авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 11 |

«Теоретические, организационные, учебно-методические и правовые проблемы О ПРОЕКТЕ СТРАТЕГИИ РАЗВИТИЯ ИНФОРМАЦИОННОГО ОБЩЕСТВА В РОССИИ ...»

-- [ Страница 8 ] --

В табличном процессоре MS Excel функция РАНГ() при наличии одинаковых результатов каждому на значает самое высокое место. Это дает определенную фору тем, кто попал в группу одинаковых результатов. человек подтянулись по 10 раз и занимают места с 5 по 11 включительно. Среднее место – 8. То есть, каждый получает в сумме мест 3 очка форы.

Для корректировки результатов нужно по каждому виду определить, сколько раз встречаются одни и те же места. В табличном процессоре MS Excel для этого используется функция СЧЕТЕСЛИ()из кате- Таблица гории "Статистические". При наличии повторений Нормативы по видам боевой и физической подготовки производится пересчет мест. В статистике эта опе Оценка числом МЕНЬШЕ ИЛИ нию БОЛЬШЕ БОЛЬШЕ ИЛИ рация называется стандартизацией рангов (мест). В № позиции подтягива ИЛИ РАВНО стрельбе табличном процессоре MS Excel для этого исполь кроссу РАВНО РАВНО Оценка зуется функция ЕСЛИ() из категории "Логиче- прописью ские".

Использование вспомогательных дан ных (нормативов) для выставления оце- 1 очень плохо 0 10:00 нок 2 плохо 65 04:00 Этот вариант оценки совокупности показа- удовлетвори 3 телей предполагает замену результатов, выражен- тельно 70 03:45 ных в минутах, разах и т.д., безразмерными вели 4 хорошо 75 03:30 чинами – баллами или "оценками". Замена осуще 5 отлично 80 03:15 ствляется путем сравнения конкретного результата с нормативами. Обычно нормативы упорядочены и Теоретические, организационные, учебно-методические и правовые проблемы представлены в виде таблицы. Методически важно подчеркнуть, что нормативы по стрельбе и подтягиванию возрастают, а по кроссу – убывают. Балл или "оценка" по стрельбе и подтягиванию тем выше или лучше, чем больше, а по кроссу - тем выше или лучше, чем меньше.

При выполнении практической работы полезно, чтобы слушатели вначале "вручную" выставили оценки одному из участников по трем видам. В соответствии с данными табл. 1 Белкин имеет следующие результаты:

по стрельбе - 82, по кроссу (1000м) - 03:55, по подтягиванию - 8. Если сравнить эти результаты с соответст вующими нормативными значениями (табл. 3), то можно установить, что по стрельбе Белкин получил оценку отлично, по кроссу - плохо, а по подтягиванию - удовлетворительно.

На конкретном примере следует пояснить суть процедуры: число из таблицы результатов сравнивается поэлементно с упорядоченным массивом нормативных значений. Найденное нормативное значение результата определяет номер строки и далее соответствующую оценку. Это подготовит слушателей к осмысленному ис пользованию стандартных функций ПОИСКПОЗ() и СМЕЩ() из категории "Ссылки и массивы".

В структуре функции ПОИСКПОЗ(): число, массив чисел и параметр, значение которого определяет тип сопоставления.

Если значение параметра равно 1, то число последовательно сравнивается с элементами упорядоченно го по возрастанию массива. Определяется наибольший номер меньшего либо равного элемента. То есть, при определении оценок по стрельбе и по подтягиванию значение параметра равно 1.

Если значение параметра равно -1, то число последовательно сравнивается с элементами упорядоченно го по убыванию массива. Определяется наименьший номер большего либо равного элемента. То есть, при оп ределении оценок по кроссу значение параметра равно -1.

Методически правильно обратить внимание слушателей на аналогию в определении порядка ранжиро вания при использовании функции РАНГ() и типа сопоставления при использовании функции ПОИСКПОЗ().

Если числовые значения оценки заданы натуральным рядом, как в табл. 3, номер позиции совпадает с числовой оценкой и нет необходимости в применении функции СМЕЩ().

По сравнению с конкретными результатами оценки облада Расчетные ют тем же преимуществом, что и места - сопоставимостью между Исходные Средние очки для собой и возможностью их сложения. Очевидно, что сумма оценок по результаты оценки каждого трем разным видам характеризует успешность его выступления в вида "многоборье" следующим образом: чем больше сумма оценок, тем лучше совокупность трех результатов. Общая схема оценки на осно ве использования нормативов приведена на рис.3. Нормативы В заключение практической работы оценки совокупности результатов на основе использования нормативов, полезно поин- Рис. 3. Схема оценки на основе тересоваться у слушателей, откуда, по их мнению, берутся норма- использования нормативов тивы. К сожалению, самый популярный, а нередко и единствен ный ответ: "Из приказа". Но если повезет, слушатели могут получить дополнительную информацию, полезную при изучении стандартной в математической статистике процедуры нормирования.

Использование среднего значения и стандартного отклонения для нормирования показателей В математической статистике для нормирования показателей используется две величины: среднее зна чение и стандартное отклонение. Напомним смысл и математические выражения этих показателей.

Среднее значение - наиболее широко применяемая в статистике величина. Если нет специальных уточ нений, под средним значением понимается частное от деления суммы значений на их количество.

Для вычисления среднего значения x используется следующая формула:

1n x = xi (1) n i = xi где i - номер (в данном случае участника), - значение (в данном случае результат i-ого участника по одному из видов), n - общее количество (в данном случае участников).

В табличном процессоре MS Excel для вычисления среднего значения используется стандартная функ ция =СРЗНАЧ().

После расчета средних значений по стрельбе, кроссу и подтягиванию целесообразно определить тех участников, у кого результаты лучше средних по всем видам. Для этого применяется пользовательский авто фильтр, вызываемый через меню Данные – Фильтр. Выделив лучших по этому принципу, целесообразно отме тить, что совершенно не учитывается, на сколько результат отличается от среднего и обсудить возможности такого учета.

Стандартное отклонение используется для характеристики рассеяния совокупности значений. Это об щая для совокупности мера того, насколько широко разбросаны значения относительно их среднего.

Для вычисления стандартного отклонения используется следующая формула:

Теоретические, организационные, учебно-методические и правовые проблемы n (x x) i sx = i = (2) ( n 1) В табличном процессоре MS Excel. для вычисления стандартного отклонения используется стандартная функция =СТАНДОТКЛ().

Нормированные значения показателей вычисляются по формуле:

( xi x ) x = (3) sx Методически правильно напомнить слушателям о различиях между стрельбой и подтягиванием с одной стороны и кроссом с другой, возникающих при переходе от сравнения "больше – меньше" к сравнению "лучше – хуже". Это обстоятельство обуславливало изменение порядка сортировки функции РАНГ() и типа сопостав ления при использовании функции ПОИСКПОЗ(). В данном случае при использовании формулы (3) для вычис ления нормированных значений по кроссу следует изменить знак.

Оценка совокупности результатов с учетом влияния фоновых показателей Суть предлагаемого подхода заключается в использовании вместо обычного среднего значения соот ветствующих значений линии тренда, которые характеризуют зависимость результирующего показателя от фо новых показателей. В качестве фонового показателя рассматривается возраст. Выбор только одного хорошо интерпретируемого показателя обусловлен исключительно удобством использования графических иллюстра ций при объяснении сути предлагаемого подхода. Но совершенно очевидно, что подход применим для произ вольного количества фоновых показателей.

Прежде всего, нужно установить, насколько сильно этот дополнительный фактор влияет на результаты в различных видах. Для визуальной оценки зависимости следует построить соответствующие диаграммы разброса.

В табличном процессоре MS Excel используется точечная диаграмма. На каждой из трех диаграмм добавлены линии тренда, уравнения и величины достоверности аппроксимации R2 (рис. 4).

стрельба подтяг кросс 90 04: y = -0,48x + 86,51 ивание y = -0,41x + 20, 04: 85 R = 0,10 R = 0, 03: 03: 75 03: 03: 70 y = 00:03,5x + 01:56, 03: R2 = 0, 65 03:09 возраст возраст возраст 60 03: 20 25 30 35 20 25 30 35 40 20 25 30 35 Рис. 4. Зависимость результатов по стрельбе, подтягиванию и кроссу от возраста Величина достоверности аппроксимации показывает, на сколько изменения соответствующего результата можно объяснить изменениями возраста. Так, R2 = 0,76 свидетельствует о том, что изменения в результатах по кроссу на 76% объясняются изменениями возраста и на 24% иными факторами (в том числе: природными данны ми, погодными условиями, интенсивностью тренировок и др.). Высокие значения R2 для кросса и подтягивания вполне согласуются со здравым смыслом и легко интерпретируются - чем старше человек становится, тем он мед леннее бегает и меньшее количество раз подтягивается (в среднем). А результаты по стрельбе практически не за висят от возраста.

