Данный курс посвящен интеллектуальным средствам измерений, т.е. различным приборам - интеллектуальным датчикам, автоматам, автоматизированным установкам. Интeллeктyaльныe cpeдcтвa измepeний представляют из себя набор средств для регистрации, передачи и обработки данных, с учетом применения интеллектуальных алгоритмов на основе баз знаний. Такая система в простейшем варианте может содержать в себе датчик и процессор для обработки данных по заданному алгоритму.

Реализация такой системы, благодаря дополнительным функциональным возможностям интеллектуальных устройств, снижает нагрузку при обработке сигналов системой управления и приводит к тому, что несколько разных приборов заменяются одним, что дает преимущество как в самом производстве таких систем, так и в стоимости их обслуживания.

На рубеже XXI века тематика интеллектуальных систем и интеллектуального управления претерпевает значительные изменения. Наметились тенденции перехода от игрушечно-модельного подхода к интеллекту к его восприятию как некоторого характеристического свойства систем высокой организационной сложности, свойству достаточно специфическому и выразимому в достаточной степени только на языках контекстно-зависимого уровня. Столь же полезной тенденцией можно считать и постепенное осознание исследователями, что компьютер фон Неймановской архитектуры, конечный автомат по своей сущности, не может быть эффективным инструментом создания интеллектуальных систем, интеллектуального управления ибо является системой контекстно-независимого уровня.

Теория ИСУ опирается на системный подход в том смысле, что она, ориентируясь на системную, а не на описательную сложность, оставляет систему во внешнем мире и признает существование внутренней целевой установки хотя бы на уровне поддержания стабильности своего существования. Внутреннее и внешнее управление интеллектуальны во взаимодействии, в акте взаимной контекстной ситуационной оценки информации.

Управление, как САУ, дополнено экспертными и эвристическими подходами. Управление же, как руководство, считается деятельностью, достаточно обеспеченной математикой и требующей только вычислительных мощностей для решения систем из многих дифференциальных уравнений, или даже просто решения задач линейного или нелинейного программирования.

Автоматизация, как включение человека в процесс принятия решений, устраняла все проблемы в корне: нет функционала - есть "экспертно" полученное решение. Теоретическая несостоятельность и практическая неуспешность такого подхода давно стали очевидными.

Рассмотрим некоторые возможные перспективы тематики интеллектуальных систем измерений и интеллектуального управления.

Управление и информация требуют использования баз знаний.

Ниже даются некоторые положения теории ИСУ.

Интеллект является атрибутом сложной системы и характеристикой ее отношения к внешнему миру.

Интеллект, как атрибут сложной системы, определяется формированием "образа" (изменением структуры внутренних связей в базе знания), влияющего на реакцию на внешние воздействия. Он проявляется только в актах общения со столь же сложными объектами и активизируется в системе в процессе реорганизации внутренних информационных связей.

Основной цикл управления интеллектуальной системы основан на работе со знанием. Классический основной цикл управления не может быть распространен на системы, требующие интеллектуального управления, потому, что управление через "образ" во-первых требует существенного учета конкретного накопленного знания, формально распределенного между руководителем и системой, а во-вторых, более критично к изменению информации в процессе принятия решения. Соответственно, ИСУ, опирающаяся на принятие решений с использованием знания, имеет совершенно отличный основной цикл управления.

Следующие два пункта рассматривают теоретическую возможность реализации интеллектуальной системы с использованием конечного автомата.

Интеллектуальные свойства системы "объект - управление" имеют дискретное проявление.

Теория ИСУ утверждает, что при ориентации на определение интеллектуальности, данное через базу знания, система управления может обладать интеллектуальными свойствами лишь на некоторых отрезках времени, в течение которых происходят модификации базы знания, что эквивалентно восприятию системой нового контекста. В каждом акте управления при фиксированной текущей структуре базы знания "интеллектуальные" свойства системы не являются строго необходимыми (база знания структурно фиксирована и не отличается в текущий момент времени от базы данных).

Интеллектуальными средствами измерений могут быть различные приборы - интеллектуальные датчики, автоматы, автоматизированные установки, которые представляют из себя набор средств для регистрации, передачи и обработки данных, с учетом применения интеллектуальных алгоритмов на основе баз знаний.

