Національна академія наук України

Інститут кібернетики імені В.М.Глушкова

Пшонківська Ірина Миколаївна

УДК 681.3.06

Інструментарій проектування

інтелектуальних інтерфейсів користувача

01.05.03 – математичне та програмне забезпечення обчислювальних машин та систем

Автореферат дисертації на здобуття наукового ступеня

кандидата фізико-математичних наук

Київ - 2000

Дисертацією є рукопис.

Робота виконана в Інституті кібернетики імені В.М.Глушкова НАН України.

Науковий керівник: доктор фізико-математичних наук, професор

ПЕРЕВОЗЧИКОВА Ольга Леонідівна

Інститут кібернетики імені В.М.Глушкова НАН України

Офіційні опоненти: доктор фізико-математичних наук,

ДОРОШЕНКО Анатолій Юхимович,

Інститут програмних систем НАН України, м.Київ,

заступник директора,

кандидат фізико-математичних наук, доцент,

ГОРОХОВСЬКИЙ Семен Самуїлович,

Національний Університет “Києво-Могилянська Академія”,

директор Інформаційно-комп'ютерного центру.

Провідна установа: Київський національний університет ім.Тараса Шевченка,

кафедра математичної інформатики, м.Київ.

Захист відбудеться " 23" лютого 2001 р. о 12 годині на засіданні спеціалізованої вченої ради Д 26.194.02 при Інституті кібернетики імені В.М.Глушкова НАН України за адресою:

03680 МСП Київ 187, проспект Академіка Глушкова, 40.

З дисертацією можна ознайомитися в науково-технічному архіві інституту.

Автореферат розісланий 20 січня 2001 р.

Учений секретар

спеціалізованої вченої ради СИНЯВСЬКИЙ В.Ф.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність проблеми. Останнім часом більшість розробок по впровадженню комп'ютерів у різні сфери людської діяльності так або інакше пов'язані з штучним інтелектом. Виникає проблема ефективного моделювання діяльності людини та людського мозку, зокрема для створення інструмента, що значно полегшує виконання рутинних і трудомістких операцій. Сферами застосування такого інструмента можна, зокрема, назвати розробку інтерфейсних засобів людина-комп'ютер, орієнтованих на користувачів з різними фізичними вадами (наприклад, осіб з дефектами зору, які надалі звуться С-користувачами), і засобів для спрощення обробки однотипної інформації та врахування її семантики.

Мета й задачі дисертаційної роботи – створити інструментарій проектування та розробки інтелектуальних інтерфейсів. Для цього розв'язані наступні задачі:

·

· щодо визначеної специфіки організації роботи С-користувачів з комп'ютером встановлено характеристики такого інтерфейсу, розроблено інструментарій проектування інтерфейсу С-користувачів;

· щодо упереджувального підказування як напрямку інтелектуалізації інтерфейсу досліджено можливість використання Розрідженої Розподіленої Пам'яті (SDM) та запропоновано модифікацію HSDM;

· на основі тестування реалізації HSDM розроблено алгоритми формування упереджувального підказування та прискореного переучування SDM і визначено їхні характеристики;

· щодо багатокритеріального прогнозування числових рядів запропоновано модифікацію NSDM і на основі тестування реалізації NSDM розроблено алгоритм коригування числових прогнозів.

Наукова новизна полягає в розробці автоматичних процедур адаптації до потреб різних кіл користувачів з урахуванням антропогенних і психологічних параметрів взаємодії з комп'ютером та семантики розв'язуваних задач і відображена в таких результатах:

·

· запропоновано модифікацію HSDM, орієнтовану на формування упереджувального підказування, та розроблено відповідний алгоритм, запроваджений в ігрові компоненти інтерфейсу С-користувачів;

· на основі тестування реалізації HSDM розроблено алгоритм прискореного переучування SDM і визначено характеристики його параметрів;

· для розв'язування задачі інтелектуалізації пакетів економетричного прогнозування, зокрема автоматизації процесу отримання прогнозів, на основі тестування реалізації NSDM розроблено алгоритм корекції числових прогнозів, що базується на автоматичному врахуванні історичних зразків. (Йдеться про поступове підвищення дружності та інтелекту ІК).

Теоретична й практична цінність роботи. Досліджено та встановлено принципи проектування прикладних програм, орієнтованих на С-користувачів, запропоновано схеми побудови діалога С-користувач – комп'ютер, розроблено сценарії та спроектовано комп'ютерні ігри для С-користувачів.

Розроблено поліпшений метод записування й досліджено моделі швидкого переучування SDM. На його основі запропоновано модифікації SDM для проектування інтелектуальних інтерфейсів і корекції числових прогнозів.

Реалізація результатів роботи. За результатами роботи були розроблені прикладні програми, орієнтовані на незрячих користувачів, які використовуються в навчальних курсах. Наприклад, озвучені гра, тренажер клавіатури TRKSL та текстовий редактор RED1. Ці програмні продукти використовуються для практичної роботи незрячих користувачів персональних комп'ютерів у Києві, для реалізації програми реабілітації незрячих громадян, яка ініційована та фінансується Міжнародним фондом “Відродження”.

Розроблено прототип довідкової системи, орієнтованої на користувачів з вадами зору, прототип системи надання упереджувального підказування користувачеві прикладних про-

грам, прототип системи для корекції числових прогнозів у складі пакетів статистичного прогнозування Forecasting ToolPack, який розроблено на замовлення компанії “Delta Airlines” (США) і на сьогодні активно використовується в її діяльності, та Predictor, який є вдосконаленою русифікованою версією попереднього пакету. Завдяки розвиненій інтелектуальності ІК пакет Predictor використовується як у навчальному процесі (Київський національний університет ім.Т.Шевченка, Інститут економіки та права “КРОК”), так і науковцями Інституту проблем науково-технічної інформації.

