INTELIGENTA ARTIFICIALA SI SISTEMELE INTELIGENTE

INTELIGENTA ARTIFICIALA SI SISTEMELE INTELIGENTE

1. Conceptul de sistem inteligent - abordare economica

Inteligenta artificiala ofera tehnici sau metode evoluate prin care orice problema complexa din domeniul economic, dar nu numai, isi gaseste rezolvarea.

Inteligenta, in general privita, presupune capacitatea de a percepe si invata in contextul unor noi situatii ce pot interveni. Inteligenta umana este definita prin doua componente esentiale: capacitatea de cunoastere si cea de rationament. Inteligenta artificiala se refera la acel domeniu informatic ce depaseste informatica clasica, destinat solutionarii problemelor pentru care nu exista un algoritm clasic de calcul. Tehnicile de inteligenta artificiala vizeaza dezvoltarea de sisteme inteligente  de calcul, dotate cu caracteristici similare inteligentei umane: rationament, capacitatea de invatare, de rezolvare si comunicare. Asadar scopul final al inteligentei artificiale este imitarea caracteristicilor inteligentei umane, prin intermediul utilizarii calculatorului electronic si a programelor inteligente, in ideea de determina un comportament inteligent al calculatoarelor.

Cercetarea de specialitate a dovedit eficienta sistemelor inteligente in domeniul economic, in aplicatii de genul desfacerii produselor bancare, investitiilor in portofolii, supravegherea bancara, planificarea, asigurari, diagnostic financiar, gestiunea resurselor umane, contabilitate, audit, impozitare, dar si in cazul altor tipuri de probleme de tip diagnostic, proiectare, control si monitorizare.

Termenul inteligenta artificiala releva un domeniu stiintific nou, domeniu de granita, subdomeniu al informaticii, referindu-se la o stiinta si o tehnologie specifica, ce are ca scop simularea capacitatii umane, de a rationa in scopul rezolvarii problemelor si a luarii deciziilor in cadrul activitatilor profesionale si domestice. Inteligenta artificiala contribuie la dezvoltarea activitatii manageriale prin doua atribute importante:

v         achizitionarea unor cunostinte noi prin comunicarea cu mediul exterior (experti, utilizatori, senzori instalati in mediu etc.) si realizarea rationamentelor pe baza cunoasterii achizitionate;

v         imbunatatirea performantei in solutionarea si luarea deciziei pe masura achizitiei de noi cunostinte.

Inteligenta artificiala a devenit un domeniu maturizat catre care se indreapta din ce in ce mai mult atentia economistilor, managerilor si altor profesii, iar sistemele bazate pe cunostinte, sistemele expert, sistemele bazate pe algoritmi genetici, sisteme fuzzy, sistemele hibride si sistemele neuronale reprezinta sisteme de inteligenta artificiala cu o importanta crescanda in viata lor profesionala. Managerii si economistii in general au la dispozitie masini ce au capacitatea de a invata, a intelege, a sti, din experienta si de a se descurca in situatii vechi si noi, aceasta "inteligenta" insotita de colectarea informatiei, efectuarea prelucrarilor, pregatirea alternativelor decizionale si in final luarea deciziei. Sistemele de inteligenta artificiala pot memora cunoasterea din cele mai diverse domenii, daca omul, specialistul, le-o pune la dispozitie si sa o redea la momentul oportun sau sa o utilizeze in rationamente specifice.

Cunoasterea sistemelor de inteligenta artificiala se depoziteaza intr-o baza de cunostinte care contine fapte, relatii si proceduri. Pe langa aceasta componenta - cunoasterea, mai exista o a doua componenta ce este in legatura cu tehnicile si metodele utilizate pentru ca sistemul sa gandeasca si sa rationeze pe baza cunoasterii. Aceste componente permit sistemului inteligent realizarea inferentelor si elaborarea concluziilor, solutiilor sau deciziilor intr-un anumit domeniu. Sistemul inteligent trebuie sa fie capabil sa realizeze mai mult decat solutionarea unor probleme ce necesita putere de calcul, de memorare si regasire a cunostintelor sau doar un control al rationamentelor, si anume ar trebui sa fie capabil sa vada, sa vorbeasca, sa auda, sa inteleaga si sa rationeze si sa comande in mod similar cu omul. Acestea sunt niste provocari mari pentru sistemele inteligente, motiv pentru care atentia cercetatorilor, dar si a lumii afacerilor se indreapta din ce in ce mai mult catre inteligenta artificiala.

