РЕФЕРАТ
На тему:
Напрямки розвитку інтелектуальних програмних засобів.
ПЛАН
Штучний інтелект.
Експертні системи.
Нейромережні технології.
1. Штучний інтелект.
Умови виникнення.
При вирішенні будь-якої задачі управління здійснюється обробка
інформації на рівні спеціаліста з можливим залученням засобів
комп’ютерної обробки. Інформаційне забезпечення повинне забезпечити
ефективність обміну інформацією між керівництвом і об’єктом управління.
В склад інформаційного забезпечення, звичайно, включають дані, які
характеризують різнобічну діяльність підприємств, нормативні та
законодавчі акти, що впливають на процеси господарювання, засоби їх
формалізованого опису, програмні засоби ведення і підтримки баз даних.
Швидкі зміни в політичній та економічній сферах країни ще більше
підкреслили роль своєчасного інформаційного забезпечення для управління
виробництвом. Економічні моделі діяльності часто визначаються не стільки
інтересами власника виробництва, а і в значній мірі формуються під
впливом дії законів та податкової політики держави. Це і обумовлює
необхідність впровадження та мобільного використання експертних систем,
які б допомагали орієнтуватися в динамічно змінному середовищі, – на що
у менеджерів не вистачає часу через основні обов’язки.
Історія розвитку галузі штучного інтелекту.
Тепер, коли нагромаджено досвід в організації технологій переробки
інформації, відбувається перехід до створення інформаційних технологій з
використанням штучного інтелекту. Вважається, що основні напрями в
галузі створення інформаційних технологій і штучного інтелекту пов’язані
з винайденням ефективних систем подання знань і організацією процесу
комунікації користувачів з ЕОМ, а також з плануванням доцільної
діяльності та формуванням глобальної структури нормативної поведінки.
Вважається, що розвиток сучасних систем штучного інтелекту розпочався з
50-х років ХХ століття. Цьому сприяла програма, що була розроблена
А.Ньюеллом і призначена для доведення теорем в численні під назвою
“Логіг-Теоретик”. Деякі автори називають цю систему експертною. Ця
робота поклала початок першого етапу досліджень в галузі штучного
інтелекту, пов’язаного з розробкою програм, які розв’язують задачі на
основі використання різноманітних евристичних методів. Цей етап обумовив
появу і розповсюдження терміну штучний інтелект.
Спеціалісти в галузі штучного інтелекту завжди прагнули розробити такі
програми, які могли б в деякому розумінні “думати“, тобто розв’язувати
задачі таким чином, який би вважався розумним при вирішенні цієї
проблеми людиною. Проблема вважається інтелектуальною, якщо алгоритм її
розв’язування апріорі не відомий. На початку розвитку штучного інтелекту
були спроби моделювати процес мислення людини, але ці спроби зазнали
краху. Розробити універсальні програми, як стало зрозуміло, є
безперспективною справою. В зв’язку з тим, що важко забезпечити
універсальність програми, зосередження розробок перейшло на загальні
методи і прийоми спеціальних програм.
З 70-х років зусилля вчених концентрувалися на таких напрямках:
розробка методів представлення, тобто способів формулювання проблем
таким чином, щоб їх можна було легко вирішити;
розробка методів пошуку, тобто доцільних способів управління ходом
рішення завдання, щоб воно вирішувалося протягом реального часу за
допомогою реальних засобів.
На початку 80-х років було зроблено наступний висновок: ”ефективність
програми вирішення задач залежить від знань, якими вона володіє, а не
тільки від формул і схем висновків, які вона використовує”. Сьогодні
розвиток фундаментальних досліджень в галузі штучного інтелекту
передбачає вирішення зокрема таких проблем:
автоматизоване створення програмного продукту;
автоматизований переклад, інформаційний пошук, генерація документів,
організація природного діалогу між користувачем і комп’ютером;
обробка та сприйняття природної мови та тексту;
системи технічного зору та розпізнавання образів;
створення баз знань;
створення експертних систем.
Системи машинного перекладу.
Машинний переклад значно дешевший і швидший від традиційного, хоч і
поступається йому по якості. Ним користуються в тих випадках, коли
важливіше зрозуміти зміст документу, ніж перекласти текст відповідно до
літературних критеріїв. Машинний переклад обіцяє стати важливим
інструментом для розвитку міждержавної торгівлі, тому що він спроможний
значно спростити і прискорити одержання інформації про товари, що
випускаються в інших країнах. Останнім часом в цій галузі досягнуто
значних успіхів.
