- необходимо провести обследование и проектирование будущей системы. Другими словами, необходим точный анализ текущей ситуации и модель будущей системы;

- разработчик должен произвести настройку системы. При внедрении требуется этап тестирования, с целью выявления потенциальных ошибок;

- внедрение разбивается на две крупные части: подготовка администраторов из персонала предприятия и непосредственно запуск подсистем в отделах и подразделениях.

Российские разработки при достаточно низких ценах и удовлетворительной функциональности обладают ограниченными возможностями по консультированию заказчика и ориентированы на бухгалтерские службы, а не на менеджмент. Слабая проработка контрольных и управляющих функций является ахиллесовой пятой практически всех российских систем.

При выборе программно-аппаратных платформ и отдельных бизнес приложений должны применяться непротиворечивые, согласующиеся технологии. И, наконец, соблюдение единой технологии эксплуатации и обслуживания системы. Помимо этих ключевых требований, есть еще целый ряд общих технических требований для любой информационной системы:

- быстродействие, то есть достаточно малое время реакции системы (единицы секунд) при вводе, поиске и обработке информации;

- надежная защита от несанкционированного доступа к данным и регистрация действий персонала;

- удобный пользовательский интерфейс рабочих мест;

- возможность масштабирования и развития системы;

- интеграция с модулями, используемыми в системе передачи данных;

- возможность проведения конвертации данных из использовавшихся в прошлом приложений в новую систему;

- высокая надежность работы.

Методика создания корпоративных информационных систем содержит ряд следующих общих положений:

- Технология построения системы по моделям "как надо", без попыток программирования действующих сейчас алгоритмов. Практика создания систем по модели "как есть" показала, что автоматизация без проведения реинжиниринга бизнес процессов и модернизации существующей системы управления не приносит желаемых результатов и неэффективна. Ведь использование в работе программных приложений - это не просто сокращение бумажных документов и рутинных операций, но и переход на новые формы ведения документооборота, учета и отчетности.

- Технология построения систем с подходом "сверху вниз". Если решение об автоматизации принято и одобрено высшим руководством, то внедрение программных модулей осуществляется с головных предприятий и подразделений, а процесс построения корпоративной системы проходит гораздо быстрее и эффективнее, чем при внедрении системы первоначально в низовые подразделения. Только при внедрении "сверху вниз" и активном содействии руководства можно изначально правильно оценить и провести весь комплекс работ без незапланированных издержек.

- Технология поэтапного внедрения. Поскольку комплексная автоматизация - это процесс, в который вовлекаются практически все структурные подразделения предприятия, технология поэтапного внедрения является наиболее предпочтительной. Первыми объектами автоматизации становятся те участки, на которых в первую очередь необходимо наладить процесс учета и формирования отчетных документов для вышестоящих органов и смежных подразделений.

- Привлечение к разработке будущих пользователей. При выполнении работ по комплексной автоматизации фирмой-интегратором меняются функции отделов информационных технологий фирмы-заказчика, и возрастает их роль в общем процессе перехода предприятия на прогрессивные методы управления. Во время реализации проекта сотрудники отделов вместе с разработчиками работают с информацией и моделями, участвуют в принятии решения по выбору технологических решений и, самое главное, организуют взаимодействие поставщиков решения и сотрудников предприятия. При эксплуатации информационной системы на плечи сотрудников автоматизированной системы управления ложится обслуживание и сопровождение системы (если не заключен договор на сопровождение с фирмой-поставщиком). Специалисты заказчика являются инициаторами и исполнителями подготовки предложений по совершенствованию и развитию существующей системы. Это позволяет им лучше приспособить ее к своим требованиям, поэтому эти требования должны быть основательно продуманы, чтобы информационные технологии не использовались там, где легко можно справиться с задачами управления с помощью карандаша и листа бумаги.

Система должна поддерживать такую схему взаимодействия между модулями и автоматизированными рабочими местами, которая отвечала бы требованиям и техническим возможностям пользователя. Важнейшими параметрами информационной системы являются надежность, масштабируемость, безопасность, поэтому при создании таких систем используется архитектура клиент-сервер. Эта архитектура позволяет распределить работу между клиентской и серверной частями системы, предусматривает развитие и совершенствование в соответствии с особенностями решаемых задач. В последние годы наблюдается устойчивая тенденция увеличения спроса на клиент-серверные приложения, которые обладают в области учета и управления большими возможностями, чем файл-серверные системы при обработке больших объемов данных, возможностью создания распределенных систем, а также достаточной интеграцией с другими системами.

На современном этапе формирования рынка большое внимание уделяется малым предприятиям. Так, по мнению западных экономистов, будущее мирового производства за мелкими фирмами. Например, 96% фирм Великобритании - мелкие. Очевидно, что с мелкого предпринимательства начинается всякое производство, всякий бизнес, основанный на применении силы свободного человека. Ограничение численности предприятия кажется некоторым экономистам серьезным барьером, который не будет позволять предприятию расти и развиваться. Но это не так. Производство можно наращивать за счет внедрения техники, передовой технологии, одним из основных направлений которой в настоящее время считается внедрение информационных технологий на базе интегрированной информационной системы управления бизнесом.

