Journal influence
Bookmark
Next issue
Abstract:
Аннотация:
Authors: () - , () - , () - , () - | |
Ключевое слово: |
|
Page views: 11302 |
Print version Full issue in PDF (1.18Mb) |
Организация сети взаимодействия персонала современных предприятий является существенным фактором, так как создание, использование и управление информацией осуществляется в результате деятельности группы служащих, а это должно быть выполнено в пределах деловой среды, окружающей группу. Увеличение сложности производственных задач приводит к требованию координации большого количества действий с уровнем точности, которая позволит всем участникам исполнить их задачи совершенно и точно во времени. Организации любого уровня и профиля сталкиваются с задачей обеспечения непрерывного образования своих сотрудников, инициируемой различиями в функционировании социальных сред разработчиков технических средств и их пользователей. Эти различия обусловлены тем, что технический прогресс возможен при использовании средств коллективного сознания, тогда как работа пользователя обеспечивается на уровне индивидуальных возможностей личности, отстающей в большинстве случаев в своем развитии от темпов развития техносферы. Эту задачу невозможно решить с помощью постоянной замены старого персонала на новый, поскольку при этом непрерывно дестабилизируется система межличностных и групповых отношений в организации. Обучение совместной деятельности относится к более высокой категории обучения и предполагает подготовку отдельных сотрудников и групп более компетентных служащих [1]. Оно рассчитано на совмещение процессов обучения и профессиональной деятельности и требует использования реальной деловой информационной среды предприятия, которая поставляет информацию о реальных задачах. Скоординированные усилия со стороны ответственных лиц за обучение и делопроизводство могут расширить и усовершенствовать выполнение профессиональной работы. Деловая информационная среда предприятия должна иметь встроенные подсистемы обучения совместной деятельности. Помочь в этом процессе могут компьютеры и автоматизированные рабочие места. Компьютерная система обучения совместной деятельности должна быть распределенной по всей информационной среде предприятия, элементы которой обеспечивают доступ к информации и к обучающим модулям в контексте конкретной работы каждого сотрудника. Такая система требует организации делового ежедневного действия, принимая во внимание, что компьютерное обучение и делопроизводство составляют единое целое. Однако чтобы добиться соответствия между требованиями профессии и возможностями личности, необходимо осуществить многогранное и целенаправленное обучение личности. Эксперты, анализирующие последствия компьютерного обучения, обращают внимание на причины эффективности такого обучения. Каждый служащий предприятия (обучаемый) изучает быстрее и сохраняет большее количество информации, потому что он способен непосредственно взаимодействовать с конкретным материалом профессиональной деятельности. Заключение экспертов указывает на необходимость развития концепции компьютерного обучения совместной деятельности в направлении создания интерактивных систем обучения. Создание и использование интеллектуальных обучающих систем, основанных на технологиях гипермедиа и мультимедиа, позволяют индивидуализировать процесс обучения и добиваться высоких результатов. Использование современных гипер- и мультисредств представления информации позволяет сотрудникам увеличить степень свободы выбора и самостоятельно управлять потоком изучаемого материала. Для усиления активности обучаемого необходимо разрабатывать модули компьютерного обучения, моделирующие проблемные ситуации. При этом служащий обязан находить их решение при работе в диалоговом режиме с компьютерной системой обучения в рамках деловой информационной среды. В данной работе предлагается подход по созданию интеллектуальной мультимедийной обучающей системы, учитывающей более широкий спектр возможностей современных компьютеров как для индивидуализации процесса обучения, так и для обучения совместной деятельности. Такая система состоит из трех моделей, являющихся ядром обучающей системы: изучаемого объекта, актуального состояния обучаемого и тьютора [2]. Модель изучаемого объекта необходима для описания, представления и поддержки текущего состояния объекта. Действия обучаемого являются причиной для изменения состояния модели, а это ведет к изменению ее поведения. Модель копирует характеристики реального объекта. Поведение модели описывается через поведение отдельных компонент и с учетом взаимосвязи между компонентами. Модель актуального состояния обучаемого содержит информацию о знаниях обучаемого, а именно: об отдельных компонентах, о работе объекта и о связях между компонентами в объекте, о методах решения проблемных ситуаций. Заключение о том, что знает служащий, выводится на основе его действий, которые анализируются с помощью правил. Данные модели актуального состояния обучаемого