Daca o masina este "invatata" sa lucreze "inteligent", ca si oamenii, inseamna ca poate indeplini cu usurinta sarcini pe care le aveau pana acum subiectii umani de rezolvat. Sistemul inteligent poate deveni preferat in indeplinirea unor sarcini umane, fiind capabil sa efectueze acele activitati care definesc inteligenta umana, naturala (capacitatea de a invata sau intelege din experienta, abilitatea de a achizitiona si memora cunostinte, capacitatea de a raspunde rapid si cu succes la probleme noi, utilizarea rationamentului in rezolvarea problemelor si conducerea cu eficacitate).

Este lesne de inteles, asadar, ca inteligenta artificiala este un domeniu dinamic si variat, implicand atat studierea proceselor umane de gandire, pentru a intelege inteligenta, cat si stabilind o legatura cu reprezentarea acestor procese, prin intermediul calculatorului, robotilor sau a altor masini inteligente.

Inteligenta artificiala nu trebuie vazuta si tratata ca un domeniu comercial, ea fiind de fapt "o stiinta si o tehnologie bazate pe concepte si idei izvorate din cercetare, dar care nu pot fi comercializate ca atare. Totusi, inteligenta artificiala ofera o fundamentare stiintifica pentru mai multe tehnologii comerciale foarte profitabile: sisteme inteligente de toate tipurile, roboti, senzori, calculatoare inteligente, instructori inteligenti, masini care recunosc forme, care vorbesc etc." [Andone01].

Aplicatiile inteligentei artificiale sunt numeroase si se materializeaza prin tehnologii noi, de insemnatate foarte mare pentru asa numita activitate inteligenta, fiind prezentate in Figura 1.

Figura 1. Aplicatiile inteligentei artificiale

(Sursa: Andone 2001)

In dezvoltarea calculatoarelor si a sistemelor informatice intervine inteligenta artificiala cu scopul de a simula functionarea mintii omenesti, rezultatul fiind capacitatea de a rezolva probleme si chiar de a fabrica alte masini inteligente.

2 Tipuri de sisteme inteligente

Tipurile de sisteme inteligente sunt retelele neuronale, algoritmii genetici, sistemele expert, sistemele fuzzy, sistemele hibride si agentii inteligenti, cu ajutorul acestora reusindu-se eficientizarea informatizarii in cateva domenii ale managementului, in care intervine expertiza umana considerabila.

Sistemele neuronale artificiale - au la baza metoda retelelor neuronale de reprezentare a cunoasterii. Modelarea solutiilor problemelor ce pot fi rezolvate de aceste sisteme se bazeaza pe instruirea neuronilor artificiali conectati in retele. Functionarea neuronilor artificiali e inspirata de functionarea neuronilor biologici, fiind niste automate elementare. Pentru solutionarea situatiilor in care sunt implicate multe date, informatii si cunostinte empirice cea mai eficienta optiune o reprezinta sistemele neuronale, acestea oferind atat fiabilitate, cat si o buna functionalitate la un pret de intretinere scazut. Sisteme inteligente bazate pe neuronii artificiali sunt utilizate deja cu succes pentru solutionarea problemelor de marketing bancar, comercializarea actiunilor, evaluarea creditelor, diagnosticul financiar al firmelor si diverse optimizari.

