Аннотация

Булдакова Т.И., Ланцберг А.В. Разработка систем анализа данных на основе интеллектуальных агентов. В данной работе исследуется мультиагентный подход для проектирования архитектур информационно-аналитических систем. Показано, что реализация подобных систем с использованием интеллектуальных агентов позволяет обеспечить интеграцию различного типа информационных ресурсов на базе единой платформы, а также облегчить процесс модификации и масштабирования систем. Реализация мультиагентного подхода продемонстрирована на примере медицинской информационно-аналитической системы со специализированным диагностическим модулем. Представлена типовая архитектура системы, состоящая из четырех базовых модулей на основе интеллектуальных агентов и пятого специального мультиагентного модуля диагностики, специализация и работа которого зависит от цели и технологии анализа данных. Основным преимуществом предложенной архитектуры является ее семантическое распределение, что обусловливает независимую работу агентов на всех уровнях системы. В качестве примера рассмотрена работа базового модуля сбора информации, одной из задач которого является определение формата поступивших данных. Диагностический модуль, выполняя анализ разнотипной информации, является наиболее сложным. Предложена его реализация для решения узкоспециализированной задачи медицинской диагностики, связанной с оценкой возможности проведения успешной операции у больных преклонного возраста с онкологическими заболеваниями желудочно-кишечного тракта. Приведена последовательность анализа разнотипных данных и пояснены ее этапы.

Ключевые слова: интеллектуальные агенты, архитектура информационно-аналитических систем, медицинская информация, диагностический модуль.

Buldakova T.I., Lantsberg A.V. Development of data analysis systems based on intelligent agents. In this work we investigate a multi-agent approach for designing architectures of information and analytical systems. It is shown that the implementation of such systems using intelligent agents makes it possible to integrate various types of information resources based on a single platform, as well as to facilitate the process of modifying and scaling systems. The implementation of the multi-agent approach is demonstrated by the example of a medical information-analytical system with a specialized diagnostic module. A typical system architecture is presented, consisting of four basic modules based on intelligent agents and the fifth special multi-agent diagnostic module, the specialization and operation of which depends on the purpose and technology of data analysis. The main advantage of the proposed architecture is its semantic distribution, which determines the independent operation of agents at all levels of the system. As an example, the work of the basic information collection module is considered, one of the tasks of which is to determine the format of the incoming data. The diagnostic module, performing the analysis of heterogeneous information, is the most complex. Its implementation is proposed for solving a highly specialized problem of medical diagnostics associated with assessing the possibility of a successful operation in elderly patients with oncological diseases of the gastrointestinal tract. The sequence of analysis of heterogeneous data is given and its stages are explained.

Keywords: intelligent agents, architecture of information and analytical systems, medical information, diagnostic module.

Введение

Современные системы анализа данных, используемые в производственной, экономической, социальной и других сферах, предназначены для решения сложных прикладных задач, где требуется обработка разнотипных неструктурированных данных [1–4]. При этом практика создания подобных систем показывает, что по-прежнему актуальным остается вопрос интеграции различного типа информационных ресурсов на базе единой платформы [5–7]. Отсутствие единого подхода к проектированию архитектуры является главным недостатком разрабатываемых информационно-аналитических систем (ИАС), что значительно осложняет процесс их модификации и масштабирования.

В настоящее время указанные проблемы решаются разработчиками распределенных информационных систем с использованием технологии интеллектуальных агентов [8, 9]. Данная технология, родившись на стыке параллельных вычислений и распределенных систем, позволяет реализовывать независимые процессы в многопроцессорных системах. Мультиагентный подход, разработанный для решения плохо формализованных задач, использует систему коллаборативных агентов, взаимодействующих на основе базы знаний об окружающей среде, в том числе знаний о других агентах. В основу реализации данной технологии положена система продукций, состоящая из правил, рабочей памяти и интерпретатора правил. Основное достоинство состоит в том, что разработчик не должен изначально определять последовательность работы правил, так как каждое правило активизируется при наступлении определенной совокупности условий. Поэтому разработчик определяет только действия интерпретатора правил в ответ на наступление соответствующих условий, а далее система сама определяет последовательность действий по решению той или иной проблемы. Отсутствие централизованного управления системой, построенной на основе мультиагентного подхода, предоставляет большие возможности по наращиванию и модификации ИАС без нарушения ее функциональности. Целью работы является архитектура информационно-аналитической системы обработки разнотипной информации с использованием интеллектуальных агентов. Реализация мультиагентного подхода продемонстрирована на примере медицинской ИАС со специализированным диагностическим модулем.

Архитектура мультиагентной информационно-аналитической системы

Выбор мультиагентной архитектуры обусловлен тем, что она позволяет для каждого этапа создания ИАС получить гибкую автономную структуру (модуль).

В общем случае мультиагентная архитектура медицинской ИАС общего назначения включает пять модулей: модуль сбора информации, модуль хранения информации, модуль диагностики, модуль вывода информации, модуль запросов пользователя (рис. 1).

