2.4. Интеллектуализация новых

       информационных технологий и систем

       в процессе принятия решений:

       экспертные системы, нейросетевые технологии

К сожалению, классические методики принятия решений оказываются малоэффективными во многих практических задачах.

Это связано с тем, что невозможно достаточно полно описать реальность с помощью небольшого числа параметров модели, либо расчет модели требует слишком много времени и вычислительных ресурсов.

Из-за описанных выше недостатков традиционных методик в последние 15 лет идет активное развитие аналитических систем нового типа. В их основе – технологии искусственного интеллекта, имитирующие природные процессы, такие как деятельность нейронов мозга или процесс естественного отбора.

Цель искусственного интеллекта (ИИ) состоит в построении компьютерных сис­тем, которые могут продемонстрировать уровень интеллекта, подобный челове­ческому разуму. Начиная с компьютерных программ, понимания естественного языка, игр, доказательства теорем, распознавания образца, обучающихся машин и робототехники, ИИ превратился в зрелую дисциплину, продукты которой имеют широкое практическое применение.

Искусственный интеллект – алгоритм действия высокоорганизованной материи, наделенной индивидуальностью и способностью осуществлять прием, хранение, обработку поступающей информации, генерировать новые знания и самостоятельно принимать решения относительно поставленной ее создателем цели и задачи.

Термин искусственный интеллект (artificial intelligence) предложен в 1956 г. на семинаре с аналогичным названием в Станфордском университете (США). Вскоре после признания искусственного интеллекта самостоятельной отраслью науки произошло разделение на два основных направления:

• нейрокибернетику или восходящий подход к ИИ

• кибернетику "черного ящика" или нисходящий подход к          ИИ.

И только в настоящее время стали заметны тенденции к объединению этих частей вновь в единое целое.

Основную идею нейрокибернетики можно сформулировать следующим образом. Единственный объект, способный мыслить, – это человеческий мозг. Поэтому любое "мыслящее" устройство должно каким-то образом воспроизводить его структуру. Таким образом нейрокибернетика ориентирована на аппаратное моделирование структур, подобных структуре мозга.

В основу кибернетики "черного ящика" лег принцип, противоположный нейрокибернетике. Не имеет значения, как устроено "мыслящее" устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг.

Классификация интеллектуальных систем представлена на рис.10.7.

Рис. 10.7. Классификация интеллектуальных систем

Экспертная система – это компьютерные системы, аккумулирующие знания экспертов и фундаментальные знания в той или иной предметной области, обладающие способностью к логическим выводам и выступающие в качестве электронных консультантов для лиц, принимающих решения.

Системы, основанные на знаниях, обладают рядом специфиче­ских свойств:

1. Экспертиза может проводиться только в одной конкретной области.

2. Использование правил или эвристик, которые выражаются в виде пар посылок и заключений типа «если - то».

3. Эти системы могут объяснять ход решения задачи понят­ным пользователю способом.

4. Выходные результаты являются качественными (а не количе­ственными).

5. Системы, основанные на знаниях, строятся по модульному принципу, что позволяет постепенно наращивать их базы знаний.

По структуре экспертные системы представлены следующим образом (рис.10.8.)

Пользователь – специалист предметной области, для которого предназначена систе­ма.

Рис.10.8. Структура экспертной системы

Инженер по знаниям – специалист по искусственному интеллекту, высту­пающий в роли промежуточного буфера между экспертом и базой знаний.

Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и получения результатов.

База знаний (БЗ) – ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному).

Решатель – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, блок логического вывода. Предназначен для расчетов коэффи­циентов достоверности (уверенности) для тех гипотез (предло­жений) пользователя, знание которых необходимо для принятия решений. Для этого используются правила в виде ЕСЛИ-ТО, дерево вида И-ИЛИ и правила, способные работать с нечеткой или плохо определенной информацией.

Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы: "Как была получена та или иная рекомендация?" и "Почему систе­ма приняла такое решение?"

Интеллектуальный редактор БЗ – программа, представляющая инже­неру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок ("help" – режим) и других сервисных средств, облегчающих работу с базой.

В коллектив разработчиков ЭС входят как минимум четыре человека:

эксперт; инженер по знаниям; программист; пользователь.

Класс "экспертные системы" сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям (рис. 10.9).

Примеры применения ЭС:

Банк American Express сократил свои еже­годные потери на $27.000.000 в год за счет ЭС, которая определяет целесообразность выдачи или отказа в кредите той или иной фирме.

Компания Sira сократила затраты на строительство трубопровода в Австралии на $40 000 000 за счет ЭС, управляющей режимом работы трубопровода.

NASA использует ЭС для управления ре­жимом работы 16 маневровых двигателей кос­мического корабля многоразового использо­вания.