Зв'язок роботи з науковою тематикою. Дисертація виконана згідно з планом наукових досліджень у рамках бюджетних науково-дослідних проектів Інституту кібернетики імені В.М.Глушкова НАН України “Розробка методів подання знань та реалізація інструментарію підтримки інтелектуального інтерфейсу” (ДР 0194U009540), “Розробка методів конструювання й адаптації інтерфейсів користувача в професійних програмних системах” (ДР 019U005086), “Розробка методів інтерфейсу користувача з сукупністю раціональних агентів” (ДР 0199U001032), “Нові технологічні засоби підтримки й прийняття рішень. Інструментально-технологічні програмні комплекси” (ДР 0197U005618).

Апробація роботи. Результати роботи доповідалися на 6-ій та 8-ій Міжнародний науковий конференціях “Знання – Діалог – Рішення” (KDS-97 та KDS-99); науково-практичній конференції “Проблеми впровадження інформаційних технологій в економіці та бізнесі”, наукових семінарах Інституту кібернетики ім. В. Глушкова НАН України та Інституту програмних систем НАН України.

Публікації. За результатами дослідження опубліковано одинадцять наукових робіт, в тому числі п'ять в українських наукових журналах, три як матеріали конференцій.

Особистий внесок дисертанта в роботах, виконаних у співавторстві, полягає в розробці алгоритмів та моделей прискореного перенавчання SDM, алгоритмів та модифікацій надання упереджувального підказування С-користувачеві, алгоритм корекції числових прогнозів з використання модифікації NSDM, програмного забезпечення для роботи С-користувачів та інтерфейсної частини пакетів числового прогнозування.

Структура та обсяг роботи. Робота складається з вступу, трьох основних розділів, висновків, трьох додатків та списку використаної літератури з 120 найменувань. Загальний обсяг роботи складає 150 друкованих сторінок.

ЗМІСТ РОБОТИ

У вступі наведено постановку задачі дисертаційного дослідження. Описано основні напрямки проектування дружніх інтерфейсів користувача: створення натурально-мовних інтерфейсів, здатних розуміти людську мову, пошук нових моделей організації діалога між користувачем та комп'ютером, доповнення існуючих програмних продуктів засобами, які дозволяють знизити інформаційне навантаження на людину, адаптувати робоче середовище до потреб користувача та ефективно керувати потоками інформації.

Мета роботи – вирішити дану проблему шляхом побудови інтелектуального інтерфейсу користувач – комп'ютер. Такий інтерфейс запропоновано створити шляхом вбудовування в програмні засоби інтелектуальних агентів, які дозволять автоматично налагоджувати параметри системи під потреби конкретного користувача, позбавлять користувача виконання рутинних операцій, з'ясують додаткові параметри взаємодії з комп'ютером та виконають настроювання з урахуванням зазначених параметрів.

У роботі розроблено засоби для моделювання та побудови інтелектуальних програмних агентів, описано алгоритми та модифікації, використання яких дозволяє максимально ефективно використовувати побудовані засоби в організації діалогів.

Перший розділ присвячено огляду систем проектування ІК, моделей та засобів, покладених в основу вищезгаданих систем. У наведеному огляді стандартів проектування інтерфейсу визначені переваги та недоліки кожної з моделей. Окреслено напрямки подальшого розвитку систем проектування ІК.

Огляд містить системи проектування інтерфейсу користувача SICS та TSO, які обмежувалися лише операторами вводу/виводу тексту, ранню систему UIMS керування ІК, яка базувалася на використанні елементів керування з наступним їх зв'язуванням на рівні програмного коду. Методами та моделями для побудови ІК спочатку були схеми діалога та діаграми станів. У подальшому їх змінили графові та автоматні моделі, мережі Петрі, граматичні моделі, гнучкі сценарії діалога.

Найбільше вплинув на розвиток засобів проектування ІК об'єктно-орієнтований підхід. В огляді приділено увагу візуальним формалізмам, які уособили використання цього підходу в програмуванні, та висвітлено процес стандартизації ІК. Наведені порівняльні характеристики стандартів (CUA- та POSIX-OSE-інтерфейси користувача).

Останнім часом суттєво розширилася сфера застосування програмних продуктів, що звичайно вплинуло на збільшення кількості користувачів та спричинило зміни в їх якісному складі. Найчастіше ці люди не мають спеціальної підготовки та мають досить вузьку спеціалізацію. Крім того, комп'ютери входять у життя людей з певними фізичними вадами (наприклад, С-користувачі). Саме цим фактом обумовлена проблема розробки не лише дружніх інтерфейсів, але і з відповідним інтелектом, тобто здатних виявити, оцінити та змінити параметри взаємодії користувача. Для вирішення даної проблеми необхідні засоби, які дозволяють моделювати процес мислення людини з метою настроювання програмного продукту під виявлені закони мислення. Такі засоби належать до штучного інтелекту. В дисертації охарактеризовані основні типи нейронних мереж як засобів моделювання процесів мислення людини, генетичні алгоритми та основні їхні механізми, наведена класифікація агентів як засобів, що дозволяють сприймати вплив зовнішнього середовища, виявляти параметри впливу та здійснювати реакцію на цю дію. Для кожного з перелічених інструментів наведені приклади задач, які можуть розв'язуватися за їх допомогою, реальних систем, що базуються на зазначених методах.

