Системы искусственного интеллекта и нейронные сети icon

Системы искусственного интеллекта и нейронные сети


Смотрите также:
Самостоятельная работа по прогнозированию экономических процессов на тему: нейронные сети и их...
Препринт №
Основы теоретической робототехники. Примеры использования искусственных нейронных сетей...
8. Лекция: Робототехнические системы с элементами искусственного интеллекта...
Задачи искусственного интеллекта 7 Тест по теме «История развития искусственного интеллекта» 9...
Конспект лекций по дисциплине «Системы искусственного интеллекта» Кафедра мпо эвс...
Нейронные сети математический аппарат...
Заседание семинара "Проблемы искусственного интеллекта"...
Заседание семинара «Проблемы искусственного интеллекта»...
I. информация и экономика лекция информация как основа принятия решений в экономических задачах...
Применение систем искусственного интеллекта к расчету электромагнитной совместимости спутниковой...
Учебно-методический комплекс по дисциплине “основы искусственного интеллекта” Специальность...



Загрузка...
скачать
Системы искусственного интеллекта и нейронные сети


Общее понятие о системе искусственного интеллекта


--------------------------------------------------------------------------------


Помимо информационно-вычислительных задач, решение которых осуществляется по заданному алгоритму, в последнее десятилетие компьютерные технологии все активнее пытаются применить для реализации интеллектуальных процессов, то есть, процессов поиска решения, при которых конечный результат непредсказуем и является плодом логических самостоятельных заключений и выводов компьютера.


В основу мыслительной деятельности компьютера положен программный принцип реализации. Однако принципы моделирования интеллектуальных процессов - процессов приобретения, накопления, и использования знаний имеют свои ярко выраженные особенности, которые позволяют выделить их в отдельный класс компьютерных систем и технологий, относящихся к системам искусственного интеллекта.


Под системами, обладающими искусственным интеллектом (ИИ), понимают устройства или программы, имеющие такие характеристики, присущие человеческому интеллектуальному поведению, как понимание и использование языка, причинная обусловленность поведения, способность гибко реагировать на ситуацию, использовать преимущество благоприятных ситуаций, проводить разграничения между сходными ситуациями, выводить новые идеи, заключения и др.


Вместе с тем однозначного определения интеллектуального поведения компьютерных систем пока не существует и разграничение интеллектуального и неинтеллектуального поведения весьма условно. Программные системы, основанные на естественно - научных теориях о природных процессах и математических методах, не относят к интеллектуальным. Часто такие задачи и алгоритмы их реализации называют рутинными.


Программные системы, реализующие алгоритмы, для которых не существует формальной модели решения, называют эвристическими и относят к классу интеллектуальных систем (или систем искусственного интеллекта). Принципиальное отличие интеллектуальных систем от традиционных компьютерных программ состоит в следующем. К творческим, интеллектуальным задачам относят задачи, для которых пока еще не существует формальной модели решения, например, игра в шахматы.


Задачи искусственного интеллекта - это такие задачи, в которых формализуется не процесс решения, а процесс поиска решения. В связи с этим развиваются такие направления, как экспертные системы, база знаний, нейронные сети, нейрокомпьютеры, DM - системы.


+++


Экспертные системы


--------------------------------------------------------------------------------


Наиболее широкое применение методы ИИ нашли в программах, называемых экспертными системами (ЭС). Отличительной чертой этих программ является способность накапливать знания и опыт квалифицированных професионалов (экспертов) в какой-либо узкой предметной области. Затем при помощи знаний, накопленных в ЭС, специалисты с не очень высокой квалификацией могут решать сложные задачи на столь же высоком уровне, как и эксперты, иными словами, данные программы поддерживают средствами автоматизации не только и не столько вычислительные функции, сколько функции мыслительные, интеллектуальные, помогая пользователю принимать решения в сложных неоднозначных ситуациях.


Единого строгого определения ЭС пока нет. Чаще всего в литературе и среди специалистов используется понимание экспертной системы - как компьютерной программы, созданной для выполнения тех видов деятельности, которые под силу только человеку - эксперту, например проектирование, планирование, перевод, выдача рекомендаций. Эти программы моделируют образ мышления человека-эксперта на основе механизмов логического вывода и эвристических методов.