Рис. 10.9. Классификация экспертных систем

Один из крупнейших производителей цемента в мире, французская фирма Lafarge Соррее, использует на 25 заводах ЭС по управ­лению производственным процессом.

Зарубежный опыт показывает, что экспертные системы раз­рабатываются в основном в университетах, научно-исследова­тельских центрах и коммерческих организациях, в том числе и для финансовой индустрии. В сфере финансового обслуживания эти системы помогают страховым компаниям анализировать и оценивать коммерческий риск, устанавливать размеры ссуд при кредитовании организаций, составлять сметы проектов и т.д.

В процессе создания искусственных интеллектуальных систем используется множество информационных технологий, призванных помочь в деле управления обществом, производством, торговлей, кредитной и финансовой сферами и т.д. Наиболее популярными и проверенными из этих технологий являются нейронные сети.

Один из подходов к созданию искусственного интеллекта состоит а проектировании механизмов имитации процесса передачи сигналов в биологическом мозге (рис. 10.10.).

Рис. 10.10. Схема передачи импульса в нейроне

Нетрудно построить математическую модель описанного процесса (рис. 10.11). На рисунке изображена модель нейрона с тремя входами (дендритами), причем синапсы этих дендритов имеют веса w1, w2, w3 – синаптические коэффициенты.

Рис. 10.11. Математическая модель передачи импульса

в нейроне

Пусть к синапсам поступают импульсы силы х1, х2 х3, соответственно, тогда после прохождения синапсов и дендритов к нейрону поступают импульсы w1x1, w2х2, w3х3. Нейрон преобразует полученный суммарный импульс

x= w1x1 + w2х2 + w3х3

в соответствии с некоторой передаточной, активационной (сигмоида) функцией f(x). Сила выходного импульса равна

y=f(x)=f( w1x1 + w2х2 + w3х3).

Таким образом, нейрон полностью описывается своими весами w и передаточной функцией f(x). Получив набор чисел (вектор) х, в качестве входов, нейрон выдает некоторое число у на выходе.

Теперь, когда стало ясно, что именно мы хотим построить, мы можем переходить к вопросу "как строить такую сеть". Этот вопрос решается в два этапа:

1. Выбор типа (архитектуры) сети.

2. Подбор весов (обучение) сети.

На способе обработки информации сказывается наличие или отсутствие в сети петель обратных связей.

Если обратные связи между нейронами отсутствуют – это сети прямого распространения (т.е. сеть имеет структуру последовательных слоев, где каждый нейрон получает информацию только с предыдущих слоев), обработка информации однонаправлена. Сети прямого распространения могут быть: однослойные и многослойные (скрытые слои).

На втором этапе нам следует "обучить" выбранную сеть, то есть подобрать такие значения ее весов, чтобы сеть работала нужным образом.

Обучение сети – анализ большого числа примеров, для нахождения скрытых закономерностей и интерполяция значения этих функций для примеров, не вошедших в обучающую выборку (рис. 10.12).

Рис.10.12. Процесс обучения нейросети

Обучение с учителем – способ обучения, когда действительный выход нейросети сравнивают с эталонным.

Обучение с «подкреплением» – способ обучения, когда выходная информация известна не полностью, т.е. вместо эталонных ответов известно лишь хуже или лучше данная конфигурация сети справляется с задачей.

Вспомним детскую игру «холоднее-горячее» или лабораторную мышь в лабиринте с лакомствами и электрошоком.

Обучение без учителя – способ обучения, когда желаемые значения выходов вообще неизвестны, и сеть обучается только на наборе входных данных.

В этом случае сети предлагается самой найти скрытые закономерности в массиве данных. Так, избыточность данных допускает сжатие информации, и сеть можно научить находить наиболее компактное представление таких данных, т.е. провести оптимальное кодирование данного вида входной информации.

Нейронные сети – обобщенное название групп алгоритмов, которые умеют обучаться на примерах, извлекая скрытые закономерности из потока данных.

Нейрокомпьютер – это вычислительная система с архитектурой аппаратного и программного обеспечения, адекватная выполнению алгоритмов, представленных в нейросетевом логическом базисе

Классификация нейросетей по типу связей и типу обучения, предложенная Бартом Коско (табл.10.3).

Таблица 10.3

Классификация нейросетей

Тип обучения Тип связей	С «учителем»	Без «учителя»
Без обратных связей	Многослойные персептроны (аппроксимация функций, классификация)	Соревновательные сети, карты Кохонена (сжатие данных, распознавание речи, выделение признаков, обработка изображения)
С обратными связями	Рекуррентные аппроксиматоры (предсказание временных рядов, обучение в режиме on-line)	Сеть Хопфилда (ассоциативная память, кластеризация данных, оптимизация, поиск и восстановление данных по их фрагментам)