Проектирование ИИС в качестве крупного программного комплекса как в отношении его жизненного цикла, так и в отношении технологии проектирования незначительно отличается от технологии проектирования ИС. Основная специфика связана с разработкой базы знаний.

ИИС можно классифицировать по разным основаниям. Мы выберем в качестве оснований классификации следующие: предметная область в экономике, степень автономности от корпоративной ИС или базы данных, способ и оперативность взаимодействия с объектом, адаптивность, модель знаний (рис. 1.1). На рисунке для примера приведены ИИС из областей менеджмента, инвестиций и т.д. По степени интеграции ИИС могут быть: автономные в виде самостоятельных программных продуктов с собственной базой данных; сопрягаемые с корпоративной системой с помощью средств ODBC или OLE dB; полностью интегрированные. По оперативности принято различать динамические и статические ИИС. Однако фактop времени всегда является существенным в ИИС и полностью статических систем не может быть по определению. Предлагается различать ИИС реального времени с собственными сенсорами и эффекторами и советующие, в контур которых вовлечен пользователь.

По адаптивности различаются обучаемые ИИС типа нейронных сетей, системы, параметры, а возможно структура которых могут изменяться в процессе обучения или самообучения, и ИИС, параметры которых изменяются администратором базы знаний. Наиболее часто используемые модели знаний приведены непосредственно на рис. 1.1. Приведем несколько примеров ИИС.

Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Фирма: Information System Department, New York University. Проблема огромного количества постоянно растущих альтернатив страхования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обширную сферу различных оптимальных решений для менеджеров по риску. В данной системе разработка страхования от риска сформулирована как многоцелевая оптимизационная задача. Данная задача оптимизации включает несколько сложностей, с которыми суще-ствующие технические решения не справляются. Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эмуляцию первичных рассуждений, управляющих риском, полезных для выводов и их объяснений.

Система рассуждений в прогнозировании обмена валют. Фирма: Department of Computer Science City Polytechnic University of Hong Kong. Представляет новый подход в прогнозировании обмена валют, основанный на аккумуляции и рассуждениях с

поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков – это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования.

Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера – Шейфера.

Nereid: Система поддержки принятия решений для оптимизации работы с валютными опционами. Фирма: NTT Data, The Tokai Bank, Science University of Tokyo.

Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов; более практична и дает лучшие решения, чем обычные системы принятия решений. Краткие характеристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sun-станциях.

PMIDSS: Система поддержки принятия решений при управлении портфелем. Разработчики: Финансовая группа Нью-Йоркского университета. Решаемые задачи: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.

Рис. 1.1. Классификация интеллектуальных информационных систем

В последние десятилетия в мире бурно развивается новая прикладная область   математики, специализирующаяся на искусственных нейронных сетях.

Актуальность исследований в этом направлении подтверждается массой различных применений НС. Это:

· автоматизация процессов распознавания образов,

· адаптивное управление;

· оптимизация;

· аппроксимация функционалов;

· прогнозирование;

· кластеризация данных;

· классификация;

· создание экспертных систем;

· организация ассоциативной памяти и многие другие приложения.

Среди многочисленных задач, при решении которых успешно используется аппарат нейронных сетей, в работе [5] отмечены следующие:

· прогнозирование результатов выборов;

· анализ данных социологического опроса;

· прогнозирование на финансовом рынке;

· предсказание показателей биржевого рынка;

· анализ потребительского рынка;

· управление ценами и производством;

· прогнозирование изменений котировок;

· исследование факторов спроса;

· оценка недвижимости;

· анализ страховых рисков.

Приведенные примеры показывают, что технологии нейронных сетей, нечеткой логики и генетических алгоритмов применимы практически в любой области. Нет сомнений, что повсеместное проникновение новых технологий и в другие области – только вопрос времени.