Sisteme inteligente bazate pe algoritmi genetici - sunt inspirate din functionarea sistemelor biologice, incurajand solutiile candidat capabile sa rezolve o problema si penalizand solutiile fara succes (una din tehnicile folosite e cunoscuta sub denumirea de "reinforcement learning"). Algoritmul genetic se bazeaza pe ideea de a incepe cu o populatie de solutii pentru rezolvarea unei probleme si a produce noi generatii de solutii, mai performante decat cele precedente. Algoritmul genetic se manifesta prin intermediul urmatoarelor faze:

se creeaza o populatie de "membri", reprezentand solutii candidat pentru rezolvarea problemei;

se selecteaza acei membri ce au manifestat adaptabilitate fata de rezolvarea problemelor;

utilizand operatorii genetici de incrucisare si mutatie se obtin noi membri prin reproducere;

se evalueaza noii membri si gradul in care corespund solutionarii problemei;

se abandoneaza vechea populatie prin inlocuirea cu noua generatie.

Aceste faze se repeta in mod ciclu pana la obtinerea celei mai bune solutii (Figura 2).

Figura 2. Fazele ciclului algoritmilor genetici

(Sursa: Andone 01)

Sistemele bazate pe algoritmi genetici si-au dovedit utilitatea in probleme de cautare si identificare a structurilor si relatiilor specifice bazelor de date si bazelor de cunostinte voluminoase (probleme de "data mining"), dar si in domeniile afacerilor financiare, comertul cu titluri, evaluarea creditelor, detectia fraudelor si predictia falimentului.

Sistemele fuzzy - si-au dovedit performanta intr-o varietate de aplicatii de control industrial si de recunoastere a structurilor, de la scrisul de mana la evaluarea creditelor. Logica fuzzy e utilizata in mecanismul de control a unei mari parti din produsele industriale de larg consum: masini de spalat automate, cuptoare cu microunde, aparate de fotografiat. Rationamentul fuzzy se bazeaza pe procesul de inferare (derivare) a concluziilor dintr-un set de reguli fuzzy care actioneaza asupra cunoasterii fuzificate. Daca in cadrul sistemelor inteligente bazate pe reguli conventionale se executa doar o regula ca urmare a adevarului premisei sale, in cadrul rationamentului fuzzy toate regulile din baza de reguli fuzzy ale caror premise sunt total sau partial adevarate vor contribui la solutia finala a problemei care face obiectul rezolvarii. Actiunea agregata a regulilor fuzzy constituie principiul cheie care sta la baza flexibilitatii sistemelor inteligente din categoria abordata si favorizeaza extrem de mult prelucrarea cunostintelor incerte, incomplete, inconsistente ori imprecise. Sistemele fuzzy permit procesarea unor valori neambigue pentru controlul cunoasterii ambigue (imprecise). Procesele de fuzificare si defuzificare necesita o atentie deosebita, regulile fuzzy dovedindu-se foarte utile in rationamente. Aceste sisteme sunt mai puternice decat sistemele neuronale, deoarece bazele lor de cunostinte utilizeaza structuri de tip reguli de productie, usor de examinat, inteles si modificat. Numarul de aplicatii de tip regasire fuzzy in bazele de date (fuzzy database retrieval) a inregistrat o crestere semnificativa datorita faptului ca regasirea datelor in bazele de date conventionale nu ofera operatorilor umani flexibilitatea scontata. Regasirea fuzzy pune in actiune un mecanism ce opereaza si pentru conditiilor indeplinite doar partial, realizandu-se astfel o sporire a eficientei cautarii.

Sisteme fuzzy

Sistemele expert - reprezinta categoria de sisteme inteligente cu cea mai mare vechime, bine puse la punct, mai ales in cazul sistemelor expert bazate pe reguli. Cele cateva mii de sisteme expert existente si operationale utilizeaza o cunoastere denumita expertiza, a carei sursa sunt expertii umani, parcurgandu-se un proces de colectare a expertizei, proces ce se numeste achizitia cunoasterii. Achizitia cunoasterii are loc in urma mai multor interviuri cu expertul uman pana cand baza de cunostinte devine completa, dar se pune accentul si pe unele metode si instrumente de achizitie a cunoasterii. Pentru construirea sistemelor expert functionale, de la mediul de prototip la stadiul de sistem expert comercial, conform metodologiei adoptate avem la dispozitie medii de dezvoltare ce usureaza acest proces

Un dezavantaj al sistemelor expert il reprezinta incapacitatea acestora de invatare automata, de autoinstruire, ca celelalte tipuri de sisteme inteligente, motiv pentru care adaptabilitatea la schimbarile intervenite in mediul in care actioneaza este scazuta. Se preconizeaza ca in viitor si aceste sisteme sa se bazeze pe logica fuzzy, care ofera scheme mai flexibile de reprezentare a cunoasterii.

