Информационные системы в экономике

Наконец, наиболее цитируемым определением третьего типа является следующее: искусственный  интеллект – это область знаний, которая находит применение при  решении задач, связанных с обработкой информации на естественном языке, автоматизацией программирования, управлением роботами, машинным зрением, автоматическим доказательством теорем, разумными машинами извлечения информации и т.д.

Как обобщающее можно принять определение: искусственный интеллект – научная дисциплина, задачей которой является разработка математических описаний функций человеческого (словесного) интеллекта с целью аппаратурной, программной и технической реализации этих описаний средствами вычислительной техники.

 

5.2    Интеллектуальные ИС и их виды

Существуют различные классификации  интеллектуальных информационных систем. Рассмотрим одну из них предложенную в работе В.Б. Уткина и К.В. Балдина, рисунок 5.1. 

 

 

Наиболее широкое распространение  на практике в настоящее время  получили системы искусственного интеллекта, основанные на знаниях (первое направление). Понятие «знания» для этих систем имеет принципиальное значение. Под «знанием» в системах искусственного интеллекта понимается информация о предметной области, представленная определенным образом и используемая в процессе логического вывода. По своему содержанию данная информация является некоторым набором суждений и умозаключений, описывающих состояние и механизмы (логику) функционирования в выбранной, как правило, весьма ограниченной предметной области. Указанные суждения и умозаключения высказываются экспертом (специалистом) в этой области, либо формулируются в результате анализа литературы по данному предметному направлению.

Способы получения и представления  знаний в интересах проектирования систем искусственного интеллекта в  настоящее время составляют предмет  сравнительно нового научного направления – инженерии знаний.

Форма представления знаний имеет  отличие от формы представления  данных. Обычно под данными в ИС понимаются факты и идеи, представленные в формализованном виде, позволяющие (лишь) передавать, хранить или обрабатывать эти факты и идеи при помощи некоторого процесса. В отличие от данных знания предполагают сосредоточение не только фактов и идей (так называемых первичных данных), но и дополнительных данных, которые описывают (интерпретируют) первичные данные с точки зрения следующих составляющих: того, что собой представляют эти данные, какие между ними имеются связи, какие действия с ними и каким образом могут выполняться и т.п.

В системах, основанных на знаниях, предполагается, что исходные знания способны в соответствии с  запросами пользователей к системе порождать новые знания. При этом сама процедура порождения новых знаний называется логическим выводом (или просто выводом). Термин «логический» в данном случае не случаен по двум причинам. Системы, основанные на знаниях, моделируют мыслительную деятельность людей лишь на логическом (а не на физиологическом) уровне, и, кроме того, основным математическим аппаратом, лежащим в основе систем этого типа, является аппарат математической логики.

К системам искусственного интеллекта, полностью основанным на знаниях, относятся два класса систем: экспертные системы и инструментальные пакеты прикладных программ (ИППП), в которых механизм сборки отдельных подпрограмм (решения частных задач) в общую программу решения требуемой задачи осуществляется автоматически, на основе механизма логического вывода. Основные идеи этого направления частично (или даже в значительной части) реализуются и в других системах искусственного интеллекта, в частности робототехнических системах распознавания и др.

В самоорганизующихся системах (второе направление) реализуется попытка осуществить моделирование интеллектуальной деятельности человека (или более простых живых существ) не на логическом, а на физиологическом уровне работы головного мозга. В данном случае мозг человека моделируется сетью идеальных нейронов. При воздействии на такую сеть некоторых раздражителей она начинает вырабатывать адекватную реакцию, т.е. способна к самообучению путем самоорганизации. Несмотря на значительную теоретическую перспективность этого направления в области искусственного интеллекта, практически значимых результатов этот путь пока не дал. Последнее объясняется технической нереализуемостью на современном уровне достаточного числа взаимосвязанных нейронов в искусственно создаваемой сети.

В то же время  данное направление позволило получить весомые результаты в области  исследования возможностей создания компьютеров  сверхвысокого быстродействия и, тем  самым, повысить возможности систем искусственного интеллекта, создаваемых  на других принципах. Кроме того, реальные результаты получены в создании нейросистем распознавания образов.

Третье направление  разработки систем искусственного интеллекта связано с реализацией эвристического подхода к построению таких систем. Главной особенностью, характерной для данного направления, является полный отказ от следования принципу аналогии при моделировании механизма интеллектуальной деятельности (ни на логическом, ни на физиологическом уровнях). Методологической основой систем эвристического поиска служит то утверждение, что любая интеллектуальная деятельность начинается с некоторых данных и завершается получением определенных результатов также в виде данных. Если техническое устройство позволяет по аналогичным исходным данным получить эквивалентные результаты, то оно может быть отнесено к классу интеллектуальных (согласно первому определение искусственного интеллекта). При этом механизм переработки исходных данных в результаты не оговаривается и, вообще говоря, может быть совершенно иным по сравнению с реальным. Системы этого типа выполняют функции, которые традиционно производятся человеком, однако реализуют их другими способами.

Широкое распространение данное направление  получило при решении различных  игровых задач (в шахматах, шашках и т.д.). Однако подходы, присущие этому направлению, нашли применение и в других системах искусственного интеллекта, в частности системах общения (особенно в части речевого общения), системах распознавания, робототехнических системах и др. В то же время следует заметить: специфика эвристического подхода такова, что рецепты создания программ для решения интеллектуальных задач в одной области практики, как правило, неприменимы в другой области, а возникающая необходимость изменения характера учета факторов при решении прикладных задач вызывает существенную перестройку программы в целом.