Трудности и сложности применения информационной системы для малого бизнеса заключаются в большом многообразии предприятий, в разных формах организации производства, в широком ассортименте выпускаемой продукции. Хотя для отдельного предприятия число видов изделий и услуг весьма ограничено. Все это обуславливает создание информационной системы для малого бизнеса, по объему и функциональным возможностям соизмеримых с информационной системой крупных корпораций, поэтому, с одной стороны, можно проектировать информационную систему для отдельных компаний, учитывая их специфику. Но разработка индивидуальной информационной системы для каждого предприятия экономически невыгодна. Особенно это касается малых предприятий, когда практически каждое из них несет особенность организации процессов, позволяющих данному быть конкурентоспособным. С другой стороны, более радикальным можно считать построение универсальной интегрированной системы, позволяющей уменьшить масштаб данной системы для конкретного заказчика путем исключения и перевода в пассивное состояние не задействованных модулей. При этом панели управления этими модулями также переводятся в "скрытое" состояние.

К решению о необходимости внедрения информационных технологий приходит все большее число руководителей предприятий самых разных сфер бизнеса. Хотя внедрение системы обходится весьма дорого, сохранение существующего порядка, (а, как правило, беспорядка) может обойтись еще дороже. Конкуренция не дает возможности остановиться и расслабиться. В то же время, только информационные системы как таковые и технические средства, применяемые для их внедрения, не являются достаточными для достижения конкурентного преимущества. Эффективность от их внедрения проявляется лишь при должном внимании к вопросам менеджмента и организационным аспектам бизнеса.

Потребность в информационных технологиях многолика и проявляется в конкретных условиях. Существуют виды деятельности, где информация особенно важна. Это, например, банковская, биржевая деятельность. В таких организациях применение информационных технологий жизненно необходимо.

Организации различаются по эффекту, который ожидается от внедрения компьютерных информационных систем. В некоторых случаях грамотное внедрение специальных информационных систем может благоприятно повлиять на достижение конкурентного преимущества, например, за счет улучшения согласованности в работе с удаленными агентами или за счет увеличения скорости выполнения заказов. В других ситуациях компьютерная техника может облегчить выполнение рутинных операций и способствовать систематизации информации. В небольших организациях эффективной оказывается лишь автоматизация бухгалтерии.

По словам Билла Гейтса, главы компании Microsoft: “ нам потребуется еще немало времени, чтобы превратить персональный компьютер в настоящее электробытовое устройство”. Исполнительный менеджер корпорации Oracle как бы вторит ему: “Миру нужны более дешевые и простые в обращении компьютеры”. Действительно, менеджерам просто некогда осваивать сложные системы. Именно поэтому стали появляться новые операционные системы типа Windows XP, основной конек которых - простота и интуитивная понятность выполняемых действий, да плюс еще и многозадачность, то есть возможность выполнять несколько операций одновременно.

По объему производства рассматриваемый сектор занимает вторую позицию в перечне после туристической. Это свидетельствует о высоком потенциале и возможной привлекательности для потенциальных инвесторов. Но пока, несмотря на такое лидерство, еще рано говорить о том, что информационные системы прочно вошли жизнь современных управленцев.



Глава 2. Искусственный интеллект - новая информационная революция

2.1 Место системы искусственного интеллекта в классификации информационных систем

Интеллектуальные технологии - один из последних этапов развития аналитических технологий. Аналитическими технологиями называют методики, которые на основе каких-либо моделей, алгоритмов, математических теорем позволяют по известным данным оценить значения неизвестных характеристик и параметров. Простейший пример аналитической технологии - теорема Пифагора, которая позволяет по длинам сторон прямоугольного треугольника определить длину его третьей стороны. Другим примером являются способы, с помощью которых обрабатывает информацию человеческий мозг.

Аналитические технологии нужны в первую очередь людям, принимающим важные решения - руководителям, аналитикам, экспертам, консультантам. Доход компании в большой степени определяется качеством этих решений - точностью прогнозов, оптимальностью выбранных стратегий. Наиболее распространены аналитические технологии, используемые для решения следующих задач: для прогнозирования курсов валют, цен на сырье, спроса, дохода компании, уровня безработицы, числа страховых случаев, и т.д.

Как правило, для реальных задач бизнеса и производства не существует четких алгоритмов решения. Раньше руководители и эксперты решали такие задачи только на основе личного опыта. С помощью современных аналитических технологий строятся системы, позволяющие существенно повысить эффективность решений.

Понятие искусственный интеллект, как впрочем, и просто интеллект, весьма расплывчато. Если обобщить все сказанное за последние тридцать лет, то оказывается, что человек просто хочет создать себе подобного в той или иной форме, хочет, чтобы какие-то действия выполнялись более рационально, с меньшими затратами времени и энергии. С конца 40-х годов ученые все большего числа университетских и промышленных исследовательских лабораторий устремились к дерзкой цели: построение компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума. В последнее время наблюдается возрастание интереса к искусственному интеллекту, вызванное повышением требований к информационным системам. Умнеет программное обеспечение, умнеет бытовая техника. Мы неуклонно движемся к новой информационной революции, сравнимой по масштабам с развитием Интернета, имя которой - искусственный интеллект.

Искусственный интеллект является сейчас «горячей точкой» научных исследований. В этой точке, как в фокусе, сконцентрированы наибольшие усилия кибернетиков, лингвистов, психологов, философов, математиков и инженеров. Именно здесь решаются многие коренные вопросы, связанные с путями развития научной мысли, с воздействием достижений в области вычислительной техники и робототехники на жизнь будущих поколений людей. Здесь возникают и получают права на жизнь новые методы научных междисциплинарных исследований. Здесь формируется новый взгляд на роль тех или иных научных результатов и возникает то, что можно было бы назвать философским осмыслением этих результатов.

