Гибридная интеллектуальная система

Гибридная интеллектуальная система представляет собой совокупность:

• аналитических моделей,
• экспертных систем,
• искусственных нейронных сетей,
• нечётких систем,
• генетических алгоритмов,
• имитационных статистических моделей.

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет учёных и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

Термин «гибридные интеллектуальные системы» появился в 1992 году. Авторы вкладывали в него смысл сочетания интеллектуальных методов, таких как экспертные системы, нейронные сети и генетические алгоритмы. Экспертные системы представляли символьные методы, а искусственные нейронные сети и генетические алгоритмы — адаптивные методы искусственного интеллекта. Однако изначально новый термин касался достаточно узкой сферы интеграции — связи экспертных систем и нейронных сетей. Ниже приведены несколько трактовок данной интеграции от различных исследователей:

1. «Гибридный подход» подразумевает, что только синергетическая комбинация нейронных и символьных моделей обеспечивает полный спектр когнитивных и вычислительных возможностей.

2. Термин «гибрид» определяют как систему, состоящую из двух или более интегрированных подсистем, каждая из которых может использовать различные языки представления знаний и методы вывода. Подсистемы объединяются семантически и по характеру действия друг с другом.

3. Учёные Центра искусственного интеллекта Кренфилдского университета (Cranfield University, Англия) определяют «гибридную интегрированную систему» как систему, применяющую более одной компьютерной технологии (например, системы, основанные на знаниях, коннекционистские модели, базы данных). Интеграция позволяет использовать преимущества каждой технологии для решения специфических частей задачи; выбор технологий зависит от особенностей задачи.

4. Специалисты из Университета Сандерленда (University of Sunderland, Англия), входящие в группу HIS (англ. Hybrid Intelligent Systems), определяют «гибридные информационные системы» как крупные, сложные системы, интегрирующие знания и традиционную обработку «бесшовно». Такие системы способны хранить, искать и манипулировать данными и знаниями, объединяя традиционные и интеллектуальные технологии; гибридные системы открывают новые возможности по сравнению с существующими решениями.

Научная область гибридных интеллектуальных систем включает исследование автономных методов для определения их преимуществ и недостатков, а также изучение отношений интеграции, значимых для состава, архитектуры систем и процессов обмена и обработки информации в гибриде; идентификацию задач, для решения которых целесообразны гибридные подходы; разработку коммуникационных протоколов между компонентами и многопроцессорных архитектур^[2].

Основными целями исследований являются разработка методов повышения эффективности и выразительной силы интеллектуальных систем, а также их силы вывода, преимущественно с меньшими трудозатратами по сравнению с индивидуальным применением автономных методов. Фундаментальный интерес представляют перспективы понимания когнитивных механизмов и моделей через развитие гибридных интеллектуальных систем^[2].

В книге «Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем» (Колесников А. В., Кириков И. А.)^[1] по аналитическим обзорам классификаций ГиИС выделяются пять стратегий разработки: автономные, трансформационные, слабосвязанные, сильносвязанные и полностью интегрированные модели:

• Автономные модели содержат независимые программные компоненты, реализующие обработку на моделях с применением методов из ограниченного числа классов. Несмотря на незавершённую интеграцию знаний, такие модели позволяют сравнить возможности различных методов решения задачи, верифицировать существующие приложения, быстро создать прототип. Недостатком является невозможность поддержки обновления знаний — изменения приходится вносить во все модели сразу.

• Трансформационные гибридные системы похожи на автономные, но отличаются тем, что модель начинает функционировать с использованием одного метода, а завершает работу с другим. Преимуществами являются оперативное внедрение и экономия затрат за счёт эксплуатации одной модели, которая затем трансформируется в наиболее адаптивную под задачу. К недостаткам относятся сложности автоматического преобразования и модификации модели, требующие не меньших усилий, чем разработка с нуля.

• Слабосвязанные гибридные интеллектуальные системы — первая реальная форма интеграции, когда приложение делится на отдельные элементы, обменивающиеся через файлы данных. Цепочные модели используют главный и вспомогательный (пре- или постпроцессор) функциональный элемент; подчинённые — элементы, один из которых (подчинённый) встроен в основной решатель задачи. Метапроцессорные используют один управляющий модуль и ряд исполняющих, в сопроцессорных все элементы равноправны, обмениваются информацией по мере решения отдельных подзадач. Слабосвязанные модели проще в разработке, допускают использование стандартных программ, что снижает сложность программирования, а за счёт простых интерфейсов сокращается срок внедрения. Недостатки: возросшие коммуникационные издержки и борьба с низкой производительностью.

• Сильносвязанные гибридные интеллектуальные системы отличаются тем, что обмен информацией происходит не через внешние файлы, а посредством резидентных структур памяти (например, DDE), что повышает интерактивность и производительность. Они повторяют формы слабосвязанных приложений с ускорением за счёт высокой степени интеграции; здесь используются конструкты типа «доски объявлений», «конвейерной модели»^[1] и «вложенных» систем. Основные ограничения сильносвязанных решений: 1) усложнение разработки и поддержки системы, 2) избыток накопленных данных, 3) сложность проверки адекватности. Эти модели, как и слабосвязанные, называют также функциональными гибридными интеллектуальными системами.

• Полностью интегрированные гибридные интеллектуальные системы имеют общие структуры данных и представления знаний; компоненты взаимодействуют через эти структуры. Класс таких систем активно развивается, сюда входят концептуальные нейронные сети на основе знаний, коннекционистские экспертные системы и другие, где компоненты быстро и просто обмениваются информацией, мгновенно доступной для решения задачи. Пример — нечёткие нейросети, гибридные структуры, совмещающие нейронные и нечеткие вычисления. Преимущества интеграции: надёжность, ускоренная обработка, адаптация и обобщение, снижение шума, расширенные возможности логической дедукции.

В результате методологических исследований в 2001 году были предложены проблемно-структурная методология и технология создания гибридных интеллектуальных систем для синтеза решений комплексных задач, состоящих из множества подзадач, требующих применения разнородных методов имитации интеллектуальной деятельности^[1]. В 2007 году появилась проблемно-инструментальная методология как обобщение в случаях отсутствия релевантных методов решения компонентных задач^[1].

Согласно этим подходам, разработаны гибридные интеллектуальные системы, применяемые на практике для сменно-суточного планирования в морском порту, планирования в биотехнологических процессах^[3], проектирования автоматики морских транспортных судов^[1], решений сложных транспортно-логистических задач^[4], среднесрочного планирования на производстве с мелкосерийным выпуском^[5] и других задач. Подробности практического применения описаны в соответствующих материалах.

В настоящее время особо востребованы гибридные интеллектуальные системы, основанные на сочетании экспертных систем и нейронных сетей. Архитектура таких систем легко масштабируется и адаптируется к нагрузкам путём расширения либо добавления новых модулей, что снижает стоимость разработки за счёт совмещения быстродействия экспертных систем и гибкости в обучении, присущей нейросетям. Подобные решения широко применяются в категоризации и фильтрации данных; примеры: гибридная категориальная экспертная система для агрегации контента^[6], система категоризации многоязычных документов^[7], система классификации сообщений в социальных сетях^[8].