Объясним суть подхода на примере подтягивания. В Зайцев формуле (3) используется среднее значение x, которое равно 9,5. Это значит, что независимо от возраста "нормой" для каждо- 15 Карпов Рогов Мехов го выбирается именно это значение. Те, кто имеет результаты по подтягиванию лучше среднего, на рис. 5 размещаются выше пря- мой y = 9.5. Однако Зайцев, Мехов и Мухин с результатом размещаются ниже линии тренда. То есть, если влиянием возрас- та пренебречь, результаты Зайцева, Мехова и Мухина можно y = 9, считать хорошими. Но мы полагаем, что для каждого возраста Мухин существует собственная "норма", которая снижается с увеличе- 7 y = -0,4x + 20, нием возраста. Если в качестве такой "нормы" воспользоваться соответствующими значениями линии тренда, характеризующей зависимость результатов по подтягиванию от возраста, то оче- 20 25 30 35 Рис. 5. Сравнение среднего значения с линией тренда Теоретические, организационные, учебно-методические и правовые проблемы видно, что для своего возраста результаты Зайцева, Мехова и Мухина следует считать плохими. Аналогично, результаты Рогова и Карпова, которые располагаются выше линии тренда, хотя и меньше среднего значения, следует считать хорошими.

Если в формуле (3) величину x заменить соответствующими возрасту участника значениями линии t ( vi ), где i - номер участника, vi - возраст i-ого участника, в полученных нормированных показате тренда лях влияние возраста будет учтено естественным образом. Соответствующим образом следует произвести и замену стандартного отклонения. Математически корректное изложение необходимых изменений способно вызвать аллергию у слушателей, не имеющих достаточной подготовки. Но выход есть. Рассмотрим предлагае мую методику оценки совокупности результатов с учетом влияния фоновых показателей исключительно как информационную технологию, которая включает:

1. Визуальную оценку зависимостей результатов от фоновых показателей путем построения и анализа соответствующих диаграмм разброса.

2. Построение линий тренда. Вычисление коэффициентов корреляции r, величин достоверности аппрок симации R2, коэффициентов регрессии и их стандартных ошибок. В табличном процессоре MS Excel для этого используется функция ЛИНЕЙН() из категории "Статистические".

3. Определение для каждого участника соответствующих его возрасту значений на линии тренда. В таб личном процессоре MS Excel для этого используется функция ТЕНДЕНЦИЯ() из категории "Статисти ческие".

yi = xi t ( vi ). Для каждого участника вычис 4. Переход к промежуточным расчетным показателям ляется разница между его результатом и значением линии тренда соответствующим его возрасту.

5. Вычисление стандартного отклонения для промежуточных расчетных показателей. Среднее значение равно нулю по определению.

n ( y ) i sy = i = (4).

( n 1) 6. Вычисление нормированных значений по формуле yi y = (5).

sy 7. Изменение знака нормированного показателя по кроссу.

8. Определение среднего значения нормированных показателей.

9. Проведение сортировки по среднему значению нормированных показателей.

10. Сравнение полученных результатов с результатами, полученными без учета влияния возраста.

В заключение следует отметить, что многолетний опыт применения специально построенного учебного примера для объяснения слушателям Академии управления МВД РФ основных технологических приемов оценки деятельности по совокупности результатов является успешным. Использование трех хорошо интерпре тируемых показателей–результатов и одного очевидного фонового показателя позволяет наглядно в доступной форме объяснить основные идеи различных подходов к построению обобщенной оценки. Проводя со слушате лями занятие по данной теме, мы обучаем слушателей элементарным технологическим приемам реализации этих идей с помощью различных стандартных функций табличного процессора MS Excel.

Тем самым, создаются предпосылки для более глубокого изучения проблемы обобщенной оценки и разработки собственных вариантов ее решения.

ПРОЦЕДУРЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ К.т.н., доцент В.А. Егоров (Саратовский юридический институт МВД России) Представление знаний как методология моделирования и формализации концептуальных знаний, ори ентированная на компьютерную обработку, является одной из основных и наиболее важных тем построения интеллектуальных систем. Использование знаний представляет собой технологию вывода, то есть получения решения в соответствии с определенным представлением знаний.

Формирование базы знаний представляет собой сложный процесс, зависящий от специфики представ ления информации и алгоритмов вывода управляющих решений. Наполнение базы знаний может осуществ ляться как единовременно, так и в течение определенного времени. Это значительно расширяет диапазон ис пользования таких систем и создает методологическую базу для их совершенствования.

Конкретные способы заполнения базы данных и базы знаний интеллектуальных систем зависят от структуры и базового программного обеспечения конкретных вычислительных систем и определяются для ка ждого типа объекта управления, который в свою очередь имеют свою специфику, нормативную и законода тельную базу.

Теоретические, организационные, учебно-методические и правовые проблемы Одним из основных вопросов, которые нужно решить при проектировании интеллектуальных систем, является вопрос о типе знаний («поверхностные» или «глубокие») и способах их представления знаний. Ис пользовать «поверхностные» знания, на первый взгляд, представляется естественным и очевидным: они связы вают наблюдаемые признаки объектов управления. Эти знания основаны на решающей эвристике, сформиро ванной экспертом, привлекают простые, легко программируемые управляющие структуры в базе знаний и ме ханизме логического вывода интеллектуальной системы (ИС). Но довольно скоро при разработке ИС проявля ются недостатки «поверхностных» знаний: отсутствие накопленного опыта для новых объектов, практическая невозможность построения полного дерева решений для всех возможных состояний, большая сложность орга низации направленного поиска нужного решения. Серьезность этих недостатков приводит к необходимости представления «глубоких» знаний, включающих структурное описание объекта управления в терминах его ор ганизации и выполняемых операций и знания эксперта об основных принципах его функционирования.

Для манипуляции с «глубокими» знаниями можно использовать метод обнаружения отклонений, пред ложенный Р. Дэвисом1. Этот метод квалифицирует изменение состояния как событие, вызывающее появление признаков функционирования объекта, отличных от ожидаемых. Логический вывод идет от анализа признаков изменения в деятельности объекта, исходя из структуры и порядка выполнения операций, к причине возникно вения изменения.

При безусловной перспективности этого метода, он не лишен недостатков, а также сложностей в при менении. Основным из них является ограниченность модели взаимодействия компонентов объекта в «классиче ском» варианте метода. Этот недостаток преодолевается путем использования нескольких различных моделей взаимодействия. Сложность применения метода также состоит в необходимости иметь модель нормального и ненормального функционирования объекта, совокупность моделей взаимодействия его компонентов. Разработ ка таких моделей может отодвинуть перспективу получить рабочую ИС на неопределенно долгий срок. В то же время, в конкретном образце ИС для повышения ее эффективности и упрощения разработки полезно учитывать систему контроля проводимых операций, принятых на конкретном объекте. Система контроля, как правило, дает исходную информацию для поиска признаков нарушения, а также может зафиксировать для ИС факт от клонения контролируемого параметра от его требуемого значения. Помимо того, не исчерпали еще своих воз можностей и «поверхностные» знания - эвристики, связывающие признаки ненормального функционирования объекта с их причинами, особенно на начальных этапах исследования. То есть очевидно, что комбинированное использование двух типов знаний будет способствовать успешной разработке эффективной ИС. Эмпирический логический вывод (от «поверхностных» знаний) сделает процесс обнаружения признаков преступлений быст рым и эффективным, тогда как функциональный вывод (от «глубоких» знаний) обеспечит гибкость и точность диагноза.

Можно увидеть два пути создания ИС:

а) от общего к частному - разработать или воспользоваться уже имеющимися инструментальным про граммным средством формирования ИС (оболочкой), которую затем наполнять знаниями о конкретных объек тах, формируя таким образом нужные ИС;

б) от частного к общему - разработать конкретную объектно-ориентированную ИС на универсальном алгоритмическом языке, а затем обеспечить возможность настройки программной реализации на другие объек ты (впрочем, оба процесса скорее всего пойдут параллельно).

Второй путь представляется более предпочтительным ввиду его преимуществ:

во-первых, повышается эффективность разрабатываемой ИС и снижаются требования к ресурсам ЭВМ благодаря учету специфики предметной области;

во-вторых, появляется уже готовая ИС, которую можно применять по назначению;

в-третьих, программная реализация всегда допускает возможность варьировать данными, что и расши ряет программу до инструментального средства, с помощью которого можно создавать ИС для других типов экономических объектов, то есть - до оболочки. Такая оболочка будет, конечно, более специализированной на предметную область, но это скорее достоинство, чем недостаток, потому что помимо эффективности она более проста в обращении, тогда как существующие универсальные оболочки - это по сути объектноориентирован ные языки высокого уровня.

Рассмотрим основные особенности разработки указанным методом оболочки, специализированной на построение ИС, способные осуществлять поиск признаков преступлений на объектах кредитно-финансовой сферы. Эта оболочка должна представлять собой пакет программ, включающий средства построения базы зна ний, машину вывода и пользовательский интерфейс.

Сформированная для конкретной ИС база знаний разделена на две суббазы: одна содержит декларатив ные знания, другая - процедурные.

Декларативная суббаза построена в виде двух фреймов: фрейма описания объекта и фрейма правил. Во фрейме описания в качестве слотов представлены: структура объекта, взаимосвязи его элементов, перечень признаков ненормального функционирования.

