Тема 10. Применение интеллектуальных ИТ в экономических системах

10.1. Экспертные системы

Экспертная система (ЭС) – это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Она включает базу знаний с набором правил и механизмом вывода и позволяет на основании предоставляемых пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия.

Экспертные системы предназначены для воссоздания опыта, знаний профессионалов высокого уровня и использования этих знаний в процессе управления. Они разрабатываются с использованием математического аппарата нечеткой логики для эксплуатации в узких областях применения, поскольку их использование требует больших компьютерных ресурсов для обработки и хранения знаний. В основе построения экспертных систем лежит база знаний, которая основывается на моделях представления знаний. В силу больших финансовых и временных затрат в российских экономических ИС экспертные системы не имеют большого распространения.

Считается, что любая экспертная система – это система, основанная на знаниях, но последняя не всегда является экспертной. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдение, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

Более простые системы, основанные на знаниях, функционируют в режиме диалога, или режиме консультации. После запуска система задает пользователю ряд вопросов о решаемой задаче, требующих ответа «да» или «нет». Ответы служат для установления фактов, по которым может быть выведено окончательное заключение.

В любой момент времени в системе содержится три типа знаний:

· структурированные статические знания о предметной области, после того как эти знания выявлены, они уже не изменяются;

· структурированные динамические знания – изменяемые знания о предметной области; они обновляются по мере выявления новой информации;

· рабочие знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.



Архитектура ЭС представлена на рис. 41.

Рис. 41. Архитектура ЭС.

База знаний (БЗ) отражает знания экспертов. Однако далеко не каждый эксперт в состоянии грамотно изложить всю структуру своих знаний.

Выявлением знаний эксперта и представлением их в БЗ занимаются специалисты – инженеры знаний.

ЭС должна обладать механизмом приобретения знаний для ввода знаний в базу и их последующее обновление.

В простейшем случае – это интеллектуальный редактор, который позволяет вводить единицы знаний в базу, а также проводить их анализ на непротиворечивость.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: прогнозирование, планирование, контроль и управление, обучение.

Технологию построения экспертных систем называют инженерией знаний. Этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему.

В результате появляется система, решающая задачи во многом так же, как человек-эксперт.

Ядро экспертной системы составляет база знаний, которая создается и накапливается в процессе ее построения. Знания выражены в явном виде и организованы так, чтобы упростить принятие решений. Накопление и организация знаний – одна из самых важных характеристик экспертной системы.

Наиболее полезной характеристикой экспертной системы является то, что она применяет для решения проблем высококачественный опыт. Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому также способствует гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности системы по мере необходимости.



Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие.

Важным свойством экспертных систем является возможность их применения для обучения и тренировки персонала. Экспертные системы могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. Остается только добавить программное обеспечение, поддерживающее соответствующий требованиям эргономики интерфейс между обучаемым и экспертной системой. Кроме того, должны быть включены знания о методах обучения и возможном поведении пользователя.

В настоящее время ЭС является инструментом, усиливающим интеллектуальные способности всей системы в целом, и выполняет следующие задачи:

1) консультация для неопытных (непрофессиональных) пользователей,

2) помощь при анализе различных вариантов принятия решения,

3) помощь по вопросам, относящимся к смежным областям деятельности.

Наиболее широко и продуктивно ЭС применяются в бизнесе, производстве, медицине, менее – в науке.

Экспертные системы – это прогрессирующее направление в области искусственного интеллекта. Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения для решения задач из самых различных областей человеческой деятельности.

Основные типы задач, решаемых с помощью ЭС:

1) интерпретация, определение смыслового содержания входных данных;

2) предсказание последствий наблюдаемых ситуаций;

3) диагностика неисправностей (заболеваний) по симптомам;

4) конструирование объекта с заданными свойствами при соблюдении установленных ограничений;

5) планирование последовательности действий, приводящих к желаемому состоянию объекта;

6) слежение (наблюдение) за изменяющимся состоянием объекта и сравнение его параметров с установленными или желаемыми;

7) управление объектом с целью достижения желаемого поведения;

8) поиск неисправностей;

9) обучение.

В экономических информационных системах с помощью ЭС возможно решение следующих задач.

1. Анализ финансового состояния предприятия.

2. Оценка кредитоспособности предприятия.

3. Планирование финансовых ресурсов предприятия.

4. Формирование портфеля инвестиций.

5. Страхование коммерческих кредитов.

6. Выбор стратегии производства.

7. Оценка конкурентоспособности продукции.

8. Выбор стратегии ценообразования.

9. Выбор поставщика продукции.

10. Подбор кадров.

10.2. Нейронные сети

Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений.

Нейронные сети – это большой класс систем, архитектура которых имеет аналогию с построением нервной ткани из нейронов. В основе их функционирования лежит принцип обработки информации мозгом человека, и они привлекательны тем, что могут моделировать практически любые, в том числе нелинейные, зависимости.