Sistemele inteligente hibride - constituie un sprijin pentru rezolvarea problemelor economice complexe pentru solutionarea carora nu poate fi utilizata nici una din categoriile de sisteme inteligente mentionate anterior. Hibridizarea presupune utilizarea a doua sau mai multor categorii de sisteme inteligente pentru a gasi solutia potrivita. Sistemele hibride sunt importante daca trebuie tinut seama de varietatea aplicatiilor de gestiune [Andone01]. Domeniile aplicative complexe dispun de mai multe tipuri de probleme, fiecare tip de problema necesitand un alt tip de prelucrare. Spre exemplu, sa consideram planificarea financiara, cu elaborarea bugetelor in cazul unei organizatii, ce implica urmatoarele tipuri de probleme:

Ø      Problema predictiei, solutionata prin utilizarea unei retele neuronale;

Ø      Problema optimizarii, pentru care s-ar putea folosi un algoritm genetic;

Ø      Problema rationamentului secvential, aici pretandu-se cel mai bine un sistem expert.

Pentru obtinerea unui rezultat final, cat mai performant, trebuie asigurata comunicarea eficienta intre componentele sistemelor hibride. Ca un exemplu de sistem hibrid, de mentionat ar fi sistemul inteligent hibrid pentru detectarea afacerilor dubioase denumit MonITARS (Monitoring Insider Trading and Regulatory Surveillance) la a carui realizare se lucreaza, la initiativa bursei londoneze. Scopul sistemului este supravegherea celor aproximativ 100 000 de tranzactii bursiere zilnice, in care sunt implicati sute de agenti si milioane de investitori, sistem ce combina tehnologia algoritmilor genetici, logica fuzzy si retelele neuronale.

3. Sisteme expert

Sistemele expert sunt o categorie distincta de sisteme inteligente, fiind si categoria de sisteme inteligente carora li s-a acordat cea mai indelungata atentie.

Rolul sistemelor expert este de a asista utilizatorul in rationamentele necesare solutionarii problemelor, in urma achizitionarii cunoasterii de la expertii umani. Aceasta cunoastere este explicita, inteligibila, sistemele expert folosind rezultatele cercetarii din inteligenta artificiala in scopul dezvoltarii de aplicatii functionale, comerciale, capabile sa aduca beneficii organizatiilor.

Sistemele expert vin in sprijinul utilizatorului novice, mai putin pregatit in domeniul sau, ajutandu-l sa-si execute sarcinile la nivelul performant al expertului, punandu-i la dispozitie cunoasterea si experientei dobandite. In toate domeniile de activitate economico-sociala se utilizeaza deja sisteme expert, fie pe post de consilieri inteligenti in planificarea strategica, tutori inteligenti sau specialisti in marketing, managementul productiei etc.

O definitie este dificil de dat sistemelor expert, de aceea prezentam in continuare mai multe definitii, propuse de diferiti cercetatori:

Sistemul expert este un program inteligent pentru calculatorul electronic, care utilizeaza cunoasterea si procedurile de inferenta pentru solutionarea problemelor, care sunt suficient de dificile pentru a necesita o expertiza umana semnificativa pentru solutionarea lor (Edward Feigenbaum).

Sistemul expert este un program particular care incorporeaza o baza de cunostinte si un motor de inferente. Programul se comporta ca un consilier inteligent intr-un domeniu particular (Louis E Frenzel).

Un sistem expert este un sistem care emuleaza abilitatea de a lua decizii a expertului uman. Termenul "emuleaza" inseamna ca sistemul este menit sa actioneze in toate privintele ca expertul uman. Emularea este ceva mai mult decat simularea, care cere doar sa se actioneze prin imitarea unor conditii. Sistemele expert actioneaza foarte bine in domenii bine delimitate (J. Giarratano si G. Riley).