Для удобства программной реализации каждый из слотов фреймов хранится в виде отдельного файла.

Поспелов Г.А. Принятие решений в условиях неопределенности. - М.: Радио и связь, 1982, 326 с.

Теоретические, организационные, учебно-методические и правовые проблемы Слот взаимосвязей элементов исследуемого объекта представляет собой совокупность индексирован ных множеств STRi, i = 1, 2,..., NC. Индекс i множества определяет его принадлежность к элементу, значаще муся под номером i в списке элементов структуры. Элементами каждого множества являются целые числа номера отделов из того же списка, которые являются элементами i - го отдела:

STRi = { ki,j : ki,j IC }, где IC = { 1, 2,..., NC}, j = 1, ni, ni -количество операций, выполненных в i - м отделе.

Может иметь место ситуация, когда не известно какие операции выполнил i - й отдел: или не известно или нет необходимости в детализации, тогда STRi =.

Слот признаков ненормального функционирования представляет собой перечень внешних проявлений нарушений в деятельности отделов исследуемого объекта, причем порядковый номер нарушения в этом списке также является его признаком. Принято, что первые пр признаков рассматриваются как «первичные», то есть такие, которые наблюдаются без дополнительных проверок. Программа, обрабатывающая файл этого слота, должна обеспечивать его создание, добавление записей, их исправление, удаление, вставку и просмотр. При вставке и удалении предусматривается также коррекция фрейма правил в связи с изменением порядковых но меров - признаков нарушений.

Фрейм правил состоит из двух пар слотов. В каждую пару входят: слот условий и слот следствий про дукционных правил. Первая пара относится к правилам так называемого первого уровня, связывающим «пер вичные» признаки нарушений с отделами исследуемого объекта. Вторая пара используется в правилах второго уровня, которые связывают более детальные признаки нарушений с конкретными выполняемыми операциями в отделах.

Каждый из слотов условий - это совокупность множеств ANTl, l = 1, 2,..., NA - элементами которых являются признаки - номера проявления нарушений в упоминавшемся выше перечне:

ANTl = { kl,p : kl,p = IF }, где IF = { 1, 2,..., NF }, p = 1, 2..., ni, ni - число условий, связываемых операцией &, в l - ом правиле.

Слот следствий представляет собой совокупность множеств Cl, l = 1, 2,..., NA - элементами которых являются признаки - номера выполняемых операций также в соответствующем перечне:

Cl = { kl,s : kl,s IC }, s = 1, 2..., ns, ns - число выполняемых операций, нарушения при выполнении которых связаны с усло виями ANTl.

В процедурной форме представлены метазнания. Это, в частности, процедура, которая устанавливает отношения несовместимости между признаками нарушений. Здесь имеется ввиду то обстоятельство, что одно временное появление некоторых признаков невозможно или крайне маловероятно. Учитывая это при интерпре тации правил, можно облегчить диалог «пользователь - ИС», усилить направленность поиска нарушения. Под отношениями несовместимости можно понимать множества CTRr, r = 1, 2,..., NF, чьими элементами являются признаки - номера проявления нарушений, которые не могут иметь места одновременно с r - ым. Оказывается, что можно сформировать множества CTRr без участия эксперта, на основании анализа фрейма правил и слота структуры фрейма описания объекта управления. Алгоритм формирования множества CTRr при этом основы вается на допущениях независимости признаков нарушений, относящимся к выполняемым операциям одного уровня иерархии, и о невозможности появления двух и более нарушений одновременно. Это кажущееся огра ничение в действительности не только не сужает область применения ЭС, но и дополнительно структурирует задачу поиска признаков нарушений. В самом деле, первое допущение не исключает зависимых нарушений, которые могут иметь общий характерный признак, а второе предписывает искать нарушения последовательно, по очереди.

Согласно указанным допущениям в множество CTRr включаются номера - признаки проявлений нару шений по следующим правилам:

а) если r - признак является «первичным», то в множество CTRr вносится каждый «первичный» признак i, не равный r и не входящий в одно с r - ым правило:

CTRr = { i : 1 i np, i r, (i, r) ANTl, l = 1, 2,..., NF }, где np - число «первичных» признаков;

б) если r - ый признак не является «первичным», то в множество CTRr вносятся признаки нарушений в выполнении операций, проведенных в том же отделе исследуемого объекта, что и операция, чьим признаком нарушения является r -ый:

CTRr = { i : np i NF, i r, (i ANTl, r ANTj, l = 1, 2,..., NF, j = 1, 2,..., NF l j) & ( ANTl k, ANTj p ) & ( k STRu, p STRu, k p ) }.

Нельзя, разумеется, утверждать, что приведенные правила исчерпывают все ситуации несовместимости признаков нарушений, могут быть и другие, в том числе - плохо формализуемые ситуации. Но эти имеют место всегда и притом признаки, находящиеся в указанных отношениях, наиболее многочисленны. Эксперту же пре доставляется возможность расширить отношения несовместимости (исходя из «особых» соображений) «вруч ную», для этого в составе оболочки должна быть предусмотрена специальная программа.

Теоретические, организационные, учебно-методические и правовые проблемы Обратим внимание на то, что принятые допущения и основанные на них правила хороши в рассматри ваемой предметной области, так как они демонстрируют (в общеметодологическом плане) пользу учета в ин теллектуальной системе особенностей предметной области.

Центральным элементом оболочки является машина вывода. Она представляет собой механизм интер претации продукционных правил и использует фрейм правил в качестве исходных данных. Исходными данны ми являются также параметры текущего состояния исследуемого объекта, получаемые либо автоматически, либо из бухгалтерской документации. Параметры - это множество ATR наблюдаемых признаков нарушений.

Множество ATR сравнивается с множествами - условиями ANTl, l = 1, 2,..., NA1 правил 1 - го уровня. При выполнении условия ATR = ANTl* (1) из следствия l* - го правила выбирается множество Cl* действий для дальнейшего детального анализа.

При невыполнении (1) условием для выбора является AUXl* = min ( AUXl ), 1 l NA1, (2) где AUXl = ATR - ANTl.

После отбора «подозрительных» действий происходит последовательный просмотр производимых дей ствий с целью уточнения ситуации. Теперь программа выбирает действие k выполняемое u отделом, информа ция о котором содержится, как упоминалось, в множестве STRu. Отыскиваются правила, в следственных частях которых присутствует действие k:

k Cj, а затем условные части этих правил ANTj представляются пользователю для подтверждения содержа щихся в них признаков нарушений. При этом не рассматриваются признаки, находящиеся в отношении несо вместимости с уже отмеченными пользователем.

Таким образом, процедура поиска нарушения представляет собой комбинацию прямого и обратного ло гических выводов. Направленность поиска достигается благодаря прохождению по иерархии выполняемых действий и определению несовместимых путей поиска. Направленность поиска ускоряет процесс обнаружения нарушений, облегчает работу пользователя, а также защищает саму систему от некомпетентного или недобро совестного пользователя.

Машина вывода итерационно углубляется в структуру выполняемых действий, не накладывая ограни чений на степень их детализации: поиск останавливается на операции k, выполнение которой не закончено или прервано в соответствующем слоте фрейма, то есть STRk =.

Диалоги, в которые вступают в процессе работы средства оболочки и пользователи, обеспечиваются пользовательским интерфейсом, выполненным по принципу «меню» на русском языке.

Указанное построение средств оболочки дает возможность модифицировать продукционные правила через данные без перепрограммирования, обеспечивает независимость всех средств оболочки от исследуемого объекта. В базу знаний могут быть включены как «поверхностные» знания, отражающие опыт специалистов, так и «глубокие» знания, основанные на анализе структуры выполняемых операций. Возможны комбинации типов знаний, а также знания, представленные в процедурной форме в виде моделей ситуаций.

Итак, отличительными признаками описанной оболочки являются:

независимость средств оболочки от типа и структуры исследуемого объекта;

простота построения интеллектуальной системы поиска признаков нарушений на конкретном объекте, обеспечиваемая использованием готовых неперестраиваемых компонентов: машины вывода, процедуры выра ботки отношений несовместимости, а также дружественного интерфейса, не требующего специальной подго товки разработчика;

направленность поиска признаков нарушений в конкретной интеллектуальной системе, достигнутая благодаря прохождению по иерархии структуры выполняемых операций и определению несовместимых путей поиска;

быстрота поиска и удобство работы для пользователя, полученные за счет направленности поиска при знаков нарушений и дружественного интерфейса;

небольшие требования к ресурсам ЭВМ.

Наиболее распространенными системами представления знаний в настоящее время являются продук ционные системы, то есть системы, основанные на правилах продукции вида «если – то»1. Таким системам с точки зрения человека очень легко придать ясный смысл. При этом отличительной чертой такого представле ния является простота дополнения, модификации и аннулирования знаний. Кроме того, со стороны компьютера имеется возможность определения простого и точного механизма использования знаний с высокой однородно стью, описанных по одному синтаксису.

