РАЗДЕЛ 2
ОЦЕНКА НЕОПРЕДЕЛЁННОСТИ ПРЕДМЕТНОЙ ОБЛАСТИ В ПРОЦЕССЕ ИНФОРМАЦИОННОЙ ГРАНУЛЯЦИИ
ДАННЫХ
Во втором разделе предложен новый подход к анализу источников неопределённости
в системах ИИ, на основании которого сформулированы две задачи оценки и учёта
неопределённости; введены понятия скрытой и проявленной неопределённостей;
предложены количественные показатели для их вычисления; сформулированы и
доказаны утверждения о соотношениях предложенных количественных показателей
неопределённостей, обеспечивающие формирование оптимальных описаний ПО.
Формирование модели ПО системы ИИ, как задача оценки сложных объектов
Формирование модели ПО системы ИИ является итеративным процессом. На каждой
итерации возникает необходимость оценки полученной модели ПО и сравнения её с
моделями ПО, полученными в результате предыдущих итераций. А значит, на каждой
итерации формирования модели ПО должна решаться задача оценки сложного объекта
(ОСО) [86, 87]. При этом под сложным объектом понимается широкий класс
сущностей, к которым относятся объекты реального мира, различные процессы,
модели реальных объектов и процессов. Процесс ОСО подразумевает формирование
количественной характеристики анализируемого объекта, учитывающей все свойства
и функции, необходимые в конкретной задаче. В любом процессе оценки всегда
участвуют субъект и объект оценивания.
Тогда, под сложным объектом в процессе формирования описания ПО некоторой
системы ИИ, будем понимать модель ПО системы. Субъектом оценки, в таком случае,
будет выступать эксперт который разрабатывает модель ПО исследуемой системы
ИИ.
Следовательно, можно выделить два основных источника неопределённости в
процессе моделирования ПО. Объект оценивания – модель описания предметной
области, может обладать неопределённостью связанной с невозможностью получения
точных входных данных. Субъект оценивания – эксперт, на этапе проектирования
описания предметной области может вносить в систему неопределённость,
обусловленную его собственной неполным пониманием задач, которые должна решать
проектируемая система ИИ, неправильным выбором шкал для представления измерений
предметной области системы.
Анализ источников неопределённости данных и знаний в системах ИИ
Форма представления результатов в системах ИИ, а точнее, проявляющаяся в них
неопределённость , существенно влияет на конструктивность их использования в
конкретной задаче принятия решения, и характеризуется она условиями работы
системы ИИ в целом. Неопределённость результатов , обусловлена
неопределённостью входных данных () и неопределённостью системы в целом (). Под
неопределённостью системы ИИ подразумевается: неопределённость структуры
(состава системы), неопределённость параметров элементов системы и
неопределённость отношений внутри системы.
Рассмотрим некоторую систему ИИ в виде «чёрного ящика» (рис. 2.1) [88].
Рис. 2.1. Неопределённость в системе ИИ
На рис. 2.1 представлены: — множество входных измерений; — множество выходных
измерений; — множество внутренних (промежуточных) измерений, .
В рамках такого подхода к анализу проблемы неопределённости данных и знаний в
системах ИИ хорошо видно, что существует две большие группы причин,
обуславливающих неопределённость выходного пространства системы : внутренние
причины и внешние. Внешние причины больше проявляются в неопределённости
входного пространства, т.е. в неопределённости входных данных системы.
Внутренние причины приводят к появлению неопределённости пространства
внутренних состояний.
Рассмотрим подробнее эти аспекты неопределённости в системах ИИ.
Неопределённость входного пространства.
На первом уровне анализа целесообразно выделять два вида данных: количественные
и качественные. При оперировании количественными данными возникает
неопределённость обусловленная: невозможностью измерения либо определения
величин с необходимой точностью, ограниченностью шкал и погрешностью
используемых измерительных приборов. Также появляется неопределённость,
связанная с погрешностью округления данных. Так, значения даже вещественных
типов в компьютере представляются лишь с некоторой конечной точностью,
зависящей от внутреннего формата числа.
Попытка уйти от указанной неопределённости приводит к использованию
качественных данных. Любое количественное данное можно привести к качественному
виду. Например, такое понятие как «скорость» можно представить как в
количественном выражении — 100 км/ч, так и в виде качественной характеристики,
принимающей значения «низкая», «высокая» и так далее с различной степенью
подробности.
В результате такого перехода получается четкое символьное значение, однако за
ним скрывается семантическая неопределённость. Например, при использовании
качественных данных, таких как «хорошесть», «красота» эксперт вкладывает в эти
понятие свой, субъективный смысл.
Переход к качественным данным также обусловлен ещё одной причиной:
нецелесообразностью определения значений данных с точностью, превышающей
определённый порог точности для решаемой задачи.
Очевидно, что информации, содержащейся в количественных данных, достаточно,
чтобы сделать однозначное преобразование в качественные данные. Обратное
отображение — неоднозначно и требует использования неформализованных методов
преобразования.
Итак, выбор типа данных и вида шкалы для измерения входных данных в системе ИИ
обусловлен:
точностью представления данных, которая необходима и достаточна для решения
конкретной задачи;
возможностью получения входных данных с требуемой точностью, например
возможностями измерительных приборов.
- Київ+380960830922