2.1 Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных

На этапе когнитивной структуризации предметной области мы решаем, что будем исследовать и на основе чего. В данном случае мы хотели бы поставить идентифицировать породу КРС по ее признакам.

В качестве источника исходных данных используем данные о породах КРС мясной академии http://meatinfo.ru [1] по адресу: http://meatinfo.ru/info/show?id=197 (таблица 1):

Таблица 1 - Исходная сравнительная таблица по породам КРС

Источник: http://meatinfo.ru/info/show?id=197

Как видно из таблицы 1 данные по породам КРС представлены по 8 показателям, из которых 2 текстовых и 6 числовых, причем числовые показатели даны в форме числовых диапазонов (интервалов), которые не являются числами. Кроме того в числовых колонках есть ячейки вообще без данных, значениями которых являются пробелы. В таком виде эти данные не могут быть непосредственно использованы, поэтому возникает задача для их преобразования в такую форму, которая воспринимается одним из программных интерфейсов (API) системы «Эйдос»с внешними источниками данных.

Для этого мы выполнили в таблице 1 следующие преобразования:

- числовые диапазоны заменили на средние по диапазону;

- пустые ячейки в числовых колонках заменили на 0, которые в системе «Эйдос» могут интерпретироваться как отсутствие данных в числовых колонках;

- продублировали колонку «Порода», т.к. 1-я колонка в системе «Эйдос» содержит информацию об источнике данных, а последующие являются классификационными и описательными шкалами. Классификационная шкала выделена желтым фоном.

В результате мы получили таблицу 2, стандартную по своей форме для системы «Эйдос»:

Таблица 2 - Сравнительная таблица по породам КРС в стандарте системы «Эйдос»

Таким образом, на этапе когнитивно-целевой структуризации предметной области мы решили, что в качестве классификационной шкалы мы будем использовать колонку «Породы», а в качестве описательных шкал колонки:

- Направление продуктивности;

- Масть;

- Вес быков, кг;

- Вес коров, кг;

- Прирост в сутки, г;

- Убойный выход, %;

- Молочная продуктивность, кг;

- Содержание жира в молоке, %.

Специально отметим, что мы полностью приводим исходные данные в таблице 2, чтобы желающие могли проверить полученные в ней результаты и использовать их в научных и учебных целях. Для этих же целей создано облачное «Эйдос» приложение №131, которое любой пользователь системы может установить и исследовать в диспетчере приложений (режим 1.3).

После получения таблицы 2 все готово для перехода к следующему этапу АСК-анализа, на котором выполняется формализация предметной области.

В экранной форме на рисунке 1 приведены реально использованные в данном режиме параметры. После нажатия «OK» через некоторое время появляется окно внутреннего калькулятора (рисунок 2):

Рисунок 2. Экранная форма внутреннего калькулятора режима 2.3.2.2.

Таблица 4 - Описательные шкалы и градации

Описание всех статистических и СК-моделей, создаваемых системой «Эйдос», приведено в работе [10].

Из рисунка 5 видно, что достоверность СК-модели INF4 с интегральным критерием «Сумма знаний» по метрике L2=0.948 (при максимуме 1), что является высоким показателем. Исследование моделируемой предметной области путем исследования этой ее модели корректно можно считать исследованием самой моделируемой предметной области.

Присвоим СК-модели INF4 статус текущей модели (рисунок 6):

Рисунок 6. Экранная форма режима 5.6 придания СК-модели статуса текущей

3. Решение задач на основе созданной модели

С помощью наиболее достоверной из созданных СК-моделей могут быть решены задачи идентификации, принятия решений и исследования предметной области путем исследования ее модели.

3.1 Идентификация, диагностика, классификация и прогнозирование

Для решения задачи идентификации используется режим 4.1.2, работающий с текущей моделью.

Но в данной работе в качестве тестовой выборки мы используем обучающую выборку, распознавание которой во всех статистических и системно-когнитивных моделях было проведено сразу после их синтеза.

