Понятие интеллектуальных информационных технологий и систем. Системы искусственного интеллекта

Размещено на http://www.allbest.ru/

Лекция 7. Понятие интеллектуальных информационных технологий и систем. Системы искусственного интеллекта

Исследования сложных экономических систем во многом базируются не на классическом математическом аппарате, а на методах искусственного интеллекта.

Они наиболее эффективны при решении слабо структурированных задач, в которых отсутствует строгая формализация, наряду с экономическими показателями учитываются слабо формализуемые политические и социальные факторы.

Термин интеллект (intelligence) происходит от латинского intellectus -- что означает ум, рассудок, разум, мыслительные способности человека. Интеллект - это способность мозга решать задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

Искусственный интеллект (artificial intelligence) -- это свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.

Интеллектуальная информационная система -- это совокупность средств, методов и персонала, имеющая возможность хранения, обработки и выдачи информации, а также настройки своих параметров в зависимости от состояния внешней среды и целей решаемых задач.

Интеллектуальная информационная система (ИИС) -- это один из видов автоматизированных информационных систем, иногда ИИС называют системой, основанной на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке.

ИИС предназначены для:

1. диагностирования и экономического анализа деятельности предприятия;

2. оказания помощи в антикризисном управлении;

3. оценки и принятия экономических решений;

4. стратегического планирования;

5. инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга и т.д.

Методы искусственного интеллекта реализуются различными средствами: нейронными сетями, генетическими алгоритмами, системами нечеткой логики и др. Их применение позволяет работать с неточными данными, достигать при этом достаточной точности, и не требует от пользователей специальных математических знаний.

Системы на основе нейрокомпьютерных технологий (нейросети). Их компонентами являются нейронные компьютеры и процессоры, нейронные сети (как класс специализированных алгоритмов).

С помощью нейросетей моделируются взаимодействия нейронов аналогично их функционированию в мозге человека. Каждый нейрон состоит из тела клетки и множества входных отростков, называемых дендритами. Дендриты идут от тела данной клетки к другим нейронам, где они принимают сигналы в точках возбуждения, называемых синапсами. Принятые синапсами входные сигналы подводятся к телу нейрона, где они алгебраически суммируются. Когда суммарное возбуждение в теле нейрона превысит некоторый порог, он возбуждается и посылает свой сигнал к другим нейронам.

С большим уровнем упрощения искусственную нейросеть можно рассматривать как совокупность логически взаимодействующих искусственных нейронов. Каждый такой нейрон реализуется в виде сумматора, на вход которого поступают взвешенные сигналы с выходов нейронов предшествующего уровня. Результат суммирования поступает на пороговый элемент с некоторой функцией адеквации нейрона. Настройка нейросети сводится к определению структуры нейронов и значений весовых коэффициентов, определяющих глубину связи между конкретными нейронами. Для того, чтобы сеть можно было использовать в дальнейшем, ее прежде необходимо «натренировать» на полученных ранее массивах данных, содержащих значения входных параметров и соответствующие им значения выходных параметров (т.е. правильные ответы). Результатом этого обучения является определение значений «веса» межнейронных связей (коэффициентов межнейронных связей), обеспечивающих наибольшую близость выходных сигналов сети к известным правильным ответам.

Используются нейросети с однослойными и многослойными структурами, с прямым распространением сигналов и с обратными связями. Они характеризуются размерами и структурой, методами отбора данных для анализа, временем и алгоритмами обучения, точностью, способностью к обобщению. Усложнение структуры нейросети расширяет ее функциональные возможности и обеспечивает нахождение моделей, более точно описывающих особенности взаимосвязи массивов показателей, которые используются при настройке сети.

В настоящее время применяются: многослойные персептроны, сети Хопфидда, RTF-сети, вероятностные (байесовские) сети, самоорганизующиеся карты Кохонена и др.

Свойства нейросетей:

§ отсутствие сложных расчетов;

§ результаты обработки (прогноза) зависят только от полноты и вида имеющихся данных;

§ приемлемое время настройки;

§ для настройки нейросети необходим большой объем обучающей выборки данных. информационная система искусственный интеллект

Нейронные сети эффективны для выявления нелинейных закономерностей при отсутствии точных начальных знаний об искомой модели, когда классические методы не позволяют найти приемлемого решения. Нейросети показали свою эффективность при исследовании динамики финансовых рынков, определении оптимального портфеля ценных бумаг, предсказании банкротств финансовых учреждений, определении кредитных рисков и др.

Одним из популярных пакетов для решения задач прогнозирования при работе с финансовыми данными является пакет Brain Maker Professional.

Системы на основе генетических алгоритмов используются для решения комбинаторных задач и задач оптимизации. Поиск решения задачи осуществляется в соответствии с минимизацией некоторого заданного критерия. Каждое возможное решение описывается определенным набором (последовательностью) атрибутов (параметров, имен). Их значения интерпретируются как гены. Последовательность генов составляет хромосому, которую в этой модели можно рассматривать как один из вариантов решения.

Поиск оптимального решения рассматривается как процесс эволюции, где используются три механизма:

Отбор «сильнейших» наборов хромосом, которым соответствуют наилучшие решения.

Операция скрещивания, т.е. производство новых индивидов при помощи смешивания хромосомных наборов отобранных индивидов.

Операция мутации, которой отвечают случайные изменения генов у некоторых индивидов популяции.

В результате смены поколений (т.е. в процессе выполнения последовательности итераций поиска решения) вырабатывается такое решение поставленной задачи, которое заметно не улучшается в процессе дальнейшего поиска (дальнейшей эволюции). Критерий отбора хромосом и процедура порождения новых потомков в популяции являются эвристическими и не всегда гарантируют нахождение наилучшего решения. Тем не менее, эти алгоритмы популярны при моделировании экономических систем.

В качестве примера системы, использующей алгоритм генетической эволюции, можно назвать систему GeneHunter. Генетические алгоритмы применяются при формировании инвестиционного портфеля с оптимизацией доходности и учетом риска, разработке бизнес-плана с оптимизацией прибыли и учетом потенциальных издержек, финансовом планировании с оптимизацией налоговых платежей с учетом будущих доходов.

Системы на основе нечеткой логики используются для анализа целесообразности применения тех или иных решающих правил из значительного числа потенциально возможных правил при решении задач динамического управления в условиях существенных временных ограничений. Аппарат нечеткой логики оперирует в большей степени качественными параметрами функционирования объектов при неточных данных, описывающих их поведение. Это позволяет сократить время настройки системы управления и обеспечить приемлемый уровень точности в условиях неопределенности.

Одним из наиболее известных пакетов, реализующих аппарат нечеткой логики, является пакет CubiCalc. Он применяется в ситуационном моделировании процессов в экономике и финансах, при решении задач динамического управления в финансовом планировании и в других сложных предметных областях в условиях неполноты и противоречивости информации, а также при качественных (существенно значимых) изменениях параметров.

Размещено на Allbest.ru