Математические методы и модели искусственного интеллекта: нечеткая логика, генетические алгоритмы, нейронные сети и др.

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса[1]. После разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

Нечёткие множества — реализуют логические отношения между данными. Эти программные продукты используются для управления экономическими объектами, построения экспертных систем и систем поддержки принятия решений.

Генетические алгоритмы — это методы анализа данных, которые невозможно проанализировать стандартными методами. Как правило, используются для обработки больших объёмов информации, построения прогнозных моделей. Используются в научных целях при имитационном моделировании.

23. Интеллектуальный анализ данных. Управление знаниями.

Системы бизнес-интеллекта Business Intelligence, BI — класс информационных систем, который позволяет преобразовать разрозненные и необработанные данные операционной деятельности предприятия в структурированную информацию и знания, используемые для принятия управленческих решений.

В отличие от стандартных систем отчетности, BI-системы основаны на технологиях моделирования ситуации, поведения объектов и визуализации их деятельности, играют ключевую роль в процессе стратегического планирования Основными потенциальными потребителями BI-систем являются:

• телекоммуникационные компании, которые испытывают потребность в глубоком анализе базы клиентов, для них предлагаются пакеты Oracle Marketing analyst из Oracle BI Suite

• банки, нуждающиеся в средствах аналитики услуг по кредитованию предприятий и частных лиц, могут использовать BI-системы собственной разработки или готовые специализированные приложения

• промышленные предприятия и сфера торговли — аналитические программные продукты необходимы для построения управленческой отчетности на системах хранения и консолидации данных, например Cognos BI, Business Object

• государственные управленческие структуры, крупные компании и холдинги, требующие полнофункциональных решений ВI, для них подходят Cognos, Oracle, Business Objects, Microsoft, интегрированные с системами планирования и бюджетирования:

• отрасли энергетики, нефтехимии — требуют BI-системы повышения эффективности системы управления, такие решения реализованы в системах сбалансированных показателей BSC и поддерживаются базовыми модулями SAP ERP.

24. Экспертная система (ЭС): назначение, структура и классификация.

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. Основные свойства ОС: Накопление и организация знаний: - применение высококач. опыта - наличие прогностических возможностей - институциональная память - возможность обучения и тренировки

Полностью оформленная статическая экспертная система имеет шесть существенных компонент: База знаний (БЗ) — содержит факты (или утверждения) и правила. Факты представляют собой краткосрочную информацию в том отношении, что они могут изменяться, например, в ходе кон­сультации. Правила представляют более долговременную инфор­мацию о том, как порождать новые факты или гипотезы из того, что сейчас известно. Логическая машина вывода, используя исходные данные из рабочей памяти (РП) и базы знаний, формирует такую последо­вательность правил, которая, приводит к решению задачи. Машина вывода связана с цепочкой рассуждений, которые используются в качестве стратегии для логического вывода. Различают прямую це­почку рассуждений и обратную.

Прямая цепочка рассуждений — это цепочка, которая ведет от данных к гипотезам, при этом в процессе диалога до получения от­вета может быть задано неограниченное количество вопросов.

Обратная цепочка рассуждений является попыткой найти дан­ные для доказательства или опровержения некоторой гипотезы. Компонент приобретения знаний автоматизирует про­цесс наполнения ЭС знаниями. Источник таких знаний — эксперт (либо группа таковых). Объяснительный компонент разъясняет пользователю, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что повышает доверие пользователя к полученному результату. Диалоговый компонент ориентирован на организацию дру­жественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов ра­боты. База данных (БД) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. На ряду с понятием базы знаний широко используется понятие банка данных. Банк данных — это автоматизированная информационная система централизованного хранения и коллективного использова­ния данных. В состав банка данных входит одна или несколько баз данных, справочник баз данных, система управления базами дан­ных, а также библиотека запросов и прикладных программ

Статические ЭС Эти ЭС используются в тех приложениях, где можно не учитывать изменения окружающего мира за время решения задачи.

БЗ содержит факты данные и правила или другие представления знаний, использующие эти факты как основу для принятия решений.

Динамические ЭС осуществляет связи с внешним миром через систему контроллеров и датчиков. Кроме того компоненты БЗ и механизма вывода существенно изменяются, чтобы отразить временную логику происходящих в реальном мире событий.

