Тема 5. Интеллектуализация и поддержка принятия решений в геоинформатике. Занятие 8. Технологии ис- кусственного интеллекта.

Цель занятия: студент должен по- лучить представление о визуализации данных и результатов анализа в ГИС.

ПЛАН ЛЕКЦИИ Ведение 1. Понятие «искусственный интел- лект». 2. Экспертные системы. 3. Нейронные сети и ГИС. 4. Заключение.

1. Капралов, Е.Г. Основы геоин- форматики. В двух книгах. [Текст] / Е.Г. Капралов, А.В. Кошкарев, В.А. Ти- кунов / Под ред. В.С. Тикунова. – М.: Академия, Книга 2, гл. 15, 16. Список литературы

ПЕРЕЧЕНЬ ВОПРОСОВ К ЗАЧЕТУ 1. Технология искусственного ин- теллекта и экспертные системы.

ВВЕДЕНИЕ ГИС способны не только визуали- зировать данные, но и анализировать их, получая новые знания о явлениях и объектах, имеющих пространствен- ные атрибуты. Особенно большие возможности в данном направлении возникают, если в ГИС включены про- граммные средства, базирующиеся на технологиях искусственного интеллек- та, которым и посвящена лекция.

1. Понятие «искусственный интеллект» Искусственный интеллект – много- гранное понятие. Искусственный интеллект - «ки- бернетические системы, моделирую- щие некоторые стороны интеллекту- альной деятельности человека» [Советский энциклопедический сло- варь].

С другой стороны, искусственный интеллект - «способность вычисли- тельной машины моделировать про- цесс мышления за счет выполнения функций, которые обычно связывают с человеческим интеллектом» [Осно- вы геоинформатики, под ред. В.С. Ти- кунова].

Кроме того, искусственный интел- лект - «раздел информатики, изучаю- щий методы, способы и приёмы моделирования и воспроизведения с помощью ЭВМ разумной деятельнос- ти человека, связанной с решением задач» [Математический энциклопеди- ческий словарь].

Термин «искусственный интел- лект» был предложен в 1956 г. на се- минаре с аналогичным названием в Стенфордском университете (США). С 1969 г. начали создаваться экс- пертные системы - первый коммер- чески значимый продукт в области искусственного интеллекта.

За последние 15 лет разработан целый класс методов анализа много- мерных данных, получивших назва- ние «нейросетевые методы». Эти методы применимы не только для анализа данных, но и для построения моделей процессов, разворачиваю- щихся в многомерных пространствах.

Применение таких средств искус- ственного интеллекта (ИИ), как экс- пертные системы и нейронные сети, позволяет решать на компьютерах различные практически важные зада- чи. Оба развитых направления ИИ мы рассмотрим на лекции.

2. Экспертные системы A. Определение и функция экспертной системы (ЭС) Экспертная система - система искусственного интеллекта, исполь- зующая знания из сравнительно узкой предметной области для решения возникающих в ней задач, так, как это делал бы эксперт-человек, то есть в процессе диалога с заинтересованым лицом, поставляющим необходимые сведения по конкретному вопросу».

ЭС используются для решения так называемых неформализованных за- дач, характеризующихся следующими особенностями: - задачи не могут быть выражены в числовой форме; - цели нельзя выразить в тер- минах точно определенной целевой функции;

- - не существует алгоритмического решения задач; - - исходные данные неполные, не- точные, неоднозначные, противоречи- вые; - - знания о процессе решения задачи также неполные, неточные, неодно- значные, противоречивые.

B. Базовая структура экспертной системы Основу ЭС составляет база знаний о предметной области, которая накап- ливается в процессе построения и эксплуатации системы. Накопление и организация знаний - важнейшее свой- ство всех ЭС. Схема упрощенной базовой струк- туры ЭС показана на рис. 1.

