68. Бази даних.

База даних (БД) – впорядкований набір даних, у технічному розумінні включно й система керування БД. Головним завданням БД є гарантоване збереження значних обсягів інформації (т.зв. записи даних) та надання доступу до неї користувачеві або ж прикладній програмі. Таким чином БД складається з двох частин — запам'ятованої інформації, та системи управління нею. З метою забезпечення ефективності доступу записи даних організовують як множину фактів (елемент даних). Історія розвитку:

• 1960-ті рр. розробка перших БД. CODASYL - мережна модель даних та одночасно незалежна розробка ієрархійної БД фірмою North American Rockwell, пізніше перейнятої IBM за основу їх власної розробки під назвою IMS.

• 1970-ті рр. розробка Едгаром Ф. Коддом основ реляційної моделі, котра на початку зацікавила лише наукові кола. Вперше цю модель було використано у БД Ingres (Берклі) та System R (IBM), анонсовані на протязі 1976 року і були лише дослідними прототипами.

• 1980-ті рр. поява перших комерційних версій реляційних БД Oracle та DB2. Реляційні БД успішно починають витісняти мережні та ієрархійні. Дослідження децентралізованих (розподілених) систем БД, проте вони не відіграють особливої ролі на ринку БД.

• 1990-ті рр. увага науковців зміщується у сторону об'єктно-орієнтованих БД, котрі знайшли застосування у першу чергу в тих областях де використовуються комплексні дані: інженерні, мультимедійні дані. • 2000-ні рр. головним нововведенням є підтримка та застосування XML у БД. Розробники комерційних БД котрі панували на ринку у 1990-их рр. отримують все більшу конкуренцію зі сторони руху відкритого програмного забезпечення. Реакцією на це стає поява безкоштовних версій комерційних БД.

Структуровані та неструктуровані БД

Структуровані БД використовують структури даних, тобто структурований опис типу фактів за допомогою схеми даних, більш відомої як модель даних. Модель даних описує об'єкти та взаємовідносини між ними. Існує декілька моделей (чи типів) баз даних, основні: плоска, ієрархійна, мережна та реляційна. Приблизно з 2000 року більше половини БД використовують реляційну модель.

До неструктурованих БД відносяться повнотекстові бази даних, котрі містять неструктуровані тексти статей чи книг у формі, що дозволяє здійснювати швидкий пошук (як наприклад вікіпедія).

Характеристика БД

Часто зустрічається характеристика БД на основі певних параметрів або необхідних вимог, наприклад: • значна кількість даних

• незалежність даних

• відкритий доступ до даних

• підтримка транзакцій з гарантією відповідних властивостей

• гарантована відсутність збоїв

• одночасна робота з багатьма користувачами

З подальшим розвитком БД змінюються й ці вимоги та додаються нові, тому одностайності щодо повноти цієї характеристики немає.

69. «Експертні системи»

Експертні і навчальні системи

Експертна система - це програма, що поводиться подібно експерту в деякій, звичайно вузькій прикладній області. Типові застосування експертних систем містять у собі такі задачі, як медична діагностика, локалізація несправностей в устаткуванні й інтерпретація результатів вимірів

Експертні системи повинні вирішувати задачі, що вимагають для свого рішення експертних знань у деякій конкретній області. У тій чи іншій формі експертні системи повинні мати ці знання. Тому їх також називають системами, заснованими на знаннях. Однак не всяку систему, засновану на знаннях, можна розглядати як експертну.

Експертна система повинна також уміти певним чином пояснювати свою поведінку і свої рішення користувачу, так само, як це робить експерт-людин. Це особливо необхідно в областях, для яких характерна невизначеність, неточність інформації (наприклад, у медичній діагностиці). У цих випадках здатність до пояснення потрібна для того, щоб підвищити ступінь довіри користувача до рад системи, а також для того, щоб дати можливість користувачу знайти можливий дефект у міркуваннях системи. У зв'язку з цим в експертних системах варто передбачати дружня взаємодія з користувачем, що робить для користувача процес міркування системи "прозорим".

Часто до експертних систем висувають додаткову вимогу - здатність мати справу з невизначеністю і неповнотою. Інформація про поставлену задачу може бути неповною чи ненадійною; відносини між об'єктами предметної області можуть бути наближеними. Наприклад, може не бути повної впевненості в наявності в пацієнта деякого симптому чи в тому, що дані, отримані при вимірі, вірні; ліки може стати причиною ускладнення, хоча звичайно цього не відбувається. В усіх цих випадках необхідні міркування з використанням ймовірнісного підходу.

У самому загальному випадку для того, щоб побудувати експертну систему, ми повинні розробити механізми виконання наступних функцій системи:

• рішення задач з використанням знань про конкретну предметну область можливо, при цьому виникне необхідності мати справу з невизначеністю;

• взаємодія з користувачем, включаючи пояснення намірів і рішень системи під час і після закінчення процесу рішення задачі.

Кожна з цих функцій може виявитися дуже складною і залежить від прикладної області, а також від різних практичних вимог. У процесі розробки і реалізації можуть виникати різноманітні важкі проблеми.

Структура експертної системи

При розробці експертної системи прийнято поділяти її на три основних модулі:

• база знань;

• машина логічного висновку;

• інтерфейс із користувачем.