25. Система поддержки принятия решений (СППР): назначение, структура и классификация.

СППР - компьютерная информационная система, используемая для поддержки различных видов деятель­ности при принятии решений в ситуациях, где невозможно или не­желательно иметь автоматическую систему, которая полностью вы­полняет весь процесс решения. Процесс принятия решений состоит из: сбор данных, распознавание проблемы, формулировка концептуальной модели, анализ, поиск допустимых решений, проверка правильности решений, генерация решений, выполнение. СППР предназначе­ны для решения слабоструктурированных проблем. К слабоструктурированным относятся проблемы, которые содержат как количес­твенные, так и качественные переменные, причем качественные ас­пекты проблемы имеют тенденцию доминировать. Неструктуриро­ванные проблемы имеют лишь качественное описание. В процессе принятия решений возникла необходимость в субъективных, экспертных моделях (прогнозы продаж продукции, реакции конкурентов и т. д.). Возникла также необходимость в уче­те знаний многих экспертов, в анализе принятых ранее решений. Принято считать, основными признаками, характеризующими СППР, являются концептуальные модели пользователей системы, решаемые задачи, обеспечивающие средства, области применения. Иногда структуру СППР представляют следующим образом: 1)система языковая (СЯ); 2)система знаний (СЗ); 3)система обработки проблем. СЯ по своему назначению аналогична интерфейсу "пользова­тель—система", который обеспечивает коммуникации между поль­зователем и всеми компонентами СППР. С помощью СЯ пользова­тель формулирует проблему и управляет процессом ее решения, используя предоставляемые системой языковые средства (синтакси­ческие, семантические). СЗ содержит информацию о проблемной области. СЗ различа­ются по характеру содержащихся в них данных и по используемым методам представления знаний (иерархические структуры, семан­тические сети, фреймы, системы продукций, исчисление предика­тов и др.). Система обработки проблем или проблемный процесс (ПП) яв­ляется механизмом, связывающим СЯ и СЗ. ПП обеспечивает сбор информации, распознавание проблемы, формулировку модели, ее анализ и т. д. Составляющие процесса принятия решения:1)сбор данных; 2) распознавание проблемы; 3)формулировка концептуальной модели; 4)формулировка эмпирической модели; 5)верификация; 6)анализ; 7)поиск допустимых решений; 8)проверка правильности (обоснованности) решения; 9)генерация решения; 10) выполнение.

26. Перспективы развития систем ИИ.

1. Нейронные сети Это направление стабильно держится на первом месте. Продолжается совершенствование алгоритмов обучения и классификации в масштабе реального времени, обработки естественных языков, распознавания изображений, речи, сигналов, а также создание моделей интеллектуального интерфейса, подстраивающегося под пользователя. Среди основных прикладных задач, решаемых с помощью нейронных сетей, — финансовое прогнозирование, раскопка данных, диагностика систем, контроль за деятельностью сетей, шифрование данных. В последние годы идет усиленный поиск эффективных методов синхронизации работы нейронных сетей на параллельных устройствах. 2. Эволюционные вычисления На развитие сферы эволюционных вычислений ЭВ; автономное и адаптивное поведение компьютерных приложений и робототехнических устройств значительное влияние оказали прежде всего инвестиции в нанотехнологии. ЭВ затрагивают практические проблемы самосборки, самоконфигурирования и самовосстановления систем, состоящих из множества одновременно функционирующих узлов. При этом удается применять научные достижения из области цифровых автоматов. Другой аспект ЭВ — использование для решения повседневных задач автономных агентов в качестве персональных секретарей, управляющих личными счетами, ассистентов, отбирающих нужные сведения в сетях с помощью поисковых алгоритмов третьего поколения, планировщиков работ, личных учителей, виртуальных продавцов и т. д. Сюда же относится робототехника и все связанные с ней области. Основные направления развития — выработка стандартов, открытых архитектур, интеллектуальных оболочек, языков сценариевзапросов, методологий эффективного взаимодействия программ и людей Модели автономного поведения предполагается активно внедрять во всевозможные бытовые устройства, способные убирать помещения, заказывать и готовить пищу, водить автомобили и т. п.