Продукционная система содержит базу данных, содержащих множество фактов, базу правил и интер претатор для получения логического вывода на основании этих правил. Правила продукций состоят из услов ной и заключительной частей, причем в условной части правила проверяются данные из рабочей памяти (на Поспелов Д.А. Ситуационное управление: теория и практика. – М.: Наука, 1986, с. 112.

Теоретические, организационные, учебно-методические и правовые проблемы пример, проверяются наличие/отсутствие данных либо выполнение условия описания данных с помощью пре дикатов);

она может состоять из одного условия или нескольких условий, соединенных связкой «И».

Заключительная часть показывает данные, которыми следует дополнить рабочую память при выполне нии условной части. При использовании систем продукций в соответствии с необходимостью можно расши рить эти правила использованием связи «ИЛИ», или ввести в условную часть вычисления на основании содер жимого рабочей памяти, или другие операции, или ввести заключительную часть, указывающую на заключение без дополнения рабочей памяти. Подобные правила представляют собой отношение вывода, установленное между содержимым рабочей памяти, ссылка на которое осуществляется из условной части, и содержимым, ука зываемым в заключительной части. Такое отношение можно представить в виде графа с древовидной структу рой.

Если существует множество правил, из которых выводится одно и то же заключение, то, выполнив опе рации «ИЛИ» над всеми заключениями, получаемыми с помощью этих правил, можно показать отношение ме жду результатом отдельного вывода и данными, на основании которых делается вывод. Следовательно, если в такой форме представить отношение между всеми правилами, используемыми в системе продукций, и содер жимым памяти, то всю систему продукций можно представить в виде одного графа «И/ИЛИ».

В самом нижнем узле этого графа будут располагаться основные системные данные, а в самом верхнем узле - заключения, выводимые системой. В итоге вывод, получаемый с помощью системы продукций, можно представить как совокупность серии правил, поддерживающих отдельное заключение, и данных, на основании которых делается вывод.

С точки зрения эффективности вывода в системах продукций важной проблемой является способ орга низации поиска на графе (то есть разрешение конфликтов и определение последовательности оценки условных частей). В то же время ширина графа «И/ИЛИ» системы продукций заранее регламентируется числом этапов вывода (от исходных данных до получения заключения) и числом правил, на основании которых выводится одно и то же заключение, поэтому считается, что случаев, когда невозможно вывести все значения, сравнитель но мало.

Кроме того, когда методом логического вывода регламентируется суммарный объем запрашиваемых данных и последовательность запроса, то число запросов минимизируется. Для того чтобы запросы выполня лись в естественной последовательности, обычно используют различные методы управления выводом, и это управление определяется последовательностью поиска на графе.

Имеют место продукционные системы с прямым и с обратным выводом, а также комбинированные, ис пользующие сочетания прямого и обратного вывода.

В системе продукций с обратными выводами с помощью правил строится дерево «И/ИЛИ», связываю щее в единое целое факты и заключения;

оценка этого дерева на основании фактов, имеющихся в базе данных, и есть логический вывод.

При прямом выводе отправной точкой служат предоставленные данные, процесс оценки приостанавли вается в узлах с отрицанием, причем в качестве заключения используется гипотеза, соответствующая самому верхнему уровню дерева. Однако для такого вывода характерно большое количество данных, а также оценок дерева, не имеющих прямого отношения к заключению, что излишне.

Преимущество обратных выводов в том, что оцениваются только те части дерева, которые имеют от ношение к заключению, однако если отрицание или утверждение невозможны, то порождение дерева лишено смысла. В двунаправленных выводах сначала оценивается небольшой объем полученных данных и выбирается гипотеза (по примеру прямых выводов), а затем запрашиваются данные, необходимые для принятия решения о пригодности данной гипотезы. На основе этих выводов можно реализовать более мощную и гибкую систему.

В реальной обстановке приходится обращаться с нечеткой информацией. В таких случаях необходимо различать две категории нечеткостей: нечеткость непосредственно данных и нечеткость вывода;

при этом, ко гда заключение выводится с помощью нескольких правил, включающих и нечеткие, возникает проблема опре деления степени нечеткости всего заключения.

В связи с тем, что знания не всегда могут быть описаны точно, то на практике часто приходится иметь дело с нечеткими знаниями. Люди повседневно решают проблемы и делают заключения в среде нечетких зна ний, и для того, чтобы интеллектуальные системы обладали такими возможностями, как гибкость, широкий кругозор, адаптируемость, необходимо представлять и использовать нечеткие знания. Причины нечеткости весьма разнообразны, и для того, чтобы формализовать нечеткие знания для представления их в ЭВМ будем подразделять причины нечеткости на следующие классы: недетерминированность выводов, многозначность, ненадежность, неполнота и неточность.

Недетерминированное управление наиболее характерно для систем искусственного интеллекта. Такое управление необходимо потому, что знания накапливаются фрагментарно, и нельзя априори определить цепоч ку логических выводов, в которых они используются. Другими словами, необходимо методом проб и ошибок выбрать некую цепочку выводов, и в случае неудачи организовать перебор с возвратами для поиска другой це почки. Такое управление является предпосылкой проявления гибкости и интеллектуальных способностей, по зволяющих найти выход в самых различных ситуациях.

Поскольку эффективность простого поиска низка, возникает необходимость определения пути, по ко торому следует начать поиск в первую очередь. Задача поиска состоит в поиске в пространстве состояний пути Теоретические, организационные, учебно-методические и правовые проблемы от исходного состояния заданной задачи до целевого состояния путем повторения возможных преобразований.

При этом для организации поиска в пространстве состояний следует использовать граф поиска.

Для организации поиска в базе знаний должны быть заложены фундаментальные понятия, организация связи между ними и алгоритм вывода новых понятий. Исследование начинается от заданного фундаментально го понятия с целью обнаружения новых, еще неизвестных, но необходимых понятий. Созданные понятия пред ставляются в виде фрейма с несколькими слотами. Эвристические знания описываются в форме правил (типа «если - то») и добавляются в соответствующие слоты фреймов. Глобальная структура управления основана на механизме регистрации знаний;

задания, которые предстоит выполнить, прежде всего, регистрируются в списке заявок с указанием приоритета, из списка выбирается задание с наиболее высоким приоритетом и выполняется.

Во время выполнения задания подбираются соответствующие правила из фреймов высшего уровня через указа тели в слоте «обобщения» текущего фрейма и затем эти правила используются.

Функции правил можно классифицировать следующим образом:

1) вставка содержимого в слот специального понятия - выполняется при перечислении примеров неко торого понятия, при построении предположений и при обновлении слота «ценность». Кроме правильных при меров в слоте «примеры» можно привести граничные примеры или контрпримеры. В слоте «предположения»

определяется эквивалентность с другим понятием, особенности, обобщения, связь через некоторый предикат и т.п.;

2) проверка слотов некоторого понятия - проверяя правильность содержимого слота, обнаруживаются интересные факты через систематизацию и связь с другими понятиями (обобщение, особенности и т.д.);

3) генерация новых понятий - с этой целью используются обобщения, выделение особенностей, обра ботка контрпримеров, подобие, связь с обратным явлением, синтез функций, упрощение, прямое произведение множеств и другие операции;

4) регистрация нового задания в списке заявок;

5) критерии оценки интереса к понятию и заданию - используется симметрия, частота появления поня тия, индивидуальность, связь с другими интересными понятиями, непрерывность по отношению к последнему заданию и другие факторы.

Процесс поиска в общих чертах сводится к повторению следующих действий: выбору одного из поня тий, построению примеров, проверки степени интереса и порождения нового задания (включая генерацию но вого понятия). Обращая внимание на степень интереса к понятию, организуется поиск возможности примене ния различных функций, крайних случаев, обобщений, особенностей и т.п.

Многозначность интерпретации характерна для естественных языков, используемых человеком. При понимании естественных языков большими проблемами становятся многозначность смысла слов, многознач ность их подчиненности, многозначность местоимений в контексте и т.п. Устранить многозначность удается за счет более широкого контекста и семантических ограничений. В общем случае устранить многозначность по могают более широкие пространственные отношения и другие способы.

Устранить многозначность можно методом релаксации, то есть с помощью выполнения циклических операций и определения отношений к уже однозначным понятиям.

Полностью описать мир невозможно, поскольку невозможно перечислить все отношения, которые мо гут возникнуть между объектами и явлениями. Так, при осмотре места происшествия, можно перечислить все предметы, находящиеся там, но невозможно перечисть то, чего на месте происшествия нет. Точно также можно перечислить верные знания, но перечислить неверные знания и разумно их определить невозможно.

Удобно в базе знаний определять исключительно верные знания, а все, что не определено, считать заве домо неверным. Утверждения, которые не упомянуты ни как истинные, ни как ложные, следует относить к ложным. Это называется гипотезой закрытого мира.

Классическая логика исходит из предпосылки, что набор определенных в ней аксиом (знаний) полон, и правильный вывод не меняется, даже если впоследствии добавлена новая аксиома. Такое свойство называется монотонностью. Для нечетких систем свойственно свойство немонотонности, когда новые знания могут кор ректировать старые, а иногда возможно отрицание вывода, который считался верным в некоторой системе ак сиом (базе знаний).