Результаты распознавания отображаются в 12 формах, из которых мы приведем лишь одну (рисунок 7):

Рисунок 7. Экранная форма режима пакетного распознавания

3.2 Когнитивные SWOT-диаграммы классов

Отметим, что на когнитивной диаграмме, приведенной на рисунке 9, показаны количественные оценки сходства/различия классов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

3.3.2 Агломеративная когнитивная кластеризация классов

Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, пример которой приведен на рисунке 9, но и в форме агломеративных дендрограмм, полученных в результате когнитивной кластеризации [5-8] (рисунок 10):

Рисунок 10. Дендрограмма когнитивной кластеризации классов и график изменения межкластерных расстояний

3.3.3 Когнитивные диаграммы признаков

Эти диаграммы отражают сходство/различие признаков. Мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 11):

Рисунок 11. Когнитивная диаграмма признаков пород КРС и конструкт с полюсами: «Молочное» - «Мясное»

Отметим, что на когнитивной диаграмме, приведенной на рисунке 11, показаны количественные оценки сходства/различия признаков, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

3.3.4 Агломеративная когнитивная кластеризация признаков

Рассмотрим рисунок 12:

Рисунок 12. Дендрограмма когнитивной кластеризации признаков и график изменения межкластерных расстояний

На этом рисунке приведена агломеративная дендрограмма когнитивной кластеризации признаков и график изменения межкластерных расстояний, полученные на основе той же матрицы сходства признаков по их смыслу, что и в когнитивных диаграммах, пример которой приведен на рисунке 11 [5-8].

3.3.5 Нелокальные нейроны и нелокальные нейронные сети

Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой [13] и фреймовой моделей представления знаний. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).

От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что:

1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети);

2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации;

3) нейросеть является нелокальной [13], как сейчас говорят «полносвязной». От фреймовой модели представления знаний модель системы «Эйдос» отличается своей эффективной и простой программной реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них.

На рисунке 13 приведен пример нелокального нейрона:

Рисунок 13. Пример нелокального нейрона

Некоторые выводы, рекомендации и перспективы

Необходимо отметить, что системно-когнитивные модели, разработанные в системе «Эйдос», могут быть применены для решения практических задач с применением той же системы «Эйдос», в которой они созданы, причем это применение возможно в адаптивном режиме, т.е. их можно совершенствовать в процессе эксплуатации, адаптировать к изменениям предметной области, локализовать или районировать для других регионов, разрабатывать новые модели для других животных и классов заболеваний и т.п, и т.д. Эти уникальные возможности обеспечиваются тем, что система «Эйдос» представляет собой не только среду для эксплуатации интеллектуальных приложений, но и является инструментом их создания и адаптации.

Возникает закономерный вопрос о возможности решения и других задач ветеринарии (а также других наук) путем применения автоматизированного системно-когнитивного анализа.

По мнению авторов АСК-анализ и система «Эйдос» представляют собой новый инновационный, т.е. доведенный до возможности практического применения, метод искусственного интеллекта может рассматриваться как универсальный инструмент решения всех тех задач в области ветеринарии (и других наук), для решения которых используется естественный интеллект. Причем это инструмент, многократно увеличивающий возможности естественного интеллекта, примерно также, как микроскоп и телескоп многократно увеличивает возможности естественного зрения, естественно только в том случае, если оно есть. Поэтому, конечно, этих задач огромное количество.

В качестве перспектив можно было бы отметить в частности решение следующих задач ветеринарии с применением автоматизированного системно-когнитивного анализа:

- поддержка принятия решений по выбору антибактериальных препаратов в зависимости от характера микробной флоры;

- поддержка принятия решений по определению дозы и пути введения препаратов группы пенициллина;

- поддержка принятия решений по определению дозы и пути введения цефалоспоринов;

- поддержка принятия решений по выбору антибактериальных препаратов с учетом основных токсических и аллергических реакций на антибактериальные препараты;

- исследование взаимодействия антибактериальных препаратов с другими препаратами при приеме внутрь и поддержка принятия решений по выбору антибактериальных препаратов с учетом результатов этих исследований.

Область ветеринарии, в которой перечисленные выше и другие задачи решаются с применением системно-когнитивного анализа, программным инструментарием которого в настоящее время является система «Эйдос», предлагается назвать «Когнитивной ветеринарией».