Ввод данных Заклю- чения, советы, объяснения База знаний Модуль приоб­ ретения знаний База данных Механизм логических выводов Модуль советов и объяснений Пользовательский интерфейс Эксперт Пользователь (неспециалист) Рис. 1. Базовая структура экспертной системы

При традиционном процедурном программировании вычислительной системе необходимо указать, что и как она должна сделать. Специфика ЭС состоит в том, что используются механизмы автоматического рассуж- дения (вывода) и «слабые методы»: поиск и эвристика.

В ЭС, способных самообучаться на основе накопленного опыта, анали- за, контроля и принятия решений в процессе исследования явлений ре- ального мира, появляются как бы зна- ния второго уровня или метазнания. Существует несколько способов опи- сания знаний.

В так называемых фреймовых моделях фиксируется жесткая струк- тура информационных единиц, кото- рая называется протофреймом. В общем виде она выглядит следующим образом: {Имя фрейма: Имя слота 1 (значение слота 1). Имя слота 2 (значение слота 2). ……………………………………… Имя слота К (значение слота К)}.

Значением слота может что угодно (числа или математические соотноше- ния, тексты на естественном языке или программы, правила вывода или ссылки на другие слоты данного фрейма или других фреймов). В ка- честве значения слота может высту- пать набор слотов более низкого уровня, что позволяет во фреймовых представлениях реализовать «прин- цип матрешки».

При конкретизации фрейма ему и слотам присваиваются конкретные имена и происходит заполнение сло- тов. Таким образом, из протофреймов получаются фреймы-экземпляры.

Рассмотрим суть фреймового представления знаний на примере оценки состояния природной среды. Образуем протофрейм: {Состояние природной среды: выбросы вредных веществ в ат- мосферу (значение слота 1), загрязнение подземных и поверх- ностных вод (значение слота 2),

состояние геологической среды (значение слота 3), состояние почвенного покрова (зна- чение слота 4), состояние растительного и живот- ного мира (значение слота 5) ………………………………………………}

В качестве слота могут использо- ваться сложные структуры, включая иерархию слотов более низкого по- рядка. Так, в слот «выбросы вредных веществ в атмосферу» можно вклю- чить «состояние атмосферы», кото- рый, в свою очередь, будет характе- ризоваться «скоростью ветра», «рас- пределением температур» и т. д.

В продукционных моделях, наи- более распространенных в настоящее время, знания представляются в виде правил вида: (i); P;A B;Q, где i - имя продукции, с помощью которого данная продукция выделя- ется из всего множества продукций.

В качестве имени может высту- пать некоторая лексема, отражающая суть данной продукции (например, «размещение завода в пункте (i)») или порядковый номер продукций в их множестве, хранящемся в памяти системы.

Основным элементом продукции является ее ядро: A B. Интерпретация ядра продукции может быть различной и зависит от того, что стоит слева и справа от зна- ка секвенции. Обычное прочтение яд- ра продукции выглядит так: ЕСЛИ А, ТО В, более сложные конструкции яд- ра допускают в правой части альтер- нативный выбор, например ЕСЛИ А, ТО В 1, ИНАЧЕ В 2.

Элемент Р - условие применимос- ти ядра продукции. Обычнo Р пред- ставляет собой логическое выраже- ние (как правило предикат). Когда Р принимает значение «истина», ядро продукции активизируется. Если Р «ложно», то ядро продукции не может быть использовано.

Элемент N описывает постусло- вия продукции. Они актуализируются только в случае, если ядро продукции реализовалось. Постусловия продук- ции описывают действия и процеду- ры, которые необходимо выполнить после реализации В. Выполнение N может происходить сразу после реа- лизации ядра продукции.

При использовании продукцион- ных моделей у систем, основанных на знаниях, имеются возможности: - применения простого и точного механизма использования знаний; - представления знаний с высокой однородностью, описываемых по единому синтаксису.

Программные средства, опериру- ющие со знаниями, представленными правилами, получили название про- дукционных систем (или систем про- дукции) и впервые были предложены Постом в 1941 г.