Представление знаний в виде правил продукций требует много памяти и иногда допускает дублирова ние информации, если определенные факты - признаки явлений имеют несколько связей и могут быть получе ны несколькими способами. Это значительно осложняет сам процесс вывода и требует большого объема памя ти.

Значительно проще хранить информацию в виде фреймов, содержащих структуры данных для пред ставления некоторого концептуального объекта. Все фреймы взаимосвязаны и образуют единую фреймовую систему, в которой органически объединены декларативные и процедурные знания. Каждый фрейм описывает один концептуальный объект, а конкретные свойства этого объекта и факта, относящегося к нему, описываются в слотах - структурных элементах данного фрейма;

поскольку концептуальному представлению свойственна иерархичность, целостный образ знаний строится в виде одной фреймовой системы, имеющей иерархическую структуру. В слот можно подставлять различные данные, специфичной процедурой вывода в данном фрейме является так называемая присоединенная процедура, используемая в качестве слота. Тогда благодаря присое диненной процедуре пользователь системы может реализовать любую модель вывода.

Теоретические, организационные, учебно-методические и правовые проблемы В основе теории фреймов лежит восприятие фактов посредством сопоставления полученной извне ин формации с конкретными элементами и значениями, а также с рамками, определенными для каждого концепту ального объекта в памяти. Поскольку между различными концептуальными объектами имеются некоторые аналоги, то образуется иерархическая структура с классификационными и обобщающими свойствами. Собст венно она представляет собой иерархическую структуру отношений типа «абстрактное - конкретное». Сложные объекты представляются комбинацией нескольких фреймов, то есть организуются в сеть фреймов. Кроме того, каждый фрейм дополняется связанными с ним фактами и процедурой, обеспечивающей выполнение запросов к другим фреймам.

Фрейм представляет собой структурную единицу информации и содержит не только признаки какого то объекта или явления, но и связь между ними. Каждый фрейм может быть дополнен различной информацией.

Эта информация может касаться способов применения данного фрейма, последствий этого применения, дейст вий, которые необходимо выполнить, если не оправдался прогноз и т.д.

Каждый фрейм можно рассматривать как сеть, состоящую из нескольких вершин и отношений. На са мом верхнем уровне фрейма представлена фиксированная информация: факт, касающийся состояния объекта, который считается истинным. На последующих уровнях расположено множество так называемых терминаль ных слотов (терминалов), которые обязательно должны быть заполнены конкретными значениями и данными.

В каждом слоте задается условие, которое должно выполняться при установлении соответствия между значениями (слот либо сам устанавливает соответствие, либо обычно это делает более мелкая составляющая фрейма). Простое условие указывается меткой, оно может содержать требования, например, чтобы соответст вие устанавливал пользователь, чтобы было достаточно полно описанное значение, чтобы был указатель специ альных составляющих фреймов и т.п. Сложные условия указывают отношения между фактами, соответствую щими нескольким терминалам. Соединив множество фреймов, являющихся отношениями, можно построить фреймовую систему. Наиболее важный результат такого построения проявляется в возможности преобразова ния фреймов в одной системе.

Фреймы используются для экономичного проведения различных расчетов и обнаружения причинно следственных связей. Различие между фреймами одной системы указывает на какие-либо действия, причинно следственные отношения или изменение концептуальной точки зрения. В одной системе различные фреймы могут иметь общие терминалы. Благодаря этому появляется возможность связывания информации, полученной с различных точек зрения. Это в свою очередь позволяет выполнять операции прогнозирования и включения других процессов.

Несколько терминалов одного фрейма обычно заранее определяются значениями по умолчанию. Сле довательно, даже когда не задана подробная информация, касающаяся некоторого объекта, данный фрейм все равно будет довольно информативен. Этот метод можно широко использовать для представления информации общего характера, анализа множества сходных задач, отработки техники решения задач логическими методами.

Поскольку значение по умолчанию не связано жестко с терминалом, его можно легко заменять на но вую информацию, например, для более точного согласования с соответствующей ситуацией. Следовательно, значение по умолчанию может использоваться в качестве переменной либо в специальных случаях, либо в об щепризнанных случаях. Кроме того, оно может использоваться вместо логических ограничителей.

Фреймовые системы связаны с информационно-поисковыми сетями. Если очередной фрейм не соответ ствует текущей проблеме, то есть не установлено соответствие терминала условию метки, то такая сеть задает другой фрейм. С помощью подобной межфреймовой структуры можно представлять знания, касающиеся фак тов, сходств и другой информации, полезной для понимания.

Когда некоторый фрейм выбирается в качестве единицы представления некоторого состояния, то в процессе согласования во все терминалы каждого фрейма подставляются такие значения, чтобы выполнялись условия в соответствующих местах. Подобный процесс согласования управляется информацией, дополняющей фрейм (эта информация касается обработки непредвиденных ситуаций), а также целью системы в текущий мо мент времени.

Механизм управления выводом организуется следующим образом. Сначала запускается одна из при соединенных процедур некоторого фрейма, затем в силу необходимости посредством пересылки сообщений последовательно запускаются присоединенные процедуры других фреймов и таким образом осуществляется вывод. Другими словами, база знаний должна быть определена так, чтобы правильно выполнялся вывод. Этот способ представления знаний особенно эффективен для структурного описания сложных понятий и решения задач, в которых в соответствии с ситуацией желательно применять различные способы вывода.

Фреймовая модель представления знаний обладает большой гибкостью. Отличительными чертами ее являются возможность комбинации декларативных и процедурных знаний в одной единице представления зна ний - фрейме, возможность иерархического построения базы знаний согласно степени абстракции понятия, а также возможность реализации любой системы вывода на основе объектно-ориентированного метода управле ния выводом - обмене сообщениями.

При эффективном использовании фреймовой системы можно добиться быстрого понимания сущности данного объекта и его состояния, однако, для запоминания различных признаков в виде фреймов необходима память. Поэтому только наиболее важные признаки данного объекта запоминаются в виде базовых фреймов, на основании которых строятся фреймы для новых состояний. При этом каждый фрейм содержит слот, оснащен ный указателем подструктуры, который позволяет различным фреймам совместно использовать одинаковые Теоретические, организационные, учебно-методические и правовые проблемы части. Благодаря этому свойству возможно представление и использование информации, полученной в различ ное время из различных источников.

Процесс, в ходе которого проверяется правильность выбора фрейма, называется процессом сопоставле ния. Обычно этот процесс осуществляется в соответствии с текущей целью и информацией (значениями), со держащейся в данном фрейме. Другими словами, фрейм содержит условия, ограничивающие значения слота, а цель используется для определения, какое из этих условий, имея отношение к данной ситуации, является реле вантным. В итоге процесс сопоставления фреймов осуществляется следующим образом.

С помощью предположения и интуиции выбирается некоторый базовый фрейм, и с помощью знаний, основанных на выявленных особенностях, релевантности или с помощью подфреймов, предполагаемых наибо лее релевантными, данный фрейм сам подтверждает или не подтверждает свою релевантность. При этом в со ответствии с текущей целью определяется, какое ограничение слота следует использовать при сопоставлении.

При подтверждении процесс сопоставления завершается.

В противном случае если в данном фрейме имеется слот, в котором возникла ошибка, касающаяся, на пример, условия согласованности с информацией, заданной по умолчанию, то необходима информация, обес печивающая присваивание надлежащего значения данному слоту. Присваивание требуемой информации дан ному слоту должно не противоречить ограничениям слота и ожиданиям.

Если сопоставление оканчивается неуспехом, то в качестве последнего шага управление передается другому надлежащему фрейму из этой системы. Если и этот фрейм не подходит, то управление передается со ответствующему фрейму из другой фреймовой системы.

Такой подход весьма важен, когда по определенным признаком происходит выявление определенного вида преступлений. Если признаков недостаточно или, наоборот, присутствуют дополнительные признаки, то следует искать преступление иного вида либо многоэпизодное преступление.

В более сложных ситуациях, когда предполагается совершение многоэпизодного преступления проис ходит оценка нескольких фреймов, которые могут находиться в некотором иерархическом отношении. Особен ность такой иерархической структуры заключается в том, что информация об атрибутах, которую содержит фрейм верхнего уровня, совместно используется всеми фреймами нижних уровней, связанных с ним. В таком случае упрощается обнаружение противоречий в знаниях и управление последовательностью в использовании знаний.

В качестве базы данных продукционной системы возможно объединение фреймов и правил продукции, что в свою очередь делает структуру более гибкой.

В случае, когда процесс поиска решения закончился неудачей, то возникает необходимость в поиске фрейма, подобного предыдущему. Такой поиск, осуществляемый с использованием указателей различия, воз можен благодаря соединению фреймов, описывающих объекты с небольшими различиями, с данными указате лями и образованию сети подобных фреймов, то есть организации межфреймовой сети.