Терпеливо продвигаясь вперед в своем нелегком труде, исследователи, работающие в области искусственного интеллекта (ИИ), обнаружили, что вступили в схватку с весьма запутанными проблемами, далеко выходящими за пределы традиционной информатики. Оказалось, что, прежде всего, необходимо понять механизмы процесса обучения, природу языка и чувственного восприятия. Выяснилось, что для создания машин, имитирующих работу человеческого мозга, требуется разобраться в том, как действуют миллиарды его взаимосвязанных нейронов. И тогда многие исследователи пришли к выводу, что, пожалуй, самая трудная проблема, стоящая перед современной наукой - познание процессов функционирования человеческого разума, а не просто имитация его работы. Что непосредственно затрагивало фундаментальные теоретические проблемы психологической науки. В самом деле, ученым трудно даже прийти к единой точке зрения относительно самого предмета их исследований - интеллекта. Некоторые считают, что интеллект - умение решать сложные задачи; другие рассматривают его как способность к обучению, обобщению и аналогиям; третьи - как возможность взаимодействия с внешним миром путем общения, восприятия и осознания воспринятого. Тем не менее, многие исследователи ИИ склонны принять тест машинного интеллекта, предложенный в начале 50-х годов выдающимся английским математиком и специалистом по вычислительной технике Аланом Тьюрингом. «Компьютер можно считать разумным, - утверждал Тьюринг, - если он способен заставить нас поверить, что мы имеем дело не с машиной, а с человеком».

Наш мир устроен гораздо сложнее, чем мы можем себе представить. Но, несмотря на это, даже тот поток информации, который человек может воспринять и обработать за определённую единицу времени, неимоверно велик. Чего только стоит одна графика? Что говорить про отдельные случаи, когда этот поток увеличивается (гипноз, медитирование, магическое воздействие на окружающий мир).

Но это в идеале. Слепой человек лишен графического потока, парализованный -- лишен осязательной информации, и т.д. То есть в принципе интеллект может функционировать в замкнутом пространстве, не реагируя на внешние факторы. И для этого уже не требуется та вычислительная мощность, в которой нуждается здоровый человек. Для создания искусственного интеллекта уже достаточно вычислительной мощности современных компьютеров. Но необходима особая структура оперативной памяти, отличная от ёмкостной. Оперативная память должна быть токовой.

Что собой представляет, привычная для пользователя компьютера, оперативная память? Это микросхемы, чипы, построенные из ёмкостных ячеек. Каждая ячейка имеет свой адрес (координаты). Заполненная ячейка - заряженная ёмкость (1), пустая - разряженная (0). На обработку каждой ячейки, запись, стирание, считывание процессор выделяет отдельные циклы. То есть так он (компьютер) и работает: считывает, считает, записывает результат.

А так же ли работает мысль (человеческая оперативная память)? Мы не выделяем для её обслуживания циклов. Появление, изменение и уничтожение информации в ней конечно связано со временем. Но вычислительная мощность процессора, то есть работа мозга, направленная на обработку внешних воздействий, и поиск информации в статичной (сохранённой) памяти при этом проблем с ресурсами не имеют. Единицы в нашей оперативной памяти не подвергаются вычислительному процессу. Они видоизменяются под воздействием внешних факторов напрямую: «проехала красная машина», «заболела спина», «надо ответить на письмо от друга». В машинном коде эти мысли занимают разное битное пространство памяти, в человеческом - один блок. В таком же блочном виде они сохраняются в статичной памяти. Разный уровень интеллектуальных способностей у людей, видимо, связан с размерами этого блока. Больше блок - легче осмысление крупного массива информации, быстрее поиск в сохранённой памяти. [1]

Все уже, наверное, слышали об электромеханических собаках в Японии, способных узнавать хозяина в лицо, выполнять некоторые простейшие команды и имеющие некоторую способность к обучению. Слышали и про холодильники с выходом в Интернет и про внедрение Microsoft в будущие версии Windows элементов искусственного интеллекта.

В подобном развитии области искусственного интеллекта нет ничего необычного. Здесь уместно привести гипотезу о встречной эволюции человека и компьютера: человек сначала учиться видеть, ходить, разговаривать, а уже потом развивает способности к вычислениям и логическим выводам. Компьютер же наоборот, рождается как вычислительная система, базирующаяся на формальной логике, в процессе развития приобретает способности к распознаванию образов, синтезу речи и управлению в реальном времени. [2]

Существует много различных подходов к классификации информационных систем:

- по степени структурированности решаемых задач;

- по автоматизируемым функциям;

- по степени автоматизации реализуемых функций;

- по сфере применения и характеру использования информации, в частности, по уровням управления.

Известно, что при обучении людей существуют различные уровни предметной обученности: воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих задач (знания, активное интеллектуальное понимание).

Интеллект может проявляется в различных областях, но мы рассмотрим его возможности в решении задач, т.к. эта область проявления является типичной для интеллекта. Задачи бывают стандартные и нестандартные. Для стандартных задач известны алгоритмы решения. Для нестандартных они неизвестны. Поэтому решение нестандартной задачи представляет собой проблему.

