13
существенно ускорить и удешевить сервисные и производственные
процессы.
Системы искусственного интеллекта всегда объективны и результаты
их работы не зависят от одномоментного настроения и ряда других
субъективных факторов, присущих человеку.
Искусственный интеллект – это:
научное направление, в рамках которого ставятся и решаются задачи
аппаратного или программного моделирования тех видов человеческой
деятельности, которые традиционно считаются интеллектуальными;
свойство интеллектуальных систем выполнять функции, например,
творческие, которые традиционно считаются прерогативой человека [8].
Одними из быстро и активно развивающихся направлений
искусственного интеллекта являются средства интеллектуального анализа
данных (ИАД, Data Mining).
Первым направлением развития средств Data Mining выделяют методы
статистической обработки данных:
предварительный анализ природы статистических данных (проверка
гипотез стационарности, нормальности, независимости, оценка вида функции
распределения и ее параметров);
выявление связей и закономерностей (регрессионный,
корреляционный анализ);
многомерный статистический анализ (дискриминантный, факторный
анализ, кластер-анализ);
динамические модели и прогнозирование временных рядов.
Вторым направлением являются интеллектуальные методы
оптимизации, основанные на принципах саморазвивающихся систем –
методы нейронных сетей, эволюционного и генетического
программирования.
Однако развитие новых технологий необратимо вызывает
столкновения с новыми трудностями и проблемами. Например, решения,
14
полученные интеллектуальными методами анализа данных, бывают сложно
визуализируемы, что может усложнить интерпретацию результатов
экспертам.
К третьему направлению ИАД относят традиционные методы решения
оптимизационных задач: методы исследования операций, включающие в
себя различные виды математического программирования, динамическое
программирование, принцип максимума Понтрягина, методы теории систем
массового обслуживания. Стандартные пакеты прикладных программ,
например, Math CAD и MatLab включают в себя реализацию большинства из
этих методов.
В четвертое направление ИАД входят средства, которые можно
условно назвать экспертными, то есть такие средства неразрывно связанны с
использованием опыта эксперта. К подобным методам можно отнести метод
«ближайшего соседа». Альтернативным подходом к выбору решения
является построение последовательных логических выводов. Примером
данного подхода является метод дерева решений, в каждом узле которого
эксперт осуществляет простой логический выбор. В зависимости от
принятого решения, поиск продвигается по одной из ветвей дерева и в конце
концов приходит к конечной ветви, отвечающей конкретному
окончательному решению по поставленной задаче.
Классификация является довольно простой, но часто решаемой с
помощью методов Data Mining задачей. Под классификацией понимается
системное распределение изучаемых предметов, явлений, процессов по
родам, видам, типам, по каким-либо существенным, важным признакам для
удобства их исследования; группировка исходных понятий и величин,
расположение их в определенном порядке, отражающем степень этого
сходства.
Классификация является закономерностью, позволяющей делать вывод
относительно определения характеристик конкретной группы. Таким
образом, для проведения классификации должны присутствовать признаки,
15
характеризующие группу, к которой принадлежит тот или иной исследуемый
объект.
Классификация относится к методам обучения с учителем (supervised
learning), то есть контролируемому или управляемому обучению, что
означает необходимость подтверждения отнесения объектов к группе
некоторым внешним учителем [20].
Задачей классификации часто называют предсказание зависимой
переменной на основе выборки непрерывных или категориальных
переменных, что может быть отнесено к поставленной задаче.
Классификация может быть одномерной (по одному признаку) и
многомерной (по двум или нескольким признакам). Целью процесса
классификации является построение модели, использующей независимых
переменных в качестве входных параметров и получает значение зависимой
величины. Таким образом сам процесс классификации можно представить,
как последовательное разбиение множества объектов на классы по
определенному критерию. Классификатором в данном случае называется
сущность, определяющая, к какому из предопределенных классов
принадлежит объект по вектору признаков.
Для проведения классификации с помощью математических методов
необходимо иметь формальное описание объекта, которым можно
оперировать, используя математический аппарат классификации. Таким
описанием в нашем случае выступает набор информации о системе.
Набор исходных данных (или выборку данных) разбивают на два
множества: обучающее и тестовое. Обучающее множество (training set) –
множество, включающее данные, использующиеся для обучения
(построения) модели. Такое множество содержит входные и выходные
значения примеров. Выходные значения предназначены для обучения
модели. Тестовое (test set) множество также содержит входные и выходные
значения примеров. Здесь выходные значения используются для проверки
работоспособности модели.
16
Процесс классификации состоит из двух этапов: построения модели и
ее использования.
1. Построение модели: описание множества предопределенных
классов.
каждый пример из набора входных данных относится к
определенному классу (выходные данные);
входные данные берутся из обучающего множества, выходные
данные в него записываются;
полученная модель представляется в виде классификационных
правила, дерева решений или математической формулы.
2. Использование модели: классификация новых или неизвестных
значений.