Розрізняють два магістральні напрямки створення та застосування
машинного перекладу. В першому випадку система машинного перекладу
функціонує на великій ЕОМ і представляє “сирий”, чорновий переклад, який
згодом редагують кваліфіковані перекладачі. Як правило, така методика
використовується у великих організаціях, які змушені готувати документи
на різних мовах. Деколи досить успішно використовується попереднє
редагування вихідних текстів. Деякі фірми вводять у себе так звані
“контрольовані природні мови”: коли кожен працівник фірми, що готує
документацію, повинен її готувати саме з дотриманням вимог цієї
обмеженої мови (наприклад, вимога відсутності складних синтаксичних
конструкцій). Використання контрольованої природної мови спрощує роботу
машинного перекладу і зменшує обсяги постредагування, яке дорого коштує
через необхідність залучення спеціалістів високої кваліфікації. Другим
магістральним напрямком машинного перекладу є використання систем,
орієнтованих на персональні комп’ютери. Такі системи вперше появилися ще
на початку 1980-х років (наприклад, MicroCAT фірми Weidner). Найбільший
успіх в застосуванні цих систем перекладу припав на 90-і роки.
Статистичні оцінки підтверджують постійне зростання продаж систем
машинного перекладу. На ринку зараз знаходиться понад тисячу різних
пакетів (якщо враховувати окремо кожну мовну пару). Популярність
машинного перекладу пояснюється не тільки простою цікавістю, хоча і це є
однією з основних причин поширення систем машинного перекладу. Велика
частина користувачів використовує невідредагований машинний переклад
текстів великих обсягів з метою ознайомлення, коли низька якість
перекладу цілком допустима.
Сучасні системи перекладу пропонують користувачам приблизно однаковий
спектр можливостей:
редагування тексту в багатомовному режимі з розбиттям екрану, так що в
кожному вікні знаходиться текст на відповідній мові;
розпізнавання термінів;
пошук слів у словниках, вставка перекладів у текст;
так звана “пам’ять перекладача” – переклад з використанням
нагромадженого досвіду;
створення паралельних двомовних текстових баз даних;
збереження форматування;
підтримка великого спектру європейських мов.
Зараз інтенсивно проводяться дослідження в галузі перекладу усної мови.
Компанія IBM, яка вважається лідером в цій області, випустила програмний
пакет ViaVoice 4.1, яка дозволяє комп’ютеру сприймати до 140 слів на
хвилину неперервної диктовки. Попередні версії цієї програми передбачали
лише дискретний спосіб введення мови. Для налагодження на персональні
особливості мовлення певної людини при початковій установці програми в
залежності від якості вимови і конкретного діалекту потрібно повторити
від 104 до 256 речень, що попередньо задаються. Але розпізнавання мови
не означає розуміння її змісту. Слід розрізняти розпізнавання машинної
мови і перетворення її в текст або ж її використання у вигляді команд, і
справжнє розуміння її змісту, як це робить людина. Останнє вимагає
знання комп’ютером всього обсягу стилістичних та семантичних
конструкцій, правил використання слів та висловів, при чому останні
повинні задаватися не жорстко – адже люди говорять, що завгодно і як
завгодно, не звертаючи уваги наскільки це грамотно і літературно. Іноді
навіть те, що говориться, не відповідає тому, що малося на увазі. Так що
навчити машину розуміти людей – задача незрівнянно складніша і віддалена
в часі.
Перспективні напрямки інтелектуалізації INTERNET.