Само понятие "стандартности" задачи относительно, относительна сама "неизвестность", т.е. алгоритм может быть известен одним и неизвестен другим, или информация о нем может быть недоступной в определенный момент или период времени, и доступной - в другой. Поэтому для одних задача может быть стандартной, а для других нет. Нахождение или разработка алгоритма решения переводит задачу из разряда нестандартных в стандартные. В математике и кибернетике задача считается решенной, если известен алгоритм ее решения.

Разработка алгоритма решения задачи связано с тонкими и сложными рассуждениями, требующими изобретательности, опыта, высокой квалификации. Считается, что эта работа является творческой, существенно неформализуемой и требует участия человека с его "естественным" опытом и интеллектом. Здесь необходимо отметить, что существует технология решения изобретательских задач (ТРИЗ), в которой сделана попытка, по мнению многих специалистов, довольно успешная, позволяющая в какой-то степени формализовать процедуру решения творческих задач.

Интеллектуальными считаются задачи, связанные с разработкой алгоритмов решения ранее нерешенных задач определенного типа.

Отличительной особенностью и одним из основных источников эффективности алгоритмов является то, что они сводят решение сложной задачи к определенной последовательности достаточно простых или даже элементарных для решения задач. В результате нерешаемая задача становится решаемой. Исходная информация поступает на вход алгоритма, на каждом шаге она преобразуется и в таком виде передается на следующий шаг, в результате чего на выходе алгоритма получается информация, представляющая собой решение задачи. Алгоритм может быть исполнен такой системой, которая способна реализовать элементарные операции на различных шагах этого алгоритма.

Существует ряд задач, таких, как распознавание образов и идентификация, прогнозирование, принятие решений по управлению, для которых разбиение процесса поиска решения на отдельные элементарные шаги, а значит и разработка алгоритма, весьма затруднительны. Из этих рассуждений вытекает следующее определение интеллекта: интеллект представляет собой универсальный алгоритма, способный разрабатывать алгоритмы решения конкретных задач.

Исходя из вышесказанного, можно сделать вывод о том, что в нашем случае наиболее подходит классификацией ИС, основанная на критерии, позволяющем оценить "степень интеллектуальности ИС", т.е. на критерии "степени структурированности решаемых задач".

Существуют следующие классы систем искусственного интеллекта:

1. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами.

Интеллектуальный интерфейс (Intelligent interface) - интерфейс непосредственного взаимодействия ресурсов информационного комплекса и пользователя посредством программ обработки текстовых запросов пользователя.

Примером может служить программа идентификация и аутентификация личности по почерку. Аутентификация - это проверка, действительно ли пользователь является тем, за кого себя выдает. При этом пользователь должен предварительно сообщить о себе идентификационную информацию: свое имя и пароль, соответствующий названному имени. Идентификация - это установление его личности.

И идентификация, и аутентификация являются типичными задачами распознавания образов, которое может проводиться по заранее определенной или произвольной последовательности нажатий клавиш.

Системы с биологической обратной связью (БОС). Это системы, поведение которых зависит от психофизиологического (биологического) состояния пользователя:

- Мониторинг состояния сотрудников на конвейере с целью обеспечения высокого качества продукции.

- Компьютерные тренажеры для обучения больных с функциональными нарушениями управлению своим состоянием.

- Компьютерные игры с БОС.

Системы с семантическим резонансом. Системы, поведение которых зависит от состояния сознания пользователя и его психологической реакции на смысловые стимулы.

Системы виртуальной реальности.

Виртуальная реальность (ВР) - модельная трехмерная (3D) окружающая среда, создаваемая компьютерными средствами и реалистично реагирующая на взаимодействие с пользователями.

Технической базой систем виртуальной реальности являются современные мощные персональные компьютеры и программное обеспечение высококачественной трехмерной визуализации и анимации. В качестве устройств ввода-вывода информации в системах ВР применяются виртуальные шлемы с дисплеями, в частности шлемы со стереоскопическими очками, и устройства 3D-ввода, например, мышь с пространственно управляемым курсором или "цифровые перчатки", которые обеспечивают тактильную обратную связь с пользователем.

2. Автоматизированные системы распознавания образов.

Система распознавания образов - это класс систем искусственного интеллекта, обеспечивающих:

- формирование конкретных образов объектов и обобщенных образов классов;

- обучение, т.е. формирование обобщенных образов классов на основе ряда примеров объектов, классифицированных (т.е. отнесенных к тем или иным категориям - классам) учителем и составляющих обучающую выборку;

- самообучение, т.е. формирование кластеров объектов на основе анализа неклассифицированной обучающей выборки;

- распознавание, т.е. идентификацию (и прогнозирование) состояний объектов, описанных признаками, друг с другом и с обобщенными образами классов;

- измерение степени адекватности модели;

решение обратной задачи идентификации и прогнозирования (обеспечивается не всеми моделями).

3. Автоматизированные системы поддержки принятия решений

Системы поддержки принятия решений (СППР) - это компьютерные системы, почти всегда интерактивные, разработанные, чтобы помочь менеджеру (или руководителю) в принятии решений управления, объединяя данные, сложные аналитические модели и удобное для пользователя программное обеспечение в единую мощную систему, которая может поддерживать слабоструктурированное и неструктурированное принятие решения. СППР находиться под управлением пользователя от начала до реализации и используется ежедневно. Предназначена для автоматизации выбора рационального варианта из исходного множества альтернативных в условиях многокритериальности и неопределенности исходной информации.

