Слайд 1
Кафедра БТС
Тема: Системы искусственного интеллекта
Структура
доклада:
Экспертные системы
Системы поддержки принятия решений
Нейрокибернетическая модель организации
Студент Родионова Ю.Ю.
Преподаватель, Зав. Кафедрой Шаповалов В.В.
Санкт-Петербург
2012 г.
МИНОБРНАУКИ РОССИИ
Государственное образовательное учреждение высшего профессионального образования
“Санкт-Петербургский государственный электротехнический университет “ЛЭТИ”
им. В.И.Ульянова (Ленина)” (СПбГЭТУ)
Слайд 2 Искусственный интеллект (ИИ) –
это:
Научное направление, в рамках которого ставятся и решаются
задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными.
Свойство интеллектуальных систем выполнять функции (творческие), которые традиционно считаются прерогативой человека. Интеллектуальная система — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы.
ОПРЕДЕЛЕНИЕ ПОНЯТИЯ ИСКУССТВЕННОГО ИНТЕЛЕКТА
Слайд 3 Наука под названием «Искусственный интеллект» входит в комплекс
компьютерных наук, а создаваемые на её основе технологии к информационным
технологиям. Задачей этой науки является воссоздание с помощью вычислительных систем и иных искусственных устройств разумных рассуждений и действий.
(Участники Российской ассоциации искусственного интеллекта)
ОПРЕДЕЛЕНИЕ ПОНЯТИЯ ИСКУССТВЕННОГО ИНТЕЛЕКТА
Структура интеллектуальной системы включает три основных блока:
База знаний
Решатель
Интеллектуальный интерфейс
Слайд 4ОБЛАСТЬ ПРИМЕНЕНИЯ СИСТЕМ ИИ
Доказательства теорем;
Игры;
Распознавание образов;
Принятие
решений;
Адаптивное программирование;
Сочинение машинной музыки;
Обработка данных на естественном
языке;
Обучающиеся сети (нейросети);
Вербальные концептуальные обучения.
Искусственный интеллект (ИИ) применяется сегодня во многих прикладных областях:
Слайд 5КЛАССИФИКАЦИЯ СИСТЕМ ИИ
Классификация систем искусственного интеллекта:
1. Системы с интеллектуальной обратной
связью и интеллектуальными интерфейсами.
2. Автоматизированные системы распознавания образов.
3. Экспертные системы
(ЭС).
4. Автоматизированные системы поддержки принятия решений
5. Нейронные сети.
6. Генетические алгоритмы и моделирование эволюции.
7. Когнитивное моделирование.
8. Выявление знаний из опыта
(эмпирических фактов) и
интеллектуальный анализ данных
(data mining).
Слайд 7ЭКСПЕРТНЫЕ СИСТЕМЫ
Экспертная система (ЭС) – это:
программа (на современном уровне развития человечества), которая заменяет эксперта в
той или иной области.
направление исследований в области ИИ по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.
Как правило, ЭС создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания «бывалых» специалистов. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.
Слайд 8 ЭИ имеют одно большое отличие от других
систем искусственного интеллекта: они не предназначены для решения каких-то универсальных
задач!
Экспертное знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области.
ЭКСПЕРТНЫЕ СИСТЕМЫ
Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов.
Слайд 9СТРУКТУРА ЭКСПЕРТНЫЕ СИСТЕМЫ
Типичная статическая ЭС состоит из следующих
основных компонентов:
решателя (интерпретатора);
рабочей памяти (РП), называемой также
базой данных (БД);
базы знаний (БЗ);
компонентов приобретения знаний;
объяснительного компонента;
диалогового компонента.
Решатель
Рабочая память (БД)
База знаний (БЗ)
(Правила
Общие факты)
Компоненты приобретения знаний
Объяснительный компонент
Диалоговый компонент
(интерфейс)
Пользователь
Эксперт
Слайд 10СТРУКТУРА ЭКСПЕРТНЫЕ СИСТЕМЫ
Решатель
Рабочая память (БД)
База знаний (БЗ)
(Правила
Общие факты)
Компоненты приобретения знаний
Объяснительный
компонент
Диалоговый компонент
(интерфейс)
Пользователь
Эксперт
Рабочая память (РП) предназначена для хранения
исходных и промежуточных данных решаемой в текущий момент задачи.