На заре развития электронно-вычислительной техники в середине ХХ века среди ученых и конструкторов еще не существовало единого мнения о том, как должна быть реализована и по какому принципу работать типовая электронно-вычислительная машина. Это сейчас известна архитектура машины фон Неймана, по которой построены практически все существующие сегодня компьютеры. В те же годы были предложены принципиально иные архитектуры и принципы действия компьютеров. Одна из таких схем получила название нейросетевого компьютера, или просто нейросети.

Первый интерес к нейросетям был обусловлен пионерской работой МакКаллока и Питса, изданной в 1943 году, где предлагалась схема компьютера, основанного на аналогии с работой человеческого мозга. Они создали упрощенную модель нервной клетки – нейрон. Мозг человека состоит из белого и серого веществ: белое – это тела нейронов, а серое – это соединительная ткань между нейронами, или аксоны и дендриты. Мозг состоит примерно из 1011 нейронов, связанных между собой. Каждый нейрон получает информацию через свои дендриты, а передает ее дальше только через единственных аксон, разветвляющийся на конце на тысячи синапсов.

Простейший нейрон может иметь до 10000 дендритов, принимающих сигналы от других клеток. Таким образом, мозг содержит примерно 1015 взаимосвязей. Если учесть, что любой нейрофизиологический процесс активизирует сразу множество нейронов, то можно представить себе то количество информации или сигналов, которое возникает в мозгу.

Каждый нейрон в отдельности выполняет только простейшие преобразования, но параллельная работа большого числа нейронов и огромное количество связей между ними приводят к тому, что нейронная сеть в целом может выполнять очень сложные преобразования сигналов в реальном времени. Кроме того, большое количество связей делает нейронную сеть устойчивую к ошибкам, возникающим в отдельных связях, – работа всей сети не претерпевает существенных изменений.

Визуально нейронные сети обычно представляются в виде графов, в которых нейроны – узлы, а связи – линии. Структурная схема типичной нейронной сети с тремя входами и двумя выходами представлена на рис. 42.

Таким образом, искусственная нейронная сеть представляет собой параллельно-распределенную систему процессорных элементов (нейронов), способных выполнять простейшую обработку данных, которая может настраивать свои параметры в ходе обучения на эмпирических данных. Накопленные знания нейронной сети сосредоточены в весах межэлементных связей.

Рис. 42. Пример нейронной сети.

Нейронные сети обладают большой вычислительной мощностью по ряду причин. Во-первых, нейронная сеть – это параллельно-распределенная структура. Во-вторых, она способна к обучению. Кроме того, нейронным сетям присущ ряд полезных свойств и возможностей, делающих их привлекательными при решении задач обработки информации и сигналов.

Нелинейность. Нейронная сеть в целом является нелинейной системой. Данное свойство особенно важно для моделирования процессов, которые нелинейны по своей природе.

Обучение на примерах. Нейронная сеть способна изменять веса связей между нейронами с помощью наборов обучающих примеров. Результатом обучения является настройка параметров сети таким образом, что они в неявном виде хранят информацию об объектах, о решаемой задаче и предметной области.

Параллельная обработка данных. Поступающие сигналы распараллеливаются, что значительно ускоряет обработку информации.

Адаптивность. Нейронная сеть способна адаптировать веса связей между нейронами к изменениям во внешнем окружении. В частности, сеть, ранее обученная для решения одной задачи, может быть адаптирована (переобучена) для другой задачи.

Отказоустойчивость. При большом количестве связей между нейронами потеря или искажение данных в отдельных связях не ведет к существенному ухудшению качества работы сети в целом.

Искусственный нейрон

Искусственный нейрон является процессорным элементов, на основе которого строятся искусственные нейронные сети. Подобно биологическому прототипу искусственный нейрон выполняет взвешенное суммирование своих входов с последующим нелинейным преобразованием результата, аналогичным сравнению с порогом активации.

Искусственный нейрон состоит из таких основных элементов как:

· набор входных связей (синапсов) xi, каждая из которых имеет вес wi. Значения весов нейронов могут быть как положительными, так и отрицательными;

· сумматор для суммирования входных сигналов xi, взвешенных весами wi;

· активационная функция f(S), выполняющая преобразование (обычно нелинейное) значений с выхода сумматора.

Модель искусственного нейрона схематично представлена на рис. 43

Рис. 43. Обобщенная модель искусственного нейрона.

Сегодня теория нейронных сетей хорошо развита, а на практике они нашли широкое применение в науке и технике, экономике и бизнесе, медицине и социальной сфере. Поэтому алгоритмы нейронных сетей содержаться в любой коммерческой аналитической платформе.


3689464008106493.html
3689565122146962.html
    PR.RU™