В представленной архитектуре специализация системы определяется модулем диагностики, который реализует анализ разнотипной информации. Модули сбора, хранения, вывода информации и запросов пользователя являются базовыми (стандартными), а модуль диагностики – специализированным, работа которого зависит от цели и технологии анализа данных.

На практике количество специальных модулей в ИАС может быть различным и ограничивается лишь физическими возможностями системы.

Основным преимуществом предложенной архитектуры является ее семантическое распределение, что обусловливает независимую работу агентов на всех уровнях системы. Каждый интеллектуальный агент выполняет отдельный вид работы, обладая всей необходимой информацией. Агенты автономны, и любой из них функционирует исходя из своей цели, а также имеющейся в наличии информации и сообщений, получаемых из внешней среды. Кроме того, учитывается работа других агентов или пользователей системы.

На высшем уровне ИАС расположен агент управления системой. Его целью является формирование общей картины функционирования системы. Основная задача состоит в координации работы всех модулей системы путем обработки запросов, поступающих от управляющих агентов модулей. Нижний уровень представлен модулями системы, каждый из которых является мультиагентной ИАС. Структуры модулей сбора, хранения, вывода информации и запросов пользователя являются однотипными двухуровневыми.

В качестве примера рассмотрим работу типового модуля сбора информации, целью которого является получение данных от пользователя и передача их в систему. В задачи модуля входят: получение данных пользователя; распознавание формата данных; передача полученной информации пользователя в систему; передача служебной информации о формате данных в систему.

На нижнем уровне модуля сбора информации расположены агенты сбора, каждый из которых выполняет сбор информации определенного формата, поступающей от пользователя или оборудования. На уровень выше находится агент управления модулем сбора информации, он формирует полную картину о работе модуля сбора информации.

Каждый агент сбора информации получает сведения о данных от пользователя (оборудования). Он включает модуль взаимодействия, базу знаний о формате данных (каждый агент хранит лишь образ одного формата данных), модуль анализа информации (рис. 2).

Поступающая на вход информация попадает одновременно ко всем агентам сбора, после этого каждый агент с помощью модуля анализа данных выполняет сопоставление полученной информации с образом формата данных, хранимым в базе знаний данного агента. Данная операция осуществляется с помощью алгоритма распознавания образов, реализованного с помощью нейронной сети. Информация о результатах проведенного анализа поступает от агентов сбора к агенту управления модулем сбора информации, который осуществляет сравнение результатов работы агентов сбора и выбирает наилучший. Наилучшим считается тот, в котором формат полученных от пользователя (оборудования) данных наиболее полно соответствует образу формата данных, хранимому в агенте сбора. В результате определяется формат поступивших в систему данных. Сведения о формате данных передаются на более высокий уровень управления.

Структура модуля диагностики, выполняющего анализ разнотипной информации, является более сложной. Данный модуль определяет специализацию ИАС.

Архитектура модуля диагностики состояния человека

Рассмотрим реализацию диагностического модуля для решения узкоспециализированной задачи медицинской диагностики: оценка возможности проведения успешной операции у больных преклонного возраста с онкологическими заболеваниями желудочно-кишечного тракта. Для решения этой задачи необходимо [10]:

• выбрать из 39 признаков, применяемых в настоящее время в клинической практике, наиболее значимые, которые характеризуют функциональное состояние пациента;
• определить по выбранным признакам степень сложности операции и вероятность ее успешного проведения.

Решение поставленной задачи потребовало выполнения трех этапов различного анализа данных. На первом этапе полученные данные исследовались с помощью кластерного анализа на предмет полноты для проведения последующих анализов. Если данных было достаточно для проведения достоверного анализа, то выполнялся второй этап, где осуществлялись дискриминантный анализ и анализ средствами нейронечеткого алгоритма. Оба вида анализа были направлены на определение вероятной степени сложности проводимой операции (паллиативной или радикальной). На третьем этапе полученные результаты сравнивались и осуществлялся выбор прогноза, наиболее достоверного с точки зрения точности. В случае, если на первом этапе было сделано заключение о недостаточности данных, строились уравнения регрессии, целью которых являлось восполнение недостающих данных. После чего проводился второй этап анализа.

Описанная схема анализа данных пациентов реализована в виде двухуровневой архитектуры модуля диагностики, представленного на рис. 3.

На нижнем уровне находятся агенты-обработчики, их цель состоит в выполнении определенного вида анализа (при этом агент-обработчик может выполнять только один вид статистического анализа, а в одном из агентов-обработчиков реализован алгоритм нейронечеткого анализа). Каждый агент-обработчик состоит из модуля анализа данных и модуля взаимодействия. Кроме того, на нижнем уровне находятся агент сбора информации и агент сравнения результатов анализа.

На верхнем уровне находится агент управления модулем диагностики, где формируется полная картина о работе данного модуля. Фактически данный модуль координирует работу всех своих агентов.