Определение, одобренное Комитетом по экспертным системам Британского компьютерного общества, гласит, что под экспертной системой понимается система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить РАЗУМНЫЙ СОВЕТ или осуществить РАЗУМНОЕ РЕШЕНИЕ поставленной задачи. Такая система должна уметь объяснять ход своих рассуждений в понятной форме.


Все экспертные системы являются системами искусственного интеллекта, но не все системы искусственного интеллекта являются ЭС. Например, программа распознования печатного текста или голосовых сообщений относится к интеллектуальным системам, но не является экспертной системой, поскольку решение подобной задачи под силу любому человеку. Для ЭС характерно наличие цели функционирования, состоящей в решении сложных проблем, решение которых под силу специалисту высокой квалификации - эксперту.


На основе приведенных определений выделим характерные черты ЭС:


алгоритмы функционирования ЭС имитируют подход к решению проблемы со стороны человека;

умение объяснять свои действия в понятной для человека форме;

наличие естественно - языкового интерфейса.


Различают ЭС предметно-ориентированные и ЭС-оболочки, предназначенные для наполнения любым предметным знанием. Экспетные системы могут строиться на основе представления знаний в виде набора правил (rule - based - подход) и на базе адаптивного подхода, основанного на обучении системы на примерах (case - based - подход).


Экспертные системы первого поколения строились преимущественно на основе правилоориентированного подхода. Такие экспертные системы назывались правилоориентированными или продукционными.


В ЭС, основанных на правилах, предметные знания представляются набором правил, которые проверяются через набор фактов или знаний о текущей ситуации.


Различаются ЭС по связи с реальным временем:

  1. Статистические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.
    Пример: диагностика неисправностей в автомобиле.

  2. Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.
    Пример: микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса и анализируется динамика полученных показателей по отношению к предыдущему измерению.

  3. Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпритацией поступаемых данных.
    Пример: управление гибкими производственными комплексами, мониторинг в реанимационных палатах и др.

Также различаются ЭС по степени интеграции с другими программами:

  • Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически "экспертных" задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т.д.)

  • Гибридные ЭС представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование) и средства манипулирования знаниями.



Специализированные продукционные системы нашли широкое приминение в различных областях человеческой деятельности. Однако наиболее популярными ЭС являются оболочки Guru, KEE, LOOPS, которые могут быть наполнены любым предметным знанием.


+++

^

Технология использования экспертных систем




Основой экспертной системы является совокупность знаний (базы знаний), структурированных в целях формализации процесса принятия решений. Экспертные системы разрабатываются с расчетом на обучение и способны обосновать логику выбора решения, т.е. обладают свойствами адаптивности и ее аргументирования. У большинства экспертных систем имеется механизм объяснения. Этот механизм использует знания, необходимые для объяснения того, каким образом система пришла к данному решению. Очень важным является определение области применения экспертной системы, границ ее использования и действия.

^ Преимущества экспертных систем по сравнению с использованием опытных специалистов в следующем:

  • достигнутая компетентность не утрачивается, может документироваться, передаваться, воспроизводиться и наращиваться;

  • имеют место более устойчивые результаты, отсутствуют эмоциональные и другие факторы человеческой ненадежности;

  • высокая стоимость разработки уравновешивается низкой стоимостью эксплуатации, возможностью копирования, а в совокупности они дешевле высококвалифицированных специалистов.

^ Недостатком экспертных систем, характерным для их современного состояния, является меньшая приспособляемость к обучению новым правилам и концепциям, к творчеству и изобретательству. Использование экспертных систем позволяет во многих случаях отказаться от высококвалифицированных специалистов, но предполагает оставить в системе место эксперту с более низкой квалификацией. Экспертные системы служат средством для расширения и усиления профессиональных возможностей конечного пользователя.