Важным моментом в поиске решения поставленной задачи является определение начального фрейма, с которого начинается поиск. Так человек, имея априорные знания о предметной области, начинает поиск по ас социации с теми значениями, с которыми он уже имел дело. Источником априорной информации может стать модель функционирования финансового объекта. С помощью модели можно получить значения параметров, характеризующих предметную область. Чем больше информации получено априорно, тем ближе окажется мо дель к реальной ситуации. Ассоциативный метод поиска решений значительно сокращает процесс нахождения правильного решения. Подобные значения по умолчанию слабо связаны со слотами и далее они постепенно могут заменяться на достоверную информацию.

В этом случае пока не распределены терминальные значения, решение о занесении информации в дол говременную память не принимается. До этого момента во фрейме хранится значение по умолчанию, хотя и слабо вязанные с реальной обстановкой. Выводы, получаемые на основании значений по умолчанию, называ ются выводами по умолчанию. По этим выводам можно продолжить получение вывода и восполнить недостат ки заданной информации. Эта функция обычно расширяет возможности системы, в то же время существует опасность получения неправильных выводов на основе ошибочных представлений.

Вывод по умолчанию выполняет весьма важную функцию при распознавании ситуаций. Если имеется не вся информация о ситуации, то заменив недостающие значения признаков значениями по умолчанию, можно получить полное отображение ситуации.

Организацию поиска решений можно проводить, если провести иерархию признаков состояний объек та, то есть выбрать наиболее значимые или наиболее характерные признаки и начинать поиск именно этих при знаков.

Действия разработчиков конкретной системы (экспертов и инженера по знаниям) практически сводятся к заполнению базы знаний. В первую очередь составляются списки: отделов, выполняемых ими операций, взаимодействия отделов, а также проявления признаков нарушений при выполнении операций. Далее форми руются продукционные правила: соответствующая программа предлагает пользователю отметить для условной части каждого из правил признаки нарушений из составленного ранее списка, а для следственной части - при знаки осуществляемых действий при выполнении операций также из соответствующего списка. На последнем этапе формирования базы знаний вводится программа автоматически устанавливающая отношения несовмес Теоретические, организационные, учебно-методические и правовые проблемы тимости между признаками нарушений. По окончании ее работы эксперт может, если сочтет необходимым, дополнить отношения несовместимости для некоторых признаков «вручную».

Теперь сформированная система готова к применению по назначению. Ее единственный «активный»

компонент - машина вывода, придается ей в готовом виде, без каких-либо изменений со стороны экспертов и инженеров по знаниям.

В дальнейшем с разработанной системе работает пользователь. Загруженная для выполнения програм ма, представляющая собой машину вывода с элементами пользовательского интерфейса, предлагает пользова телю отметить наблюдаемые им признаки нарушений из представляемого списка «первичных» признаков. Ко гда он это сделает, программа прервет диалог и не станет обременять пользователя просмотром всего перечня возможных «первичных» признаков. Машина вывода локализует «подозрительную» операцию и поступит так, как было описано выше. При этом от нее следуют пользователю промежуточные рекомендации по проверке отдельных действий, если это необходимо. Если какие-то действия окажутся противоправными, то ИС укажет на них и пояснит в чем состоит несоответствие принятым нормам.

Одна из простейших и очевидных мер развития - включение в машину вывода функции сбора и обра ботки статистики нарушений. Запоминая в специально выделенном слоте описания функционирования объекта частоты тех или иных нарушений при выполнении отдельных операций, ИС будет начинать анализ деятельно сти объекта с проверки именно этих операций.

Значительно увеличит возможности оболочки введение в состав ее средств суббазы концептуальных знаний. Эта суббаза будет помогать эксперту формировать базу знаний разрабатываемой ИС, а также использо ваться в процессе поиска признаков нарушений при отсутствии знаний о текущей ситуации в декларативной суббазе. Суббаза концептуальных знаний, как и машина вывода и программа процедурных знаний, не зависит от типа объекта, поэтому будет придаваться ИС конкретного объекта в готовом виде.

ПРОГНОЗИРОВАНИЕ КОМПЬЮТЕРНОЙ ПРЕСТУПНОСТИ: НЕОБХОДИМОСТЬ КОМПЛЕКСНОГО ПОДХОДА К.ф-м. н., доцент О.Э. Згадзай (Казанский ЮИ МВД России) Количество преступлений в сфере телекоммуникаций и компьютерной информации – киберпреступле ний – продолжает расти, причем это происходит не только в России, но и в мире в целом. Активно развиваясь, компьютерное криминальное соообщество фактически сформировало свою виртуальную среду. Согласно дан ным Reuters, уже в 2004 году киберпреступность заработала $105 млрд., тем самым обойдя по "официальной" доходности наркоторговлю1. В этой связи прогноз компьютерной преступности играет важную роль для выяв ления преобладающих тенденций и профилактики наиболее опасных видов преступлений. Необходимо однако отметить, что получение достоверных количественных данных о преступлениях в сфере информационных технологий (ИТ) является достаточно сложной задачей для исследователя. Официаль ная отчетность далеко не всегда позволяет получить реальную картину состояния явления. Согласно опубликованной МВД России статистике, за 2005 год в России зарегистрировано око ло15 тысяч преступлений в сфере телекоммуникаций и компьютерной информации. При этом самыми много численными являются нарушения, связанные с неправомерным доступом к коммерческим данным.

3, y = 6,3381x R = 0, Зарегистрировано преступлений 15000 14 y = 313,18x - 1388,7x + 1363, R = 0, 1997 1998 1999 2000 2001 2002 2003 2004 2005 - Годы Рис 1. Прогноз числа зарегистрированных компьютерных преступлений в России с использованием трендовых моделей http://crime-research.ru/news/13.04.2006/2496/crime-research.ru Гаврилин Ю.В. Расследование неправомерного доступа к компьютерной информации: Автореферат дисс. на соиск. уч. ст.

кандидата юридических наук. М., 2000. 24 с.

Крылов В.В. Расследование преступлений в сфере информации. М.: Городец, 1998. 264 с.

Теоретические, организационные, учебно-методические и правовые проблемы Анализ имеющихся официальных статистических данных за период с 1997 по 2005 год (Рис. 1.) с по мощью трендовых моделей показывает, что они адекватно описываются как степенной, так и квадратичной моделью тренда. В первом случае Y = 6,34 t 3,56, R2 = 0,998, где Y – количество зарегистрированных преступлений, t – время, R – среднеквадратичная ошибка. Экс траполируя зависимость на 2006 г., получим прогнозное значение – 22700 преступлений.

Во втором случае Y = 1363, 7 1388, 7 t + 313, 2 t 2, R2 = 0,988.

а прогнозное значение на 2006 г. равно 18800. Можно считать прогноз по квадратичной модели тренда оптимистическим, а постепенной – пессимистическим.

Прогноз преступлений в сфере компьютерной информации (ст. 272 – 274 УК РФ) и связанных с ними преступлений (ст. 159, 165, 187 УК РФ) показан на Рис. 2. Очевидно, что экспоненциальные модели тренда аде кватно описывают имеющиеся официальные данные.

14000 ст. 272- 12000 ст. 159;

165;

187 Экспоненциальный (ст. 159;

165;

187) Экспоненциальный (ст. 272-274) 0,3578x y = 564,64e R = 0, 4122 0,705x 4000 y = 193,65e R = 0, 896 0 1999 2000 2001 2002 2003 Рис 2. Прогноз числа зарегистрированных преступлений по ст. 272 – 274 и ст. 159, 165, 187 УК РФ с использованием экспо ненциальных моделей тренда Степенные модели тренда хорошо описывают данные о зарегистрированных преступлениях по ст. 272 и ст. 273 УК РФ (Рис 3.).

16000 3, y = 4,8797x 272 ст. R = 0,9943 273 ст.

Степенной (272 ст.) Степенной (273 ст.) 3, y = 1,3218x R = 0, 8000 8002 6000 1619 12 85 0 1997 1998 1999 2000 2001 2002 2003 2004 Рис 3. Прогноз числа зарегистрированных преступлений по ст. 272 и ст. 273 УК РФ с использованием степен ных моделей тренда Во всех странах фактическая преступность превышает количество зарегистрированных преступлений.

Hаряду с очевидной угрозой для мирового сообщества, которую представляет собой компьютерная преступ ность, и определенными успехами правоохранительных органов в борьбе с этим явлением, уровень латентности данного вида преступлений остается очень высоким. Практика свидетельствует о том, что данные, взятые из статистических учетов, имеют неполный характер и не отвечают действительности. Латентная (скрытая) пре ступность остается за границами учета. Наличие латентной преступности способно вызвать серьезные и далеко идущие негативные последствия. Она создает в определенной среде психологическую обстановку безнаказан ности за общественно опасные деяния, провоцирует преступников на совершение все новых и новых (как пра вило, более опасных) преступлений;

содействует формированию стойких преступных групп;

подрывает прин Теоретические, организационные, учебно-методические и правовые проблемы цип необратимости наказания;

снижает общепревентивное значение уголовного закона, ухудшает моральный климат в государстве, нарушает законность и правопорядок.