Сьогодні INTERNET – це велика і складну система, яка об’єднує мільйони
вузлів та зв’язків, по яких транспортується інформація. Ця система
складна настільки, що з точки зору синергетики, здатна стати самостійним
носієм інтелекту. Враховуючи величезні інформаційні обсяги і значні
обчислювальні ресурси у вузлах мережі, інтелектуальні здібності цього
організму практично непередбачувані. При відсутності організуючої ідеї
INTERNET може назавжди залишитися хаотичним сховищем інформаційних
потоків, не більш інтелектуальним, ніж телевізійна мережа. Цілком
можливо, що на протязі декількох десятиріч всесвітня мережа буде
розвиватися по екстенсивному шляху. Серед низки перспективних
технологій, що розширюють можливості INTERNET, можна виділити декілька
взаємозв’язаних технологічних концепцій: технологію інтелектуальних
агентів (Intelligent Agents) та Push – технологію. Push – технологія
сьогодні вже достатньо пророблена і стабільно розвивається. З її
допомогою користувачі не тільки формують запити в режимі Online але
регулярно отримувати інформацію по заздалегідь розміщеним запитах. Для
цього достатньо необхідно вибрати потрібний Internet – канал, встановити
бажаний період та час доби для обновлення. Надходження нової інформації
будуть автоматично доставлятися на потрібний комп’ютер. Таким чином
користувач завжди може бути в курсі найсвіжіших подій. Крім того
сьогодні практично кожна фірма може організувати власний канал, що
призначається для відкритого чи внутрішнього “мовлення“.
Технологія інтелектуальних агентів в INTERNET.
Сьогодні перед користувачем постає задача шукати потрібну інформацію в
невідомому і постійно наростаючому віртуальному інформаційному просторі.
Якщо потрібно розв’язати яку-небудь складну, нетривіальну задачу, що
зв’язано з використанням цілком екзотичних математичних методів, про які
користувач має слабке уявлення, або ж вияснити який небудь маловідомий
історичний факт (наприклад походження батьків відомої людини), або ж
знайти та використати деяке програмне забезпечення, тоді подальші дії
повинні проходити по такому сценарію (звичайно, якщо розвиток мережі
піде в даному напрямку). Користувач активізує програму – агента на
своєму комп’ютері і достатньо вільній формі описує задачу. Потім агент
з’єднується з іншими агентами, щоб вияснити, що їм відомо про
розв’язання поставленої задачі. Якщо знаходиться агент, якому відоме
вирішення, тоді агент користувача відфільтровує знайдену інформацію з
метою ідентифікації потрібних розв’язків і відсіює непотрібні дані. Якщо
розв’язок не знайдено або ж є неповним, кожен з агентів звертається до
сусідніх агентів, щоб взнати можливі адреси інформаційних сховищ і (або)
професійних “розв’язувачів“ даних задач. Цей процес продовжується до
попередньо обумовленого користувачем терміну. Якщо за даний час не
отримано позитивного результату – комп’ютер повідомляє, що розв’язок
поставленої задачі сучасній науці невідомий. Приведений сценарій
передбачає ряд процедур, таких як евристичний пошук, інтелектуальні
взаємодії, нагромадження та узагальнення інформації, розпізнавання і
класифікацію.
Найважливішими проблемами для створення інтелектуальних агентів є:
розробка стандартної мови спілкування агентів;
розробка методів ефективної обробки знань, класифікації та
розпізнавання;
розробка “живого“ користувацького інтерфейсу (“природна мова“).
Головною серед цих проблем є розробка стандартів обміну знаннями в
процесі спілкування агентів. Зараз існує щонайменше два подібні
стандарти в цій галузі: Knowledge Query Manipulation Language та
Knowledge Interchange Format, які до цього часу мають масу недоробок. Те
саме можна сказати і відносно другої проблеми. Дійсно ефективних
методів, що здатні стати базою побудови промислової технології світового
масштабу, на сьогодні немає. Відносно останньої проблеми варто
підкреслити, що саме проблема створення інтерфейсу, близького до
природної мови, зруйнувала проект ESPRIT, який передбачав створення
комп’ютера п’ятого покоління до 90-тих років. Проте зрушення в цьому
напрямку є.
Сьогодні Push – технології, а завтра інтелектуальні агенти будуть
спрямовані для якнайкращого використання інформації і ефективної
взаємодії між людьми через глобальні інформаційні мережі.
2. Експертні системи.
Поняття про експертні системи.
Експертні системи – це клас комп’ютерних програм, які пропонують
рекомендації, проводять аналіз, виконують класифікацію, дають
консультації і ставлять діагноз. Вони орієнтовані на розв’язування
задач, вирішення яких вимагає проведення експертизи
людиною-спеціалістом. На відміну від програм, що використовують
процедурний аналіз, експертні системи розв’язують проблеми у вузькій
предметній площині (конкретній ділянці експертизи) на основі логічних
міркувань. Такі системи часто можуть знайти розв’язок задач, які
неструктуровані і неточно визначені. Вони через використання евристик
компенсують відсутність структурованості, що корисно в ситуаціях, коли
недостатня кількість необхідних даних або часу виключає можливість
проведення повного аналізу.