При разработке интеллектуальных робототехнических  систем основная задача состоит в  решении теоретических и практических вопросов организации целесообразного  поведения подвижных роботов, снабженных сенсорными и эффекторными (исполнительными) механизмами. Принципиальное отличие робототехнических систем от систем искусственного интеллекта других типов заключается в том, что эти системы не только воспринимают информацию из окружающего мира и вырабатывают на ее основе определенные оценочные выводы, но и, сообразуясь с этими выводами, вносят изменение в окружающий (анализируемый ими) мир.

К настоящему времени в  практике находят применение робототехнические  системы с относительно простыми сенсорными и эффекторными механизмами, которые способны выполнять действия только в простых средах с заранее зафиксированными свойствами.

Наиболее востребованными  реализациями в экономической области  интеллектуальных ИТ являются: экспертные системы, нейронные сети и промышленная робототехника.

5.3    Экспертные системы и нейронные сети. Их использование для решения экономических задач

Экспертные  системы являются одним из результатов исследований в области искусственного интеллекта и рассматриваются в качестве программного средства, которое позволяет представить знания специалистов высокой квалификации о предметной области (рисунок 5.2). Экспертные системы воспроизводят осознанные мыслительные процессы человека. Это системы, которые используют логику принятия решения человеческого эксперта.

Для того чтобы спроектировать экспертную систему, специалист, называемый инженером  знания (специально подготовленный системный  аналитик или группа специалистов), очень тесно работает с одним  или большим количеством экспертов  в изучаемой области. Инженеры знания пробуют узнавать все относительно способа, которым эксперт принимает решения. Если строится экспертная система для планирования оборудования, то инженер знания работает с опытными планировщиками оборудования, чтобы видеть, как они работают. Знание, полученное инженером знания, затем загружается в компьютерную систему в специализированном формате в блок, называемый базой знаний. Эта база знаний содержит правила и заключения, которые используются в принятии решений – параметры, или факты, необходимые для решения. База знаний является центральным элементом экспертной системы.

Другие главные фрагменты  экспертной системы – создатель  заключения и интерфейс пользователя. Создатель заключения – логический каркас, который автоматически проводит линию рассуждения и который обеспечен правилами заключения и параметрами, вовлеченными в решение. Таким образом, один и тот же создатель заключения может использоваться для многих различных экспертных систем с различными базами знаний.

Интерфейс пользователя – блок, используемый конечным пользователем, например неопытным планировщиком оборудования.

 

 

 
Другие блоки включают подсистему объяснения, чтобы разъяснять доводы, что система движется в направлении решения, и подсистему накопления знания, чтобы помочь инженеру знания в регистрации и добавлении правил заключения и параметров в базе знаний. В экономике экспертные системы используются для консультаций по выработке инвестиционных решений, выбору стратегии маркетинга, кредитования и т.д. 

 

 

 

В то время как экспертные системы  пробуют ввести опыт людей в компьютерную программу, нейронные сети пытаются создать значимые модели из большого количества данных. Нейронные сети могут распознавать модели, слишком не ясные для людей, и адаптировать их при получении новой информации.

Нейросетевые технологии, в отличие  от экспертных систем, предназначены  для воспроизведения неосознанных мыслительных усилий человека (например, человек плохо знает, как он распознает цвет предмета). Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных систем, например экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю.

Известны следующие сферы применения нейросетей:

·          экономика и бизнес – предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют;

·          медицина – обработка медицинских изображений, диагностика;

·          Интернет – ассоциативный поиск информации;

·          автоматизация производства – оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации;

·          политические технологии – обобщение социологических опросов;

·          безопасность и охранные системы – идентификация личности, распознавание автомобильных номеров и аэрокосмических снимков;

·                     геологоразведка – анализ сейсмических данных, оценка ресурсов месторождений.

Нейросеть состоит из нейронов, распределяемых по слоям (рисунок 5.3). Один нейрон работает следующим образом: на его вход поступает  набор входных сигналов, нейрон суммирует  входные сигналы и генерирует выходной, который направляется либо в другие нейроны, либо на выход сети. Связь между нейронами характеризуется интенсивностью (силой возбуждения), называемой также синоптическим весом. Представить их можно в виде синаптической матрицы, элементы которой указывают на силу возбуждения связей между нейронами.

 

Применение нейросетей осуществляется поэтапно:

·          постановка задачи – формирование цели применения нейросети (например, прогнозирование курса ценных бумаг);

·          обучение нейросети – подготовка обучающих примеров, которые представляют собой уже известные результаты решения задачи без нейросети, и предъявление их последней;

·          эксплуатация сети – предъявление сети некоторых ситуаций, которые либо распознаются, либо нет.

Обучение нейронных сетей представляет собой последовательный процесс  изменения синаптических весов, отражающих силу возбуждения связей между нейронами.

Программе нейронных сетей  сначала дается набор данных, состоящих из многих переменных, связанных с большим количеством случаев, или исходов, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, а затем выбирает комбинацию переменных, которые строго соотнесены с частными известными результатами, как начальная модель. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, а предсказанные результаты сравниваются с известными результатами. Базируясь на этом сравнении, программа изменяет модель, регулируя параметры переменных или даже заменяя их. Этот процесс программа нейронных сетей повторяет много раз, стремясь улучшить прогнозирующую способность при наладке модели. Когда в этом итерационном подходе дальнейшее усовершенствование исчерпывается, программа готова делать предсказания для будущих случаев.

Как только станет доступным новое  большое количество случаев, эти  данные также вводятся в нейронную  сеть, и модель еще раз корректируется.