Слайд 11СТРУКТУРА ЭКСПЕРТНЫЕ СИСТЕМЫ
Решатель
Рабочая память (БД)
База знаний (БЗ)
(Правила
Общие факты)
Компоненты приобретения знаний
Объяснительный
компонент
Диалоговый компонент
(интерфейс)
Пользователь
Эксперт
База знаний (БЗ) включает универсальные данные
(факты), описывающие рассматриваемую область знаний, и множество правил, описывающих целесообразные преобразования данных в этой области.
Слайд 12СТРУКТУРА ЭКСПЕРТНЫЕ СИСТЕМЫ
Решатель
Рабочая память (БД)
База знаний (БЗ)
(Правила
Общие факты)
Компоненты приобретения знаний
Объяснительный
компонент
Диалоговый компонент
(интерфейс)
Пользователь
Эксперт
Решатель, используя исходные данные из РП и
знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.
Слайд 13СТРУКТУРА ЭКСПЕРТНЫЕ СИСТЕМЫ
Решатель
Рабочая память (БД)
База знаний (БЗ)
(Правила
Общие факты)
Компоненты приобретения знаний
Объяснительный
компонент
Диалоговый компонент
(интерфейс)
Пользователь
Эксперт
Подсистема приобретения знаний автоматизирует процесс наполнения ЭС
знаниями, осуществляемый, как правило, пользователем-экспертом.
Слайд 14СТРУКТУРА ЭКСПЕРТНЫЕ СИСТЕМЫ
Решатель
Рабочая память (БД)
База знаний (БЗ)
(Правила
Общие факты)
Компоненты приобретения знаний
Объяснительный
компонент
Диалоговый компонент
(интерфейс)
Пользователь
Эксперт
Подсистема объяснений объясняет, как система получила решение
задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.
Слайд 15СТРУКТУРА ЭКСПЕРТНЫЕ СИСТЕМЫ
Решатель
Рабочая память (БД)
База знаний (БЗ)
(Правила
Общие факты)
Компоненты приобретения знаний
Объяснительный
компонент
Диалоговый компонент
(интерфейс)
Пользователь
Эксперт
Интерфейс обеспечивает дружественное общение с пользователем как
в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.
Слайд 16 Врач, к примеру, хорошо диагностирует
болезни и эффективно назначает лечение, не потому, что он обладает
некими врожденными способностями, а потому что имеет качественное медицинское образование и большой опыт в лечении своих пациентов. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.
ЭКСПЕРТНЫЕ СИСТЕМЫ
Правильно выбранный эксперт
Удачная формализация
его знаний
Наделение экспертной
системы уникальными и ценными знаниями
Слайд 17 Эксперт предоставляет необходимые знания о тщательно отобранных примерах
проблем и путей их решения. Например, при создании экспертной системы
диагностики заболеваний:
ЭКСПЕРТНЫЕ СИСТЕМЫ
Врач рассказывает инженеру по знаниям об известных ему заболеваниях
Эксперт раскрывает список симптомов, которые сопровождают каждое заболевание
Рассказывает об известных ему методах лечения
Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.
Слайд 18С ЭС связаны некоторые распространенные заблуждения.
Заблуждение первое: ЭС будут делать
не более (а скорее даже менее) того, чем может эксперт,
создавший данную систему.
Для опровержения данного постулата можно построить самообучающуюся ЭС в области, в которой вообще нет экспертов, либо объединить в одной ЭС знания нескольких экспертов, и получить в результате систему, которая может то, чего ни один из ее создателей не может.
ЭКСПЕРТНЫЕ СИСТЕМЫ
Заблуждение второе: ЭС никогда не заменит человека-эксперта.
Уже заменяет, иначе зачем бы их создавали?
Слайд 19ПЕРВЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ
Первую экспертную систему, которую назвали
Dendral, разработали в Стэнфорде в конце 1960-х г.г. Эта была
ЭС, определяющая строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах.