Sistemele expert sunt programe, dar pot fi la fel de bine masini cu software, destinate sa inlocuiasca sau sa asiste specialistul in domeniile unde este recunoscuta necesitatea expertizei umane (H. Farreny).

Sistemele expert sunt programe care solutioneaza probleme in mod normal rezolvate de catre experti umani. Pentru aceasta ele solicita acces la o baza de cunostinte, ele trebuie sa ofere diferite medii de rationament si sa-si justifice concluziile la care ajung (Elaine Rich si Kevin Knight).

Sistemul expert este un produs program care emuleaza comportamentul expertilor umani care rezolva probleme din lumea reala asociate unui domeniu particular al cunoasterii (P.V. Pigford si G. Baur).

Un sistem expert consta din programe pentru calculator care emuleaza sau cloneaza rationamentul unui expert uman din domeniul problemei (E.M. Awad).

Termenul de "sistem expert" este in general echivalent cu termenul "sistem expert bazat pe cunostinte", chiar daca in literatura de specialitate se puncteaza deosebirile dintre acestea, din punct de vedere al detaliilor constructive si functionalitatii.

In Figura 3 se prezinta grafic analogia dintre modul de functionare al expertului uman si al sistemelor expert.

Figura 3. Analogia dintre expertul uman si sistemul expert

(Sursa: Andone99)

In ceea ce priveste caracteristicile de baza ale sistemelor expert, dupa D.A. Waterman, acestea s-ar materializa astfel:

Expertiza este caracteristica principala a unui sistem expert, aceasta conferindu-i abilitatea de a executa cel putin la nivelul expertului uman munca pe care trebuie s-o indeplineasca. Pe langa capacitatea de a solutiona o problema, expertiza mai inseamna ca bagajul de cunostinte pe care il poseda sistemul expert in legatura cu domeniul respectiv trebuie sa fie complet, cuprinzator si profund. Cuprinderea cunoasterii determina competenta necesara sistemului expert in domeniul respectiv, motiv pentru care acesta trebuie sa fie robust, adica sa fie capabil sa utilizeze metodele de rezolvare si cunostintele generale pentru a infera chiar si atunci cand datele, faptele si cunostintele de care dispune sunt incerte, atingand performanta unui expert uman.

Profunzimea este o caracteristica ce face referire la abilitatea sistemelor expert de a-si spori cunoasterea existenta pentru a infera noi cunostinte. La solutionarea unei probleme, aceasta se realizeaza prin manipularea simbolurilor, nu prin calcule matematice propriu-zise. Daca insa un sistem expert manipuleaza simboluri, aceasta nu inseamna ca nu poate efectua si operatiile logico-matematice cunoscute din problemele algoritmice.

In ceea ce priveste autocunoasterea, aceasta este necesara doar atunci cand sistemul expert poseda metacunoastere. O serie de sisteme expert disponibile sunt dotate deja cu capacitatea de a explica utilizatorului cum? si de ce? au ajuns prin rationamentul lor la solutiile propuse. Totusi, autocunoasterea presupune mai mult decat capacitatea de a explica, presupune si abilitatea de a-si reformula strategiile inferentiale in scopul eficientizarii derivarii de noi cunostinte din experienta. Cu ajutorul acestei caracteristici va permite in viitor sistemelor expert autoinvatarea si in acest fel se va produce o apropiere si mai mare intre acestea si expertul uman.

Ca o completare la caracteristicile lui Waterman, Joseph Giarratano si Gary Riley considera si urmatoarele: performanta in calitatea concluziilor, timp de raspuns adecvat, fiabilitate ridicata, capacitate de a-si explica rationamentele, flexibilitate.

Caracterizarea unui sistem expert se realizeaza prin modurile prezentate in Figura 4.

