Система искусственного интеллекта

 

1. Направление использования искусственного интеллекта

2. Модель нейрона. Алгоритм ее работы

3. Активационные функции

4. Искусственные нейронные сети

4.1. Однослойная искусственная нейронная сеть

4.2. Многослойная искусственная нейронная сеть

5. Примеры применения нейронных сетей для решения экономических задач

6. Интеллектуальный анализ данных

7. Понятие и назначение экспертной системы

8. Классификация экспертных систем: архитектура и принципы построения экспертных систем

9. Применение экспертных систем в экономике

10. понятие системы поддержки принятия решений (СППР)

11. Применение СППР в экономике

 

Вы не можете скачивать файлы с нашего сервера

 

1. Направление использования искусственного интеллекта

Искусственный интеллект – это наука о концепциях. позволяющих вычислительным машинам делать такие вещи, которые у людей выглядят разумными. Основная задача искусственного интеллекта – сделать вычислительные системы максимально полезными и понять принципы, лежащие в основе интеллекта. Искусственный интеллект применяется в областях: доказательство теорем, игры, распознавание образов, принятие решений, адаптивное программирование – это разбор различных ситуаций, сочинение машинной музыки, обработка данных на естественном языке, обучающие сети (нейросети), вербальное концептуальное обучение.

 

1. Нейронные сети

Совершенствует алгоритмы обучения и классифицируется в масштабах online. Обрабатывает естественные языки, распознает изображения любого типа, речь, сигналы. Работает над созданием модели интеллектуального интерфейса. Может подстраиваться под пользователя. В экономике применяется в сфере финансового прогнозирования, диагностики систем, контроль за деятельностью сетей, раскопка данных и шифрование данных. В последнее время акцент делается на поиск эффективных методов синхронизации работы сетей.

 

2. Эволюционные вычисления (ЭВ)

а) затрагивают вопросы самосборки, самоконфигурации системы. Используются достижения из области цифровых автоматов.

б) автономный агент в качестве персональных секретарей, управляющий личными счетами, планировщик работ, личный учитель, виртуальный продавец, ассистент, отбирающий нужные данные. Основным направлением развития являются: выработка стандартов и открытых архитектур, разработка интеллектуальных оболочек, языков (сценариев) запроса. И методологий эффективного взаимодействия программ и людей.

Различают:

1. Нечеткую логику.

Применяется в гибридных управляющих системах. Используются в диапазоне не более- не менее и т.д., а также обязательны уточнения.

2. Обработка изображений.

Состоит из способов представления и анализа изображений, которые не зависят от устройств воспроизводства и оптимизации цветовых представлений.

3. Экспертные системы.

Привлекаются к системам принятия решений в масштабе online. Позволяют анализировать и моделировать знания, динамически планировать действия.

4.Интеллектуальные приложения

Способны сами находить оптимальные решения комбинаторных проблем.

5. Распределенные вычисления

Используются в балансировке ресурсов оптимальной загрузке процессора, самоконфигурировании устройств, поиска обновлений для элементов и выявления несоответствий между объектами сетей.

6. Операционные системы распределенных вычислений (ОСРВ)

Работотехнические устройства, которые организуют процессы самонастройки, планирования, обслуживания операций и использования средств искусственного интеллекта для принятия решений.

7. Интеллектуальная инженерия

Используется для анализа текстов и понимания их смысла управления требованиями. выработки спецификации, выработка проектирования, кода генерации, верификации, тестирования, оценки качества, выявление возможности повторного использования и возможности решения задач на параллельных системах.

8. Самоорганизующиеся СУБД

Способны гибко подстраиваться под профиль конкретной задачи и не нуждаются в администрировании.

 

2. Модель нейрона. Алгоритм ее работы

Искусственный нейрон имитирует свойства биологического нейрона. Пусть множество входных сигналов (х1, х2, …, хn) поступает на искусственный нейрон. Их обозначают вектором Х. Каждый сигнал имеет вес: w1, w2, …, wn которые суммируются в специальном блоке и обозначаются вектором w.