Органические молекулы, как правило, очень велики и поэтому число возможных структур этих молекул также велико. Благодаря эвристическим знаниям экспертов-химиков, заложенных в экспертную систему, правильное решение из миллиона возможных находилось всего за несколько попыток.
Принципы и идеи, заложенные в Dendral оказались настолько эффективными, что они до сих пор применяются в химических и фармацевтических лабораториях по всему миру.
Слайд 20 Экспертная система Dendral одной из первых использовала
эвристические знания специалистов для достижения уровня эксперта в решении задач,
однако методика современных экспертных систем связана с другой разработкой – Myсin. В ней использовались знания экспертов медицины для диагностики и лечения специального менингита и бактериальных инфекций крови.
Экспертная система Mycin, разработанная в том же Стэнфорде в середине 1970-х г.г., одной из первых обратилась к проблеме принятия решений на основе ненадежной или недостаточной информации.
ПЕРВЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ
Слайд 21СОВРЕМЕННЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ
Watson — перспективная разработка IBM,
способная воспринимать человеческую речь и производить вероятностный поиск, с применением
большого количества алгоритмов.
Слайд 22СОВРЕМЕННЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ
20Q — проект, основанный на
идеях ИИ, по мотивам классической игры
«20 вопросов»
Слайд 23 В настоящее время сложилась определенная технология
разработки ЭС, которая включает следующие шесть этапов:
РАЗРАБОТКА ЭС
Рисунок 1.
Методика (этапы) разработки ЭС.
Слайд 241. Этап идентификации:
На этапе идентификации определяются задачи,
которые подлежат решению, выявляются цели разработки, определяются эксперты и типы
пользователей.
2. Этап концептуализации:
На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.
3. Этап формализации:
На этапе формализации выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.
РАЗРАБОТКА ЭС
Слайд 254. Этап выполнения:
На этапе выполнения осуществляется
наполнение экспертом базы знаний. В связи с тем, что основой
ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.
5. Этап тестирования:
В ходе данного этапа производится оценка выбранного способа представления знаний в ЭС в целом. Для этого инженер по знаниям подбирает примеры, обеспечивающие проверку всех возможностей разработанной ЭС.
РАЗРАБОТКА ЭС
Слайд 26РАЗРАБОТКА ЭС
6. Этап опытной эксплуатации:
На этом
этапе проверяется пригодность ЭС для конечного пользователя. Пригодность ЭС для
пользователя определяется в основном удобством работы с ней и ее полезностью. Под полезностью ЭС понимается ее способность в ходе диалога определять потребности пользователя, выявлять и устранять причины неудач в работе, а также удовлетворять указанные потребности пользователя (решать поставленные задачи).
В ходе разработки ЭС почти всегда осуществляется ее модификация!
Слайд 27СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Системы поддержки принятия решений
(DSS) - это компьютерные системы, почти всегда интерактивные, разработанные, чтобы
помочь менеджеру (или руководителю) в принятии решений.
Выработка решения, что является основной целью этой технологии, происходит в результате процесса, в котором участвуют:
система поддержки принятия решений в роли вычислительного звена и объекта управления;
человек как управляющее звено, задающее входные данные и оценивающее полученный результат вычислений на компьютере.
Введение новых исходных данных
Система поддержки принятия решений
Вариант вычислений
Выбор решения
Лицо, принимающее решение
Слайд 28 В процессе своего развития системы поддержки принятия
решений прошли следующий эволюционный путь:
Первые системы
(обработка транзакций (TSP)) - это компьютерные системы, предназначенные для выполнения рутинных операций регистрации, накопления, хранения и выдачи информации в заранее заданной форме. Как видим, в рамках таких систем принятие решений обеспечивалось только информацией.
Следующим этапом развития информационных систем было появление концепции автоматизированной системы управления. У нас эта концепция получила название АСУ, а на Западе - МIS (Management Information System). MIS - это компьютерная система, предназначенная для выборки и интеграции данных из многих источников для обеспечения своевременной информацией, необходимой для принятия управленческих решений.
ПЕРВЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 29 Основные положения этой концепции - централизация обработки
информации в едином вычислительном центре, использование аппаратных и программных средств
обработки данных в целях сокращения персонала и накладных расходов, появление понятия базы данных, систем управления базами данных.
ПЕРВЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 30 Существуют системы, созданные для решения сложных проблем
в больших коммерческих и государственных организациях:
Система авиалиний.
В отрасли авиаперевозок используется система поддержки принятия решений - Аналитическая Информационная Система Управления. Она была создана American Airlines, но используется и остальными компаниями, производителями самолетов, аналитиками авиаперевозок, консультантами и ассоциациями. Эта система поддерживает множество решений в этой отрасли путем анализа данных, собранных во время утилизации транспорта, оценки грузопотока, статистического анализа трафика. Например, она позволяет делать прогнозы для авиарынка по долям компаний, выручке и рентабельности. Таким образом, эта система позволяет руководству авиакомпании принимать решения относительно цены билетов, запросов в транспорте и т.д.
СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 31 Географическая система. Географические информационные системы - это
специальная категория систем поддержки, которая позволяет интегрировать компьютерную графику с
географическими БД и с другими функциями систем поддержки принятия решений. Например, IBNs GeoManager- это система, которая позволяет конструировать и показывать карты и другие визуальные объекты для помощи при принятии решений относительно географического распределения людей и ресурсов. Например, она позволяет создать географическую карту преступности и помогает верно перераспределить силы полиции. Также ее используют для изучения степени урбанизации, в лесной промышленности, железнодорожном бизнесе и т.д.
СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 33 Целесообразно определить три класса СППР в зависимости
от сложности решаемых задач и областей применения.
СППР
первого класса, обладающие наибольшими функциональными возможностями, предназначены для применения в органах государственного управления высшего уровня (администрация президента, министерства) и органах управления больших компаний (совет директоров корпорации) при планировании крупных комплексных целевых программ для обоснования решений относительно включения в программу различных политических, социальных или экономических мероприятий и распределения между ними ресурсов на основе оценки их влияния на достижение основной цели программы. СППР этого класса являются системами коллективного пользования, базы данных которых формируются многими экспертами - специалистами в различных областях знаний.
КЛАССИФИКАЦИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 34 СППР второго класса являются системами индивидуального пользования,
базы данных которых формируются непосредственным пользователем. Они предназначены для использования
государственными служащими среднего ранга, а также руководителями малых и средних фирм для решения оперативных задач управления.
КЛАССИФИКАЦИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 35 СППР третьего класса являются системами индивидуального пользования,
адаптирующимися к опыту пользователя. Они предназначены для решения часто встречающихся
прикладных задач системного анализа и управления (например, выбор субъекта кредитования, выбор исполнителя работы, назначение на должность). Такие системы обеспечивают получение решения текущей задачи на основе информации о результатах практического использования решений этой же задачи, принятых в прошлом. Кроме того, системы этого класса могут применяться в торговых предприятиях, торгующих дорогими товарами длительного пользования, в качестве средства "интеллектуальной рекламы", позволяющего покупателю выбрать товар на основе своего опыта приобретения товаров аналогичного назначения.
КЛАССИФИКАЦИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 36СТРУКТУРА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
В состав
системы поддержки принятия решений входят три главных компонента:
база данных
база моделей
программная подсистема, которая состоит из системы управления базой данных (СУБД), системы управления базой моделей (СУБМ) и системы управления интерфейсом между пользователем и компьютером.
Система управления интерфейсом
СУБМ
СУБД
БД
БМ
Программная подсистема
управления
Лицо, принимающее решение
Слайд 37 База данных играет в информационной технологии поддержки принятия
решений (СППР) важную роль.
Данные могут использоваться непосредственно
пользователем для расчетов при помощи математических моделей.