Рассмотрим пример применения «продукции». Допустим, требуется найти место для размещения завода (А) по производству алюминия (объем производства тыс. т в год). Для этого желательно выполнение сле- дующих условий: P 1 - залежи бокситов удалены не более чем на 500 км; Р 2 - добыча бокситов не менее 400 тыс. т в год;

Р 3 - производство из бокситов не менее 200 тыс. т глинозема; Р 4 - наличие значительных энер- горесурсов; Р 5 - район размещения завода - Северный Кавказ; Р 6 - город, где будет завод, дол- жен обеспечить полное укомплекто- вание персоналом (700 человек).

«Продукция», описывающая ситу- ацию для пункта (i), такова: (i); P&P 6 (N > 700), А В,Q, где Р определяет выполнение первых пяти условий размещения предприятия; Р 6 определит достаточно ли свободных трудовых ресурсов. В фиксирует при- годность пункта (i) для размещения завода, а Q определяет условия в свя- зи с тем, что в пункте i будет завод.

Применение «продукции» упроща- ет диалог и объяснение пользовате- лю, почему принято то или иное ре- шение. Важной особенностью экспертных систем является возможность рабо- тать с «нечеткими» данными и с «не- четкими» знаниями. Для этого приме- няются понятия нечеткой логики.

Нечеткая логика была введена Л.А. Заде в 60-х годах как способ моделирования неопределенностей естественного языка. Человеческий способ рассуждений, опирающийся на естественный язык, не может быть описан в рамках традиционных мате- матических формализмов, которым присуща строгая однозначность ин- терпретации, так как всё, что связано с использованием естественного язы- ка, имеет многозначную интерпрета- цию.

Прагматическая цель Заде – соз- дать аппарат, способный моделиро- вать человеческие рассуждения и объяснять человеческие приемы при- нятия решений в ходе решения раз- личных задач, привлекла многочис- ленных прикладников.

Идеи Л.А. Заде и его последо- вателей применяются при создании систем, понимающих тексты на ес- тественном языке, планирующих систем, опирающихся на неполную информацию, при обработке зритель- ных сигналов, при управлении техни- ческими, социальными и экономичес- кими системами.

Другим важным элементом экс- пертной системы является механизм логических выводов (машина выво- да). В ответ на запрос система способ- на строить логические выводы и на их основе приходить к заключениям. Здесь проверяется выполнимость ус- ловий конкретной ситуации по отно- шению к имеющимся правилам и под- бирается путь их удовлетворения.

Процедуру получения выводов путем анализа фреймов, или «продук- ций», называют прямой стратегией. В случае, если человек выдвигает гипотезы, а ЭВМ их проверяет (что проще для машины), мы переходим к обратной стратегии. Используются и смешанные стратегии, когда машина выдает ряд вариантов решения, а экспертная система, выбрав из них какое-нибудь одно, анализирует его с помощью обратной стратегии.

Модуль приобретения знаний проверяет непротиворечивость вновь поступающих сведений имевшимся правилам. Достигается это путем проверки семантической непротиво- речивости, а также автоматическим тестированием.

Модуль советов и объяснений (система объяснений) используется для разъяснения пользователю того, как экспертная система пришла к тому или иному конкретному выводу. При- чем, в процессе работы, пользователь может задавать дополнительные воп- росы о получении промежуточных результатов, уточнять цели, инспекти- ровать правила с точки зрения их со- гласования между собой, соответст- вия поставленным целям и др.

B. Применение экспертных систем. Экспертные системы могут приме- няться для обучения отдельным гео- графическим дисциплинам с исполь- зованием опыта наиболее известных преподавателей, служить в качестве «интеллектуального интерфейса» для связи, например, с вычислительными пакетами программ, с которыми поль- зователь мало знаком.

Экспертные системы могут ис- пользоваться для оценки возмож- ности экологически безопасного раз- мещения того или иного промышлен- ного производства. При формировании заключения экспертная система учитывает как применяемые технологии производ- ства, так и комплекс природных и антропогенных факторов: климати- ческих, геологических, геохимических, демографических и т. п.

