Файл: Применение нейронных сетей в экономике (Развитие систем искусственного интеллекта).pdf

Системы, как программные, так и аппаратные, созданные на основе искусственного интеллекта находят все большее применение в технике. Системы ИИ неотъемлемы на производстве. Именно они собирают и обрабатывают диагностическую информацию о процессе производства. Такой поток данных не в силах обработать ни один человек. Без множества интеллектуальных устройств невозможно представить современный автомобиль. Датчики дождя и парковки, автозатемнение зеркал, распознавание наличия пассажиров и препятствий [8].

Выделяют два основных стратегических направления создания интеллектуальных систем:

1. Технологии экспертных систем.

2. Нейросетевые технологии.

Экспертная система (ЭС) – компьютерная программа, способная заменить специалиста-эксперта в решении проблемной ситуации или консультации менее квалифицированных пользователей. ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.

Экспертная система работает в двух режимах: приобретение знаний и решение задач. В режиме приобретения знаний происходит формирование базы знаний. В режиме решения задач общение с экспертной системой осуществляет конечный пользователь.

Таким образом, идея использования технологии экспертных систем заключается в получении знаний от эксперта и их последующем использовании.

Нейронная сеть – это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Название стратегии нейронных сетей обусловлено тем, что в ее основе лежит нейробиология человеческого мозга: человеческий мозг представляет достаточно сложную структуру, элементарной единицей этой структуры является нейрон [3]. Нейронные сети являются эффективным инструментом интеллектуального анализа данных, то есть они позволяют извлекать знания из данных.

Нейронные сети особенно хорошо зарекомендовали себя при решении задач классификации, прогнозирования, кодирования и декодирования информации и по сравнению с классическими математическими моделями имеют ряд преимуществ:

Универсальность. Нейронные сети не зависят от свойств входных данных и степени их формализации.

Простота. Использование нейронных сети не требует специальной подготовки, в отличие от статистических методов, требующих фундаментальных знаний из области теории вероятностей и математической статистики.

Способность обрабатывать большие объемы данных - в данной работе интеллектуальная система создавалась методом нейронных сетей, т.к. одним из ее главных преимуществ является сравнительно низкая трудоемкость создания при высоких показателях прогнозирования и тестирования. Также к преимуществу можно отнести возможность выявления новых, еще неизвестных экспертам знаний и зависимостей.

Существует два наиболее распространенных мнения о будущем искусственного интеллекта [15].

Сторонники первого взгляда поддерживают концепцию компьютерного агностицизма и утверждают, что технические устройства никогда не смогут достигнуть уровня человеческого сознания и между ними стоит непреодолимая стена. В качестве доказательств непознаваемости процессов мышления, протекающих в живом мозге, приводятся экспериментальные данные, свидетельствующие о чрезвычайно сложной системной организации нейронных связей в структурах мозга.

Последователи второй концепции считают, что достижение результатов, сопоставимых с деятельностью человеческого разума, лишь вопрос времени и будет связано, в основном, с повышением быстродействия электронно-вычислительных устройств.

Для подобных утверждений сегодня имеются некоторые основания. К настоящему времени созданы огромные базы знаний и мощные экспертные системы, содержащие тысячи правил и способные решать некоторые задачи лучше, чем человек. Существуют компьютерные системы, читающие газетный шрифт человеческим голосом в режиме реального времени и выполняющие переводы технической литературы высокого качества. Эти и многие другие факты лежат в основе мнения, что трудности на пути создания искусственного интеллекта, превосходящего по мощи и творческим возможностям человеческий, носят временный характер и связаны лишь с техническими проблемами.

Наиболее перспективными на сегодняшний день направлениями в познании ИИ, являются нейронные сети, эволюционные вычисления, экспертные системы.

Нейронные сети. Продолжается совершенствованием алгоритмов обучения и классификации в масштабе реального времени, обработки естественных языков, распознавания изображений, сигналов, речи, а также создание моделей интеллектуального интерфейса, подстраивающегося под пользователя. Нейронные сети способны решать такие прикладные задачи, как - финансовое прогнозирование, контроль за деятельностью сетей, шифрование данных, диагностика систем. В последние годы продолжается усиленный поиск эффективных методов работы нейронных сетей на параллельных устройствах [12, с. 69].