Искусственный нейрон с активационной функцией

Система искусственного интеллекта

 

 

 

 

3. Активационные функции

Функции, которые обрабатывают сигнал NET называют активационными.

1. Они могут быть линейными OUT = K (NET), где К = const

Характеристика биологического нейрона моделируется более точно с помощью передаточных функций. Рассмотрим искусственный нейрон.

Система искусственного интеллекта

 

 

 

 

В этом случае функция F (внутри самого нейрона находится) называется сжимающей функцией (сигмаидальная логическая функция)

Система искусственного интеллекта

 

 

 

 

Есть другой тип активационной функции – гиперболический тангенс. В отличие от логистической функции он может принимать значения разных знаков.

Система искусственного интеллекта

 

 

 

 

Сети, построенные на нейронах, обнаруживают свойства, которые сильно напоминают биологическую систему, но на текущий момент нельзя сказать являются ли эти похожести случайными или нет.

 

4. Искусственные нейронные сети

4.1. Однослойная искусственная нейронная сеть

Один нейрон распознает простейшие процедуры и может их выполнить. Сила нейронных вычислений  проистекает из соединений нейронов в сети. Рассмотрим простейшую сеть, состоящую из слоя нейронов. Обозначим круг – входной сигнал, который не производит вычислений и не считается слоем. Квадрат – нейрон, каждый элемент из множества выходов Х отдельным весом связан с каждым искусственным нейроном. Этот нейрон собирает все входы и выдает сигнал в сеть.

Система искусственного интеллекта

 

В искусственных нейронных сетях многие соединения могут отсутствовать, а могут иметь место соединения между выходами и входами элементов в слои.

 

Удобно вычислять выходные сигналы, используя веса элементами матрицы w1. Где m – строки (количество входов), n- столбцы (количество нейронов).

N = XW, где N, X – векторы-строки.

 

4.2. Многослойная искусственная нейронная сеть

Многослойные искусственные нейронные сети считаются более сложными и обладают большими вычислительными возможностями. Имеют алгоритмы для обучения и образуются каскадами слоев.

Система искусственного интеллекта

 

Так как умножение матриц ассоциативно, то двухслойная линейная сеть эквивалентна одному слою, то двухслойная линейная сеть эквивалентна одному слою с весовой матрицей равной произведению двух задействованных весовых матриц, поэтому любая многослойная линейная сеть может быть заменена эквивалентной однослойной, линейной сетью для расширения возможностей сетей необходима нелинейная однослойная функция.

 

5. Примеры применения нейронных сетей для решения экономических задач

На рынке ПО появляются продукты, основанные на применении логики нечетких множеств FuzzyCalc экспертные системы. Эти программы представляют большой интерес для финансово- экономической деятельности как аналитические информационные технологии, основанные на нейронных сетях. т.е. они умеют обучаться на примерах и извлекать скрытые закономерности из потока данных. Решают задачи: распознавание речи и абстрактных образов, классификация состояний сложных систем, управление технологическими процессами финансовыми потоками, решение аналитических, исследовательских и прогнозных задач. Лидером разработки нейронных пакетов является корпорация Calfornia Scientific Software. После разработки нейропакета Brain Maker. В Республике Беларусь нейронные сети используются в финансово – кредитной сфере Brain Maker Pro 3.12 в банках, в торговых компаниях и аналитических учреждениях верхних эшелонов власти. Пакет отмечается способностью менять свое поведение, распознавать критические ситуации, строить краткосрочные и долгосрочные пакеты. Так как в основе нейронных технологий лежит работа мозга, то они включили в себя ряд биологических терминов.

А метод их работы получил название генетического алгоритма. Там появляются инструменты для анализа с помощью масштабных преобразований и экспоненты Хёрта для выявления скрытых циклов, обработка предоставляется в графическом виде, которую удобно анализировать, а следовательно принимать решения. Работа с нейросетью состоит из этапов:

1) Четко определяется проблема, характеризующая система или процесс.