Экспертные системы могут быть полезны при мониторинге состояний природной среды и их изменений, для семантического анализа массивов ин- формации и подборе фактов, подтвер- ждающих или отвергающих ранее вы- двинутые гипотезы оценки проблем- ных экологических ситуаций.

Задачей муниципальных и регио- нальных органов управления террито- рией будущего строительства, являет- ся предварительная экологическая экспертиза возможности осуществле- ния строительства по предложенному проекту без ущерба природной среде.

Для этих целей можно исполь- зовать государственную экологичес- кую экспертизу, однако большие компетентные экспертные группы организуются, как правило, для рас- смотрения только крупных проектов, организация их сложна, экспертиза занимает длительное время.

Вторым вариантом проведения экологической экспертизы является использование экспертных систем в отсутствии методических разработок и недостаточного уровня компетент- ности людей, принимающих решения. Основой рассматриваемой эксперт- ной системы является база знаний, составленная из правил. Правила представляют собой «продукции», за- даваемые, выражениями «если - то».

Примером служит правило: ЕСЛИ: 1) число дней с туманами не более 40 дней в году, 2) количество осадков в год более 400 мм, 3) количество твердых осадков более 50%, ТО: перейти к анализу геохи- мических параметров.

Знания экспертной системы могут возрастать за счёт видоизменения правил и расширения их числа. В ходе своей работы система последова- тельно проверяет ряд имеющихся в ее распоряжении гипотез (пример ги- потезы: «невозможно строительство промышленного объекта из-за особен- ностей рельефа местности»).

Проверка гипотезы осуществля- ется путем задания пользователю во- просов об особенностях региона и промышленного объекта (особеннос- ти рельефа, метеорологические харак- теристики, геохимические свойства, размеры промышленного центра и т.д.).

Вопросы сопровождаются предъ- явлением на экране компьютера поль- зователю списка вариантов ответа. Пользователь выбирает тот или иной ответ из предложенного списка. Если пользователь не уверен в правиль- ности своего ответа он может не отвечать на вопрос; в этом случае система попытается компенсировать отсутствие информации предъявле- нием дополнительных вопросов о других параметрах.

Пользователь также может попро- сить систему объяснить ему причину постановки того или иного вопроса; в качестве пояснения на компьютера выдается правило, попытка примене- ния которого привела к заданию соот- ветствующего вопроса.

Если важно графическое поясне- ние некоторых вопросов, то пользо- ватель может обратиться к «подсказ- ке» (клавиша HELP). В этом случае наряду с текстовым описанием приво- дятся картинки или фрагменты карт, дающие пояснения.

В экспертной системе также может быть реализован режим работы, при котором осуществляется проверка гипотезы, заданной самим пользова- телем, которая может быть подтвер- ждена или отвергнута. Важным компонентом экспертной системы является подсистема объяс- нений, демонстрирующая пользова- телю путь («цепочку» правил), кото- рый привел к тому или иному заклю- чению.

3. Нейронные сети и ГИС A. Два типа компьютеров Современные компьютеры устро- ены по так называемой схеме фон Неймана, реализующей быстрые пос- ледовательности большого числа би- нарных операций. Такой подход был обусловлен структурой математики первой половины XX в., когда высшие разделы математики опирались на арифметику, а та на бинарную логику.

Основной альтернативой подходу фон Неймана является воспроизведе- ние принципов работы биологических нейронных сетей. Примерно в годы создания первого компьютера была создана первая нейроподобная систе- ма - персептрон Розенблатта.

Некоторое время оба направления развивались независимо, затем пер- септронное направление пережило кризис, и возродилось уже в 80-е годы под именем нейронных сетей, при этом на новом этапе бинарно-логи- ческий и бионический принципы начали сочетаться. Возрождение бы- ло связано с формированием обшир- ной, ориентированной на приложения, сферы деятельности.