Основою експертної системи є сукупність знань, яка структурується для
спрощення процесу прийняття рішення. Для спеціалістів в галузі штучного
інтелекту термін “знання“ означає інформацію, що потрібна програмі для
того, щоб вона вела себе інтелектуально. Ця інформація приймає форму
фактів або правил. Факти і правила не завжди правдиві або неправильні,
інколи існує деяка міра неправильності в достовірності факту або
точності правила. Якщо сумнів виражається явно, то він називається
коефіцієнтом впевненості.
На сьогодні одержав розвиток напрямок використання концепції банку знань
– автоматичний синтез знань. Проблема синтезу знань, або індуктивного
висновку, безсумнівно, складніша і глобальніша, ніж аналіз наявних
знань, що відбувається в експертних системах. По суті, мова тут йде про
надання ЕОМ елементів творчого мислення, характерного для людини. Про
вичерпне вирішення цієї проблеми не може бути і мови ні найближчим
часом, ні в доступному для огляду майбутньому. Досяжне на даний час
рішення полягає в створенні механізмів знань у рамках окремих
проблемно-орієнтованих галузей, у яких можливий синтез на основі деякого
набору правил, що володіють повнотою щодо можливих ситуацій створення
знань.
Знання, типи представлення знань в експертних системах.
Основою експертних систем є знання. Знання – це цілісна і
систематизована сукупність понять про закономірності природи,
суспільства і мислення, нагромаджена людством в процесі активної
перетворюючої діяльності і спрямована на подальше пізнання і зміни
об’єктивного світу. Знання з предметної ділянки називається базою знань.
База знань експертної системи містить факти (дані) і правила (способи
подання знань). Механізм висновку містить: інтерпретатор, який визначає,
як застосовувати правила для виводу нових знань, та диспетчерів, що
встановлюють порядок застосування цих правил.
Експертна система містить три типи знань:
структуровані знання про предметну ділянку – після того, як ці знання
виявлені, вони не змінюються;
структуровані динамічні знання – змінні знання з предметної ділянки, які
обновляються по мірі виявлення нової інформації;
робочі знання, які використовуються для розв’язування конкретної задачі
або проведення консультації.
Всі перераховані знання зберігаються в базі знань. Для її побудови
потрібно провести опит спеціалістів, які є експертами в конкретній
предметній ділянці, а потім систематизувати, організувати та індексувати
отриману інформацію для простоти її використання.
Існує багато способів представлення знань в сучасних експертних
системах. Найчастіше використовується такі три методи представлення
знань: правила, семантичні сітки та фрейми.
Термін “фрейм” у 1975 році ввів М.Мінський, як визначення структури
даних для представлення стереотипних ситуацій. В цьому випадку модель
даних представляється комбінацією трьох компонентів:
множини структур даних, об’єкти яких складають вмістиме баз даних;
множини операцій, які використовуються для пошуку та модифікації даних;
множини обмежень цілісності, які явно чи неявно визначають множину
допустимих станів елементів баз даних.
Представлення знань, що базується на правилах, побудовано на
використанні виразу вигляду – “якщо“ (умова) – “тоді“ (дія). Якщо
ситуація (факти) в задачі задовольняє правило “якщо“, тоді
використовується дія, що визначається частиною “тоді“. Співставлення
частин “якщо“ (правил з фактами) може утворити так званий ланцюжок
виводу. Правила забезпечують природній спосіб опису процесів, що
керуються складним і швидкозмінним середовищем. З допомогою правил можна
визначити, як експертна система буде реагувати на зміну даних і при
цьому не потрібно заздалегідь вказувати блок-схему управління обробкою
даних.
В програмі традиційного типу передачі управління і використання ресурсів
здійснюються послідовними кроками, а розгалуження має місце тільки в
заздалегідь вибраних точках. Цей спосіб добре діє для проблем, які
допускають алгоритмічні рішення. Для задач, хід розв’язування яких
керується самими даними і де розгалуження швидше норма, ніж виняток, цей
спосіб малоефективний. Використання правил спрощує пояснення дій
експертної системи і дозволяє людині відслідкувати хід виводу. Можна
розглядати фрейми і семантичні сітки, як методи представлення знань, що
базуються на фреймах. Таке представлення знань використовує сітку
вузлів, що пов’язуються відношеннями і організовуються ієрархічно. Кожен
вузол представляє собою концепцію, яка може бути представлена атрибутами
і значеннями, пов’язаними з цим вузлом. Вузли, які знаходяться на нижніх
рівнях в ієрархії, автоматично наслідують властивості вузлів, що
займають вище становище. Ці методи звичайно забезпечують ефективний шлях
класифікації того чи іншого об’єкту (події).