Система управления данными (СУБД) должна обладать следующими возможностями:
составление комбинаций данных, получаемых из различных источников посредством использования процедур агрегирования и фильтрации;
быстрое прибавление или исключение того или иного источника данных;
построение логической структуры данных в терминах пользователя;
использование и манипулирование неофициальными данными для экспериментальной проверки рабочих альтернатив пользователя;
обеспечение полной логической независимости этой базы данных от других операционных баз данных
СТРУКТУРА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 38СТРУКТУРА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
База моделей. Целью создания
моделей являются описание и оптимизация некоторого объекта или процесса. Использование
моделей обеспечивает проведение анализа в системах поддержки принятия решений. Модели, базируясь на математической интерпретации проблемы, при помощи определенных алгоритмов способствуют нахождению информации, полезной для принятия правильных решений.
Существует множество типов моделей и способов их классификации, например по цели использования, области возможных приложений, способу оценки переменных и т.п.
Слайд 39КЛАССИФИКАЦИЯ МОДЕЛЕЙ СИСТЕМ ПРИНЯТИЯ РЕШЕНИЙ
По цели использования
модели подразделяются на:
оптимизационные, связанные с нахождением точек минимума
или максимума некоторых показателей (например, управляющие часто хотят знать, какие их действия ведут к максимизации прибыли или минимизации затрат)
описательные, описывающие поведение некоторой системы и не предназначенные для целей управления (оптимизации).
По способу оценки модели классифицируются на:
детерминистские, использующие оценку переменных одним числом при конкретных значениях исходных данных
стохастические, оценивающие переменные несколькими параметрами, так как исходные данные заданы вероятностными характеристиками.
Детерминистские модели более популярны, чем стохастические, потому что они менее дорогие, их легче строить и использовать. К тому же часто с их помощью получается вполне достаточная информация для принятия решения.
Слайд 40КЛАССИФИКАЦИЯ МОДЕЛЕЙ СИСТЕМ ПРИНЯТИЯ РЕШЕНИЙ
По области возможных приложений
модели разбиваются на:
специализированные, предназначенные для использования только одной системой
универсальные – для использования несколькими системами.
Специализированные модели более дорогие, они обычно применяются для описания уникальных систем и обладают большей точностью.
Слайд 41 В системах поддержки принятия решения база моделей состоит
из стратегических, тактических и оперативных моделей, а также математических моделей
в виде совокупности модельных блоков, модулей и процедур, используемых как элементы для их построения.
СОСТАВ БАЗЫ МОДЕЛЕЙ СИСТЕМ ПРИНЯТИЯ РЕШЕНИЙ
тактические
стратегические
оперативные
математические
База
моделей
Слайд 42 Система управления базой моделей (СУБМ) должна обладать
следующими возможностями:
создавать новые модели или изменять существующие
поддерживать и обновлять параметры моделей
манипулировать моделями.
Система управления интерфейсом. Эффективность и гибкость информационной технологии во многом зависят от характеристик интерфейса системы поддержки принятия решений. Интерфейс определяет:
язык пользователя;
язык сообщений компьютера, организующий диалог на экране дисплея;
знания пользователя.
СТРУКТУРА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Слайд 43 Язык пользователя – это те действия, которые
пользователь производит в отношении системы путем использования возможностей клавиатуры; электронных
карандашей, пишущих на экране; джойстика; «мыши»; команд, подаваемых голосом, и т.п.
Наиболее простой формой языка пользователя является создание форм входных и выходных документов. Получив входную форму (документ), пользователь заполняет его необходимыми данными и вводит в компьютер. Система поддержки принятия решений производит необходимый анализ и выдает результаты в виде выходного документа установленной формы.
СТРУКТУРА СИСТЕМЫ УПРАВЛЕНИЯ ИНТЕРФЕЙСОМ
Слайд 44 Язык сообщений – это то, что пользователь
видит на экране дисплея (символы, графика, цвет), данные, полученные на
принтере, звуковые выходные сигналы и т.п. Важным измерителем эффективности используемого интерфейса является выбранная форма диалога между пользователем и системой. В настоящее время наиболее распространены следующие формы диалога:
запросно-ответный режим
командный режим
режим меню
режим заполнения пропусков в выражениях, предлагаемых компьютером.
Каждая форма в зависимости от типа задачи, особенностей пользователя и принимаемого решения может иметь свои достоинства и недостатки.