База знань містить знання, що відносяться до конкретної прикладної області, у тому числі окремі факти, правила, що описують чи відносини явища, а також, можливо, методи, евристики і різні ідеї, що відносяться до рішення задач у цій прикладній області.

Машина логічного висновку вміє активно використовувати інформацію, що міститься в базі знань. Інтерфейс із користувачем відповідає за безперебійний обмін інформацією між користувачем і системою; він також дає користувачу можливість спостерігати за процесом рішення задач, що протікають у машині логічного висновку.

Прийнято розглядати машину висновку й інтерфейс як один великий модуль, звичайно називаний оболонкою експертної системи, чи, для стислості, просто оболонкою.

В описаній вище структурі власне знання відділені від алгоритмів, що використовують ці знання. Такий поділ зручно по наступним розуміннях. База знань, мабуть, залежить від конкретного додатка. З іншого боку, оболонка, принаймні в принципі, незалежна від додатків. Таким чином, розумний спосіб розробки експертної системи для декількох додатків зводиться до створення універсальної оболонки, після чого для кожного додатка досить підключити до системи нову базу знань. Зрозуміло, усі ці бази знань повинні задовольняти тому самому формалізму, що оболонка "розуміє". Практичний досвід показує, що для складних експертних систем сценарій з однією оболонкою і багатьма базами знань працює, не так гладко, як би цього хотілося, за винятком тих випадків, коли прикладні області дуже близькі. Проте, навіть якщо перехід від однієї прикладної області до іншої вимагає модифікації оболонки те, принаймні основні принципи її побудови звичайно вдається зберегти

Для створення оболонки, за допомогою якої можна проілюструвати основні ідеї і методи в області експертних систем, можна дотримувати наступного плану:

•Вибрати формальний апарат для представлення знань.

•Розробити механізм логічного висновку, що відповідає цьому формалізму.

•Додати засобу взаємодії з користувачем.

• Забезпечити можливість роботи в умовах невизначеності.

ЕКСПЕРТНІ СИСТЕМИ

І дея створення технічних систем експертної діагностики і аналізу (коротко - експертних систем) зародилась ще в епоху перших поколінь ЕОМ, але на відміну від останніх, зацікавленість у ЕС після початкового бурхливого періоду ейфорії кінця 1960-х почала різко спадати – вони так і не зуміли замінити людину-експерта в такому обсязі, як цього сподівались їх розробники. І справа тут не тільки у тому, що висококваліфіковані експерти не дуже то горіли бажанням тиражувати свої знання. Усі тогочасні ЕС були побудовані на принципах Булевої логіки, теорії ймовірностей і математичної статистики. Вони добре підходили для роботи з масивами експериментальних даних, але слабо надавались для обробки і узагальнення знань (чого, від них, взагалі кажучи, усі і очікували), тому створені на їх основі бази знань лише з великим натягом можна було назвати інтелектуальними.

Ситуація почала змінюватись у кращу сторону з появою штучних нейронних мереж і систем нечіткої логіки, які лягли в основу нового напрямку інтелектуальної обробки інформації – Data Mining. ЕС нового покоління стали значно “розумнішими” і у багатьох випадках почали виявляти здатність працювати на рівні з людиною-експертом, а у дечому і перевершуючи її (як тут не згадати шахові герці Людина (Каспаров) - Машина (Deep Blue, IBM)).

До речі, про Deep Blue. Цей комп'ютер мав 256 процесорів, під кожен з яких було відведено 128 МБ оперативної і 4 ГБ дискової пам'яті. Машина прораховувала 100 млн. ходів за секунду (не операцй, а саме ходів, тобто міні-алгоритмів !)

Сучасна ЕС – це, як правило, комп’ютерна програма, яка об’єднує можливості комп’ютера із знанням та досвідом людини-експерта. ЕС повинна видати обґрунтовану рекомендацію або прийняти розумне рішення у відповідь на поставлену перед нею задачу. При потребі ЕС повинна також представити хід своїх міркувань у зрозумілому для користувача вигляді. У більшості сучасних прикладних ЕС їх рішення носять рекомендаційний характер. У розробників ЕС існує неписане правило, згідно з яким останнє слово у прийнятті рішень завжди повинно належати користувачу ЕС, а не самій системі. Хоча тут не все однозначно – сьогодні багато ЕС перевершують людину-експерта як у потужності обчислень, так і у швидкості реакцій і тому успішно працюють в автономному режимі, без втручання людини. У книзі Кріса Нейлора "Як побудувати свою експертну систему", 1987) знаходимо приклад, як уже 20 років тому ЕС повністю замінила спеціалістів по складанню платіжних відомостей в Армійському платіжному відомстві Великобри танії, які до того вважалися “недоторканими” через свою високу кваліфікацію і тривалий досвід роботи. Окремі широко відомі сьогодні ЕС.

MICIN - експертна система медичної діагностики, розроблена у Стенфордському у-ті (США). Ставить діагноз і рекомендує курс лікування захворювань, занесених у її базу даних (450 наборів). DENDRAL - найстаріша з відомих сьогодні ЕС, розроблена у 1965 р. групою дослідників Стенфордського у-ту. Розпізнавання хімічної структури речовин по даних спектрометрії.

PROSPECTOR - широко розповсюджена ЕС для пошуку і діагностики промислових покладів корисних копалин.