Щодо проектування ІК є актуальні розробки, які грунтуються на специфічному баченні проблеми та пропонують оригінальні шляхи її подолання. В дисертації розглянуті такі системи: Microsoft Agent, метамовасемантичні файлові системи (на прикладі Lifestream) та система PAD++, що грунтується на використанні масштабованих вікон-фільтрів (лінз), які дозволяють змінювати подання при збереженні єдиного формату даних. Деякі елементи методології, на якій базуються вказані системи, доцільні в сучасних програмних продуктах, хоча свою життєздатність ці системи (підходи) ще мають довести, завоювавши прихильність більшості користувачів програмних продуктів.

Основний висновок – необхідні засоби, що дозволяють легко адаптувати систему під потреби користувача, причому робити це автоматично, тобто існує необхідність створення інтелектуальних ІК із застосуванням засобів штучного інтелекту.

Другий розділ дисертації присвячено проблемі проектування інтелектуального ІК як такого способу взаємодії користувача з комп'ютером, який є дружнім, інтуїтивно зрозумілим для користувача й враховує фізичний, ергономічний та соціальний параметри такої взаємодії, а також вміщує засоби накопичення даних про взаємодію користувача з програмним продуктом, оцінювання параметрів цієї взаємодії та автоматичної зміни параметрів ІК залежно від потреб цього користувача. Наведено аргументи щодо проектування інтелектуального ІК для специфічної групи С-користувачів.

Зважаючи на трудомісткість і дороговизну процесу розробки програмних продуктів, запропоновано підійти до інтелектуалізації ІК шляхом вбудовування в існуючі програмні продукти інтелектуальних компонентів (агентів), які дозволять розв'язати вказані задачі.

У проектуванні інтелектуальних агентів і загалом інтелектуальних систем розробників приваблює можливість моделювання здатності людського мозку до узагальнення сприйнятого матеріалу, виділення семантичних структур, здатність до абстрагування, накопичення, узагальнення, виділення помилок та використання отриманих знань для генерації нових. Одним із механізмів моделювання роботи людського мозку є SDM (просторово розріджена пам'ять), що належить до класу нейронних мереж, для яких у роботі наведена класифікація.

Із принципів, покладених в основу SDM-пам'яті та її модифікацій, зазначаються такі: SDM – це пам'ять, що складається з M комірок (locations) для збереження N-розрядних цілочисельних векторів. Ця пам'ять довільно адресується в бінарному N-вимірному адресному просторі, причому M<<2N. Записуються і зчитуються в SDM U-розрядні бінарні вектори.

Під час записування U-розрядного бінарного вектора W за N-розрядною бінарною адресою X активізується невелика підмножина комірок пам'яті HX і W додається як U-розрядний цілочисельний вектор у кожну з комірок HX після перетворення всіх 0 на -1:

У разі наступного зчитування даних за адресою Y, близькою до адреси X, активізується підмножина комірок пам'яті HY і результат формується як порозрядне порівняння з порогом 0 векторної суми S значень активізованих комірок:

(1)

Цей механізм зчитування можна суттєво покращити за рахунок зміщення порогів відповідно до розподілу 0 і 1 у записаних даних і зміщення HY у напрямку HX.

SDM-пам'ять може використовуватися для згадування послідовності за неповними (спотвореними) даними. Особливо цінна здатність “згадувати” послідовності. Саме вона використовується в побудові модифікацій з наступним їхнім застосуванням до моделювання роботи інтелектуальних компонентів ІК.

Для SDM-пам'яті існує декілька механізмів активізації. Модифікації Джекеля та Карлсона прискорюють процес виводу підсумкового значення, а також розширюють простір комірок пам'яті без істотного збільшення обчислювальних витрат.

Щодо врахування змін навколишнього середовища й можливості швидкого реагування на них SDM розроблені модифікації швидкого переучування SDM. Кількість інформації, яка привноситься на кроці T вектором даних WT, який надходить за адресою XT,

(2)

Щодо оцінки T Крістоферсоном доведена її збіжність до істинного значення за великих значень M. Опускаючи індекс T, отримуємо Не порушуючи ідеології SDM, обмежимося розглядом підмножини комірок HX, що активізуються за адресою X. Тоді з урахуванням незалежності позицій (розрядів даних) маємо

(3)

Використовуючи Байєсовський підхід, отримаємо

(4)

Векторна сума значень в активізованих комірках традиційно задається у вигляді суми h записаних даних (після перетворення усіх 0 у -1) і шуму Y :

. (5)

Припустимо, що відомі h, сумарна кількість k=h+c записів в комірки HX і ймовірність pu записування одиниці в позицію u довільної комірки. Тоді випадковий шум має біноміальний розподіл ~, і можна легко обчислити компоненти формули (4):

. (6)

. (7)

Для прискорення обчислення формули (4) використана апроксимація біноміального розподілу нормальним з параметрами (8)

і . (8)

(9)

(10)

Оцінки параметрів k, h і pu зроблені Г. Сйодіним. Сумарну кількість k записів в комірки HX одержують шляхом підсумовування кількості записів в активізовані комірки am:

(11)

am можна одержати безпосередньо, якщо ввести додаткову позицію, в яку при кожному записуванні заноситься 1, або оцінити на основі виразу для дисперсії значень у позиціях пам'яті Cm,u з використанням середньої оцінки квадрата очікуваного значення:

, де (12)

Значення h оцінюється на основі дисперсії Su:

, (13)

або для уявного (рос. “мнимого”) кореня, 0.