новые значения не должны ходить в обучающее множество;
тестовое множество не должно повторять или пересекаться с
обучающим множеством;
производится оценка точности модели:
а) известные выходные значения из тестового примера сравниваются с
результатами использования полученной модели для каждого из набора
входных данных;
б) уровень точности оценивается как процент правильно
классифицированных примеров в тестовом множестве;
в случае получения допустимой точность модели, возможно
использование модели для классификации новых примеров, класс которых
неизвестен.
Для оценки точности классификации может использоваться кросс-
проверка. Кросс-проверка – процедура оценки точности классификации на
данных из тестового множества. Точность классификации тестового
множества сравнивается с точностью классификации обучающего
множества. При получении приблизительно равных результатов по точности
17
классификация тестового и обучающего множества, делается вывод о
прохождении моделью кросс-проверки [19].
При оценке методов классификации следует учитывать следующие
характеристики:
1. Скорость – характеризует время, которое требуется на построение
модели и ее использование.
2. Робастность – устойчивость к нарушениям исходных предпосылок,
то есть оценивается возможность работы с зашумленными данными и
пропусками в значениях в исходных данных.
3. Интерпретируемость – характеризует возможность понимания
построенной модели аналитиком, в том числе возможности наглядного
представления полученных результатов.
4. Надежность – предусматривает примерно одинаковые результаты по
модели на относительно чистых данных и данных с шумами и выбросами [9].
Для решения задач классификации используются различные методы.
Основные из них:
классификация с помощью деревьев решений;
байесовская (наивная) классификация;
классификация при помощи искусственных нейронных сетей;
классификация методом опорных векторов;
статистические методы, в частности, линейная регрессия;
классификация при помощи метода ближайшего соседа;
классификация при помощи генетических алгоритмов.
В настоящая время проблематика искусственного интеллекта активно
обсуждается в научных кругах, развиваются существующие и выделяются
все новые подходы и методики обработки, анализа данных, извлечения из
них необходимых знаний, прорабатываются в научных исследованиях
оптимальные методики анализа. Одним из наиболее распространенных и
перспективных методов анализа данных, особенно в области систем
18
поддержки принятия решений, является применение искусственных
нейронных сетей для выявления зависимостей и установления связей.
Не оставляет сомнения, что методы интеллектуального анализа данных
могут быть использованы для решения задачи принятия решений в
экстремальных ситуациях. Данную задачу можно сформулировать, как
нахождение определенных паттернов (классов) по множеству входных
данных, которыми было бы удобно пользоваться лицам, принимающим
определенные решения в экстремальных ситуациях. В связи с этим, в главе
рассматривалась именно такая группа методов интеллектуального анализа
данных, как методы классификации.
Проведенное исследование основных методов, имеющих широкое
распространение для решения реальных задач, такие как деревья решений,
метод ближайшего соседа, метод опорных векторов показало, что первые два
метода, несмотря на свои очевидные преимущества, будь то наглядность
процедуры классификации, или простота в использовании, соответственно,
не подходят для решения задачи классификации экстремальных ситуаций, в
первую очередь из-за своих ограниченных возможностей по работе с
большими объемами входной выборки (многокритериальность, количество
входных векторов).
Методы дерева решений и нейросетевая классификация видятся более
подходящими для решения задачи классификации экстремальных ситуаций.
Оба эти метода сводятся к решению задач оптимизации, для решения
которых имеется большое количество численных и итерационных методов.
Но учитывая, что для метода дерева решений существует определенная
проблема с выбором ядра в линейно неразделимых пространствах, и что нет
никаких предпосылок считать по умолчанию пространство входных данных
линейно разделимыми, выбор в методе был сделан в пользу как дерева
решений, так и нейронных сетей. Дерево решений подходит для быстрой и
эффективной идентификации уже когда-либо принятых решений, а
нейронные сети решают проблему анализа линейно неразделимых
19
пространств увеличением количества слоев сети [10]. Соответственно, для
решения задачи классификации в данной работе будет использован
комбинированный метод, основанный на дереве решений и нейросетевой
методологии, а именно нейронная сеть, подходящей для задачи
классификации топологии.
1.3. Особенности применения СППР в экстремальных ситуациях
Эффективное управление техногенными катастрофами и природными
катаклизмами на сегодняшний день стало важным вопросом не только
политической повестки дня, но и важной темой науки. Обеспечение
эффективного антикризисного управления является, тем не менее, сложно
выполнимой задачей, потому что экстремальные ситуации характеризуются
как динамичные, непредсказуемые и стрессовые ситуации для ЛПР. Кроме
того, ряд учреждений, занимающихся оказанием чрезвычайной помощи в
экстремальных ситуациях, должны сотрудничать в целях эффективного
подавления катастрофы. Поэтому урегулирование экстремальных ситуаций
можно рассматривать как очень сложный процесс для всех учреждений по
оказанию чрезвычайной помощи.
Эффективное урегулирование катастроф, как таковое, является
сложной, но все же очень важной целью для учреждений по оказанию
чрезвычайной помощи.
Новой концепцией в современной литературе, которая помогает в
достижении эффективного антикризисного управления является
использование специальных СППР: системы управления информацией о
кризисах (Crisis Information Management Systems, CIMS) и стихийных
бедствиях (Disaster Information Management Systems, DIMS).