указывают, в какой из этих областей у служащего проблемы. Модель тьютора учитывает информацию, которая поступает от модели актуального состояния обучаемого, представляет собой оценки знаний служащего, выдает необходимые указания служащему и управляет процессом его обучения. Основываясь на таких оценках, можно сформулировать обучающие правила модели тьютора, согласно которым будут определяться инструкции для действий служащих [3]. Для управления обратной связью в модели тьютора используется таблица результатов, которая располагает информацией об обратной связи. В целом обучающая система выполняет функции учителя и должна содержать следующие подсистемы: - библиотеку компонент, в которой находится информация о каждом отдельном компоненте, его работе и о его связях с другими компонентами профессиональной среды; - техническое руководство, в котором представлена информация о том, как работает объект; - руководство по выявлению проблемных ситуаций, в котором представлено краткое описание типичных проблем, их симптомы и некоторые советы по их решению; - подсистему моделирования объекта, при работе с которым служащему предоставляется возможность решить проблемную ситуацию. Заметим, что источником информации для библиотеки компонент и технического руководства является мультимедийная база данных о профессиональной среде. Следовательно, процесс обучения служащего связан с его активным взаимодействием с деловой средой в рамках совместной деятельности. В интеллектуальной обучающей системе изучающая (профессиональная) и учебная модели вместе представляют учителя. Эти модели невидимы пользователю, они управляют поведением учебной системы. Уровень сложности этих моделей может варьироваться и определяться развитием информационных систем в ориентации на современные информационные технологии представления и обработки информации. Такие технологии позволяют создавать не только статическую, но и активную информацию в форме приложений. Использование методов гипермедиа позволяет учитывать индивидуальные особенности служащего (обучаемого) и добавляют эмоциональный элемент к процессу обучения. Мульти- и гиперсредства информации могут изменять способы передачи и восприятия информации. Диалоговое использование фотоизображений, объединенных с динамическими средствами информации типа звукового и видео, позволяет преодолеть проблемы восприятия большого объема информации по сравнению с традиционными способами, ориентированными на привычный простой акт чтения или наблюдения статических средств информации типа текста или графики. Важное влияние на особенности технологии совместного обучения оказывают технологии Internet, которые позволяют создавать и описывать спектр интеллектуальных мультимедийных приложений, чем обеспечивают возможности для передачи через Internet приложений, подобных интеллектуальному учителю, и других типов интеллектуальных мультимедийных приложений. В данной работе предлагаются результаты исследований, посвященных построению эффективных систем поиска релевантной информации в глобальных гипертекстовых информационных средах на основе мультиагентных систем (МА-систем) [4,5]. Перспективная особенность таких систем заключается в децентрализованной обработке информации на основе относительно независимых информационных компонент – агентов, решающих общую задачу коллективным обра- зом [6]. По этой причине МА-системы позволяют учесть основные свойства глобальной гипертекстовой информационной среды WWW (сверхвысокая распределенность, децентрализованность, структурированность хранимой в ней информации на основе гипертекстовой модели данных) и осуществить автоматизацию процесса поиска релевантной информации. В работе обосновывается возможность построения методов интеллектуального поиска в гипертекстовой среде WWW в виде двух базовых допущений об ее организации: - наличие положительной корреляции между содержимым документов, связанных гиперссылкой; - наличие связи между контекстом HTML-документа, в котором находится гиперссылка, и содержимым документа, адресуемого данной гиперссылкой. На основе сделанных допущений разработан метод интеллектуального МА-поиска релевантной информации. Метод базируется на результатах исследований в области моделей искусственной жизни (моделировании жизнедеятельности колоний простых организмов) и основан на биологической аналогии (представлении гипертекста в виде модели среды обитания искусственных биологических организмов) поисковых агентов, для которых основным ресурсом жизнедеятельности служит энергия, содержащаяся в релевантных документах. Разработанный метод МА-поиска принципиально отличается от классических методов исчерпывающего поиска, характерных для существующих поисковых систем аналогичного класса. На основе предложенного метода разработаны и исследованы новые алгоритмы, применяющие механизмы эволюционной адаптации для эффективного поиска релевантной информации. Предложены эволюционный и комбинированный методы обучения поисковых агентов в МА-системе, обладающие достаточной общностью и позволяющие сочетать преимущества классических и эволюционных алгоритмов обучения адаптивных структур агентов. На основании введенного в модели аналога закона сохранения энергии в системе "популяция агентов–гипертекст" была теоретически обоснована динамика изменения размера популяции при поиске. Последнее обстоятельство обосновывает способность алгоритма к масштабированию размера популяции агентов с ростом объема гипертекстовой среды. Общий алгоритм МА-поиска следующий. 