2) Подготовка исходных данных для реализации (полные и адекватные данные). Сложность выполнения в соблюдении баланса между количеством входных параметров и вероятностью получить плохо обучающуюся сеть.

3) Ввод данных в систему. создание файлов тренировки и тестирования.

4) Анализ данных и степень их информационной насыщенности с помощью конструкций «если…то…иначе» Это сближает алгоритм нечеткой логики и экспертные системы.

5) Выбор технологий и методов обучения. Можно использовать систему конверторов из Word System, Excel, данные в формате Meta Stock – деловой формат информации. Данные компактны, надежны при передаче информации. Еще используется метод «Задание правил», которые повышают точность прогнозов и стабильность статистической достоверности.

6) Тестирование сети и запуск для получения прогнозов. Если этап неудовлетворителен, то возвращаются к пункту 3. Если удача, то возможны два пути: а) пользоваться созданной системой для решения задач; б) создать для каждой задачи независимые программы в виде отдельных файлов – нейросеть становится упакованной и имеет функции передачи команд управления.

 

6. Интеллектуальный анализ данных

ИАД – процесс поддержки принятия решений, основанный на поиске данных скрытых закономерностей, накопленные сведения обобщаются до информации, каждая характеризуется как знание.

Система искусственного интеллекта

 

 

Выделяют промежуточную стадию проверки достоверностей найденных закономерностей между их нахождением и использованием – называется стадия валидации.

Методы ИАД рассмотрим более подробно.

Система искусственного интеллекта

 

 

Проблема группы 1: трудно использовать большие объемы данных. Но анализ больших хранилищ данных приносит максимальный результат.

Проблемы группы 2: данные более компактны. при этом полученные конструкции могут быть интерпретируемы (прозрачными) либо неконтролируемыми.

 

7. Понятие и назначение экспертной системы

Назначением экспертной системы является  разработка программных средств, которая при решении трудных для человека задач получает результаты максимально качественные и эффективные. Общим для задач является: задачи не могут быть заданы в числовой форме; задачи имеют нечеткую цель, которую нельзя выразить в терминах или с помощью функции; нет алгоритмичного решения задачи; если алгоритм есть, но нет ресурсов времени и памяти.

Экспертная система – программное средство, использующее экспертные знания для обеспечения высокоэффективного решения задач в одной области. Основу экспертной системы составляет база знаний. А накопление и организация знаний – важнейшее свойство всех экспертных систем.

Основные свойства экспертной системы: применение высококачественного опыта, наличие прогностических возможностей, институциональная память, возможность обучения и тренировки.

Знание отличают экспертную систему от других программных обеспечений и задают им свойства:

1. Применяются для решения задач на основе высококачественного опыта, т.е. решения творческие, точные и эффективные.

2. Прогностические возможности не только дают ответы, но и показывают как эти ответы изменяются в новых ситуациях.

3. Институциональная память разработана в ходе взаимодействий со специалистами и представляет собой текущую политику этой группы людей. т.е. знания становятся сводом высококвалифицированных мнений. Они постоянно обновляются справочником наилучших стратегий и методов, т.е. специалисты уходят, опыт остается.

4. Экспертные системы используются для обучения и тренировки руководящих работников, поддерживают обширный багаж стратегий и опыта по которым изучаются методы и политика.

 

Взаимодействие основных участников построения и эксплуатации экспертных систем

Система искусственного интеллекта

Эксперт – человек, который ясно выражает свои мысли, умеющий находить правильные решения проблем в конкретной предметной области.

Инженер знаний – человек, имеющий познания в информатике и искусственном интеллекте, знающий, как надо строить экспертные системы.

Средство построения экспертной системы – это программные пакеты, которые использует инженер знаний.