4. Экспертные системы (ЭС).

Экспертная система (ЭС) - это программа, которая в определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области. ЭС предназначены для решения практических задач, возникающих в слабо структурированных и трудно формализуемых предметных областях.

Исторически, ЭС были первыми системами искусственного интеллекта, которые привлекли внимание потребителей. Экспертные системы используются в маркетинге для сегментации рынка и выработке маркетинговых программ, а также в банковском деле для определения тенденции рынка, трейдинг для программирования котировок акций и валют, в аудите для подготовки заключений о финансовом состоянии предприятий.

5. Генетические алгоритмы и моделирование эволюции.

Генетические Алгоритмы (ГА) - это адаптивные методы функциональной оптимизации, основанные на компьютерном имитационном моделировании биологической эволюции. Генетический алгоритм - новейший способ решения задач оптимизации в экономике.

6. Когнитивное моделирование.

Это способ анализа, обеспечивающий определение силы и направления влияния факторов на перевод объекта управления в целевое состояние с учетом сходства и различия в влиянии различных факторов на объект управления.

Основана на когнитивной структуризации предметной области, т.е. на выявление будущих целевых и нежелательных состояний объекта управления и наиболее существенных (базисных) факторов управления и внешней среды, влияющих на переход объекта в эти состояния, а также установление на качественном уровне причинно-следственных связей между ними, с учетом взаимовлияния факторов друг на друга.

Результаты когнитивной структуризации отображаются с помощью когнитивной карты (модели).

В экономической сфере это позволяет в сжатые сроки разработать и обосновать стратегию экономического развития предприятия, банка, региона или даже целого государства с учетом влияния изменений во внешней среде; в сфере финансов и фондового рынка - учесть ожидания участников рынка.

7. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining).

Интеллектуальный анализ данных (ИАД или data mining) - это процесс обнаружения в "сырых" данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Достижения технологии data mining активно используются в банковском деле для решения проблем Телекоммуникации, анализа биржевого рынка и др.

8. Нейронные сети.

Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Практически любую задачу можно свести к задаче, решаемой нейросетью.

В настоящее время различают два основных подхода к моделированию искусственного интеллекта (AI - artificial intelligence): машинный интеллект, заключающийся в строгом задании результата функционирования, и искусственный разум, направленный на моделирование внутренней структуры системы. [3] Разделение работ по искусственному интеллекту на два направления связано с существованием двух точек зрения на вопрос, каким образом строить системы искусственного интеллекта. Сторонники одной точки зрения убеждены, что «важнее всего результат», т.е. хорошее совпадение поведения искусственно созданных и естественных интеллектуальных систем, а что касается внутренних механизмов формирования поведения, то разработчик искусственного интеллекта вовсе не должен копировать или даже учитывать особенности естественных, живых аналогов. Другая точка зрения состоит в том, что именно изучение механизмов естественного мышления и анализ данных о способах формирования разумного поведения человека могут создать основу для построения систем искусственного интеллекта, причем построение это должно осуществляться, прежде всего, как моделирование, воспроизведение техническими средствами принципов и конкретных особенностей функционирования биологических объектов. [4]

Первое направление, таким образом, рассматривает продукт интеллектуальной деятельности человека, изучает его структуру, и стремится воспроизвести этот продукт средствами современной техники. Моделирование систем машинного интеллекта достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений. [5] Основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида «стимул-реакция». Ясно, что успехи этого направления искусственного интеллекта тесно взаимосвязаны с развитием возможностей ЭВМ и искусства программирования, то есть с тем комплексом научно-технических исследований, которые часто называют компьютерными науками.

Второе направление искусственного интеллекта рассматривает данные о нейрофизиологических и психологических механизмах интеллектуальной деятельности и, в более широком плане, разумного поведения человека. Оно стремится воспроизвести эти механизмы с помощью тех или иных технических устройств, с тем чтобы «поведение» таких устройств хорошо совпадало с поведением человека в определенных, заранее задаваемых пределах. Развитие этого направления связано с успехами наук о человеке. Для него характерно стремление к воспроизведению более широкого, чем в машинном интеллекте, спектра проявлений разумной деятельности человека. Системы искусственного разума базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента - аналога нейрона. [3]

Нейроподобные сети в последнее время являются одним из самых перспективных направлений в области искусственного интеллекта и постепенно входят в бытность людей в широком спектре деятельности.

Сети первой группы, такие как сети обратного распространения ошибки, сети Хопфилда и др. используются для распознавания образов, анализа и синтеза речи, перевода с одного языка на другой и прогнозирования. Это вызвано такими особенностями сетей как восстановление изображения по его части, устойчивостью к зашумлению входного сигнала, прогнозирование изменения входов и параллельность вычислений. Также, немаловажной характеристикой является способность функционировать даже при потере некоторой части сети.

Сети второй группы используются как системы управления в реальном времени несложными объектами, например: управление популярными в последнее время интеллектуальными агентами, исполняющими роль виртуальных секретарей. Особенностями данной группы является появление некоторых внутренних стимулов, возможность к самообучению и функционированию в реальном времени.