Багато правил експертної системи є евристиками, тобто емпіричними
правилами, або спрощеннями, які ефективно обмежують пошук рішення.
Евристика – це сукупність логічних прийомів і методологічних правил
теоретичного дослідження і пошуку істини, методика пошуку доведення.
Евристичні правила – неформальні правила, які використовуються з метою
підвищення ефективності пошуку в даній предметній ділянці. Такі підходи
до розв’язування проблем швидше властиві людському мисленню “взагалі”,
для якого властива поява “догадки” про шлях їх вирішення з наступною
перевіркою отриманого рішення. Евристичному методу протиставлявся
алгоритмічний (процедурний) метод, більше характерний для комп’ютера,
який інтерпретувався як механічне здійснення заданої послідовності
кроків, яка однозначно приводила до розв’язку. Експертні системи
використовують евристики через те, що поставлені задачі важкі і до кінця
незрозумілі. Ці задачі не підлягають чіткому математичному аналізу або
алгоритмічному рішенню. Алгоритмічний метод гарантує визначене коротке
або оптимальне рішення задачі, тоді як евристичний метод дає прийнятне
або раціональне рішення. Знання в експертних системах організовані таким
чином, щоб знання про предметну ділянку відокремити від загальних
(наприклад, як вирішувати задачу, або знання про те, як взаємодіяти з
користувачем).
У системах, заснованих на концепції банку знань, реалізуються функції
дедуктивного висновку – від узагальнених знань, що подаються в базі
знань, здійснюється перехід до конкретних знань, що формуються для
вирішення заданої практичної задачі.
Переваги та слабкі місця експертних систем.
Експертні системи відзначаються певними перевагами при використанні.
Зокрема, експертна система:
переважає можливості людини при вирішенні надзвичайно громіздких
проблем;
не має упереджених думок, тоді як експерт користується побічними
знаннями і легко піддається впливу зовнішніх факторів;
не робить поспішних висновків, нехтуючи певними етапами виводу;
забезпечує діалоговий режим роботи;
дозволяє роботу з інформацією, що містить символьні змінні;
забезпечує коректну роботу з інформацією, яка містить помилки, за
рахунок використання імовірнісних методів досліджень;
дозволяє проводити одночасну обробку альтернативних версій;
по вимозі пояснює хід кроків реалізації програми;
забезпечує можливість обгрунтування рішення та відтворення шляху його
прийняття.
Але навіть найкращі з існуючих експертних систем мають певні обмеження у
порівнянні з людиною-експертом, які зводяться до наступного:
Більшість експертних систем не цілком придатні для широкого
використання. Якщо користувач не має деякого досвіду роботи з цими
системами, у нього можуть виникнути серйозні труднощі. Багато експертних
систем доступні лише тим експертам, які створювали їх бази знань. Тому
потрібно паралельно розробляти відповідний користувацький інтерфейс,
який би забезпечив кінцевому користувачу властивий йому режим роботи.
Навики системи не завжди зростають після сеансу експертизи, навіть коли
проявляються нові знання.
Все ще залишається проблемою приведення знань, отриманих від експерта,
до вигляду, який забезпечував би їх ефективне використання.
Експертні системи, як правило, не можуть набувати якісно нових знань, не
передбачених під час розробки, і тим більше не володіють здоровим
глуздом. Людина-експерт при розв’язанні задач звичайно звертається до
своєї інтуїції або здорового глузду, якщо відсутні формальні методи
рішення або аналоги розв’язування даної проблеми.
Сфера застосування та перспективи розвитку.
Експертні системи можуть використовуватися для:
інтерпретації;
діагностики;
моніторингу;
передбачення;
планування;
проектування.
Експертні системи можна використовувати в прогнозування, планування,
контролі, управлінні та навчанні. Наприклад, експертні системи вже
застосовуються в банківській справі в таких напрямках:
програмах аналізу інвестиційних проектів;
програмах аналізу стану валютного, грошового та фондового ринку;
програмах аналізу кредитоспроможності чи фінансового стану підприємств і
банків.
