансового планирования American Express Company, классифицировали финансовые экспертизы своих лучших управляющих для создания экспертной системы, названной Insight. IDS включила экспертизы лучших управляющих в свои средства, т.е. экспертную систему, доступную всем своим планировщикам. Одним из основных результатов применения экспертной системы в компании IDS стало то, что процент покинувших фирму клиентов упал более чем наполовину.

Перечислим характеристики некоторых конкретных ЭС этого класса.

1. FLiPSiDE: Система логического программирования финансовой экспертизы. Предприятие-разработчик: Case Western Reserve University Решаемые задачи: мониторинг состояния рынка ценных бумаг; мониторинг состояния текущего портфеля ценных бумаг; поддержка обзора будущих условий рынка; планирование и выполнение продаж.

Краткие характеристики: применение оригинальной парадигмы “Классной доски”, описанной Ньюэллом; язык Пролог в качестве платформы программирования; представление данных на “Классной доске” в качестве исходных данных для различных знаний;

2. Splendors: Система управления портфелем ценных бумаг реального времени. Решаемые задачи: достижение разнообразных инвестиционных целей в условиях быстро меняющихся данных. Краткие характеристики: система реального времени, использование специализированного языка высокого уровня Profit, большая гибкость в создании портфеля для опытных программистов на C, возможность создания портфеля непрограммирующему финансовому аналитику.

Система позволяет формировать оптимальные инвестиционные портфели в реальном масштабе за счет игры на учете быстрых изменений на фондовой бирже.

3. PMIDSS: Система поддержки принятия решений при управлении портфелем. Предприятие-разработчик: Финансовая группа Нью-Йоркского университета. Решаемые задачи: выбор портфеля ценных бумаг, долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.

4. Le Courtier: Система ассистент-эксперт для менеджера портфеля. Предприятие-разработчик: Cognitive System Inc. Решаемые задачи: помощь инвесторам в определении своих инвестиционных целей, управление портфелем. Краткие характеристики: использование правил, мощный естественно-языковый интерфейс.

5. PMA: Советчик управляющему портфелем. Предприятие-разработчик: Athena Group. Решаемые задачи: формирование портфеля, оказание рекомендаций по сопровождению портфеля. Краткие характеристики: обеспечение качественного обоснования результатам применения различных численных методов.

6. ArBoR: Вычислительная модель рейтинга облигаций. Предприятие-разработчик: College of Business Administration Univercity of Nebraska. Решаемые задачи: Данная система создана для конструирования вычислительной модели в области рейтинга облигаций и для применения модели в качестве экспертной системы. Краткие характеристики: применение качественного и количественного анализа, использование стандартной оболочки ЭС.

7. Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Предприятие-разработчик: Information System Department, New York University. Решаемые задачи: проблема огромного количества постоянно растущих альтернатив страхования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обильную сферу различных оптимальных решений для менеджеров по риску. В данной системе разработка страхования от риска сформулирована как многоцелевая оптимизационная задача. Данная задача оптимизации включает несколько сложностей, с которыми существующие технические решения не справляются.

Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эмуляцию первичных рассуждений управляющих риском, полезных для выводов и их объяснений.

8. Узко ориентированная система поддержки принятия решения для выбора стратегий инвестиций. Предприятие-разработчик: Intelligent System Laboratory Science Univercity of Tokyo. Решаемые задачи: С приходом в набор финансовых инструментов понятий “выбор” и “будущее”, у инвесторов появилась возможность формировать набор стратегий, отвечающих целям их инвестиций. Однако, эта возможность порождает трудную задачу нахождения необходимой стратегии среди большого числа стратегий инвестиций. Представлена интеллектуальная система поддержки принятия решения для генерации необходимых стратегий инвестирования с использованием нотации ограниченной удовлетворительности, которая широко применяется в задачах поиска. В данной системе ограничения играют роль навигации для автоматического порождения сложных стратегий через абстрактное сравнение с профилем вкладчиков. Абстрактное сравнение может рассматриваться как поиск метода для производства качественно обоснованных стратегий, описывающих набор предложений для покупки или продажи без цифровой информации. Т.к. такая техника может быть использована как предпроцессор для количественного анализа типа линейного программирования для получения оптимального решения, предлагаемая система является мостом для плавного перехода между качественным и количественным анализами.

Краткие характеристики: применение качественного анализа для получения возможных качественных решений (интуитивные решения) и количественного анализа для нахождения оптимального решения с помощью симплексного метода линейного программирования.

9. Явные рассуждения в прогнозировании обмена валют. Предприятие-разработчик: Department of Computer Science City Polytechnic of Hong Kong. Решаемые задачи: Представляет новый подход в прогнозировании обмена валют, основанный на аккумуляции и рассуждениях с поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков - это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования.

Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера-Шафера.

10. Nereid: Система поддержки принятия решений для оптимизации работы с валютными опционами. Предприятие-разработчик: NTT Data, The Tokai Bank, Science Univercity of Tokyo.

Решаемые задачи: система облегчает дилерскую поддержку для оптимального ответа из возможных представленных вариантов. Система более практична и дает лучшие решения, чем обычные системы принятия решений.

Краткие характеристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sun-станциях.

Под приобретением (acquisition) знаний понимают способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной программы.