Нарешті, ймовірність pu можна оцінити на основі am (при використанні додаткової позиції) або на основі отриманої Кристоферсоном оцінки загальної кількості зроблених записів:

, (14)

де (15)

дисперсія Cm,u в позиції u; PA - ймовірність активізації.

Сйодін запропонував увести в SDM операцію неповного видалення збереженого значення. Зазначений набір комірок можна використовувати для читання значення W. Записуючи NOT(W) у відповідні комірки, можна домогтися того, щоб при читанні поверталося значення W=0. При цьому не гарантується, що всі значення в цих комірках будуть установлені в 0. Якщо за H використовувати множину комірок, що активізуються за адресою X, за якою було записано деяке значення, воно буде цілком віддаленим. Ця операція була використана для моделювання короткострокової пам'яті, де за адресу використовується циклічний лічильник часу. Перед записом даних за вказаною адресою її старий уміст стирається. Перевагою неповного видалення Сйодіна є те, що його реалізація не потребує внесення змін у SDM.

Запропоновані два альтернативних підходи, засновані не на зовнішній, а на внутрішній реалізації операції видалення:

·

· прискорене неповне видалення (однократний векторний додаток

У випадку SDM із додатковою позицією під кількість записів am, внутрішня реалізація видалення дозволяє зменшувати, а не збільшувати це значення, що узгоджується з вимогами здорового глузду й дозволяє одержувати реалістичніші оцінки k і pu.

Гранична кількість інформації I0 підбирається для мінімізації витрат, тобто сумарного очікуваного значення помилки. Нехай із постійною ймовірністю r, що записується за адресою X, вектор даних виявляється не зашумленою копією записаного поблизу X вектора W, а новим значенням R. Ймовірність того, що вектор, який надійшов для записування, R – зашумлена копія W, обчислюється на основі (4) як

(16)

Позначимо очікуване значення сукупної помилки на i-му кроці запису за адресою X послідовності зашумленных векторів W і початковою сумою значень в активізованих комірках S як

(17)

Тоді революційне навчання (з видаленням даних) доцільніше, ніж еволюційне за умови із урахуванням (5):

(18)

Для випадку неповного видалення остання нерівність набуває вигляду

(19)

Оскільки з урахуванням (17) вирази в лівій і правій частинах нерівностей (18) і (19) збігаються для тих позицій u, для яких Wu=Ru, надалі обмежимося розглядом неповного видалення.

Слід врахувати, що при використанні методу поліпшеного читання SDM, зсуви, викликані , компенсуються , отже спостерігається симетрія щодо значень Wu і Ru. Внаслідок цієї симетрії достатньо розглянути випадок, коли , а . Відкинувши збіжні позиції і скоротивши обидві частини на число позицій із незбіжними значеннями, перетворимо (19) до вигляду

. (20)

Після симетричного перетворення правої частини до випадку і отримаємо

. (21)

Якщо і , значення в одній позиції на i-му кроці записування оцінюється як

(22)

де S приймає значення h, -h, або 0. У випадку неповного видалення

. (23)

На основі біноміального розподілу (22) можна апроксимувати нормальним розподілом , із параметрами

і

З урахуванням компенсації зсуву, , а очікувана помилка

(24)

Після підстановки (24) у (21) одержимо

(25)

Лема.

Доведення. Вирази в лівій і правій частинах описують можливість попадання випадкової величини, розподіленої за стандартним нормальним законом, в інтервал довжини b, відповідно розташований зліва і справа від a. Ця ймовірність виражається площею під графіком функції щільності ймовірності. Внаслідок монотонного спадання останньої на інтервалі , . Звідси для твердження леми очевидно. В протилежному випадку скористаємося парністю функції щільності ймовірності:

.

Таким чином, можна відкинути в нерівності (25) суми, отримавши наступну достатню умову переваги революційного навчання над еволюційним:

(26)

Ця оцінка отримана для неповного видалення й поліпшеного читання. Проте перші елементи (із невеликим i) суми зліва суттєво перевершують відповідні елементи суми справа. Зберігши перші k елементів, можна одержати набагато сильнішу умову. Тому критерій (26) має великий “запас тривкості” і його, напевне, можна застосовувати незалежно від засобів видалення й читання. Цей критерій можна проінтерпретувати в такий спосіб: якщо ймовірність зміни зовнішнього світу більше ймовірності того, що знову дані, які надійшли, - це змінена копія раніше записаних, то слід відмовитися від накопиченої інформації й почати навчання спочатку. Звідси безпосередньо випливає оцінка граничної кількості інформації.

(27)

Припустимо, нам відома апостеріорна ймовірність e того, що при виконанні процедури ЗАПИСАТИ-З-ПОРОГОМ виконується процедура ВИДАЛИТИ. Позначимо r0 істинну (невідому) ймовірність зміни даних, а її оцінку, використану для розрахунку граничного значення, - r. Нехай нам відома оцінка граничної відстані Хеммінга R0 між раніше записаним вектором і даними, що надійшли на записування, в разі чого виконується операція видалення.