Процес створення експертних систем значно змінився за останні роки.
Завдяки появі спеціальних інструментальних засобів побудови експертних
систем значно скоротились терміни та зменшилась трудомісткість їх
розробки. Інструментальні засоби, що використовуються при створенні
експертних систем, можна розбити на три класи:
мови програмування, орієнтовані на створення експертних систем (Ліпс,
Пролог, Smalltalk, FRL, Interlisp та такі загальновживані, як: Сі,
Асемблер, Паскаль, Фортран, Бейсик);
середовища програмування (Delphi, Java);
пусті експертні системи (оболонка EXSYS Professional 5.0 for Windows).
На американському і західноєвропейських ринках систем штучного інтелекту
організаціям, які бажають створити експертну систему, фірми -розробники
пропонують сотні інструментальних засобів для їх побудови. Нараховуються
тисячі розроблених вузькоспеціалізованих експертних систем. Це свідчить
про те, що експертні системи складають дуже вагому частину програмних
засобів.
3.Нейромережні технології.
Історія виникнення нейронних систем.
З середини 1980-их років нейронні системи почали використовуватися на
Заході переважно в фінансових і військових прикладних пакетах. Але,
незважаючи на успіх, інструмент виявився достатньо складним і дорогим.
Ситуація змінилася на початку 1990-их років, коли на ринку з’явилося
нове покоління нейромережних технологій – потужних, недорогих, простих у
використанні. Одним з лідерів ринку став нейромережний пакет Brain Maker
американської фірми California Scientific Software, який був розроблений
на замовлення військових. З 1990 року він утримує лідерство за обсягами
продаж в США. В Україні нейронні мережі почали впроваджуватися для
застосуванні у фінансово-економічній сфері, де зацікавлені в
удосконаленні аналітичної роботи банків. Вони можуть застосовуватися при
розпізнаванні симптомів наближення критичних ситуацій, для
короткотермінових, а деколи і для довготермінових прогнозів.
На ринку комерційних програмних продуктів поряд з аналітичними
інструментами нового покоління, що базуються на використанні логіки
нечітких множин – від електронних таблиць (Fuzzy Calc) до експертних
систем (Cubi Calc) корпорації Hyper Jodic (США), все більшу
зацікавленість для фінансово-економічної діяльності притягують
аналітичні інформаційні технології, що грунтуються на використанні
нейронних мереж. Нейронні мережі – це узагальнена назва групи
алгоритмів, які вміють навчатися на деяких прикладах, використовуючи
приховані закономірності з потоку даних. Комп’ютерні технології, які
отримали назву нейронних, працюють по аналогії з принципами побудови і
функціонування нейронів головного мозку людини і дозволяють вирішувати
надзвичайно широке коло задач: розпізнавання людської мови і абстрактних
образів, класифікація стану складних систем, управління технологічними
процесами і фінансовими потоками, вирішення аналітичних, дослідних,
прогнозних задач, пов’язаних з величезними інформаційними потоками.
Нейромережні технології як потужній технологічний інструмент дозволяють
полегшити спеціалісту процес прийняття важливих і неочевидних рішень в
умовах невизначеності, дефіциту часу і обмежених інформаційних ресурсів.
Характерні риси розвитку нейромережних технологій.
Характерною рисою нейронних мереж є їх здатність змінювати свою
поведінку в залежності від змін зовнішнього середовища, враховуючи
приховані закономірності з потоку даних. При цьому алгоритми навчання не
вимагають будь-яких попередніх знань про існуючі в предметній ділянці
взаємозв’язки – необхідно тільки підібрати достатнє число прикладів, які
описують поведінку модельованої системи в минулому. Переваги
нейромережних технологій зокрема полягають в тому, що вони не вимагають
підвищених вимог до точності вхідних даних, як на етапі навчання так і
при їх застосуванні. Можна виділити такі переваги нейромережних
технологій:
здатність навчатися на конкретній множині прикладів і таким чином
пристосовуватися до поточної ситуації;
вміння стабільно розпізнавати, прогнозувати нові ситуації з високим
рівнем точності в умовах зовнішніх перешкод, наприклад появи неповних чи
суперечливих значень в потоках інформації.