Эта идея находится в русле Указа Президента РФ от 7 июля 2011 г. N 899 "Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических технологий Российской Федерации", в котором под п.8 указаны Нано-, био-, информационные, когнитивные технологии Отметим, что все приведенные выше аргументы введения научного понятия: «когнитивная ветеринария» применимы и к другим направлениям науки, например: «когнитивная агрономия», «когнитивная экономика» и т.д.. Автор пытался развивать когнитивную математику [10] и когнитивную теорию управления [10], а также применять их в других областях науки и практики. .

Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований [3, 4] http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf и находится в полном открытом бесплатном доступе (причем с подробно комментированными актуальными исходными текстами: http://lc.kubagro.ru/_AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.

Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта размещены как облачные Эйдос-приложения под номерами: 100, 125, 126, 127, 128, 131, и доступны всем желающим в режиме 1.3 системы «Эйдос». Базовое интеллектуальное приложение, являющееся основой данной работы, размещено в Эйдос-облаке под номером 131.

Существует много систем искусственного интеллекта. Универсальная когнитивная аналитическая система «Эйдос-Х++» отличается от них следующими параметрами:

- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http://lc.kubagro.ru/aidos/index.htm);

- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/_Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/__AIDOS-X.txt);

- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года) (http://lc.kubagro.ru/aidos/aidos02/PR-4.htm);

- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумленных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения;

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их около 30 и 131, соответственно) (http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf);

- обеспечивает мультиязычную поддержку интерфейса на 44 языках. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;

- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5.com/map3.php).

Конечно, представленный в статье уровень исследования относится хотя и к развитому, но эмпирическому уровню, т.е. это просто наблюдаемые факты, эмпирические закономерности и в лучшем случае, при условии подтверждения полученных результатов другими исследователями, может подняться до уровня эмпирического закона. Для перехода на теоретический уровень познания необходимо выдвинуть гипотезы содержательной интерпретации полученных результатов (которые может выдвинуть только специалист в области ветеринарии), объясняющие внутренние механизмы наблюдаемых закономерностей. Потом необходимо подтвердить, что эти научные гипотезы имеют прогностическую силу, т.е. позволяют обнаружить новые ранее неизвестные явления, и тогда эти гипотезы переходят в статус научной теории. Эта теория позволяют обобщить эмпирический закон до уровня научного закона [13].

В заключение авторы выражают благодарность проректору по научной работе Кубанского ГАУ им. И.Т. Трубилина доктору биологических наук профессору Андрею Георгиевичу Кощаеву за помощь в публикации статьи.

Литература

1. Сайт: http://meatinfo.ru

2. Сайт: http://meatinfo.ru/info/show?id=197

3. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л. http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf

4. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная on-line среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. - Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 у.п.л.

5. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.

6. Луценко Е.В., Коржаков В.Е. Подсистема агломеративной когнитивной кластеризации классов системы «Эйдос» ("Эйдос-кластер"). Пат. № 2012610135 РФ. Заяв. № 2011617962 РФ 26.10.2011. Опубл. От 10.01.2012. - Режим доступа: http://lc.kubagro.ru/aidos/2012610135.jpg, 3,125 у.п.л.

7. Луценко Е.В. Агломеративная когнитивная кластеризация нозологических образов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №04(138). С. 122 - 139. - IDA [article ID]: 1381804033. - Режим доступа: http://ej.kubagro.ru/2018/04/pdf/33.pdf, 1,125 у.п.л.

8. Луценко Е.В. Агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №05(139). С. 99 - 116. - IDA [article ID]: 1391805033. - Режим доступа: http://ej.kubagro.ru/2018/05/pdf/33.pdf, 1,125 у.п.л.

9. Сайт: http://lc.kubagro.ru/

10. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220

11. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.

12. Луценко Е. В., Лойко В. И., Лаптев В. Н. Системы представления и приобретения знаний : учеб. пособие / Е. В. Луценко, В. И. Лойко, В. Н. Лаптев. - Краснодар : Экоинвест, 2018. - 513 с. ISBN 978-5-94215-415-8. https://elibrary.ru/item.asp?id=35641755

13. Луценко Е.В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.

Размещено на Allbest.ru