Розробка програмного забезпечення для С-користувачів. Принципи побудови ІК, орієнтованого на С-користувачів, грунтуються на моделі учня (МУ), на основі якої спроектовано модель діалога. В основу МУ покладено сталі в часі психічні характеристики тривожності та мотивованості. За результатами тестів підібрано оптимальні для кожного С-користувача формулювання для видачі повідомлень, підказувань та інструкцій. З'ясовано, що краще сприймається структура меню, близька до збалансованого дерева зі степенем виходу вершин не більше 5. При видачі повідомлень необхідно подати попереджувальні сигнали, параметри яких, а також структура самих фраз повідомлень уточнюються залежно від параметрів МУ. Сценарій формування МУ, яка складається з фонового знання, з'ясовано на основі тестів з наступним накладанням на нього результатів проходження завдань різних рівнів складності.

Для визначення характеристик С-користувачів та з метою навчання їх роботі на комп'ютері було створено програмний комплекс, який містить набір ігрових завдань:

· “

· “Лабіринт-1” та “Лабіринт-2” спрямовані на визначення оптимальної довжини послідовності слів та впливу різного роду інструкцій;

· “Вовк і заєць” допомагає оцінити та розвинути рівень орієнтації С-користувача в двовимірному просторі, розвиває логічне мислення;

· “Трикутники” дозволяють оцінити рівень зручності використання різного роду меню, підказувань, розвивають логічне мислення та пам'ять гравця.

У дисертації наведено сценарії для проектування ігрових програм залежно від рівня тривожності та знань користувача: навчаючих, динамічних та таких, що об'єднують обидва напрямки.

Оскільки в роботі з комп'ютером необхідні навички щодо вміння працювати з клавіатурою, проведено порівняння характеристик тренажерів клавіатури, орієнтованих саме на С-користувачів. Тренажери порівнюється з тренажером TRKSL, розробленим дисертанткою і впровадженим у навчальний процес у школах-інтернатах для сліпих дітей.

Важливою процедурою для С-користувача є отримання довідкової інформації. Проектування довідкової системи – важливий момент у створенні програмної системи, орієнтованої на С-користувачів. У дисертації розглянуті три типи пошуку інформації, які можна пропонувати С-користувачу залежно від його рівня підготовленості й тривожності, а також типу інформації, з якою користувач працює. Виділено такі типи пошуку: контекстний асоціативний, пошук поняття за ієрархічною структурою та швидкий пошук за контекстом.

В організації пошуку поняття за ієрархічною структурою довідкова інформація розбивається на статті з кількістю гіперзв'язків, близькою до 5. Кожна HELP-стаття подається структурою Gn={Tn,n,n}, де k – ціле, k<n. Тут Pn={pin, 1Ј_ k Ј_ 12}, де pin – i-е поняття з n-ї статті гіпертексту; Сn={сi=<ci1, ci2,… civ>}, де cij – j-е посилання для i-го виділеного поняття з n-ї статті.

Заголовок Tn для списку понять n-ї статті формується за такими правилами:

при n=1 T1- <рядок>

при n=2 T2- <рядок>|< p11>;

…

при n=m Tm- <рядок>|< pi1m1>+< pi2m2>+…+< pikmk>.

Тут “+' – операція конкатенації рядків, <рядок> – заголовок статті, pikmk – поняття, обране користувачем з Gmk для продовження пошуку за умови, що m1<m2<…< mk і для поняття, вибраного із статті mi, існує посилання на статтю m(i+1). Якщо такі умови не виконуються, то заголовок формується за першою альтернативою. Надання інформації відбувається з використанням вертикального меню, для просування по якому вводяться правила та метаправила.

Для швидкого контекстного пошуку С-користувач входить у режим швидкого пошуку й задає контекст (шуканий термін): v, |v|=l, де |v| – довжина слова.

Задамо загальний список понять множиною слів YY={wwi} в алфавіті R, |wwi|=ki. Два слова tt і rr в алфавіті R назвемо рівними, якщо |tt|=|rr| і ""l О_ {1, … |tt|} ttl = rrl. Слово uu називається точним контекстом, якщо $$ww О_ YY (ww=uu). Слово uu називається скороченим контекстом, якщо $$ww О_ YY ($$yy О_ L(R) (uuyy=ww)). Слово uu – контекст з похибкою n щодо слова ww, якщо Q(uu,ww, n)=(|uu|=|ww| & $$l1, l2,… ln( "" k О_ [1..n] uulk№_wwlk)). Слово uu називається префіксно допустимим контекстом ступеня n щодо слова ww (uu,ww О_ YY), якщо Q(uu,ww, n)= $$uui, jj, ii О_ О_ L(R) (uuijj=uu & uuiii=ww & |uui|=n ). Слово uu називається контекстом з кореневим входженням в слово ww ($$ww1, ww2 О_ L(R) (ww1uuww2 = ww & |ww1|>0 ).

На множині YY розставимо мітки xx=(xx1, xx2), що приймають такі значення:

(5,0), якщо слово uu – точний контекст для ww;

(4,0), якщо слово uu – скорочений контекст для ww;

(3,0), якщо слово uu – контекст з кореневим входженням для ww;

(2,N), якщо слово uu – префіксно-допустимий контекст ступеня N для ww;

(1,N), якщо слово uu – контекст з похибкою n щодо слова ww;

(5,0) в решті випадків.

Далі з ww О_ YY у напрямку зменшення мітки xx1 і для NіV |uu|/2 формується список В_. С-користувач вибирає елемент із списку В_, “прокручуючи” меню. Після натискання “Enter” відбувається перехід на вікно з текстом HELP із відповідної статті.