Figura 4. Moduri de caracterizare a sistemelor expert

Arhitectura sistemelor expert consta din cinci componente, conform figurii 5. Se evidentiaza trei componente de baza:

Ø      baza de cunostinte;

Ø      motorul de inferente;

Ø      interfata de dialog cu utilizatorul;

acestora adaugandu-li-se inca doua componente suplimentare:

Ø      modulul de achizitionare a cunoasterii;

Ø      modulul explicativ.

Figura 5. Arhitectura sistemelor expert

Baza de cunostinte este componenta sistemului expert ce contine baza de fapte ce au legatura cu subiectul in discutie, fapte exprimate sub forma unor reguli. Baza de cunostinte trebuie sa fie foarte bine structurata si sa suporte cu usurinta modificarile ce se impun datorita evolutiei cantitative si calitative a cunostintelor din aproape orice domeniu.

Motorul de inferente este componenta mai dinamica a sistemului expert, care in urma studiului cunostintelor stocate in baza de cunostinte sugereaza decidentului o varianta de actionare.

Interfata de dialog cu utilizatorul reprezinta componenta ce asigura dialogul om-masina intr-un mod cat mai accesibil.

Modulul de achizitionare a cunoasterii serveste la adaugarea de noi elemente in baza de cunostinte.

Modulul explicativ este o componenta prin intermediul careia sistemul expert justifica rezultatul pe care l-a furnizat utilizatorului.

Aceste componente corespund celor trei obiective principale si celor trei obiective derivate, stabilite de catre metodologiile de dezvoltare a sistemelor expert:

Obiective principale sunt urmatoarele:

Achizitionarea usoara a cunoasterii pentru a infera noi cunostinte prin judecati, planuri, demonstratii, decizii, predictii;

Exploatarea eficienta a colectiei de cunostinte prin:

- combinarea si inlantuirea cunostintelor pentru a infera noi cunostinte prin judecati, planuri, demonstratii, decizii si predictii;

luarea in considerare a modului in care sunt inferate cunostintele noi;

Suportarea cu usurinta a intregii game a operatiilor asupra cunostintelor (adaugarea, modificarea si eliminarea lor).

Obiectivele derivate sunt: reducerea riscurilor; cresterea creativitatii; invatarea.

4. Perspectivele sistemelor expert si ale inteligentei artificiale

Dezvoltarea sistemelor expert in domeniul luarii deciziilor cere o atentie marita asupra realizarii sistemelor baza de date care pot contine si administra agenti ai inteligentei artificiale.

Aplicand pe domeniul sistemelor expert si a inteligentei software a agentilor, abilitatea a doi sau mai multi agenti de a coopera inteligent in atingerea unui scop comun evoca problema interoperabilitatii. Dezvoltarea unor asemenea sisteme ar putea include integrarea cunostintelor de reprezentare si rationament a inteligentei artificiale cu modelele de baza de date si procesarea in vederea producerii unui 'super' model obiect. Problemele si cerintele aparute in domeniu vor fi rezolvate si executate de mai multi agenti in cooperare in vederea determinarii celei mai bune solutii utilizand resursele disponibile.

Cunostintele si capacitatea de intelegere vor fi caracterizate dupa natura si dimensiunea de cunostinte si rationamente cerute, gradul de distributie si impartire intre agentii sistemului si de precizia si complementaritatea, la fel ca si achizitia, marirea si instruirea din domeniile inrudite prin cunostinte. Reprezentarea, modelarea, controlul si administrarea unor volume foarte mari si diferite (neomogene) de date, cunostinte persistente, distribuite si folosite in comun, fac ca sistemele de baza de date inteligente sa fie tot mai 'provocatoare'.

Un raspuns promitator la provocarea de mai sus il reprezinta sistemul de stocare de inalta performanta (HPSS - high-performance storage system). Un HPSS este un software care asigura un management ierarhic de stocare si servicii pentru medii de stocare foarte mari. Tehnologia poate avea o utilizare particulara in situatiile unui management de mari dimensiuni in care nivelul cererilor este foarte strict, in termeni de capacitate de stocare, dimensiunea fisierelor, ratele, numarul de obiecte stocate si numarul de utilizatori.