1. Создать начальную популяцию, состоящую из n0 агентов. Каждому агенту присваивается начальное значение энергии, равное Emax/2, где Emax – максимальная энергия агента. Агенты размещаются на некоторых начальных документах. 2. Выбрать из популяции агента ai. Предоставить агенту процессорное время для выполнения поиска. Агент анализирует содержимое текущего HTML-документа dj и устанавливает гиперссылку ljk для перехода на следующий документ k. 3. Извлечь из WWW-среды документ dk, URL которого определяется гиперссылкой ljk. Определить энергетическую стоимость документа E{dk) = Rk – Сk с учетом степени релевантности документа Rk и затрат на его извлечение Ck. Сообщить агенту ai изменение энергии DEi = E(dk), установить для агента текущий документ равным dk. 4. Анализ условия выживания агента. Если модифицированная энергия агента Еi < 0, агент уничтожается: (исключается из популяции); переход к п. 8. 5. Обучение. Агент аi использует локальную информацию (в общем случае полученное изменение энергии DEi) для адаптации на основе встроенного в него алгоритма обучения. 6. Репродукция. Если Ei > Еmах, агент создает свою копию, которая помещается в популяцию агентов. Энергия агента-родителя и агента-потомка распределяется поровну, то есть устанавливается равной Еi/2. Потомок стартует с документа, на котором находился родитель при репродукции. 7. "Выживший" агент аi возвращается в рабочую популяцию. 8. Если текущий размер популяции nt = 0 или получена команда остановки поиска, то завершение работы алгоритма, в противном случае переход к п. 2. В моделях функция энергетической стоимости документа определялась выражением: DЕ = Еs ´ r(dk) – c, где Es – энергия поощрения агента; r(dk) – дискретная функция релевантности документа, равная 1 для релевантных документов и 0 в противном случае; с – постоянная стоимость извлечения документа из сети. Для всех ранее извлекавшихся документов значение DЕ равнялось 0. В соответствии со сделанными допущениями эффективность поиска определяется двумя основными факторами: - месторасположением агента в информационной среде (первое допущение); - способностью агента выделять перспективные гиперссылки в тексте документа на основе встроенного алгоритма анализа текста (второе допущение). Разработан эволюционный алгоритм МА-поиска, который нацелен на улучшение перечисленных факторов эффективности поиска. Отбор и репродукция поисковых агентов производятся на основе сравнения их энергий с фиксированными значениями, что обусловливает локальность связей в МА-системе и увеличивает степень независимости отдельных агентов, расположенных в разных точках гипертекстовой среды. Исследовались варианты МА-систем с адаптивными поисковыми агентами. В качестве адаптивных обучаемых структур агентов использовались нейронные сети [7,8] для прогнозирования гиперссылок в анализируемом документе, перспективных для дальнейшего поиска. В этих моделях основное внимание уделялось аспекту адаптации агентов к правильной оценке и выбору гиперссылок с помощью различных алгоритмов обучения нейронных сетей. Также рассматривалась принципиальная возможность применения нейронных сетей к анализу текстовой информации в рамках предложенного алгоритма МА-поиска. Содержимое документа в этих моделях представляется с помощью вектора присутствия терминов в документе: использовались модели гипертекста с векторным представлением содержимого документов на основе алгебраического подхода к анализу релевантности текстовой информации. Архитектура нейросетевого поискового агента состоит из двух основных блоков: нейронной сети и стохастического селектора гиперссылок. На входы нейросети подается n-мерный вектор (по числу терминов в запросе), характеризующий содержимое документа в контексте отношения терминов к гиперссылке: матрицы отношений терминов в документах к содержащимся гиперссылкам создавались при генерации модели гипертекста. На единственном выходе сети формируется оценка l для анализируемой гиперссылки. Полученные для каждой гиперссылки оценки передавались на вход селектора гиперссылки, выделявшего единственную гиперссылку из всего множества с вероятностью, пропорциональной lb, где b – адаптивный параметр агента, задающий баланс между стохастизмом и детерминизмом производимого агентом поиска. В качестве алгоритмов обучения агентов исследовались эволюционный алгоритм на основе селекции, репродукции и мутации (мутация реализована с помощью аддитивного гауссового шума, модифицирующего значения адаптивных параметров