Сопоставление машины фон Ней- мана и биологической нейронной сети приведено в таблице 1.

Таблица 1. Сопоставление машины фон Неймана и биологической нейронной сети ПоказательМашина фон НейманаБиологическая нейронная система Процессор Сложный Высокоскоростной Один или несколько Простой Низкоскоростной Большое количество ПамятьОтделена от процессора Локализована Адресация не по содержанию Интегрирована в процессор Распределенная Адресация по содержанию ВычисленияЦентрализованные Последовательные Хранимые программы Распределенные Параллельные Самообучение НадежностьВысокая уязвимостьЖивучесть СпециализацияЧисленные и символьные операции Проблемы восприятия Среда функци- онирования Строго определенная Строго ограниченная Плохо определенная Без ограничений

Приведём некоторые характерис- тики мозга человека: кора головного мозга содержит около нейронов толщиной от 2 до 3 мм с площадью поверхности около 2,2 дм 2 ; каждый нейрон связан с другими ней- ронами.

Нейроны взаимодействуют пос- редством короткой серии импульсов продолжительностью несколько мил- лисекунд (мс). Сообщение передается посредством частотно-импульсной модуляции.

Частота может изменяться от нескольких единиц до сотен герц, что в миллион раз медленнее, чем самые быстродействующие переключатель- ные электронные схемы, тем не ме- нее, достаточно сложные решения по восприятию информации человек принимает за 0,1 с.

В. Биологический и технический нейроны Оба типа нейронов реагируют на воздействие со стороны многих ней- ронов в зависимости от величины связей с этими нейронами. В отличие от технических нейронов реакция био- логического нейрона всегда неотри- цательная, причем, если воздействие на него не достигло критического уровня, то реакции нет.

В биологических нейронных сетях существует принципиальное внутрен- нее деление: нейронные сети реали- зуют либо рефлекторное поведение, либо мышление.

Нейрофизиологически рефлектор- ному поведению соответствует отно- сительно короткий всплеск процессов в ответ на внешнее действие с пос- ледующим возвращением в спокойное состояние, а мышлению - длительная работа сети, нередко с весьма уме- ренным, но постоянным уровнем воз- буждения мозга.

В технических системах воспроиз- водят в основном рефлекторное пове- дение, хотя возможно, что некоторые нейроалгоритмы, решающие сложные задачи, могут сопоставляться и с процессами мышления.

С. Типы технических нейросетей По типу архитектуры технических нейронных сетей можно выделить од- нослойные, многослойные и полно- связные сети. По способу обучения - обучающи- еся с учителем (по образцу) и обучаю- щиеся без учителя.

Нейронные сети, обучающиеся по образцу, используются для решения задач: классификации образов, аппро- ксимации функций, предсказания, уп- равления, анализа данных, категори- зация внутри класса, сжатия данных. Нейронные сети, обучающиеся без образца, используются для реше- ния задач: категоризации, анализа данных, сжатия данных, ассоциатив- ной памяти.

D. Области применения нейросетевых ГИС Интегрированные с ГИС нейрон- ные сети позволяют решать широкий класс задач, обеспечивая эффектив- ную поддержку принятию решений. В качестве входных и выходных дан- ных нейронная сеть может исполь- зовать пространственно-координиро- ванные данные.

Программы, созданные на основе нейросетевых алгоритмов, способны динамически модифицировать слои электронной карты, изменять харак- теристики существующих объектов, создавать новые объекты. В резуль- тате обработки массива имеющихся данных могут также возникать новые слои карты, в то время как существу- ющие слои будут приобретать дина- мические свойства.

Наиболее эффективны такие про- граммы в ситуациях, когда прихо- дится иметь дело с большими масси- вами информации, хранящимися в крупных организациях, на основе ко- торых принимаются решения. В них нуждаются специалисты, оцениваю- щие и прогнозирующие состояние та- ких областей человеческой деятель- ности, как: рынков сбыта продукции, реальной стоимости недвижимости, загрязнения территории.