СТРУКТУРА СИСТЕМЫ УПРАВЛЕНИЯ ИНТЕРФЕЙСОМ
Слайд 45 Знания пользователя – это то, что пользователь
должен знать, работая с системой. К ним относятся не только
план действий, находящийся в голове у пользователя, но и учебники, инструкции, справочные данные, выдаваемые компьютером.
Совершенствование интерфейса системы поддержки принятия решений определяется успехами в развитии каждого из трех указанных компонентов. Интерфейс должен обладать следующими возможностями:
– манипулировать различными формами диалога, изменяя их в процессе принятия решения по выбору пользователя;
–передавать данные системе различными способами;
– получать данные от различных устройств системы в различном формате;
СТРУКТУРА СИСТЕМЫ УПРАВЛЕНИЯ ИНТЕРФЕЙСОМ
Слайд 46 Одним из достоинств системы СППР является также
то, что она не требует от пользователя никакой специальной подготовки.
Достаточно минимальных навыков общения с компьютером!
– гибко поддерживать знания пользователя (оказывать помощь по запросу, подсказывать).
СТРУКТУРА СИСТЕМЫ УПРАВЛЕНИЯ ИНТЕРФЕЙСОМ
Слайд 47Шуточный алгоритм решения проблем (Internet-фольклор)
ПРИМЕР СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ (РЕШЕНИЕ ПРОБЛЕМ)
Слайд 48 Нейронные сети – это одно из направлений исследований
в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему
человека. А именно: способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга.
Нейронные сети
в искусственном интеллекте – это упрощенные модели биологических нейронных сетей.
На этом сходство заканчивается. Структура человеческого мозга гораздо более сложная, чем описанная выше, и поэтому воспроизвести ее хотя бы более менее точно не представляется возможным.
НЕЙРОННЫЕ СЕТИ
Слайд 49 Нейронная сеть принимает входную информацию и анализирует
ее способом, аналогичным тому, что использует наш мозг. Во время
анализа сеть обучается (приобретает опыт и знания) и выдает выходную информацию на основе приобретенного ранее опыта.
НЕЙРОННЫЕ СЕТИ
Основная задача аналитика, использующего нейронные сети для решения какой-либо проблемы:
создать наиболее эффективную архитектуру нейронной сети, т.е. правильно выбрать вид нейронной сети, алгоритм ее обучения, количество нейронов и виды связей между ними.
Эта работа не имеет формализованных процедур, она требует глубокого понимания различных видов архитектур нейронных сетей, включает в себя много исследовательской и аналитической работы, и может занять достаточно много времени.
Слайд 50 Для неформализованных задач нейросетевые модели могут на
порядок превосходить традиционные методы решения. Но применение нейронных сетей целесообразно,
если:
накоплены достаточные объемы данных о предыдущем поведении системы
не существует традиционных методов или алгоритмов, которые удовлетворительно решают проблему
данные частично искажены, частично противоречивы или не полны и поэтому традиционные методы выдают неудовлетворительный результат
Нейронные сети наилучшим образом проявляют себя там, где имеется большое количество входных данных, между которыми существуют неявные взаимосвязи и закономерности. В этом случае нейросети помогут автоматически учесть различные нелинейные зависимости, скрытые в данных. Это особенно важно в системах поддержки принятия решений и системах прогнозирования.
НЕЙРОННЫЕ СЕТИ
Слайд 51СФЕРЫ ПРИМИНЕНИЯ НЕЙРОННЫХ СЕТЕЙ
распознавании изображений
бизнес
Финансовая сфера
автоматическое
целеуказание в системах видеонаблюдения
в системах управления и связи
задачи
классификации и идентификации и т.д.
Слайд 52 Выделяют несколько (обычно три) основных типов нейронных сетей,
отличающихся структурой и назначением:
Иерархические сети.
КЛАССИФИКАЦИЯ НЕЙРОННЫХ СЕТЕЙ
Информация в таких сетях передается в процессе последовательного перехода от одного уровня иерархии к другому. Нейроны образуют два характерных типа соединений — конвергентные, когда большое число нейронов одного уровня контактирует с меньшим числом нейронов следующего уровня, и дивергентные, в которых контакты устанавливаются со все большим числом нейронов последующих слоев иерархии.
