Понятие, развитие и область применения искусственного интелекта

     Существуют  следующие классы систем искусственного интеллекта:

     1. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами.

     1.1. 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.

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

1. Мониторинг состояния сотрудников на конвейере с целью

обеспечения высокого качества продукции.

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

3. Компьютерные  игры с БОС.

     1.3. 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.

7.5. Нейросетевые технологии в финансово-экономической деятельности

       В настоящее время имеет место  широкое появление на отечественном  рынке компьютеров и программного обеспечения нейропакетов и нейрокомпьютеров, предназначенных для решения  финансовых задач. Те банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том числе и многомерных.

       Нейросетевые  технологии оперируют биологическими терминами, а методы обработки данных получили название генетических алгоритмов, реализованных в ряде версий нейропакетов, известных в России. Это профессиональные нейропакеты Brain Maker Professional v.3.11 и Neuroforester v.5.1, в которых генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает и прогнозирует новые ситуации с высокой степенью точности даже при появлении противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без участия пользователя-аналитика. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решений.

       Использование нейросетевых технологий как инструментальных средств перспективно в решении  множества плохо формализуемых  задач, в частности при анализе  финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов, и др. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. На мировом рынке нейросетевые технологии представлены широко – от дорогих систем на суперкомпьютерах до ПК, делая их доступными для приложений практически любого уровня.

       К основным преимуществам нейронных  сетей можно отнести:

• способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) пасуют традиционные математические методы;
• способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;
• эксплуатация обученной нейронной сети по силам любым пользователям;
• нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;
• внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность  нейросистемы, т.е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;
• толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;
• способность к обучению: программирование вычислительной системы заменяется обучением;
• способность к распознаванию образов в условиях сильных помех и искажений.

       Появление столь мощных и эффективных средств не отменит традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети просто приходят – и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно насаждать нейронные сети или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним, как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы.

       Под нейрокомпьютером здесь понимается любое вычислительное устройство, реализующее работу нейронных сетей, будь то специальный нейровычислитель или эмулятор нейронных сетей на персональном компьютере.

       Нейронная сетью (НС) – вид вычислительной структуры, основанной  на использовании нейроматематики - нового направления математики, находящегося на стыке теории управления, численных методов и задач классификации, распознавания образов. Для решения конкретных задач используются пакеты прикладных программ-эмуляторов работы нейронных сетей – нейропакеты, нейросетевые и гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов.

       Несмотря  на существенные различия, отдельные  типы НС обладают несколькими общими чертами.

        Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке.  
 
 
 
 
 
 

       Каждый  синапс характеризуется величиной  синаптическои связи или ее весом w_i, который по физическому смыслу эквивалентен электрической проводимости.