И, наконец, сети третьей группы, являющиеся дальнейшим развитием предыдущих, представляют собой уже нейроподобные системы и нацелены они на создание экзотических в настоящее время виртуальных личностей, информационных копий человека, средой обитания которых является глобальная сеть Интернет. Данное направление только зарождается, но есть немалый шанс, что мы станем свидетелями ситуации рождения виртуальных людей, подробно описанной фантастами и режиссерами. [6]

Сейчас в Интернете повсеместно можно встретить признаки зарождения подобных проектов, призывы объединиться всем научным потенциалом способного думать человечества в целях очеловечивания Интернета, преобразования его в разумную систему или среду обитания разумных систем. Раз существуют подобные предпосылки, значит, не что не остановит полет человеческой мысли на пути достижения поставленной цели.

На основании вышеизложенного можно сделать вывод о том, что основные направления искусственного интеллекта связаны с моделированием, но в случае машинного интеллекта мы имеем дело с моделированием феноменологическим, имитационным, а в случае искусственного разума - с моделированием структурным.

2.2 Основы теории нейроподобных сетей

Что позволяет человеку анализировать поступающую информацию? В терминологии нейрогенетики введено ключевое понятие - нейросеть. Именно совокупность нейросетей образует отделы нервной системы человека, которые в свою очередь определяют всю деятельность, придают существу разум, интеллект.

Мозг является, пожалуй, самой сложной из известных нам систем переработки информации. Достаточно сказать, что в нем содержится около 100 миллиардов нейронов, каждый из которых имеет в среднем 10 000 связей. При этом мозг чрезвычайно надежен: ежедневно погибает большое количество нейронов, а мозг продолжает функционировать. Обработка огромных объемов информации осуществляется мозгом очень быстро, за доли секунды, несмотря на то, что нейрон является медленнодействующим элементом со временем реакции не менее нескольких миллисекунд.

Пока не слишком понятно, как мозгу удается получить столь впечатляющее сочетание надежности и быстродействия. Довольно хорошо изучена структура и функции отдельных нейронов, имеются данные об организации внутренних и внешних связей между нейронами некоторых структурных образований мозга, совсем мало известно об участии различных структур в процессах переработки информации. [7]

Ниже приводятся некоторые сведения об устройстве и работе нервной системы, которые используются при построении моделей нейронных сетей.

Нервные клетки, или нейроны, представляют собой особый вид клеток в живых организмах, обладающих электрической активностью, основное назначение которых заключается в оперативном управлении организмом. Нейрон имеет тело (сому), дерево входов (дендриты) и выходов (аксон и его окончания). Сома, как правило, имеет поперечный размер в несколько десятков микрон. Длина дендритов может достигать 1 мм, дендриты сильно ветвятся, пронизывая сравнительно большое пространство в окрестности нейрона. Длина аксона может достигать сотен миллиметров. Начальный сегмент аксона, прилегающий к телу клетки, утолщен. Иногда этот сегмент называют аксонным холмиком. По мере удаления от клетки он постепенно сужается и на расстоянии нескольких десятков микрон на нем появляется миэлиновая оболочка, имеющая высокое электрическое сопротивление. На соме и на дендритах располагаются окончания (коллатерали) аксонов, идущих от других нервных клеток. Каждое такое окончание имеет вид утолщения, называемого синаптической бляшкой, или синапсом. Поперечные размеры синапса, как правило, не превышают нескольких микрон, чаще всего эти размеры составляют около 1 мкм. [7]

Входные сигналы дендритного дерева (постсинаптические потенциалы ) взвешиваются и суммируются на пути к аксонному холмику, где генерируется выходной импульс (спайк) или группа импульсов. Его наличие (или интенсивность), следовательно, является функцией взвешанной суммы входных сигналов. Выходной сигнал проходит по ветвям аксона и достигает синапсов, которые соединяют аксоны с дендритными деревьями других нейронов. Через синапсы сигнал трансформируется в новый входной сигнал для смежных нейронов. Этот входной сигнал может быть положительным и отрицательным (возбуждающим или тормозящим) в зависимости от вида синапсов. Величина входного сигнала, генерируемого синапсом, может быть различной даже при одинаковой величине сигнала, приходящего в синапс. Эти различия определяются эффективностью или весом синапса. Синаптический вес может изменяться в процессе функционирования синапса. [7] Многие ученые считают такое изменение нейрофизиологическим коррелятом (следом) памяти. При этом роль механизмов молекулярной памяти заключается в долговременном закреплении этих следов.

Нейроны можно разбить на три большие группы: рецепторные, промежуточные и эффекторные. Рецепторные нейроны обеспечивают ввод в мозг сенсорной информации. Они трансформируют сигналы, поступающие на органы чувств (оптические сигналы в сетчатке глаза, акустические в ушной улитке или обонятельные в хеморецепторах носа), в электрическую импульсацию своих аксонов. Эффекторные нейроны передают приходящие на них сигналы исполнительным органам. На конце их аксонов имеются специальные синаптические соединения с исполнительными органами, например мышцами, где возбуждение нейронов трансформируется в сокращения мышц. Промежуточные нейроны осуществляют обработку информации, получаемой от рецепторов, и формируют управляющие сигналы для эффекторов. Они образуют центральную нервную систему. [7]

Нейроподобный элемент, который обычно используется при моделировании нейронных сетей, приведен на рисунке 1. На нейроподобный элемент поступает набор входных сигналов x1...хn (или входной вектор ), представляющий собой выходные сигналы других нейроподобных элементов. Этот входной вектор соответствует сигналам, поступающим в синапсы биологических нейронов. Каждый входной сигнал умножается на соответствующий вес связи w1…wn - аналог эффективности синапса. Вес связи является скалярной величиной, положительной для возбуждающих и отрицательной для тормозящих связей. Взвешенные весами связей входные сигналы поступают на блок суммации, соответствующий телу клетки, где осуществляется их алгебраическая суммация и определяется уровень возбуждения нейроподобного элемента S [8]:

Выходной сигнал нейрона у определяется путем пропускания уровня возбуждения S через нелинейную функцию f:

,

где и -- некоторое постоянное смещение (аналог порога нейрона).