Підсумовуючи викладений матеріал, можна дійти висновку, що проектування діалогів для користувача (особливо С-користувача) потребує визначення багатьох параметрів його взаємодії з прикладною програмою та внесення значних коректив, зміни параметрів такої взаємодії з метою зробити діалог максимально дружнім. Отже, виникає необхідність ввести до діалога інтелектуальні компоненти, які дозволять автоматично виявляти параметри взаємодії, узагальнювати та змінювати їх залежно від виявлених закономірностей. Проблема вирішується за допомогою інтелектуальних агентів, які утворюють таку структуру. Кожен з агентів має своє призначення (функції), як показано в табл.1.

Таблиця 1

№ п/п Ім'я агента Функції, які виконує агент

1 Help_maker Надає всі види довідкової інформації (довідка про предметну область, контекстно-залежна довідка, рекомендації про використання технічних засобів, можливі подальші дії і т.ін.)

2 Статистик Збирає інформацію про роботу користувача за один (декілька) сеансів роботи (переваги, допущені помилки й причини їх виникнення). Збирає дані про МУ, тобто визначаються та уточнюються такі параметри, як тривожність, мотивованість і т.ін.

3 Майстер Накопичує дані про послідовність дій користувача в тій чи іншій ситуації і надає упереджувальне підказування в схожих ситуаціях. Накопичує й надає інформацію, початково незалежну від МУ. Здатний реалізовувати різні моделі перенавчання

4 Наставник Аналізує процес роботи (без урахування допущених помилок) і за необхідності видає інструкції, які спонукають користувача до подальших дій, заспокоюють, орієнтують за певними нормами, тобто моделюють діалог наставник-учень (користувач) з метою забезпечення ефективної взаємодії з користувачем

5 Куратор Аналізує накопичені дані про сеанс роботи С-користувача і змінює параметри всіх працюючих агентів, вносить правки до МУ (змінює типи інструкцій, час затримки, темп і тембр мови, способи організації Help та переучування Майстра й т.ін.)

6 Адміністратор Дозволяє відключити / підключити за рекомендацією Куратора або користувача того або іншого агента в загальну систему взаємодії

Для проектування перелічених агентів необхідно використати механізми, що забезпечать автономну роботу кожного компонента (незалежно від розробника). В дисертації наведена модифікація HSDM, яка дозволяє організувати упереджувальне підказування користувачеві залежно від ситуації, в якій він опинився під час роботи в системі.

Стан інтерфейсу описується бінарним вектором з 25 розрядами. 21 розряд відповідає пунктам меню, швидким комбінаціям клавіш і команді КлУпрК (використання клавіш управління курсором). Додаткові 4 розряди передбачені для команд переходу на меню, що випадає (Файл, Правка, Блок, Формат). Назвемо серією послідовності команд, які виконано з моменту вводу користувачем останнього друкованого символу, пробілу, клавіші BackSpace чи Delete. Якщо певна команда мала місце в поточній серії, відповідний розряд вектора стану інтерфейсу встановлюється на 1, інакше – на 0. Якщо остання команда користувача – перехід на одне з випадаючих меню, у відповідному додатковому розряді встановлюється 1, інакше – 0. У момент надходження команди виходу в меню або вибору підменю вектор стану інтерфейсу дописується в навчаючу послідовність, яка потім записується в SDM з N=U=25 (попередній вектор використовується як адреса, поточний – як дані). Використовуючи поточний вектор за адресу, можна прочитати вектор, який вміщує прогноз наступної команди користувача. Прочитаний з SDM вектор інтерпретується таким чином:

1) якщо поточна команда – вихід у головне меню, тобто в адресі всі додаткові розряди встановлені на 0, то встановлюється курсор на перше підменю, розряд якого встановлений на 1, якщо таких немає – на перше підменю (Файл);

2) якщо поточна команда – вихід у підменю, тобто в адресі один з додаткових розрядів встановлений на 1, то встановлюється курсор на перший пункт, що має відношення до цього поняття, розряд якого встановлений на 1, якщо таких немає – на перший пункт цього підменю.

Описаний алгоритм дозволяє уникнути неоднозначної інтерпретації результатів. Модифікація HSDM використовується для створення агентів Майстер чи Наставник.

Третій розділ дисертації присвячений розв'язанню задачі числового прогнозування в пакетах Forecasting ToolPack for Excel та PREDICTOR (русифікована версія попереднього), які мають декілька режимів роботи, в тому числі автоматизації процесу отримання оптимальних прогнозів, модифікаціям SDM для застосування в практичній задачі статистичного прогнозування.

Призначення пакета PREDICTOR – інтерактивне статистичне прогнозування в бізнес-розрахунках, наприклад, для аналізу обсягів майбутніх продажів, вибору асортименту товарів і послуг за прогнозованими цінами. Основні напрямки використання пакета: Finance (фінанси); Planning (планування); Pricing (ціноутворення); Marketing (маркетинг); Production (виробництво); Operations Stock (фонди, склади); Demand (попит на товари і послуги); Personal (потреба в кадрах). Пакет вмонтований у MS Excel і забезпечує розв'язання задач трьох рівнів складності:–

для новачків (або з метою економії часу). Майстер (Wizard) дозволяє швидко одержати прогноз шляхом покрокового виконання операцій установлення сезонності, вибору методу/моделі, візуального контролю якості роботи моделі й записування результату у вигляді числового ряду. При цьому оптимальні величини параметрів методів підбираються автоматично, так що користувач може не знати їхнього призначення. До цього ж рівня належить режим пакетного прогнозування, в якому для часового ряду, разом з оптимальними параметрами, автоматично підбирається декілька кращих методів прогнозування і при необхідності для кожного з них метод сезонної декомпозиції; –