Экспертная система должна демонстрировать компетентность, т.е. достигать в конкретной предметной области того же уровня, что и специалисты - эксперты. Недостаточно находить хорошие решения, это надо делать быстро. Системы должны иметь не только глубокое, но и достаточно широкое понимание предмета. Методы нахождения решений проблем достигаются на основе рассуждений, исходящих из фундаментальных принципов в случае некорретных данных или неполных наборов правил. Такие свойства наименее разработаны в компьютерных экспертных системах, но именно они присущи специалистам высокого уровня.

от обычных компьютерных систем экспертные системы отличаются тем, что:

  • манипулируют знаниями, тогда как любые другие системы - данными;

  • дают эффективные оптимальные решения и способны иногда ошибаться, но в отличие от традиционных компьютерных систем они имеют потенциальную способность учиться на своих ошибках.

ЭС как инструмент в работе пользователей совершенствуют свои возможности решать трудные, неординарные задачи в ходе практической работы. ЭС создаются для решения разного рода проблем, типы которых можно сгруппировать в категории. Типичные категории ЭС систем приведены в таблице 1.
^

Таблица 1. Типичные категории применения ЭС.


Категория

Решаемая проблема

Интерпретация

Описание ситуации по информации, поступающей от датчиков, предусматривается многовариантный анализ данных

Пример:


  • обнаружение и идентификация различных типов океанских судов - SIAP;

  • определение основных свойств личности по результатам психодиагностического тестирования в системах АВТАНТЕСТ и МИКРОЛЮШЕР и др.

Прогноз

Определение вероятных последствий заданных ситуацией

Пример:


  • предсказание погоды - система WILLARD;

  • оценки будущего урожая - PLANT

  • прогнозы в экономике - ECON и др.

Диагностика

Выявление причин неправильного функционирования системы по результатам наблюдений

Пример:


  • диагностика и терапия сужения коронарных сосудов - ANGY;

  • диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ - система CRIB и др.

Проектирование

Построение конфигурации объектов при заданных ограничениях

Пример:


  • проектирование конфигураций ЭВМ VAX;

  • синтез электрических цепей - SYN и др.

Планирование

Определение последовательности действий, используются модели поведения реальных объектов

Пример:


  • планирование поведения работы - STRIPS;

  • планирование промышленных заказов - ISIS;

  • планирование эксперимента - MOLGEN и др.

Наблюдение

Сравнение результатов наблюдений с ожидаемыми результатами

Отладка

Составление рецептов исправления неправильного функционирования системы

Ремонт

Выполнение последовательности предписанных исправлений

Обучение

Диагностика, отладка и исправление поведения обучаемого

Пример:


  • обучение языку программирования Лисп в системе "Учитель Лиспа";

  • система PROUST - обучение языку Паскаль и др.

Управление

Управление поведением системы как целого


+++


Области применения экспертных систем


--------------------------------------------------------------------------------


На рынке появилось множество интеллектуальных ПС, в первую очередь в виде экспертных систем (ЭС), автоматизирующих процесс принятия решений и играющих все возрастающую роль в деятельности многих компаний, а также в тех областях, которые имеют непосредственное отношение к вопросам принятия решений в сложных или экстремальных ситуациях. В общем случае, ЭС состоит из базы данных и знаний и программного обеспечения, поддерживающего данные базы в актуальном состоянии и симулирующего знания и аналитические способности эксперта в конкретной предметной области.


Экспертные системы наилучшим образом отвечают задачам, требующим принятия решений в сложных ситуациях. Примером могут служить задачи медицинского диагноза или технической диагностики, в которых критическим фактором является не только достоверный диагноз, но и время. Когда у пациента имеет место неизвестная совокупность симптомов, врач может прибегнуть к консультации с ЭС, чтобы поставить диагноз и назначить соответствующий курс лечения. Именно поэтому для задач данного класса были разработаны первые ЭС и число их постоянно растет. Для такого типа ЭС многовековая медицинская практика накопила обширные знания и опыт лечения, что существенно облегчает задачу создания соответствующих баз знаний и данных.


