Системи штучного інтелекту

Системи штучного інтелекту

Сучасні підходи до дослідження поводження складних систем, включаючи економічні системи, багато в чому базуються не на класичному інтегрально-диференціальному математичному апараті, а на методах штучного інтелекту, реалізованих різними способами: нейронними мережами, генетичними алгоритмами, системами нечіткої логіки й ін. Характерною рисою методів штучного інтелекту є можливість роботи з неточними даними; при цьому досягається точність, достатня для практичної потреби, і, як правило, від користувачів не вимагається спеціальні математичні знання. Більшість спеціалізованих пакетів, що реалізують методи штучного інтелекту, забезпечують користувачам можливість роботи з ними в рамках термінології конкретної предметної області.

Системи на основі нейрокомп'ютерних технологій. Компонентами нейро-технологій є нейронні комп'ютери і процесори, а також нейронні мережі як клас спеціалізованих алгоритмів (далі нейромережі). Нейромережі утворюють великий клас систем, у яких реалізуються спроби моделювання взаємодії нейронів аналогічно їх функціонуванню в мозку людини. Як показують дослідження, кожний нейрон складається з тіла клітки й безлічі вхідних відростків, називаних дендритами. Дендрити йдуть від тіла даної клітки до інших нейронів, де вони приймають сигнали в крапках порушення, називаних сінапсами. Прийняті сінапсами вхідні сигнали підводяться до тіла нейрона, де вони алгебраїчно сумуються. Коли сумарне порушення в тілі нейрона перевищить деякий поріг, він збуджується і посилає свій сигнал до інших нейронів.

В основі побудови штучних нейр мереж використовується підхід, що реалізує логічно функціонуючу систему, що складається з великого числа зв'язаних між собою простих елементів. З великим рівнем спрощення подібну систему можна розглядати як сукупність взаємодіючих штучних нейронів. Кожний такий нейрон реалізується у вигляді суматора, на вхід якого надходять зважені сигнали з виходів нейронів попереднього рівня. Результат підсумовування надходить до граничного елементу з деякою функцією адеквации нейрона. Таким чином, настроювання нейромережі зводиться до визначення структурованої сукупності нейронів і значень коефіцієнтів, що визначають глибину зв'язку між конкретними нейронами. Для того щоб мережу можна було використовувати надалі , її необхідно "натренувати" на отриманих раніше масивах даних, що містять значення вхідних параметрів і відповідні їм значення вихідних параметрів (тобто правильні відповіді). Результатом цього навчання є визначення значень "ваги" міжнейронних зв'язків (коефіцієнтів міжнейронних зв'язків), що забезпечують найбільшу близькість вихідних сигналів мережі до відомих правильних відповідей. Оскільки в процесі побудови синаптичної карти на практиці широко використовується градієнтний алгоритм пошуку, тобто можливе влучення в локальний экстремум з близьким до нуля значенням вектора градієнта, що приводить до початку нового циклу пошуку рішення і, відповідно, збільшенню тривалості навчання мережі.

Фахівцями опублікована велика кількість робіт з дослідження можливостей нейромереж, що розвиваються, від одношарових структур до багатошарових, від мереж із прямим поширенням сигналів до більш складних мереж зі зворотними зв'язками. Ускладнення структури нейромережі обумовлює розширення її функціональних можливостей і, як наслідок, забезпечує знаходження моделей, що більш точно описують особливості взаємозв'язку наявних масивів показників, які використовуються при настроюванні мережі. Однак збільшення складності неймережі і введення зворотних зв'язків підвищує актуальність питань дослідження динамічних властивостей і стійкості самої нейромережі.