для кваліфікованих користувачів. У режимі експрес-прогнозування можна сконструювати прогноз шляхом тонкої корекції параметрів після їхнього автоматичного добору, порівняння варіантів прогнозу того самого ряду (графіка й таблиці зі статистичними показниками) і збереження отриманої емпіричної моделі прогнозування одних даних для використання її з іншими даними, що описують подібні процеси; –

рівень функцій MS Excel. Якщо параметри прогнозної моделі уже визначені, потрібно, щоб результати прогнозування були вихідними даними для наступних обчислень (можливо, теж прогнозів) в електронній таблиці (ЕТ) і т.д. При цьому необхідно у разі зміни вихідних даних, що не є результатом обчислень, автоматично перераховувати всі залежні ланки, зокрема результати прогнозу. На цьому рівні моделі організовані як функції MS Excel, доступні за допомогою Function Wizard.

У PREDICTOR реалізовано 26 методів прогнозування, серед яких назвемо прості й лінійні ковзні середні; згладжування просте, адаптивне, лінійне за Холтом, лінійне за Брауном, квадратичне за Брауном, адитивне сезонне за Вінтерзом, сезонне за Хольтом -Вінтерзом, сезонне за Брауном - Харріссоном; регресія: авторегресія, S-криві, крива Гомпертца, логістична крива, популярні й задані користувачем тренди; методологія Бокса -Дженкінса, ARARMA, ARIMA-моделі із сезонністю в AR і MA, узагальнена адаптивна фільтрація GAF; множинна регресія; нейронні мережі. Підтримується динамічне прогнозування в міру надходження даних, керування сценаріями та повторне їхнє використання. Разом із документацією в поставку пакета входить понад 150 тестових прикладів.

Ключовий момент – максимальна рекомендаційна спроможність пакета PREDICTOR щодо надійності прогнозів. За визначенням неможливо апріорі оцінити точність прогнозів, тому в спеціальному режимі Test, припускаючи невідомими останні значення вхідної послідовності даних, робиться спроба їх спрогнозувати обраним методом, а потім отримані прогнози порівнюються з реальними значеннями. Якщо вони дуже відрізняються, недоцільно будувати прогноз за цим методом із зазначеними параметрами. Інакше прогнозування продовжується в режимі Forecast з використанням усіх значень вихідних даних, тому результати відрізняються від режиму Test і стають точнішими. Крім того, інтелектуальність пакета суттєво підвищують функція автоматичного підбору оптимальних параметрів, доступна в кожному з режимів роботи, та режим пакетного прогнозування, який дозволяє автоматично отримати 4 найкращі прогнози шляхом перебору всіх методів, які доцільно використати для вхідного ряду та методів сезонної декомпозиції. Оптимальний прогноз обирається на основі побудови інтегрованої статистичної оцінки, яка є лінійною комбінацією декількох статистичних оцінок, а вагові коефіцієнти останніх можна скоригувати вручну до початку підбору моделі. Високий рівень інтелектуалізації пакету дозволяє ефективно використовувати його як для навчальних цілей (зокрема для студентів економічного факультету Національного університету ім. Т.Шевченка та Інституту економіки та права “КРОК”), так і для отримання якісних практичних результатів прогнозування користувачами різного рівня кваліфікації, наприклад для задачі прогнозування розвитку галузей народного господарства України на основі даних про інноваційну активність у цих галузях.

За необхідності спрогнозувати спільну динаміку великої кількості часових рядів відповідний економічний аналіз – це тривала й дорога процедура. Використання SDM допомагає експерту визначити узагальнену поведінку часових рядів на основі групи ситуацій, що мали місце раніше, і залежно від цього точніше передбачити характер поведінки послідовності, що прогнозується. Проблема полягає в орієнтації SDM на оброблення бінарних векторів з незалежними розрядами, в той час як економічні змінні приймають реальні значення й залежать одна від одної. Якщо ввести набір незалежних бінарних ознак, то кожний часовий ряд можна перетворити на послідовність нулів і одиниць. Синхронізуючи послідовності, що відповідають усім ознакам усіх часових рядів, отримуємо послідовність бінарних векторів, яку вже можна записувати в SDM.

Однак у разі відносно невеликого числа розрядів в отриманих векторах (до декількох сотень) відстань Хеммінга – це дуже груба оцінка схожості двох ситуацій, оскільки внесок одних змінних-параметрів істотно перевершує внесок інших. Аналогічно неоднаковий внесок потенційних бінарних ознак, наприклад знак похідної низького порядку, набагато перевищує внесок похідної високого порядку. Для вирішення подібної проблеми доцільно перейти від відстані Хеммінга до аналогічної анізотропної оцінки – зваженої суми порозрядних виняткових АБО. При цьому вага розряду визначається як добуток відносної ваги відповідного часового ряду на відносну вагу ознаки. Перша ознака оцінюється виходячи з парних кореляцій, остання – експертним шляхом.

На практиці NSDM взаємодіє з прогнозним пакетом Forecasting ToolPack. Нехай потрібно спрогнозувати числовий ряд R={r1, r2 …rn} з урахуванням декількох числових рядів G1,G2…... Gn, які впливають на ряд R. Спочатку визначимо середнє значення цього ряду й різницю між сусідніми величинами. Перетворимо кожну точку отриманого ряду на набір бінарних ознак, значення яких можна використовувати для запам'ятовування в NSDM-пам'яті як трійку (розмір, зміна, збільшення). Правила формування ознак задаються табл. 2.