Вторым классом задач, хорошо отвечающим ЭС - технологии, являются задачи по принятию решений в случае, когда в прикладной области имеется ограниченное число высоко квалифицированных экспертов, которые могут давать наиболее оптимальные рекомендации для принятия необходимых решений. Например, фирма Honeywell создала ЭС, ориентированную на задачи диагностики коммерческих воздушных кондиционеров. И хотя технический персонал фирмы имеет квалификацию не ниже средней, наличие ЭС обеспечивает неизменно высокое качество обслуживания. Положительные аспекты данного подхода состоят и в том, что затраты на обслуживание не возрастают при необходимости увеличения числа экспертов либо при увольнении их из фирмы.


К третьему классу задач, стимулирующих создание ЭС, относятся задачи, требующие постоянного и длительного по времени принятия решений в трудных или экстремальных условиях. Например, фирма NLBaroid, специализирующаяся на обслуживании нефтебурения, создала систему MUDMAN, позволяющую анализировать параметры закачиваемой в скважины жидкости с целью обеспечения нормальных режимов работы бура и облегчения процесса бурения. На глубоких или трудных скважинах обслуживающему инженеру часто приходится анализировать свыше 20 параметров, по крайней мере, дважды в день. ЭС обеспечивает аналитическую обработку и делает фирму более конкурентноспособной. Наряду с перечисленными существуют еще целый ряд классов задач, применение ЭС в которых может давать существенный и разноплановый эффект.


В настоящее время создано и поставляется на рынок большое количество разнообразных ЭС, ориентированных на различные типы ПК и сферы приложений. В настоящее время ЭС широко используются в таких прикладных областях, как: медицинская и техническая диагностика, планирование, прогнозирование, мониторинг, интерпритация результатов наблюдений, контроль и управление, обучение и др. В этом заключается один из основных практических выходов исследовательских работ по ИИ - проблематике. Данная группа ПС обеспечивает формирование баз знаний и работу с ними для тех областей деятельности, где невозможно формализованное описание процессов обработки информации и принятия решений.


Знание-ориентированные компьютерные системы даже перед профессионалом имеют существенные преимущества при необходимости получить заключение по решению задачи из предметной области, на которую они ориентированны, а именно:


они делают обоснованные выводы в рамках имеющихся у них знаний и стратегий вывода;

обладают высоким уровнем объективности;

используя систематический подход, нередко предлагают оптимальные решения;

обладая большой БЗ, дают возможность получать правильные решения даже мало квалифицированным в предметной области пользователям;

обладают достаточно высокой устойчивостью к влиянию информации, не относящейся к поддерживаемой ими предметной области и т.д.


Вместе с тем следует четко представлять себе основные ограничения, присущие даже самым интеллектуальным ЭС, функционирующим на ЭВМ всех классов и типов:


в первую очередь, большинство ЭС не отвечают требованиям пользователя, не имеющего опыта работы с подобными ПС;

многие ЭС в полном объеме являются доступными только для создателей их БЗ;

в процессе своего функционирования ЭС не наращивает свой интеллектуальный потенциал, исключая расширение БЗ за счет приобретения знаний;

ЭС не обладают свойством обучаемости в общепринятом понимании;

ЭС начисто лишены интуиции, играющей чрезвычайно важную роль в принятии решений;

не имеют особого смысла и ЭС в объемных предметных областях, содержащих большие количества фактов, объектов и сложных отношений между ними, также как и в областях, в которых отсутствуют эксперты

Невзирая на эти и ряд других недостатков, присущих современным ЭС, использование их во многих приложениях оказывается весьма продуктивным, а в ряде случаев - и просто необходимым (медицинская и техническая диагностика, планирование и др.)


Не вникая в вопросы анализа и характеристики всего многообразия разработанных коммерческих и экспериментальных ЭС, можно отметить ряд наиболее интересных из них для отечественного пользователя:


PROSPECTOR, MYCIN, DENDRAL - находились у истоков развития знание - ориентированных компьютерных систем и ныне являются классическими; их принципы и методы разработки использовались большим чмслом последующих ЭС;

ПИЭС, ЭКО, НЭКС - 2, СПЭИС, ЛОГОС, DECCSAY, НУТ, ДИЕКС и др. - популярные отечественные ЭС и инструментальные средства их разработки.