По механизму и способам совершения преступления в сфере компьютерных технологий специфичны, поэтому они имеют высокий уровень латентности. Так, по данным Национального отделения ФБР по компью терным преступлениям от 85% до 97% компьютерных посягательств даже не выявляются1. По оценкам иных экспертов, латентность компьютерных преступлений в США достигает 80%, в Великобритании — до 85%, в ФРГ — 75%, в России — более 90%.


За рубежом, где накоплена достаточно большая и достоверная статистика компьютерных преступлений, до суда доходят меньше 1% нарушений. При этом следует помнить, что, по утверждению специалистов, реви зия в состоянии выявить не более 10% электронных хищений2.

В структуре латентной преступности по механизму ее образования выделяют четыре разновидности.

Первая разновидность охватывает совокупность преступлений, о факте совершения которых ни право охранительным органам, ни представителям администрации предприятий, учреждений и организаций, ни от дельным гражданам ничего не известно. О преступном событии знают только виновное лицо и его сообщники, не заинтересованные в разглашении сведений об этом. Сами преступления, как правило, заранее обдуманы, детально спланированы, мастерски замаскированы, обставлены разными способами их сокрытия. Латентность такого вида называется естественной.

Вторую разновидность латентной преступности составляет большой массив преступлений, которые хо тя и известны должностным лицам (сотрудникам подразделений или учреждений, отдельным гражданам), но ни те, ни другие не заявляют о них в соответствующие органы. Среди мотивов подобных действий можно вы делить следующие:

стремление сокрыть преступление, так как его выявление может нанести вред престижу организации или ее руководителя, повлечь за собой организационные выводы (смещение с должности) или уголовную от ветственность;

надежда получить материальное вознаграждение за сокрытие информации о совершенном преступле нии;

безразличное либо негативное отношение к борьбе с преступностью и др.

Латентную преступность такого вида называют искусственной.

Третью разновидность латентной преступности определяют термином «граничные ситуации». Она представляет собой группу таких преступлений, информация о которых стала известна правоохранительным органам, но получила неправильную юридическую оценку (не обнаружено признаков состава преступления), в связи с чем преступление оказалось за рамками статистического учета.

Последнюю разновидность латентной преступности составляют преступления, которые стали известны правоохранительным органам, но по разным причинам оказались не зарегистрированы.

Компьютерная преступность может быть представлена всеми четырьмя видами латентности. "Теневой" рынок российских ИТ очень значителен, и в нем крутятся более чем приличные деньги. Российские крими нальные сообщества держат под своим контролем глобальную сеть Интернет-преступности. Россияне специа лизируются на фиктивных финансовых услугах и организации многомиллионных хищений с использованием "мировой паутины".

Подпольный преступный рынок, связанный с мафией в России, достиг недавно оборота в миллиард долларов. Причем особенностью российского сетевого криминалитета является хорошая подготовка компью терщиков-хакеров и открытость действий преступников. В подтверждение этих утверждений были продемон стрированы снимки интернет-сайтов, открыто торгующих номерами кредитных карт, номерами личных карто чек системы социальной защиты США, номерами счетов в системе безналичных интернет-расчетов PayPal, а также паролями доступа к личным счетам в коммерческих банках. Представители преступных сообществ ак тивно занимаются разработками компьютерных вирусов, которые захватывают удаленные компьютеры. Как передает РИА "Новости", опытные хакеры собирают корпоративную информацию по заказу конкурентов, что является традиционным преступлением для мафиозных структур.

За прошедший год в Европе число Интернет-покупок, оплаченных пластиковыми картами, удвоилось.

Такими же темпами растет и число мошеннических транзакций в Сети. Хотя платежные системы крайне не охотно раскрывают "печальную" статистику, некоторые данные есть. В Евросоюзе мошенническое использова ние кредитных карточек в Интернете за год выросло на 50%, поставив под угрозу экономический смысл элек тронной торговли. В этой связи по меньшей мере странными выглядят данные официальной статистики по компьютерному мошенничеству: число зарегистрированных мошенничеств 2002 -2004 гг.не только не росло, а снижалось. Аналогичные замечания можно отнести и к данным по преступлениям ст. 274 УК РФ (нарушение правил эксплуатации ЭВМ).

www.riganet.com/modules.php Айков Д., Сейгер К., Фонсторх У. Компьютерные преступления. Руководство по борьбе с компьютерными преступления ми: Перевод с английского. – М.: Мир, 1999.

Теоретические, организационные, учебно-методические и правовые проблемы Символ преуспевающего человека – пластиковая карточка, при помощи которой можно снять довольно крупную сумму, обойдется любому желающему от $4 до $300-400. Все зависит от того, как пройдут перегово ры с нелегальным продавцом поддельных банковских пластиковых карточек или их реквизитов. По оценкам экспертов, уровень международного мошенничества в секторе банковских услуг с использованием пластиковых карточек оценивается в $7,9 млрд. и продолжает расти. Ущерб, нанесенный кардером (как правило, этим видом преступлений занимаются молодые люди 20-25 лет, студенты или безработные), при определенном стечении обстоятельств может превысить годовой доход приличного коммерческого банка.

По мнению правоохранителей, составить статистику информационных преступлений невозможно - в первую очередь из-за нежелания банков и платежных систем сообщать об удавшихся нападениях на счета кли ентов. По оценкам национального отделения ФБР по компьютерным преступлениям, от 85% до 97% всех ком пьютерных преступлений даже не обнаруживаются, а в 90% случаев не удается установить личность нарушите ля.

Для выяснения реальностей криминогенной ситуации в стране, кроме изучения данных официальной статистики, необходимо использовать дополнительную информацию из альтернативных источников, среди ко торых можно назвать: мониторинг виктимности лиц, ставших жертвами преступлений;

самоотчеты правонару шителей;

выводы и экспертные оценки специалистов и общественного мнения в целом о состоянии компью терной преступности и эффективности деятельности правоохранительных органов.

Как свидетельствует мировая практика, обзор уголовной виктимизации дает возможность узнать о дей ствительных масштабах преступности, выявить ее латентную часть и скрытую уголовную виктимизацию насе ления, максимально выявить действительное состояние криминогенной обстановки, наметить и задействовать меры по усилению борьбы с преступностью и противодействию быстро растущей криминализации населения.

Путями, способствующими комплексному анализу и прогнозированию преступности в сфере высоких технологий, можно назвать следующие:

использование социологических методов и приемов выявления и измерения латентной преступности в сфере высоких технологий: массовый опрос населения, анкетирование, экспертные оценки, контект-анализ ма териалов средств массовой информации;

использование экономико-правовых методов, основанных на анализе всех взаимосвязанных технико экономических показателей;

преодоление правового нигилизма руководителей учреждений, предприятий, организаций и отдельных граждан путем освещения проблем компьютерной преступности в средствах массовой информации;

обеспечение законности функционирования системы уголовной юстиции в государстве, повышение уровня доверия населения к ней;

пересмотр статистического подхода к изучению компьютерной преступности, что, безусловно, повле чет за собой снижение латентности данного вида преступлений;

повышение эффективности правоохранительной деятельности, требовательности к уровню профессио нализма работников правоохранительных органов;

разработка криминалистической характеристики преступлений в сфере высоких технологий с учетом вопросов латентности данного вида преступлений;

дальнейшая работа по созданию методических рекомендаций по вопросам выявления, раскрытия и рас следования преступлений в сфере высоких технологий.

В свете сказанного интересными представляются следующие данные. По результатам опроса руководи телей шестисот американских компаний, сетевые атаки причиняют тамошним фирмам куда больше проблем, чем обычная "оффлайновая" преступность. Так заявили 57 опрошенных экспертами компании IBM руководи телей отделов информационной безопасности компаний, занятых в таких отраслях, как здравоохранение, фи нансы, розничная торговля и даже в реальном секторе. Больше всего бесчинства кибер-преступников напряга ют представителей финансового сектора (71%). Три четверти опрошенных считают "значительным" риск ха керских атак, организованных изнутри компании. Примерно 84% считают, что хакеры-одиночки уступают поле битвы хорошо подготовленным преступным организациям. В то же время, 61% опрошенных считает, что от ветственность за сдерживание таких групп должны брать на себя правоохранительные органы. Эти данные тем более интересны, что в ходе аналогичного опроса, проведенного среди физических лиц, выяснилось, что на го сударство полагаются лишь 11% опрошенных, а 53% предпочитают опираться на собственные силы1.

Большое значение для профилактики преступлений в сфере ИТ может играть индивидуальный прогноз преступности и преступного поведения. Если недавно большинство преступлений в сфере ИТ совершалось подростками и студентами преимущественно в виде озорства, то теперь подростки выросли (согласно стати стике отдела «К» 60% правонарушителей - это лица от 20 до 35 лет и только 24% - лица до 20 лет) и поняли, что на можно зарабатывать деньги.