Эволюционные вычисления. На развитие сферы эволюционных вычислений значительное влияние оказали прежде всего инвестиции в нанотехнологии. ЭВ призваны разрешить практические проблемы самосборки, самовосстановления и самоконфигурирования систем, состоящих из множества одновременно функционирующих узлов. При этом удается успешно применять научные достижения из области цифровых автоматов.

Экспертные системы. Спрос на экспертные системы остается на достаточно высоком уровне. Наибольшее внимание сегодня привлечено к системам принятия решений в масштабе времени, близком к реальному, системам динамического планирования, средствам хранения, извлечения, анализа и моделирования знаний [2].

Исследования вопросов искусственного интеллекта являются одними из самых важных и перспективных в современной науке. На реализации технологий искусственного интеллекта уже сейчас существует большой спрос, который в дальнейшем будет лишь возрастать. Разработка интеллектуальных экспертных систем и нейронных сетей - это лишь первые шаги на пути к созданию сильного искусственного интеллекта, способного сравниться с естественным человеческим интеллектом. За тот относительно короткий интервал со времён первых разработок, ИИ-технологии прошли гигантский путь, внеся колоссальный вклад в социальную жизнь. Например, позволили упростить управление сложными устройствами, снизив требования к техническому уровню потенциальных пользователей. Так же ИИ-технологии нашли широкое применение в науке.

1.3 Подходы к построению ИИ

Существуют различные подходы к построению систем ИИ. Это разделение не является историческим, когда одно мнение постепенно сменяет другое, и различные подходы существуют и сейчас. Кроме того, поскольку по-настоящему полных систем ИИ в настоящее время нет, то нельзя сказать, что какой-то подход является правильным, а какой-то ошибочным [18].

Успех в решении задач во многом определяется способностью гибко подходить к ситуации. Машины, в отличие от людей, интерпретируют полученные данные единым образом. Поэтому в решении задач принимает участие только человек. Машина проводит операции на основании написанных алгоритмов, которые исключают применение нескольких моделей абстрагирования. Добиться гибкости от программ удается путем увеличения ресурсов, задействованных в ходе решения задач.

Указанные выше недостатки характерны для символьного подхода, применяемого при разработке ИИ. Однако данное направление развития искусственного интеллекта позволяет создавать новые правила в процессе вычисления. А проблемы, возникающие у символьного подхода, способны решить логические методы.

Логический подход - этот подход предполагает создание моделей, имитирующих процесс рассуждения. В его основе заложены принципы логики.

Данный подход не предусматривает применение жестких алгоритмов, которые приводят к определенному результату.

Агентно-ориентированный подход - он задействует интеллектуальных агентов. Этот подход предполагает следующее: интеллект представляет собой вычислительную часть, посредством которой достигаются поставленные цели. Машина играет роль интеллектуального агента. Она познает окружающую среду при помощи специальных датчиков, а взаимодействует с ней посредством механических частей.

Агентно-ориентированный подход уделяет основное внимание разработке алгоритмов и методов, которые позволяют машинам сохранять работоспособность в различных ситуациях.

Гибридный подход - этот подход предусматривает объединение нейронных и символьных моделей, за счет чего достигается решение всех задач, связанных с процессами мышления и вычислений. Например, нейронные сети могут генерировать направление, в котором двигается работа машины. А статическое обучение предоставляет тот базис, посредством которого решаются задачи.

Под структурным подходом подразумеваются попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в простонародье обычно известны под термином «нейронные сети» (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного применения их для построения собственно систем ИИ, это уже ранее упоминавшийся ТАИР.

Эволюционный подход - при построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого включается компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

Еще один широко используемый подход к построению систем ИИ - имитационный. Данный подход является классическим для кибернетики с одним из ее базовых понятий - «черным ящиком» (ЧЯ). ЧЯ - устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом здесь моделируется другое свойство человека - способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни. Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

Ознакомившись с выделенными подходами и методами к построению систем ИИ, необходимо отметить, что на практике очень четкой границы между ними нет. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть по другому.

2. КЛАССИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ И ИХ ПРИМЕНЕНИЕ В ЭКОНОМИЧЕСКИХ СИСТЕМАХ

2.1 Классификация интеллектуальных систем 

Интеллектуальная информационная система основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей [13, с. 104].

Для ИИС характерны следующие признаки:

• развитые коммуникативные способности; 
• умение решать сложные плохо формализуемые задачи; 
• способность к самообучению; 
• адаптивность. 

Каждому из перечисленных признаков условно соответствует свой класс интеллектуальных информационных систем (ИИС). Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.