поискового агента), заложенных в общий алгоритм МА-поиска, и архитектурно-зависимый алгоритм обучения нейронной сети на основе обратного распространения ошибки. Предложен метод комбинированного обучения, который задает иерархию алгоритмов обучения. Адаптация подмножеств параметров агента при его функционировании производится независимо обоими алгоритмами обучения: - на верхнем уровне действует эволюционный алгоритм, обеспечивающий настройку "стратегических" параметров поискового агента (скорость обучения h и параметр b селектора гиперссылок); - на нижнем уровне иерархии действует архитектурно-зависимый метод обучения, позволяющий относительно быстро изменить тактические параметры агента (в рамках принятой архитектуры агента веса нейронной сети) на основе текущей локальной информации об эффективности агента. Принцип иерархического обучения позволяет эффективно комбинировать эволюционный и классический методы обучения агентов. Он может быть обобщен на агентов с широким спектром архитектур, имеющих собственные методы и алгоритмы обучения. Полученные результаты имитационного моделирования разработанных алгоритмов МА-поиска доказывают эффективность предложенных алгоритмов и их преимущества над традиционными аналогами. Результаты моделирования МА-поиска с применением комбинированного алгоритма обучения подтвердили преимущество данного метода обучения над каждым из алгоритмов обучения в отдельности. В целом предложенный метод и алгоритмы поиска на основе парадигмы бионической МА-системы являются основой для построения интеллектуальных систем нового поколения с более высокой точностью поиска, меньшей нагрузкой на сетевые ресурсы, способностью к персонализации. Такие мультиагентные системы позволяют существенно сократить объем просматриваемой информации за счет ориентации поиска в перспективных направлениях и могут быть использованы для оптимизации действий агентов как в рамках рассмотренной мультиагентной поисковой системы, так и в других системах, предназначенных для функционирования в сложных информационных средах. Рассмотренный подход к созданию обучающей системы, учитывающей более широкий спектр возможностей современных компьютеров для индивидуализации процесса обучения, позволит расширить сферу применения компьютерных обучающих систем для случая обучения служащих совместной деятельности. Сказанное является существенным фактором в рамках подготовки и переподготовки инженерных кадров, так как время эффективного использования инженерных разработок скоротечно. Список литературы 1. Fetterman R.L., Gupta S.K. Mainstream Multimedia. Applying Multimedia in Business. New York, 1993.278 s. 2. Горбатюк Н.В. Модульная обучающая система на основе мультимедийных и гипертекстовых технологий. Информационные технологии и системы в образовании, науке, бизнесе. // Сб. матер. Международ. науч.-техн. конф. - Пенза, 14-15 декабря 1999 г. - Пенза: Изд-во Приволжский Дом знаний, 1999. - С. 45 - 46. 3. Божич В.И., Горбатюк Н.В. Модели интеллектуальной мультимедийной обучающей системы. Интернет и современное общество // Тез. Второй Всерос. науч.-метод. конф. СПб, 29 ноября – 3 декабря 1999 г. - СПб.: Изд-во СПб. ун-та, 1999. - С. 127. 4. Кононенко Р.Н., Божич В.И. Модель мультиагентной информационной поисковой системы WWW // Internet и современное общество // Тез. Второй науч.-метод. конф. СПб, 29 ноября – 3 декабря 1999. - СПб: Изд-во СПб ун-та, 1999. - С. 92-93. 5. Кононенко Р.Н., Божич В.И. Модель мультиагентной поисковой системы Internet на основе нейросетевых агентов // VI Всерос. конф.: Нейрокомпьютеры и их применение (НКП 2000), 16-18 февраля 2000. // Сб. науч. тр. - М, 2000. - С. 245-249. 6. Божич В.И., Кононенко Р.Н., Топчий А.П. Технологии агентов в распределенных информационно-вычислительных сетях // Науч.-техн. конф. Информационная безопасность автоматизированных систем, 16-17 июня 1998 г. - Воронеж, НИИ связи: Истоки, 1998. - С.123-129. 7. Божич В.И., Кононенко Р.Н., Абияка А.А. Нейросетевое управление в мультиагентной системе с самоорганизующейся коммуникацией // Науч. сессия МИФИ - 99. Всерос. науч.-техн. конф.: Нейроинформатика-99. // Сб. науч. тр.: В 3 Ч. Ч.3. - М.: МИФИ, 1999. - С. 239-246. 8. Абияка А.А., Божич В.И., Кононенко Р.Н. Самоорганизующаяся коммуникация в мультиагентной системе с нейросетевым управлением // Изв. АН.: Теория и системы управления. - 1999. - № 5. - С.135-138. |
Permanent link: http://swsys.ru/index.php?page=article&id=843&lang=en |
Print version Full issue in PDF (1.18Mb) |
The article was published in issue no. № 3, 2001 |
Perhaps, you might be interested in the following articles of similar topics:
- Методы восстановления пропусков в массивах данных
- Инженерная программа трехмерного моделирования магнитных систем LittleMag
- Разработка загрузчика программного обеспечения встроенной системы управления
- Системное тестирование программных изделий
- Информационная система оптимизации расписания доставки грузов от производителей сырья
Back to the list of articles