Беручи за основу роботу мозку, нейромережні технології застосовують ряд
біологічних термінів, понять, параметрів. Так наприклад метод
нейромережних технологій отримав назву генетичний алгоритм. Генетичний
алгоритм застосовується в таких популярних версіях нейропакетів, як
Brain Maker Professional v3.11 та менш відомому але більше професійному
Neuroforester v5.1. В цих пакетах генетичний алгоритм керує процесом
спілкування на деякій множині прикладів, а також стабільно розпізнає
(прогнозує) нові ситуації з високим степенем точності навіть в умовах
зовнішніх перешкод. Навчання програми зводиться до роботи алгоритму
підбору вагових коефіцієнтів, який здійснюється автоматично без
безпосередньої участі користувача – аналітика.
Розглянуті пакети мають інструменти для попередньої обробки даних:
кореляційний аналіз, який дозволяє визначити значимість вхідних
параметрів прогнозу;
аналіз з допомогою масштабних коефіцієнтів і експоненти Хьорста для
виявлення неявних циклів даних;
діаграма-розподіл залежності прогнозованої величини від вхідних
параметрів.
Розглянуті методи дозволяють вже на етапі підготовки даних виділити
найсуттєвіші для прогнозу параметри. Всі результати можуть
представлятися в графічному вигляді, який зручний для аналізу і
прийняття рішення.
Алгоритм застосування нейромережних технологій.
Застосування нейромережної технології передбачає обов’якове проведення
таких етапів. Першим етапом є чітке формулювання проблеми, тобто того,
що користувач – аналітик збирається отримати від нейромережної
технології на виході. Це може бути деякий вектор, що характеризує
систему чи процес. Наприклад, крива дохідності, ціна відсікання
первинного аукціону, показник доцільності реструктуризації
інвестиційного портфелю, точки перелому тренду та інші.
На другому етапі визначаються і підготовлюються вхідні дані для
реалізації нейромережної технології. Для цього відбирається вся
необхідна інформація, яка адекватно і повно описує процес. На цьому
етапі рекомендується задіяти кваліфікованих спеціалістів, що добре
знають редметну ділянку, для якої розробляється програмний засіб.
Складність виконання цього етапу полягає в тому, щоб підтримати баланс
між прагненням збільшити кількість вхідних параметрів та ймовірністю
отримати погано навчену мережу, яка може спотворити очікувані прогнози.
Справа в тому, що число днів ретроспективи і прогнозу, які залежать від
властивостей даних сильно впливають на точність прогнозу. Тому вибір
невідповідно великої кількості днів для прогнозу чи малого числа днів
ретроспективи може привести до того, що мережа не зможе навчатися.
Ввід даних в систему, підготовка даних, створення файлів для тренування
і тестування можна вважати самостійним третім етапом. Основна мета
роботи на цьому етапі – це формування необхідного набору ситуацій, з
якими доводиться працювати аналітику, а потім розподіл вхідних даних у
відповідності з цими ситуаціями. У цьому випадку нейромережна технологія
автоматично реалізує задачу класифікації, в основі якої лежить нечітка
логіка. Вхідними параметрами можуть вибиратися і штучно створені
показники, наприклад для фондового ринку це можуть бути різноманітні
індикатори технічного аналізу.
Для того щоб виявити рівень впливу конкретного параметру на прогнозовану
величину на етапі підготовці даних аналізується ступінь їх
інформаційного насичення. Після досягнення рівномірного наповнення всіх
ступенів насичення виявляється відповідність між прогнозованою величиною
і параметром у вигляді “Якщо … тоді … інакше“, що близьке до
реалізації алгоритму нечіткої логіки і експертних систем.
Вибір типу нейромережної технології і методу її навчання можна виділити
в окремий етап. Мережа може буті побудована за допомогою NetMaker в
інтерактивному режимі при допомозі підказок або ж створити файли Brain
Maker за допомогою текстового редактора. Для прогнозування рядів
динаміки, якими описуються фінансові ринки рекомендується
використовувати генетичний алгоритм Genetik Algorithms, а для
розв’язання задач розпізнавання образів і класифікації – мережними
технологіями Hopfield і Kohonen. Найтрудомісткішим процесом є
налагодження нейромережі на навчальну вибірку даних, так як на цьому
етапі визначається оптимальна кількість параметрів, властивостей
досліджуваних даних, оптимальне число днів ретроспективи і прогнозу.