Реально же, в данной схеме, измеряется не температура, а напряжение на концах терморезистора (сопротивление которого изменяется в зависимости от его температуры), установленного в схему делителя напряжения. Поскольку между напряжением и температурой терморезистора (его сопротивлением), в данной схеме, есть определенная связь, то если знать эту зависимость, можно вычислить и температуру.

Не смотря на то, что с помощью аппаратных средств можно значительно разгрузить систему и повысить скорость обработки данных, применение только аппаратной реализации обработки данных не всегда правильно. Во многих случаях программная обработка данных позволяет более гибко подойти к процедуре регистрации и обработки данных, т.о. позволяя применять данную систему регистрации, в широком круге задач.

Нарастающие информационные потоки в современном обществе, разнообразие информационных технологий, повышение сложности решаемых на компьютере задач увеличивает нагрузку на пользователя этих технологий и ставят задачу переноса проблемы выбора и принятия решений с человека на ЭВМ.

В качестве совокупности этих признаков, которые придают машине "интеллектуальность" было введено понятие "машинный интеллект" (МИ), которое четко определяет значение, придаваемое обиходному выражению "внутренний интеллект ЭВМ", обеспечиваемое ее собственным оборудованием, т.е. развитие МИ и означает интеллектуализацию ЭВМ, как соответствующее развитие ее архитектуры и структуры вместе с внутренним математическим обеспечением.

МИ рассматривается как состоящий из трех главных аспектов:

• восприимчивости к языкам пользователей;
• реализации методов и средств обработки знаний как сложных структур данных (ССД);
• автоматизированной организации вычислительного процесса во взаимодействии с пользователями.

В целом МИ характеризует математические способности собственно машин, и является таким образом "рамочным" понятием, обрамляющим и увязываемым между собой краеугольные, фундаментальные принципы ЭВМ. Заметим, что связь между понятием МИ и искусственного интеллекта (ИИ) заключается главным образом в том, что МИ является аппаратной поддержкой (hardware support) ИИ. Но в этом смысле значение МИ шире - поскольку он поддерживает решение любых задач, в том числе и традиционных вычислительных, облегчая, например, их подготовку, которая сама по себе в свете развитых информационных технологий является уже одной из типичных задач ИИ. Таким образом, МИ поддерживает ИИ, но его реализация охватывает внедрение методов ИИ в архитектуру машин.

Развитие МИ отчетливо характеризуется в его трех приведенных главных аспектах, которые удобно называть соответственно языковым, когнитивным и обрабатывающим.

В языковом аспекте - это с учетом тенденций современного развития языков программирования и методов организации вычислительного процесса дальнейшее повышение программного уровня и развитие системных средств внутреннего языка с приданием ему в целом объектно-ориентированного стиля.

В когнитивном аспекте - это структурная поддержка работ со знаниями, как со сложными структурами данных (ССД) - причем с использованием логических и когнитивных построений в знаниях и различных их функциональных назначений - в качестве денотатов и конотатов (обрабатываемых и управляющих знаний).

В обрабатывающем аспекте - это повышение уровня структурной автоматизации вычислительного процесса, как в режиме подготовки задач, так и в решении текущей интерпретации всего потока заданий и динамического управления их выполнением.

В первом и втором аспектах МИ главным образом наделен на поддержку НСI, в третьем же аспекте главным его назначением уже является обеспечение НРС в целом этот фактор приобретает особое значение в условиях применения высокопроизводительной распределенной обработки информации на основе параллельных архитектур, избавляя при этом пользователей от необходимости детального планирования и организации параллельных процессов, и обеспечивая эффективность их прохождения.

Важным результатом исследований, связанных с повышением качества функционирования измерительных систем, является создание специальных интеллектуальных датчиков. Традиционные направления совершенствования таких датчиков реализуются как путем улучшения конструкции и элементов аппаратной части, так и за счет разработки методов формального описания и анализа измерительных процедур. Развитию аналитического подхода при синтезе интеллектуальных датчиков способствует создание алгоритмов оптимальной обработки данных на основе все более сложных статистических моделей входных воздействий на датчик. В качестве конкурирующей стратегии рассматривается способ реализации интеллектуального датчика на основе искусственных нейронных сетей (ИНС).

