Мультиагентная система извлечения знаний. EUP.RU - Экономика и управление на предприятиях.

Полнотекстовый поиск:

Если ссылка на документ, который Вас заинтересовал, не работает, сообщите об этом.

Статьи

Андреев В.В., Волхонцев Д.В., Ивкушкин К.В., Карягин Д.В., Минаков И.А., Ржевский Г.А., Скобелев П.О.
МУЛЬТИАГЕНТНАЯ СИСТЕМА ИЗВЛЕЧЕНИЯ ЗНАНИЙ.

Источник: Сайт НПК "Генезис знаний"
Разделы: Информационные технологии управления , Автоматизация деятельности , Математические методы и модели исследования операций
Полный текст: HTML (открывается в новом окне)

      Проблема приобретения и использования новых знаний является весьма актуальной и значимой для многих современных предприятий, стремящихся повысить свою эффективность. Один из путей решения этой проблемы связан с созданием прикладных программных систем [1], реализующим разнообразные математические и эмпирические методы анализа данных (статистический и спектральный анализ, распознавание образов и т.д.).
      Однако, несмотря на значительные достижения в этой области, решение этой задачи для рядовых пользователей по-прежнему представляет собой сложную проблему. Дело в том, что большие объемы данных, разнообразие возникающих на практике задач, отсутствие формализованных моделей исследуемых объектов и необходимость получения априорных знаний о поступающих данных, ограничения существующих оптимальных математических алгоритмов, а также высокая разнородность и противоречивость данных, их недоопределенность и наличие ошибок – все это существенно затрудняет процесс анализа данных и приобретения новых знаний.
      В этой связи в рассматриваемой области в последнее время стали развиваться методы «неклассического» интеллектуального анализа данных, получивших название Data Mining и Knowledge Discovery (DM&KD). Как отмечается в [2], DM&KD представляет собой «процесс управляемого данными (data-driven) извлечения зависимостей из больших баз данных. В этом процессе центральное место занимает порождение характеризующих анализируемые данные моделей, правил или функциональных зависимостей, которые затем представляются пользователю для оценки их интересности, релевантности и полезности». При этом под «зависимостями» понимается не только традиционные аналитические соотношения, но и выделение кластеров (групп) или каких-либо шаблонов в данных, построение классификаций и порождение ассоциаций, установление причинных отношений и т.д. При этом применяются методы порождения деревьев решений, рассуждения на основе правил, генетические алгоритмы, нейронные сети, когнитивная графика. Как следствие, в существующих системах DM&KD (IBM Intelligent Miner, SAS Enterprise Miner и т.д.) пользователю предлагаются приближенные, «не точные» и «не оптимальные» решения, которые, тем не менее, позволяют получать важные результаты, правила и обобщения.
      Вместе с тем, рассматриваемые системы на практике оказываются закрытыми, слишком сложными и жестко устроенными программами, узко специализированными и не позволяющими расширять, скрещивать или модифицировать используемые алгоритмы, работать в режиме непрерывного поступления данных (что особенно характерно, например, для систем е-коммерции в сети Интернет) и т.д. Можно утверждать, что в настоящее время отсутствуют универсальные и технологичные программные системы, пригодные для решения широкого спектра подобных задач (в диапазоне от задач кластеризации и исследования структурных зависимостей – до анализа временных рядов или распознавания образов), которые были бы достаточно мощными, гибкими, удобными и простыми в применении для неподготовленных пользователей.
      В этой связи в настоящей работе предлагается новый подход к решению задач DM&KD, основанный на принципах построения открытых мультиагентных систем [3]. В этом подходе свое воплощение впервые находят идеи самоорганизации и эволюции данных, противопоставляющие традиционным централизованным, жестким и последовательным алгоритмам решения задач динамичное и гибкое взаимодействие относительно простых программных агентов, представляющих «интересы» любых записей, образов, кластеров, формул и т.д. Очевидно, что на основе подобных принципов может быть создан качественно новый инструмент интеллектуального анализа данных, открытый и гибко адаптируемый к решаемой задаче, глубоко интегрируемый с другими системами, легко распараллеливаемый и т.п.
      Разработке предлагаемого подхода и созданию мультиагентной системы для его реализации и посвящена настоящая работа.

      Список литературы
      [1] Н.Г. Загоруйко. Прикладные методы анализа данных и знаний. – Новосибирск: Изд-во Института математики, 1999 - 270 стр.
      [2] М.И.Забежайло. Data Mining & Knowledge Discovery in Data Bases: Предметная область, задачи, методы и инструменты // Шестая Национальная конференция по искусственному интеллекту с международным участием, Пущино, 5-11 октября 1998 – Пущино, том 2, стр. 592 – 600.
      [3] Скобелев П.О. Холистический подход к созданию открытых мультиагентных систем. // Материалы настоящей конференции.
      [4] K.Ivkushkin, I.Minakov, G.Rzevski, P.Skobelev. МАDАЕ: Multi-Agent Engine for Desktop Applications // 3-rd International Workshop on Computer Science and Information Technologies (in publ.).

Андреев В.В., Волхонцев Д.В., Ивкушкин К.В., Карягин Д.В., Минаков И.А., Ржевский Г.А., Скобелев П.О. Мультиагентная система извлечения знаний. - Труды 3-ей Международной конференции по проблемам управления и моделирования сложных систем, Самара, 4-9 сентября 2001. - Самара: СНЦ РАН, 2001, стр. 206 - 212.

Проекты: Экономика и управление | Право | Бухгалтерский учет и налоги |

Воспроизведение в любой форме представленных на сайте материалов допускается только с разрешения владельцев авторских прав.