Для понимания CIMS и его использования в экстремальных ситуациях
в первую очередь дается определение информационного управления.
20
Рассматривается информационный менеджмент как набор из шести
отдельных процессов в рамках заданной ситуации:
1. Определение потребностей в информации.
2. Получение информации.
3. Организация и хранение информации.
4. Разработка информационных продуктов и услуг.
5. Распространение информации.
6. Использование информации.
Эти процессы являются хорошей отправной точкой для разъяснения
вопросов управления информацией в экстремальных ситуациях. Однако,
поскольку катастрофа характеризуется как сложный и динамичный процесс с
большим количеством непредвиденных событий, предлагаются
дополнительные процессы управления информацией:
1. Проверка информации: проверка правильности предоставленной
информации.
2. Обогащение информации: в случае, если информация неполная или
неточная, учреждения должны искать дополнительную информацию.
Эти процессы управления информацией играют заметную роль в
обеспечении эффективного управления экстремальными ситуациями.
Особую важность представляет управления информационными
потоками в экстремальных ситуациях, так, в основе борьбы с бедствиями
лежат фундаментальные задачи сбора, распространения, обработки и
представления, связанных со стихийными бедствиями данных. В этом
контексте, цель CIMS - обеспечить поддержку процессов управления с
учетом информации в условиях бедствия. Поэтому CIMS может помочь
учреждениям по оказанию помощи в принятии правильных решений в
экстремальных условиях.
Тем не менее, CIMS необходимо работать с высококачественной
информацией, чтобы помочь учреждениям по оказанию чрезвычайной
помощи надлежащим образом. Задача CIMS заключается в том, чтобы
21
предоставить нужную информацию нужным людям в нужном формате в
нужное время в нужном месте. Кроме того, многие ученые предполагают,
что для принятия правильных решений в экстремальных ситуациях, доступ к
нужной информации на нужном уровне детализации в нужное время имеет
важное значение. Эти требования считаются основой для обеспечения
качественной информации (Information Quality, IQ) и качества системы
(System Quality, SQ). Поскольку в экстремальных ситуациях важное значение
имеют качественные информационные потоки и качественные
информационные системы, далее разъясняются конструкции IQ и SQ.
Учитывая, что информация играет решающую роль в кризисном
регулировании, качество информации в экстремальных ситуациях имеет
большое значение. В предыдущих докладах о кризисном регулировании
ученые заявляли, что при экстремальных ситуациях важнейшая информация
отсутствует, не передается надлежащим образом или доставляется слишком
поздно. Предполагается, что качество информации имеет решающее
значение для эффективного реагирования на экстремальные ситуации.
Качество информации - это конструкция, широко обсуждаемая в литературе,
которая может выражаться в различных измерениях, от полноты и
своевременности информации до правильности и понятности информации.
Помимо важности требований IQ в экстремальных ситуациях, понятие
качества системы также играет значительную роль в условиях бедствия. SQ -
это конструкция, которая оценивает качество информационных систем,
которые обрабатывают и предоставляют информацию. Время отклика,
доступность и совместимость - типичные требования. Для более
эффективного управления экстремальными ситуациями необходимо
гарантировать высокое качество информации и систем в рамках процессов
управления информацией.
Как уже упоминалось в этом разделе, CIMS необходимо работать с
правильной информацией, с тем чтобы помочь учреждениям по оказанию
чрезвычайной помощи соответствующим образом. Требования к
22
информационным и информационным системам, вытекающие из показателей
IQ и SQ, могут служить полезным контрольным перечнем, который
необходимо соблюдать CIMS для обеспечения более эффективного
управления экстремальными ситуациями. Однако, при проектировании и
оценке CIMS, которая обеспечивает высокий IQ и SQ во время бедствия
может оказаться сложной задачей, так как различные учреждения с
различными информационными системами должны обмениваться
правильной и своевременной информацией друг с другом. Кроме того, не
каждый IQ или SQ измерений является актуальной в обеспечении
эффективного управления ситуацией. Кроме того, управление информацией
в экстремальных ситуациях рассматривается как проблемный акт:
учреждения должны собирать достаточное количество информации для
эффективного решения ситуации, но они также должны сократить объем
информации, чтобы избежать слабой связи и информационной перегрузки.
Как было сказано ранее, важным аспектом в обеспечении IQ и SQ
является архитектура информационной системы управления в экстремальных
ситуациях, поскольку эта архитектура часто является основой для
предоставления информации и обмена ею во время бедствия. Традиционно
CIMS предназначены для обмена информацией в иерархической командно-
административной структуре. Важными характеристиками иерархической
структуры являются централизованное принятие решений и авторизованный
(последовательный) обмен информацией. Однако, из анализа литературы
стало очевидно, что иерархически координированные CIMS часто не
обеспечивает необходимому уровню IQ и SQ в экстремальных ситуациях.
Иерархическая система мало используется именно потому, что она,
неэффективная в отношении обмена информацией и имеет ограниченную
гибкость.
В качестве альтернативы набирает большую популярность
централизованные скоординированные CIMS. Сеть-ориентированный подход
исходит из области военных действий и в основном ориентирован на