Окончательный результат работы модуля диагностики направляется в модуль хранения информации и модуль вывода информации. На данном шаге заканчивается цикл работы медицинской ИАС.

Взаимодействие всех агентов (как на уровне модулей, так и на уровне взаимодействия модулей) осуществляется на основе системы правил-продукций, реализованных в модулях взаимодействия агентов.

Результаты

Важным преимуществом предложенной мультиагентной архитектуры является возможность ее трансформации без потерь при модификации диагностической методики, а также при наращивании новыми диагностическими методиками.

Представленная мультиагентная ИАС позволяет реализовать при диагностике основные этапы обработки данных:

• предварительная обработка информации, заключающаяся в проверке полноты данных;
• предварительный анализ данных с использованием выбранной технологии кластеризации;
• дискриминантный анализ данных для скрининга незначительных показателей и формирования прогностической модели линейных зависимостей данных;
• анализ данных с помощью нейро-нечеткой сети для формирования прогнозной модели нелинейных зависимостей данных;
• оценка достоверности результатов.

Каждый этап выполняется с использованием определенного модуля мультиагентной системы. Полученные результаты подтверждают, что на основе интеллектуальных агентов можно построить эффективные информационно-аналитические системы.

Заключение

В данной работе проведено исследование мультиагентного подхода для проектирования и реализации информационно-аналитических систем.

Преимуществом предложенной архитектуры ИАС является семантическое и физическое распределение функций между агентами, обеспечивающее реализацию прозрачности выполнения процессов обработки информации, способность к масштабируемости и реорганизации структуры. Представленная мультиагентная архитектура ИАС позволяет наращивать систему на любом уровне функционирования, что является ее важным достоинством, в результате появляется платформа для разработки многофункциональной информационно-аналитической системы. Пример диагностического модуля ИАС дает детальное представление о возможностях мультиагентного подхода по созданию сложных аналитических структур, главным преимуществом которых является способность к легкой реорганизации алгоритмов обработки разнотипных данных без потери общей функциональности системы.

Список литературы

1. Dzhalolov A.S., Buldakova T.I., Proletarsky A. Socio-Economic Decision Support Module by Unstructured Data // Proceedings of the 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), St. Petersburg and Moscow, Russia. 2020. P. 1931–1934. DOI 10.1109/EIConRus49466.2020.9039086.
2. Lantsberg A.V., Treusch K., Buldakova T.I. Development of the electronic service system of a municipal clinic (based on the analysis of foreign web resources) // Automatic Documentation and Mathematical Linguistics. 2011. Vol. 45. No. 2. P. 74–80.
3. Buldakova T.I., Sokolova A.V. Structuring Information about the State of the Cyber-Physical System Operator // International Conference on Information Technologies in Engineering Education (Inforino), Moscow, Russia. 2020. P. 1–5. DOI 10.1109/Inforino48376.2020.9111654.
4. Suyatinov S.I. Procedure for Constructing Soft Models of Complex Systems by Time Series // Bulletin of the South Ural State University. Ser. Mathematical Modelling, Programming & Computer Software (Bulletin SUSU MMCS). 2019. Vol. 12. No. 4. P. 82–94. DOI 10.14529/mmp190406.
5. Buldakova T., Krivosheeva D., Suyatinov S. Hierarchical Model of the Network Interaction Representation in the Telemedicine System // XXI International Conference Complex Systems: Control and Modeling Problems (CSCMP), Samara, Russia. 2019. P. 379–383. DOI 10.1109/CSCMP45713.2019.8976743.
6. Buldakova T.I., Suyatinov S.I. Biological Principles of Integration Information at Big Data Processing // International Russian Automation Conference (RusAutoCon), Sochi, Russia. 2019. P. 1–6. DOI 10.1109/RUSAUTOCON.2019.8867710.
7. Серебрянский С.А., Стрелец Д.Ю., Шкурин М.В. Цифровой двойник в едином информационном пространстве жизненного цикла как инструмент обеспечения конкурентоспособности изделия авиационной техники // Автоматизация в промышленности. 2021. № 1. С. 20–26.
8. Tarasov V., Kaganov Y., Gapanyuk Y. The Metagraph Model for Complex Networks: Definition, Calculus, and Granulation Issues // Lecture Notes in Computer Science. 2021. Vol. 12948 LNAI. P. 135–151.
9. Листопад С.В., Кириков И.А. Архитектуры интеллектуальных агентов сплоченных гибридных интеллектуальных многоагентных систем // Системы и средства информатики. 2022. Т. 32. № 2. С. 81–91.
10. Buldakova T.I., Lantsberg A.V., Suyatinov S.I. Multi-Agent Architecture for Medical Diagnostic Systems // Proceedings – 2019 of 1st International Conference on Control Systems, Mathematical Modelling, Automation and Energy Efficiency (SUMMA). P. 344–348. DOI 10.1109/SUMMA48161.2019.8947489.