Пользователь:

1. создатель инструмента, отлаживающий средства построения экспертной системы

2. инженер знаний

3. эксперт

4. клерк

5. физические или юридические лица, а также программа

 

8. Классификация экспертных систем: архитектура и принципы построения экспертных систем

Информация в экспертной системе принимает форму фактов и правил. Они бывают либо ложными либо истинные. Иногда существует степень неуверенности, достоверности факта или точности правила такие сомнения выражаются «коэффициентом доверия».

Коэффициент доверия – это число, которое выражает вероятность или степень уверенности, с которой можно считать факт или правило достоверным или справедливым. Большинство правил экспертных систем являются эвристиками. Они эффективно ограничивают поиск решения. Использование эвристики достаточно сложная задача, так как не поддается математическому анализу или алгоритмическому решению. Различают несколько видов экспертных систем.

1) Структура статистической экспертной системы

Система искусственного интеллекта

Знания в экспертной системе организованы так, чтобы они отделялись от других типов знаний системы и с их помощью можно было решать задачи пользователям. База знаний содержит факты и правила. Механизм вывода содержит:

1) интерпретатор – определяет правила для знаний

2) диспетчер – устанавливает порядок применения правил.

Статистические экспертные системы – более высокий класс приложений, где учитывается динамика изменения внешнего мира.

 

Общий вид динамической экспертной системы

Система искусственного интеллекта

Компоненты баз знаний и механизмы вывода существенно изменяются, так как отражают временную логику происходящих в мире событий. Пример: G2 – программа, представляющая собой объектно – ориентированную графическую среду для создания и сопровождения экспертной системы в режиме online, поддерживающих диагностику, мониторинг, оптимизацию, планирование и управление.

 

Разработка экспертных систем состоит из этапов:

Система искусственного интеллекта

В режиме экспертной системы подразумевают:

1 – режим приобретения знаний (режим консультации) предполагаются этапы: алгоритмизация, программирование, отладка программы.

2 – режим решения задачи (режим использования). Определяется пользователь и способы получения решений.

Хорошо построенная экспертная система имеет возможность самообучаться на попадающих в нее примерах.

 

9. Применение экспертных систем в экономике

Сфера деятельности:

- бухгалтерский учет и управление финансами – разрешение на предоставление кредитов, консультации по инвестициям и налогообложениям.

- стратегии – юридические консультации о приобретении, планирование проекта, анализ результатов работы.

- маркетинг – определение приемлемых скидок для покупателей, модели долгосрочного прогнозирования сбыта.

- обучение в отдельных областях и определение квалификации на получение должности.

 

10. понятие системы поддержки принятия решений (СППР)

СППР – это компьютерные системы, почти всегда интерактивные, разработанные для того, чтобы помочь в принятии решений управления. Они объединяют данные, сложные аналитические модели и удобное для пользователя ПО в единую мощную систему, которая поддерживает слабоструктурированные либо неструктурированные решения и находится под управлением пользователя от начала до конца реализации.

Схема СППР

Система искусственного интеллекта

 

 

 

 

СППР используют модели управления данными и управления диалогом. Компоненты СППР.

Система искусственного интеллекта

Основная концепция СППР – это дать пользователям инструментальные средства, необходимые для анализа, важных блоков данных, принятие решений включает стадии:

1) распознавание

2) проект

3) выбор

4) реализация

 

11. Применение СППР в экономике

Телекоммуникации – проводят маркетинговые программы максимально результативно, вводят привлекательную тарификацию услуг. Определяют категории клиентов с похожими стереотипом поведения для дифференцируемого подхода к их привлечению.

Банковское дело – качественный мониторинг аспектов банковской деятельности: обслуживание кредитных карточек, инвестиции, займы, определение случаев мошенничества, выделение групп клиентов со сходными потребностями для целенаправленной маркетинговой политики.

Страхование – анализ риска, выявление мошенничества, классификация клиентов.

Розничная торговля – планирование закупок и хранение совместных покупок. Определение шаблонов поведения во времени.



Обсудить на форуме

Комментарии к статье:

Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем
Информация
Посетители, находящиеся в группе Гости, не могут оставлять комментарии к данной публикации.

Регистрация

Реклама

Последние комментарии