На практике интеллектуализация измерений связана в первую очередь с обеспечением регистрирующего прибора или датчика некими знаниями о соотношении реально измеряемой физической величины, с той которую в результате мы хотим измерить и применение этого соотношения к измеряемой величине, а также осуществлением предварительной обработки измеряемой величины.

Например, представленная на рисунке 1 схема, реализует интеллектуальную измерительную систему регистрации усредненной по времени температуры.

В настоящее время целью исследований в области ИИ является создание таких систем, которые, с одной стороны, могут использовать большое количество знаний, передаваемых им специалистами, а с другой - способны вступать в диалог и объяснять свой собственные выводы. Это предполагает наличие эффективного управления большой по объему и хорошо структурированной базой знаний, строгое разграничение между различными уровнями знаний, наличие множества удобных представлений для правил, схем предикатов или прототипов и четко определенный процесс обмена информацией между различными источниками.

Необходимо, чтобы система знала, что она знает. Если попытаться провести аналогию с людьми, то подобное метазнание означает постоянное использование в течение жизни информации о каждом прожитом дне. Если, например, вы забыли имя приятеля, встреченного на улице, то ваше метазнание состоит в том, что либо вы его имя знали, но забыли, либо этого имени никогда не знали. Впрочем, мы постоянно используем важные эвристические правила, основанные на подобном метазнаний, такие, как "если бы это была правда, то я бы это знал". Они зависят от двух важных параметров: значимости имеющего к ним отношения факта и степени нашей собственной компетентности в данной области. В действительности каждое человеческое знание сразу же требует метазнания, связанного с тем местом, которое мы отводим данному знанию в ряду другой информации, как мы к нему относимся, для каких целей оно нам полезно, к какому семейству принадлежит.

1. Базовые элементы, объекты реального мира. Они связаны с непосредственным восприятием, не требует обсуждения, и добавляются к нашей базе фактов в том виде, в котором они получены.
2. Утверждения и определения. Они основаны на базовых элементах
   и заранее рассматриваются как достоверные.
3. Концепции. Они представляют собой перегруппировки или обобщения базовых объектов. Для построения каждой концепции используются свои приемы. Например, в системах МЕСНО (Bundy, 1979) или AM (Lenat, 1977) они построены на основе примеров, контр примеров, частных случаев, более общих или аналогичных концепций.
4. Отношения. Они выражают как элементарные свойства базовых элементов, так и отношения между концепциями. Кроме того, к свойствам отношений относятся их большее или меньшее правдоподобие, большая или меньшая связь с данной ситуацией. Еще раз отметим, что представление знаний в экспертных системах близко к моделям, используемым в базе данных. Таким путем построена реляционная (обобщенная) модель базы данных в системах OPS, PROLOG, SNARK и TANGO.

Пара понятий "свойство - значение" (relationship - entity) хорошо известна в семантических сетях; фреймы и скрипты являются не чем иным, как наиболее простыми бинарными отношениями. Некоторые экспертные системы (INTERNIST, BAOBAB, SPHINX) в качестве базы факторов используют уже базы существующих данных.

5. Теоремы и правила перезаписи. Они являются частным случаем
   продукционных правил с вполне определенными свойствами. Теоремы не представляют никакой пользы без экспертных правил их использования. Явное присутствие теорем в экспертных системах представляет главное отличие от систем управления классическими базами данных (СУБД), в которых они либо отсутствуют, либо программируются. Модификация или добавление новых теорем является весьма трудоемкой, хотя и необходимой процедурой, так как нужно обеспечить хорошее структурированное управление базой данных и оптимизировать получение ответов (Gallaire, 1987).
6. Алгоритмы решений. Они необходимы для выполнения определенных задач. Во всех случаях они связанны со знанием особого типа, поскольку определяемая ими последовательность действий оказывается оформленной в блок в строго необходимом порядке в отличие от других типов знания, где элементы информации могут появляться и располагаться без связи друг с другом.