Таблиця 2

Ознака Приймає значення 0 Приймає значення 1

Розмір Число маленьке Число велике

Зміна Число змінилося Число не змінилося

Збільшення Спостерігається зростання Спостерігається падіння

Аналогічно перетворимо дані, подані рядами G1,G2…... Gn.

Запам'ятовуємо перетворені дані, прораховуючи вагові коефіцієнти W1, W2, … Wn, щоб оцінити ступінь впливу на R кожного з додаткових рядів. Прогнозуємо ряд чисельним методом. Порівнюємо результат з фактичними даними й обчислюємо похибку xx. Якщо xx>xxгр, то коригуємо результат за допомогою NSDM; перетворюємо фактичні дані й отриманий прогноз на SDM-характеристики і подаємо на вхід системі фактичні дані. Система розпізнає тип наданого впливу і виводить послідовність характеристик подальшого розвитку подій. На основі цих даних оцінюється значення компенсаційної поправки або тип і параметри впливу.

ВИСНОВКИ

У дисертаційній роботі розроблено інструментарій проектування й розробки інтелектуальних інтерфейсів:

1. Визначено характеристики інтерфейсів, орієнтованих на користувачів з вадами зору (С-користувачів), вимоги до створення інтерфейсів, що задовольняють специфіці С-користувачів.

2. Запропоновано модифікацію HSDM, орієнтовану на формування упереджувального підказування, та розроблений відповідний алгоритм, запроваджений в ігрові компоненти інтерфейсу С-користувачів. На основі тестування реалізації HSDM розроблений алгоритм прискореного переучення SDM і визначені характеристики його параметрів.

3. Для розв'язання задачі інтелектуалізації пакетів числового прогнозування – автоматизації процесу отримання прогнозів – на основі тестування реалізації NSDM запропоновано алгоритм корекції числових прогнозів, що базується на автоматичному врахуванні історичних зразків. На основі NSDM розроблено прототип системи для корекції числових прогонозів.

4. За результатами роботи розроблено прикладні програми, які орієнтовані на С-користувачів і використовуються на практиці (у повсякденній роботі С-користувачів ПК, освоєнні ПК незрячими дітьми в спеціалізованих школах), озвучені ігри, тренажер клавіатури TRKSL, текстовий редактор RED1. Розроблено прототип довідкової системи, орієнтованої на користувачів з дефектами зору, та прототип системи надання упереджувального підказування користувачеві прикладних програм, які дозволяють з єдиних позицій інтелектуалізувати інтерфейс С-користувача. Для задачі числового прогнозування розроблено пакети статистичного прогнозування Forecasting ToolPack та PREDICTOR, які містять засоби автоматизованого прогнозування.

ОСНОВНІ ПОЛОЖЕННЯ ДИСЕРТАЦІЇ ОПУБЛІКОВАНІ В ТАКИХ ПРАЦЯХ:

1. Пшонковская И.Н., Шварц Ю.Н. Средства измерения параметров интерфейса для незрячих пользователей // Представление знаний в информационных технологиях. – Киев: Ин-т кибернетики им.В.М.Глушкова НАН Украины, 1993. – С. 102-106.

2. Пшонковская И.Н. Сопоставление подходов к изучению клавиатуры персонального компьютера незрячими пользователями // Разработка и внедрение информационных технологий в народном хозяйстве. – Киев: Ин-т кибернетики им.В.М.Глушкова НАН Украины, 1994. – С. 62-72.

3. Пшонковская И.Н. Организация контекстной помощи незрячим пользователям // Представление знаний в информационных технологиях. – Киев: Ин-т кибернетики им.В.М.Глушкова НАН Украины, 1995. – С. 33-39.

4. Пшонковская И. Н. Разработка игровых сценариев для незрячих пользователей // УСиМ. – 1996. – N6.– C. 70-76.

5. Интеллектуальные пакеты статистического прогнозирования / О.Л.Перевозчикова, И.Н. Пшонковская, Т.К.Терзян и др. // УСиМ. – 1997. – N6.– С. 56-67.

6. Зайцева С. В., Пшонковская И. Н. Ассоциативное упреждение событий и действий на основе модели человеческой памяти // УСиМ. – 1998. – N6. – C. 38-48.

7. Тульчинский В.Г., Пшонковская И.Н., Зайцева С.В. Ускоренное переучивание SDM // Кибернетика и системный анализ. – 1999. –№1. – С.40-50.

8. Интеллектуализация пакетов статистического прогнозирования / О.Л.Перевоз-чикова, И.Н. Пшонковская, Т.К.Терзян и др. // Материалы VI Междунар. конф. KDS-97. – Ялта, 1997 – С.393-404.

9. Пшонковская И.Н. Инструментарий проектирования интеллектуальных интерфейсов // Материалы VIII Междунар. конф. KDS–99. – Донецк,1999 – С.407-412.

10. Пшонківська І.М., Чилій О.В. Інформаційні технології в аналізі інвестиційних проектів // Проблеми впровадження інформаційних технологій в економіці та бізнесі: Тези доп. міжнар. науково-практичної конф., Ірпінь, травень, 2000. – Ірпінь, 2000. – С.279-281

11. Дмитриева О.С., Пирятинская С.Ф., Пирятинская А.Ю., Пшонковская И.Н., Цибульов П.Ш..