В такой модели нейрона пренебрегают многими известными характеристиками биологического прототипа, которые некоторые исследователи считают критическими. Например, в ней не учитывают нелинейность пространственно-временной суммации, которая особенно проявляется для сигналов, приходящих по возбуждающим и тормозящим синапсам, различного рода временные задержки, эффекты синхронизации и частотной модуляции, рефрактерность и т. п. Несмотря на это нейроподобные сети, простроенные на основе таких простых нейроподобных элементов, демонстрируют ассоциативные свойства, напоминающие свойства биологических систем. [8]

Что такое искусственные нейронные сети? Что они могут делать? Как они работают? Как их можно использовать? Эти и множество подобных вопросов задают специалисты из разных областей.

Что же такое нейроподобная сеть? Это искусственный аналог биологической сети, по своим параметрам максимально приближающийся к оригиналу. Нейроподобные сети прошли длинный путь становления и развития, от полного отрицания возможности их применения до воплощения во многих сферах деятельности человека.

Современные цифровые вычислительные машины способны с высоким быстродействием и точностью решать формализованные задачи с вполне определенными данными по заранее известным алгоритмам. Однако в тех случаях, когда задача не поддается формализации, а входные данные неполны, зашумлены или противоречивы, применение традиционных компьютеров становится неэффективным. Альтернативой им становятся специализированные компьютеры, реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих комплексов является нестандартный характер обработки информации. Она кодируется и запоминается не в отдельных ячейках памяти, а в распределении связей между нейронами и в их силе, поэтому состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Следовательно, потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает ее высокую надежность. [9]

Высокая «естественная» помехоустойчивость и функциональная надежность касаются как искаженных (зашумленных) потоков информации, так и в смысле отказов отдельных процессорных элементов. Этим обеспечиваются высокая оперативность и достоверность обработки информации, а простая дообучаемость и переобучаемость НПС позволяют при изменении внешних факторов своевременно осуществлять переход на новые виды решаемых задач.

Приведенные выше преимущества нейросетевой обработки данных определяют области применения НПС:

- обработка и анализ изображений;

- распознавание речи независимо от диктора, перевод;

- обработка высокоскоростных цифровых потоков;

- автоматизированная система быстрого поиска информации;

- классификация информации в реальном масштабе времени;

- планирование применения сил и средств в больших масштабах;

- решение трудоемких задач оптимизации;

Основные положения теории деятельности головного мозга и математическая модель нейрона были разработаны У. Маккалоком и Ч. Питтсом в 1943 году и опубликованы в статье «Логическое исчисление идей, относящихся к нервной деятельности», которая была издана на русском языке в сборнике «Автоматы» только спустя 13 лет. Согласно предложенной модели мозг представляет собой ансамбль нейронов, имеющих одинаковую структуру. Каждый нейрон реализует некоторую функцию, называемую пороговой, над входными значениями. Если значение функции превышает определенную величину - порог (что характеризует суммарную значимость полученной нейроном информации), нейрон возбуждается и формирует выходной сигнал для передачи его другим нейронам. Пройдя путь от рецепторов (слуховых, зрительных и других) через нейронные структуры мозга до исполнительных органов, входная информация преобразуется в набор управляющих воздействий, адекватных ситуации [8].

Отдельные нейроны, соединяясь между собой, образуют новое качество, которое, в зависимости от характера межнейронных соединений, имеет различные уровни биологического моделирования:

- группа нейронов;

- нейронная сеть;

- нервная система;

- мыслительная деятельность;

- мозг.

Другими словами, нейроподобная сеть -- это параллельная связная сеть простых адаптивных элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе. [8] С инженерной точки зрения такая сеть представляет собой сильно распараллеленную динамическую систему с топологией направленного графа, которая может выполнять переработку информации посредством изменения своего состояния в ответ на постоянный или импульсный входной сигнал.

В настоящее время основными направлениями реализации НПС являются:

- программная реализация на цифровых ЭВМ традиционной архитектуры;

- программно-аппаратная реализация в виде сопроцессоров к ЭВМ общего назначения;

- аппаратная реализация путем создания нейрокомпьютеров на базе нейроплат в виде параллельных нейроподобных структур.

Ранние варианты реализации НПС относятся к первым двум из указанных направлений. Первое направление характеризуется универсальностью, дешевизной и низкой скоростью обучения и функционирования НПС. Для второго направления характерна высокая скорость моделирования функционирования НПС, но при этом существуют серьезные физические ограничения числа моделируемых элементов и связей между ними, а также возможностей обучения и дообучения. По мере развития элементной базы ЭВМ стало возможным самостоятельное развитие третьего направления, которое положило начало индустрии нейрокомпьютеров, представляющих совокупность аппаратных и программных средств для реализации моделей нейронных сетей.