Извлечением (elicitation) знаний называют процедуру взаимодействия инженера по знаниям с источником знаний (экспертом, специальной литературой и др.) без использований вычислительной техники.

Термином “обнаружение знаний в базах данных” (knowledge discovery in databases - KDD) сегодня обозначают процесс получения из “сырых” данных новой, потенциально полезной информации о предметной области. Этот процесс включает несколько этапов (рис. 6.1). Сюда относится накопление сырых данных, отбор, подготовка, преобразование данных, поиск закономерностей в данных, оценка, обобщение и структурирование найденных закономерностей.

Рис. 6.1. Процесс обнаружения знаний в БД

Стратегия KDD все более выдвигается на первую роль. Это во многом обусловлено быстрым развитием разнообразных хранилищ данных (data warehouse) - собраний данных, отличающихся предметной ориентированностью, интегрированностью, поддержкой хронологии, неизменяемостью, и предназначенных для последующей аналитической обработки.

Специфика современных требований к обработке данных с целью обнаружения знаний следующая:

· Данные имеют неограниченный объем

· Данные являются разнородными (количественными, качественными, категориальными)

· Результаты должны быть конкретны и понятны

· Инструменты для обработки “сырых” данных должны быть просты в использовании

6.2 Практические методы извлечения данных

Классификация методов извлечения знаний (рис. 6.2) позволит инженерам по знаниям, в зависимости от конкретной задачи и ситуации, выбрать конкретный метод. Из предложенной схемы классификации видно, что основной принцип деления связан с источником знаний. Коммуникативные методы охватывают все виды контактов с живым источником знаний - экспертом, а текстологические касаются методов извлечения знаний из документов (методик, пособий, руководств) и специальной литературы (статей, монографий, учебников).

Разделение этих групп методов на верхнем уровне классификации не означает их антагонистичности, обычно инженер по знаниям комбинирует различные методы, например, сначала изучает литературу, затем беседует с экспертами, или наоборот.

Рис. 6.2. Классификация методов извлечения знаний.

В свою очередь, коммуникативные методы можно также разделить на две группы: активные и пассивные. Пассивные методы подразумевают, что ведущая роль в процедуре извлечения знаний как бы передается эксперту, а инженер по знаниям только протоколирует рассуждения эксперта во время его реальной работы по принятию решений или записывает то, что эксперт считает нужным самостоятельно рассказать в форме лекции. В активных методах, напротив, инициатива полностью в руках инженера по знаниям, который активно контактирует с экспертом различными способами - в играх, диалогах, беседах за "круглым столом" и т.д.

Пассивные методы на первый взгляд достаточно просты, но на самом деле требуют oт инженера по знаниям умения четко анализировать "поток сознания" эксперта и выявлять в нем значимые фрагменты знаний. Отсутствие обратной связи (пассивность инженера по знаниям) значительно ослабляет эффективность этих методов, чем и объясняется их обычно вспомогательная роль при активных методах.

Активные методы можно разделить на две группы в зависимости от числа экспертов, отдающих свои знания. Если их число больше одного, то целесообразно помимо серии индивидуальных контактов с каждым применять и методы групповых обсуждений предметной области. Такие групповые методы обычно активизируют мышление участников дискуссий и позволяют выявлять весьма нетривиальные аспекты их знаний. В свою очередь, индивидуальные методы на сегодняшний день остаются ведущими, поскольку столь деликатная процедура, как "отъем знаний", не терпит лишних свидетелей.

Отдельно следует сказать об играх. Игровые методы сейчас широко используются и социологии, экономике, менеджменте, педагогике для подготовки руководителей, учителей, врачей и других специалистов. Игра - это особая форма деятельности и творчества, где человек раскрепощается и чувствует себя намного свободнее, чем в обычной трудовой деятельности.

Заключение

В ходе выполнения работы были сделаны следующие выводы:

Экспертная система - это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач.

К экспертным системам предъявляются следующие требования: использование знаний, связанных с конкретной предметной областью; приобретение знаний от эксперта; определение реальной и достаточно сложной задачи; наделение системы способностями эксперта.

Структура экспертной системы представлена следующими структурными элементами: база знаний, механизм логических выводов, пользовательский интерфейс, модуль приобретения знаний, модуль советов и объяснений.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение, экономика и финансы.

Множество предприятий устанавливают ЭС для решения задач в таких областях как: торги на фондовой бирже, автоматическое понимание новостей, кредитный анализ, управление рисками, построение портфелей кредитов и инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке и т.д. Были рассмотрены наиболее распространенные экспертные системы в области финансов.

1. http://www.park.glossary.ru/serios/read_05.php

2. http://ai.obrazec.ru/defin.html

3. http://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%B5%D0%B4%D1%81%D1%82%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B7%D0%BD%D0%B0%D0%BD%D0%B8%D0%B9

4. http://revolution.allbest.ru/programming/00029613_0.html

5. http://help-inform.ru/Klassif_ekspertnih_system.htm

6. http://window.edu.ru/window_catalog/pdf2txt?p_id=28644

7. http://www.mosdiplom.ru/download_file.php?download_propertys_items_id=1289

8. http://www.inftech.webservis.ru/it/database/datamining/ar4.html

9. http://old.ulstu.ru/people/SOSNIN/umk/Knowledge_Engineering/gl_17_2.htm#klass_metod