Необходимо введение спецкурсов по изучению проблем компьютерной преступности в юридических ВУЗах. Умение раскрывать и расследовать преступления, безусловно, влечет за собой и снижение уровня ла тентности данного вида преступных посягательств.

http://crime-research.ru Теоретические, организационные, учебно-методические и правовые проблемы КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ СТРУКТУРИРОВАНИЯ И ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В АДАПТИВНЫХ КОМПЬЮТЕРНЫХ ОБУЧАЮЩИХ СИСТЕМАХ К.т.н. А. А. Пугачев (Улан-Удэнский филиал Восточно-Сибирского института МВД России) Концепция непрерывного образования является одним из эффективных инструментов решения пробле мы соответствия квалификации специалистов органов внутренних дел быстро растущему уровню знаний, уме ний и навыков, которые требуются в условиях современного технического прогресса. Очевидно, что только высоко квалифицированные сотрудники способны решать задачи стоящие перед органами внутренних дел на современном этапе. Однако процесс подготовки и переподготовки кадров в настоящее время недостаточно обеспечен как методически, так и технологически, что, несомненно, сказывается на продвижении страны по пути реформ и устранении социальной напряженности в обществе. Вот почему задача совершенствования сис темы подготовки и переподготовки кадров в системе МВД становится сегодня стратегической.

Одним из путей решения этой задачи могло бы стать широкое внедрение новых информационно образовательных технологий, призванных обеспечить высокое качество и эффективность обучения, в том числе и в дистанционной форме.

На сегодня ряд известных отечественных и зарубежных компаний предлагает высококачественные про граммные продукты учебного назначения. Методической основой данных разработок являются исследования Бруснецова Н. П., Брусиловского П. Л., Васильева В. В., Растригина Л. А., Савельева А. Я., Слипченко В. Г.

Среди зарубежных исследователей необходимо отметить работы Р. Бартона (R. Burton), А. Борка (A. Bork), Д. Брауна (J. S. Brown), Э. Венгера (E. Wenger), Д. Карбонелла (J. Carbonell), С. Паперта (S. Papart), Э. Солоуэя (E. Soloway). Однако, несмотря на заметные успехи в этом направлении, существует ряд причин, препятствую щих широкому использованию подобного рода программ.

В частности, анализ программных продуктов учебного назначения показывает, что все они, как прави ло, ориентированы на использование в рамках общеобразовательных учебных заведений. Компьютерные обу чающие программы для системы вузовского и послевузовского юридического образования, особенно по специ альным дисциплинам, практически отсутствуют.

Однако основной причиной, препятствующей широкому использованию подобного рода программ, яв ляется неполное соответствие предлагаемого в них материала идеям и методам преподавания той или иной дисциплины. Это связано, прежде всего, с низкой адаптивностью, как самих обучающих систем, так и средств их разработки к индивидуальным особенностям обучаемых, предметной области, решаемым задачам и навыкам разработчика. Повышение эффективности и качества соответствующих программных продуктов может быть достигнуто на основе системного подхода к проблеме их проектирования, наполнения и эксплуатации, обеспе чивающего более полный учет всех особенностей их разработки и использования. Методологической основой здесь могут являться идеи и методы теории систем, адаптивного управления и искусственного интеллекта. Ко нечным продуктом – комплекс инструментальных средств, реализующий идею адаптивности на всех этапах жизненного цикла создаваемой обучающей системы: от момента ее проектирования и разработки до момента эксплуатации конечными пользователями – обучаемыми.

С начала 90-х годов тенденцией является объединение традиционных информационных, контролирую щих, игровых и обучающих систем с диалоговыми системами для автоматизированного решения задач средст вами искусственного интеллекта, экспертными системами и технологиями гипермедиа. Однако анализ и клас сификация инструментальных средств, используемых при этом, показывает, что на сегодня все еще рано гово рить о разработке полномасштабного в интеллектуальном отношении инструментария. Следует ставить более скромную, но реально достижимую задачу реализации отдельных, наиболее важных для автоматизированного обучения интеллектуальных функций. А именно:

представление учебного материала в виде базы знаний и реализация алгоритмов выборки из нее знаний, необходимых для решения дидактических задач;

реализация моделей обучаемого и предметной области;

адаптация учебного материала, системы навигации и режима обучения в соответствии с моделью обу чаемого;

гибкие возможности диагностики не только знаний, но и умений и навыков, позволяющие осуществ лять их адекватную оценку и определять причины проблем, связанных с их приобретением и закреплением.

Не все из перечисленных задач в решены полной мере. Одна из методик комплексного решения выше указанных задач предлагается в данной работе. В основе этой методики лежит концептуальная модель структу рирования знаний, основанная на представлении различных видов знаний как объектов стратифицированного информационного пространства [4-6].

В рамках модели разработан модифицированный алгоритм объектно-структурного анализа [4] (алго ритм ОСАКОС) предназначенный для детального структурирования знаний, используемых при проектировании, разработке и эксплуатации компьютерных обучающих систем (далее КОС), и подразумевающий дезагрегацию предметной области в общем случае на восемь страт (табл. 1).

Теоретические, организационные, учебно-методические и правовые проблемы Таблица 1.

Стратификация знаний s1 ЗАЧЕМ-знания (зачем Стратегический анализ: назначение и функции системы (цели и учить) задачи обучения по данной КОС).

s2 КТО-знания (кто учит) Организационный анализ: коллектив разработчиков КОС.

s3 ЧТО-знания (что учить) Концептуальный анализ: основные понятия, понятийная структу ра предметной области (предметные знания) s4 КОГО-знания (кого учить) Персональный анализ: знания об обучаемом (модель обучаемого) s5 КАК-знания (как учить) Функциональный анализ: управление процессом обучения, осуще ствление адаптации (дидактические знания).

s6 ПОЧЕМУ-знания Казуальный или причинно-следственный анализ: прямая и обрат (почему так учат) ная связь (диагностические знания).

s7 ГДЕ-знания (где учить) Пространственный анализ: окружение, оборудование, коммуни кации (дополнительные источники получения знаний, умений и навыков. Например, другие КОС, литература, программное обес печение и т.д.) s8 КОГДА-знания (когда Временной анализ: временные параметры и ограничения.

учить) Страты выделены на основе анализа поля знаний и систематизации задач, решаемых в КОС различного типа.

Алгоритм разделяется на два этапа: «вертикальный» и «горизонтальный» анализы.

На этапе вертикального анализа выполняется разбиение знаний на методологические страты. Количест во и состав выделяемых на данном этапе страт зависит от типа разрабатываемой системы.

Затем выполняется горизонтальный анализ страт, включающий построение многоуровневых структур по отдельным стратам. Содержание и последовательность шагов горизонтального анализа зависит от типа КОС и номера страты, но фактически сводится к реализации дуальной концепции структурирования соответствую щих знаний. Число уровней n зависит от текущей страты и определяется особенностью поля знаний и/или особенностями организации процесса обучения.

Использование данного подхода позволяет:

концептуально объединить разные способы структурирования знаний, применяемых при проектирова нии, разработке и эксплуатации адаптивных компьютерных обучающих систем;

применять различные способы выделения и упорядочивания знаний в зависимости от поставленной цели и типа разрабатываемой обучающей системы;

акцентировать внимание на различных стратах, необходимых при разработке конкретных обучающих систем, отдавая должное значимости других страт.

В частности, минимальный набор страт, выделяемый при проектировании электронных учебных кур сов, включает в себя страты s3, s4, s5, s6. Рассмотрим их более подробно.

Наиболее проработанной в настоящее время является проблема представления предметных знаний [5] (ЧТО-знания). Предметные знания – семантическая сеть отражающая иерархию понятий предметной области в форме, соответствующей профессиональным представлениям разработчика КОС и не вызывающей когнитив ного диссонанса у обучаемого. Предметные знания целесообразно представлять в виде так называемой реле вантной гиперструктуры HS={A, R}, узлами которой являются концепты предметной области А, выделяемые как «опорные». Связи или отношения R между концептами используются для переходов между ними. Интер претация связей выполняется продукционными правилами, связанными с соответствующими концептами.

Анализ подходов к моделированию обучаемого позволяет сделать следующий вывод: в большинстве существующих подходов модель обучаемого содержит ограниченный набор параметров и жестко запрограм мированные алгоритмы их обработки, что сужает адаптивные возможности систем базирующихся на этих под ходах.

В связи с этим, модель обучаемого (КОГО-знания) предлагается задавать выражением:

МОд ={ МОФ, МОП} (1) Здесь МОФ - тройка, определяемая методикой заложенной в основу инструментария разработки КОС:

МОф= {G1 (t), G2, V}, (2) где G1(t) – граф оверлейной модели текущих знаний обучаемого: дуги – названия концептов предметной области;

терминальные вершины – оценка уровня знаний обучаемым соответствующего концепта (может быть булева переменная (известно/неизвестно), качественная оценка (отлично/хорошо/ удовлетворительно) или ко личественное значение (например, вероятность того факта, что обучаемый знает концепт));

G2 – граф целей обучения – отражает необходимый уровень знаний обучаемым текущей предметной области (его структура аналогична структуре графа G1, но вершины требуемые оценки уровня знаний по каж дому из концептов);

Теоретические, организационные, учебно-методические и правовые проблемы V – вектор предпочтений обучаемого: способ представления материала (текст, графика, видео), на стройки системы (цвет, размер, скины) и т.д.



Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 11 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.