Очевидно, что очень трудно работать с длинными процедурами, состоящими из большого числа различных действий. Использование чистых алгоритмов ограниченно очень частными случаями, большая часть которых имеет дело с обработкой числовой информации. Человек же должен уметь работать со многими другими типами информации и оказывается, что ЭВМ в отличие от простого калькулятора может помочь человеку в подобных неалгоритмических ситуациях.

7. Стратегии и эвристика. Этот тип представляет собой врожденные
   или приобретенные правила поведения, которые позволяют в данной конкретной ситуации принять решение о необходимых действиях. Он использует информацию в порядке, обратном тому, в котором она была получена. В качестве примера можно привести рассуждение типа: "Я знаю, что это действие приводит к такому-то результату (информация типа 4), поэтому, если я хочу получить именно этот результат, я могу рассмотреть это действие". Человек постоянно пользуется этим типом знаний при восприятии, формировании концепций, решении задач и формальных рассуждениях.

Появление экспертных систем связанно с необходимостью принятия в расчет именно этого фундаментального типа человеческих знаний.

8. Метазнание. Без сомнения оно присутствует на многих уровнях и
   представляет собой знание того, что известно и определяет значение коэффициента доверия к этому знанию, важность элементарной информации по отношению ко всему множеству знаний. Кроме того, сюда же относятся вопросы организации каждого типа знаний и указаний, когда и как они могут быть использованы.

Кроме того, экспертные системы предоставляют в наше распоряжение специализированные базы знаний: система PROSPECTOR охватывает знания в области геологии, MYCIN используется для обучения в медицине, а PECOS оказывает помощь в программировании.

 Запомнить

 Использовать

Многие экспертные системы, основанные на продукционных правилах, в
частности CRYSALIS, ARGOS II, POLITICS, OPS, TANGO, SNARK, уже
содержат элементы ответов на поставленные три вопроса. Этому способствует прежде всего четкое разделение между самим знанием и обработкой с
помощью итерационной интерпретации, которая позволяет четко разделить и анализировать эти три проблемы.

1. Романов В.Н., Соболев В.С., Цветков Э.И. Интeллeктyaльныe cpeдcтвa измepeния. Под ред. Э.И.Цветкова - М.: Татьянин день, 1994.- 280 с.

2. Нечаев Ю.И., "Современные информационные технологии при планировании эксперимента" [Электронный ресурс]. - Режим доступа: http://skif.pereslavl.ru/~csa/kurs_5/index.htm, свободный.

3. Алиев Р.А., Абдикеев Н.М. и др. Производственные системы с искусственным интеллектом.- М.: Радио и связь, 1990.

4. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.- СПб: Питер, 2000.

5. Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений.- М.: Радио и связь, 1974.

6. Искусственный интеллект: В 3-х кн.: Справочник.- М.: Радио и связь, 1990.

7. Искусственный интеллект: применение в интегрированных производственных системах / Под ред. Э.Кьюсиака.- М.: Машиностр., 1991.

8. Нильсон Н. Принципы искусственного интеллекта.- М.:Радио и связь, 1985.

9. Построение экспертных систем / Под ред. Ф.Хейес-Рота и др.- М.: Мир, 1987.

10. Статистические и динамические экспертные системы / Э.В.Попов, И.Б.Фоминых и др.- М.: Фин.и стат., 1996.

11. Уотерман Д. Руководство по экспертным системам.- М.: Мир, 1989.

1. Интеллектуализация ЭВМ / Е.С.Кузин и др.- М.: Высш. шк, 1989.

2. Одинцов Б.Е. Проектирование экономических информационных экспертных систем.-М.: ЮНИТИ, 1996.

3. Питерсон Дж. Теория сетей Петри и моделирование систем.- М.: Мир, 1998.

4. Уоссермен Ф. Нейрокомпьютерная техника.- М.: Мир, 1992.

5. Чикул В.М. Основы искусственного интеллекта.- М.: Диалог МГУ, 2000.

6. Durkin J. Expert Systems: a view of the field. IEEE Expert, 1996.- No2.

7. Decision Support Systems and Intelligent Systems. Efraim Turban, Jay E. Aronson. 1998.

8. Negnevtvitsky M. Artificial Intelligence: a Guide to Intelligence Systems. -Addisson Wesley, 2002.