На практиці застосовуються різні нейромережеві рішення: багатошарові персептрони, мережі Хопфидца, RTF-мережі, ймовірнісні (байєсовські) мережі, самоорганізуючися карти Кохонена та ін. Вони відрізняються друг від друга розмірами і структурою, методами відбору даних для аналізу, часом і алгоритмами навчання, точністю, здатністю до узагальнення. В цілому для нейромереж характерні наступні риси: не потрібне виконання складних розрахунків, результати обробки (прогнозу) залежать тільки від повноти і виду наявних даних; прийнятний час настроювання. У той же час при використанні нейромережі необхідним є великий об’єм навчальної вибірки даних для настроювання моделі.

Нейронні мережі ефективні для виявлення нелінійних закономірностей у відсутності точних початкових знань щодо шуканої моделі, коли класичні методи не дозволяють знайти прийнятного рішення. Застосування нейромереж показує досить високу ефективність при дослідженні динаміки фінансових ринків, визначенні оптимального портфеля цінних паперів, пророкуванні банкрутств фінансових установ, визначенні кредитних ризиків та ін.

Одним з популярних пакетів для рішення задач прогнозування при роботі з фінансовими даними є пакет Braіn Maker Professіonal.

Системи на основі генетичних алгоритмів. Системи цього класу є потужним засобом рішення різноманітних комбінаторних задач і задач оптимізації. Пошук рішення здійснюється відповідно до  мінімізації деякого заданого критерію. Кожне можливе рішення повністю описується деяким набором атрибутів. Наприклад, якщо необхідно вибрати сукупність фіксованого числа параметрів ситуації, що найбільш сильно впливають на її динаміку й можливий результат, то цими параметрами буде набір їх імен. Імена представляються у вигляді деякої послідовності, а їх значення, що визначають рішення, інтерпретуються в такій моделі, як гени. Хромосома, представлена послідовністю генів, розглядається в цій моделі як кодоване подання одного варіанта рішення. Пошук оптимального рішення розглядається як процес еволюції, де використовуються три механізми:

- Відбір "найсильніших" наборів хромосом, яким відповідають найкращі рішення, упорядковані на основі деякої метрики.

-   Операція схрещування, тобто виробництво нових індивідів за допомогою змішування хромосомних наборів відібраних індивидів.

-  Операція мутації, якій відповідають випадкові зміни генів у деяких індивідів популяції.

В результаті зміни поколінь (тобто в процесі виконання послідовності ітерацій пошуку рішення) в процесі еволюції виробляється таке рішення поставленої задачі, що помітно не поліпшується в процесі подальшого пошуку (подальшої еволюції). Критерій відбору хромосом і сама процедура породження нових нащадків у популяції є евристичним і далеко не завжди гарантує знаходження найкращого рішення. Проте ці алгоритми і їх реалізуючі системи досить популярні при моделюванні економічних систем.

Прикладом системи, що використовує парадигму генетичної еволюції, може служити система GeneHunter. Генетичні алгоритми знаходять застосування при формуванні інвестиційного портфеля з оптимізацією прибутковості і урахуванням ризику, розробці бізнес-плану з оптимізацією прибутку і урахуванням потенційних витрат, фінансовому плануванні з оптимізацією податкових платежів з урахуванням майбутніх доходів.

Системи на основі нечіткої логіки. Потреба у використанні апарата нечіткої логіки пояснюється необхідністю аналізу доцільності застосування тих або інших вирішальних правил зі значного числа потенційно можливих  при вирішенні задач динамічного керування в умовах істотних тимчасових обмежень. Застосування нечіткої логіки дозволяє в більшій мірі оперувати якісними параметрами, що відбивають основні особливості функціонування об'єктів при неточних даних, що описують їх поводження, що дозволяє скоротити час настроювання системи керування і забезпечити прийнятний рівень точності в умовах значної невизначеності.

Одним з найбільш відомих пакетів, що реалізують апарат нечіткої логіки, є пакет CubіCalc. Він знаходить застосування в ситуаційному моделюванні процесів в економіці і фінансах, при вирішенні задач динамічного керування у фінансовому плануванні та в інших складних предметних областях в умовах неповноти і суперечливості інформації, а також при якісних (істотно значимих) змінах параметрів.