Добре продумані способи задання текстових множин у поєднанні з
декількома варіантами навчальних алгоритмів (від стандартних до
швидкісних) і різноманітних критеріїв зупинки навчання забезпечує широкі
експериментальні можливості нейромереж.
Процес роботи з нейронними технологіями значно полегшує можливість
взаємодії з різноманітним стандартними програмними засобоми, (наприклад,
Excel), що забезпечуються розвиненою системою конверторів.
Сучасні нейромережні продукти дозволяють працювати як з числовими так і
з текстовими даними, тобто перетворювати набір символів (слово, фраза) в
унікальний набір чисел. Деякі нейромережні технології дозволяють
проводити і обернену операцію, тобто представляти результати роботи
нейромережі у вигляді не тільки чисел, але і зв’язного тексту, що
дозволяє генерувати результати у вигляді різноманітних інформаційних
повідомлень. Правила для навчання в нейромережі можуть задаватися шляхом
їх вводу в готовому вигляді, а також у вигляді чисел, які вимагають
додаткових перетворень даних. Надається можливість задавати такі
обмежувальні та рекомендаційні правила та умови в процесі розв’язання
задачі. Іншим методом задання правил є робота з індикаторами технічного
аналізу. Включення індикаторів в процес навчання суттєво підвищує не
тільки точність прогнозів, але і їх стабільність і статистичну
достовірність. Деякі нейромережні продукти пропонують спеціальний блок
налагодження, який містить повний список процедур з можливостями
автоматичного підбору параметрів і переносу вибраних значень в
підготовлений набір вхідних даних, що значно полегшує роботу аналітику.
Останніми етапами слід вважати проведення тестування нейромережі і її
запуск для отримання прогнозу. Роботоздатність початково навчених
нейромереж доводиться на тестовій вибірці даних. По результатах тестів
відбираються найперспективніші варіанти. У цих випадках керуються тим,
що точність і надійність прогнозу насамперед залежать від типу
прогнозованої величини, стану, в якому знаходиться система (стаціонарне,
поблизу критичної точки та інших), типу системи (керована вона ззовні чи
замкнута). Наприклад, найточніший і найнадійніший прогноз локальної
зміни тренду у випадку стаціонарного стану ринку. Якщо результати
тестування нейромережі не задовільні, тоді проглядається набір вхідних
даних, змінюють деякі навчальні програми чи перебудовують мережу.
Після завершення повної настройки нейромережі можливі два шляхи її
використання:
користуватися в подальшій роботі створеною системою, що цілком достатньо
для одного спеціаліста, який вирішує певне коло задач;
створити для кожної задачі незалежні пакети у вигляді окремих файлів,
які можуть використовуватися іншими програмами.
В останньому випадку отриманий варіант нейромережної технології є
упакованою нейромережею з описаними функціями передачі команд
управління.
Перспективи застосування нейромережних технологій.
Гнучкість і потужність нейронних мереж відкриває перед ними практично
необмежені можливості застосування, особливо в якості аналітичних
інструментів в таких погано формалізованих і багатокритеріальних
галузях, як аналіз фінансової і банківської діяльності. Будь-яка задача,
що пов’язана з використанням фінансових засобів на валютному ринку чи
ринку цінних паперів, пов’язана з ризиком і вимагає детального аналізу і
прогнозу. Точність прогнозу, яка успішно досягається нейромережними
технологіями при розв’язанні реальних задач, вже перевищила 95%. Це і
обумовлює зростання використання нейромережних технологій на практиці.
Серед перспективних напрямків використання нейромережних технологій
можна назвати створення комп’ютерних моделей поведінки клієнта для
оцінки ризику чи перспективності роботи з конкретними клієнтами.
Наприклад, можна проаналізувати попередні угоди і на основі аналізу цих
даних оцінити ймовірність того, чи погодиться конкретний клієнт на ту чи
іншу пропозицію.
На світовому ринку аналітичного програмного забезпечення пропонується
широкий спектр нейромережних технологій, починаючи від систем
орієнтованих на суперкомп’ютери з вартістю 50 тисяч доларів, і до
недорогих нейромережних пакетів вартістю кілька сотень доларів, які
працюють на платформі персональних комп’ютерів і робочих станцій. Це
робить доступним застосування нейромережних технологій всіма видами
програмного забезпечення.
Нашли опечатку? Выделите и нажмите CTRL+Enter