Особый интерес для отечественного пользователя, имеющего дело с задачами по принятию решений, представляет известный пакет Expert Choice одноименной фирмы. Многие корпорации и фирмы США используют данный пакет для задач стратегического планирования. Основой пакета является теория многокритериальных решений, базирующаяся на аналитических иерархических процессах. Пакет ориентирован на решении задач многокритериального принятия решений в различных прикладных областях и может оперировать как с непосредственными, так и с косвенными элементами. Он является уникальным и мощным средством нового поколения ЭС, предназначенных для решения задач в сложных условиях.


+++


Нейросетевые технологии в финансово-экономической деятельности


--------------------------------------------------------------------------------


На рынке коммерческих программных продуктов наряду с аналитическими инструментами нового поколения, основанными на применении логики нечетких множеств все большей интерес представляют аналитические ИТ, основанные на использовании нейронных сетей. Нейронные сети - обобщенное название групп алгоритмов, которые умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. Нейросетевые компьютерные технологии работают по аналогии с принципами строения и функционирования нейронов человеческого мозга и позволяют решать чрезвычайно широкий круг задач:


распознавание человеческой речи и абстрактных образов;

классификацию состояний сложных систем;

управление технологическим процессами и финансовыми потоками;

решение аналитических, исследовательских, прогнозных задач, связанных с обширными информационными потоками.


Являясь мощным технологическим инструментом, нейросетевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, дефецита времени и ограниченности инфорационных ресурсов.


Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей:


Прогнозирование временных рядов на основе нейросетевых методов обработки:

прогнозирование кросс-курса валют;

прогнозирование котировок и спроса акций для биржевых спекуляций (не для долгосрочного вложения);

прогнозирование остатков средств на корреспондентских счетах банка.

В настоящее время прогноз курсов иностранных валют определяется экспертизой квалифицированных специалистов в области обмена валют, которые всегда в дефиците. Исследования показывают, что имеется ряд показателей и математических зависимостей, которые дают возможность прогнозирования курса валюты, хотя могут и не относиться к финансовой области непосредственно. Однако динамическая природа рынков не позволяет выделить единственный точный показатель, так как условия рынка со временем меняются и решение задачи возможно при использовании сочетания ряда показателей, то есть переход к нелинейной многокритериальной модели. Специалистами Лондонского Ситибанка (Citibank NA London) разработаны коммерческие программы на базе искусственных нейронных сетей для прогнозирования курса валют.


Страховая деятельность банков:

оценка риска страхования инвестиций на основе анализа надежности проекта;

оценка риска страхования вложенных средств.

Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности.


Прогнозирование банкротств на основе нейросетевой системы распознавания:

анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде;

анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).

Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.


Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия:

выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели;

предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов;

распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания;

определение соотношения котировок и спроса.

Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях.


Применение нейронных сетей к задачам биржевой деятельности:

нейросетевая система распознавания всплесков биржевой активности;

анализ деятельности биржи на основе нейросетевой модели;

предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний;

нейросетевая система выделения трендов по методикам "японских свечей" и других гистографических источников отображения информации.

Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции.


Прогнозирование экономической эффективности финансирования экономических и инновационных проектов:

предсказание на основе анализа реализованных ранее проектов;

предсказание на основе соответствия предлагаемого проекта экономической ситуации.

В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети.


Предсказание результатов займов:

определение возможности кредитования предприятий

предоставление кредитов и займов без залога

Используется (в редком случае) при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами.


Общие приложения нейронных сетей:

применение нейронных сетей в задачах маркетинга и розничной торговли.

моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий

моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа

построение модели структуры расходов семьи.




Скачать 179,62 Kb.
оставить комментарий
Дата30.09.2011
Размер179,62 Kb.
ТипДокументы, Образовательные материалы
Добавить документ в свой блог или на сайт

Ваша оценка этого документа будет первой.
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Загрузка...
Документы

наверх