Планирование очередности дейст- вий при развитии территорий и их инвестиционной привлекательности, выявление зон с наиболее напряжен- ной экологической, социальной или экономической ситуацией, анализ ха- рактеристик геологических объектов - эти и многие другие задачи уже невоз- можно решать на современном уровне без использования интеллектуальных геоинформационных систем.

Нейронные сети нашли наиболее широкое применение для анализа данных ДДЗ. Такие методы оказались тем адекватным языком, на котором можно описать правила классифика- ции, не прибегая к точным математи- ческим значениям, используя понят- ные человеку термины типа «неболь- шой», «значительный» и т.д.).

Для классификации используются различные нейросетевые алгоритмы. В нейронной сети с обучением без образца проводится анализ цветных или черно-белых пикселей снимка без привязки к другим слоям карты, с целью выделения однородных фраг- ментов изображения (объектов) по то- ну, структуре, оттенку. Обучение по образцу полагается на доступные про- странственные данные для выбранно- го участка территории.

Если известно, что выбранному фрагменту снимка соответствует, нап- ример, лесной массив с известной степенью антропогенной нарушеннос- ти, то эта информация может быть использована нейронной сетью для классификации изображения.

Нейронные сети все чаще исполь- зуются в задаче выявления простран- ственно-однородных участков изобра- жения. Эта задача является очень ак- туальной при разработке теоретичес- ких и методологических основ новых альтернативных систем земледелия, принципов экологически безопасного землепользования и проектов земле- устройства на ландшафтной основе.

В транспортной отрасли нейрон- ная сеть может помочь при анализе транспортной нагрузки и состояния транспортного полотна, выборе опти- мальных коридоров для строительст- ва новых трасс и определении прио- ритетов в строительстве, анализе раз- личных стратегий проведения ремонт- ных работ и соответствующем распре- делении финансовых вложений.

Задачей для нейронной сети может стать оперативное принятие решения по оптимизации распределе- ния транспортной нагрузки на автомо- бильные дороги в случае транспорт- ного происшествия в определенном месте, повлекшего за собой скопление автомашин (пробку).

Е. Программное обеспечение. На рынке программного обеспе- чения в настоящее время имеется несколько продуктов, которые созда- ны на основе нейросетей и ГИС. Программа ScanEx-NeRIS предназ- начена для тематической интерпре- тации пространственных данных, в первую очередь данных дистанцион- ного зондирования Земли.

Основным инструментом, реали- зованным в программе, являются ней- ронные сети Кохонена. Возможности пакета тематической обработки раст- ровых изображений в программе ScanEx-NeRIS следующие: - оценка количества классов, тре- буемых для описания тематики и составления тематической карты; - оценка внутренней дробности, не-однородности тематических объ- ектов (контуров);

- оценка распределения свойств экспертных объектов в признаковом поле модели; - оценка вероятностей присутствия тематических объектов, заданных экспертом в поле признаков снимка (выделение на изображении областей с различным уровнем оценки: опти- мистическим, реалистическим, песси- мистическим); - построение иерархических класси- фикаций с оценкой близости классов между собой;

- создание тематически ориентиро- ванных нейронных сетей для после- дующей обработки растра с целью выявления тематических объектов; - автотрассировка (векторизация) результатов поклассовой обработки; - поддержка системы координат наиболее распространенных отечест- венных и зарубежных картографи- ческих проекций; - экспорт растровых покрытий и векторных слоев в наиболее распро- страненных обменных форматах;

Модуль Arc-SDM для ArcView - одно из свободно доступных расши- рений ArcView для моделирования в ГИС на основе алгоритмов нечеткой логики и нейронных сетей. Процесс пространственного моде- лирования с использованием этого модуля состоит в построении нового тематического слоя на основе нес- кольких существующих слоёв.

З А К Л Ю Ч Е Н И Е На занятии вы познакомились с элементами технологии искусствен- ного интеллекта.