На сегодняшний день известно уже более 200 различных парадигм нейронных сетей (не только детерминированных, но и вероятностных), десятки НПС реализованы в специализированных кристаллах и платах, на их основе созданы мощные рабочие станции и даже суперкомпьютеры. Современные технологии достигли того рубежа, когда стало возможным изготовление технической системы из 3…4 млрд. нейронов (именно такое количество их в мозгу человека). Однако их соединение продолжает оставаться проблемой.

Одно из важнейших свойств нейроподобной сети -- способность к самоорганизации, самоадаптации с целью улучшения качества функционирования. Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Многие из них являются развитием высказанной Д.О. Хеббом идеи о том, что обучение основано на увеличении силы связи (синаптического веса) между одновременно активными нейронами. Таким образом, часто используемые в сети связи усиливаются, что объясняет феномен обучения путем повторения и привыкания. Математически это правило можно записать следующим образом:

,

где wij(t) и wij(t+1) - значение веса связи от i-го к j-му нейрону соответственно до и после его изменения, б -- скорость обучения, yi и yj -выходные сигналы i-го и j-го нейронов. [10] В настоящее время существует множество разнообразных обучающих правил (алгоритмов обучения).



2.3 Использование нейросетей в бизнесе

Нейронные сети появились в 40-х годах, однако в финансах и экономике использовать их начали лишь в конце 80-х, когда была доказана сходимость основных классов нейронных сетей и существенно улучшена точность распознавания.

Основные задачи применения нейронных сетей в финансовом мире -- прогнозирование котировок основных инструментов (курсов валют, ценных бумаг, ГКО и др.) и распознавания определенных ситуаций (например, подозрительных операций с кредитной картой).

Получение решения с помощью сети можно разделить на следующие этапы: создание сети, ее обучение и собственно решение задачи. Сначала сеть строится, т. е. выбирается архитектура сети, количество слоев, передаточные функции, начальные веса. Следующим этапом является обучение, при котором сети подаются на вход значения, с известными ответами, сеть принимает решение, и происходит корректировка весов в соответствии с правильностью принятого решения. Обучение продолжается до тех пор, пока результаты принятия решения сетью не станут удовлетворительными. После того, как сеть обучена, ее можно применять для решения практических задач. Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в которых он не бывал в процессе обучения. Например, мы можем читать почти любой почерк, даже если видим его первый раз в жизни. Так же и нейросеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию.

Примером сети, ориентированной на поиск зависимостей, можно привести нейросеть на основе методики МГУА (метод группового учета аргументов), которая позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома. Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами.

Кластеризация - это разбиение разнородного набора примеров на несколько областей (кластеров), по каким-то общим признакам, причем число кластеров заранее неизвестно. Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, таким образом можно быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия.

Прогнозирование - это ключевой момент при принятии решений в управлении. Конечная эффективность любого решения зависит от последовательности событий, возникающих уже после принятия решения. Возможность предсказать неуправляемые аспекты этих событий перед принятием решения позволяет сделать наилучший выбор, который, в противном случае, мог бы быть не таким удачным. Поэтому системы планирования и управления, обычно, реализуют функцию прогноза. Далее перечислены примеры ситуаций, в которых полезно прогнозирование.

Управление материально-производственными запасами. В управлении запасами запасных частей на предприятии по ремонту самолетов совершенно необходимо оценить степень используемости каждой детали. На основе этой информации определяется необходимое количество запасных частей. Кроме того, необходимо оценить ошибку прогнозирования. Эта ошибка может быть оценена, например, на основе данных о времени, которое понадобилось для доставки деталей, которых не было на складе.

Планирование производства. Для того, чтобы планировать производство семейства продуктов, возможно, необходимо спрогнозировать продажу для каждого наименования продукта, с учетом времени доставки, на несколько месяцев вперед. Эти прогнозы для конечных продуктов могут быть потом преобразованы в требования к полуфабрикатам, компонентам, материалам, рабочим и т.д. Таким образом, на основании прогноза может быть построен график работы целой группы предприятий.

Финансовое планирование. Финансового менеджера интересует, как будет изменяться денежный оборот компании с течением времени. Менеджер может пожелать узнать, в какой период времени в будущем оборот компании начнет падать, с тем, чтобы принять соответствующее решение уже сейчас.

Разработка расписания персонала. Менеджер почтовой компании должен знать прогноз количества обрабатываемых писем, с тем, чтобы обработка производилась в соответствии с расписанием персонала и производительностью оборудования.

Планирование нового продукта. Решение о разработке нового продукта обычно требует долговременного прогноза того, каким спросом он будет пользоваться. Этот прогноз не менее важен, чем определение инвестиций необходимых для его производства.

Управление технологическим процессом. Прогнозирование также может быть важной частью систем управления технологическими процессами. Наблюдая ключевые переменные процесса и используя их для предсказания будущего поведения процесса, можно определить оптимальное время и длительность управляющего воздействия. Например, некоторое воздействие в течение часа может повышать эффективность химического процесса, а потом оно может снижать эффективность процесса. Прогнозирование производительности процесса может быть полезно при планировании времени окончания процесса и общего расписания производства.

...