Слайд 53КЛАССИФИКАЦИЯ НЕЙРОННЫХ СЕТЕЙ
Локальные сети, формируемые нейронами с ограниченными сферами
влияния. Нейроны локальных сетей производят переработку информации в пределах одного
уровня иерархии. При этом функционально локальная сеть представляет собой относительно изолированную тормозящую или возбуждающую структуру.
Важную роль также играют так называемые дивергентные сети с одним входом. Командный нейрон, находящийся в основании такой сети, может оказывать влияние сразу на множество нейронов, и поэтому сети с одним входом выступают согласующим элементом в сложном сочетании нейросетевых систем всех типов.
Слайд 54Нервная сеть из 9 клеток (схема).
По периметру
- нейроны соединены друг с другом в иерархическую цепь, типичную
для сетей сенсорной и двигательной систем.
В центре - дивергентная сеть с одним входом (клетки 5, 7, 8, 9), типичная для моноаминзргических систем, в которых один нейрон соединяется с большим числом мишеней.
Слева - нейрон локальной сети (6), устанавливающий связи главным образом с клетками из своего ближайшего окружения.
КЛАССИФИКАЦИЯ НЕЙРОННЫХ СЕТЕЙ
Слайд 551. Обучение
Искусственные нейронные сети могут
менять свое поведение в зависимости от внешней среды. Этот фактор
в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию.
Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами. Все еще существуют проблемы относительно того, чему сеть может обучиться и как обучение должно проводиться.
СВОЙСТВА НЕЙРОННЫХ СЕТЕЙ
Слайд 562. Обобщение
Отклик сети после обучения может
быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов.
Эта внутренне присущая способность видеть образ сквозь шум и искажения жизненно важна для распознавания образов в реальном мире. Она позволяет преодолеть требование строгой точности, предъявляемое обычным компьютером, и открывает путь к системе, которая может иметь дело с тем несовершенным миром, в котором мы живем.
Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью использования «человеческого интеллекта» в форме специально написанных компьютерных программ.
СВОЙСТВА НЕЙРОННЫХ СЕТЕЙ
Слайд 573. Применимость
Искусственные нейронные сети не являются
панацеей. Они, очевидно, не годятся для выполнения таких задач, как
начисление заработной платы, однако они незаменимы в большом классе других задач, с которыми плохо или вообще не справляются обычные вычислительные системы.
СВОЙСТВА НЕЙРОННЫХ СЕТЕЙ
Слайд 58Можно провести следующую классификацию нейронных сетей:
по характеру обучения делит их
на:
нейронные сети, использующие обучение с учителем;
нейронные
сети, использующие обучение без учителя.
по типу входной информации:
аналоговая – входная информация представлена в форме действительных чисел;
двоичная – вся входная информация в таких сетях представляется в виде нулей и единиц.
КЛАССИФИКАЦИЯ НЕЙРОННЫХ СЕТЕЙ
Слайд 59ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ
Процесс обучения нейронной сети предполагает
следующую последовательность событий:
В нейронную сеть поступают стимулы из внешней среды.
В
результате изменяются свободные параметры нейронной сети.
После изменения внутренней структуры нейронная сеть отвечает на возбуждения уже иным образом
Слайд 60 Обучение нейронной сети с учителем предполагает, что
для каждого входного вектора из обучающего множества существует требуемое значение
выходного вектора, называемого целевым. Эти вектора образуют обучающую пару. Веса сети изменяют до тех пор, пока для каждого входного вектора не будет получен приемлемый уровень отклонения выходного вектора от целевого.
Обучение нейронной сети без учителя является намного более правдоподобной моделью обучения с точки зрения биологических корней искусственных нейронных сетей. Обучающее множество состоит лишь из входных векторов. Алгоритм обучения нейронной сети подстраивает веса сети так, чтобы получались согласованные выходные векторы, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы.
ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ
Слайд 61 Приведем некоторые преимущества и достоинства нейронных сетей
перед традиционными вычислительными системами:
1. Решение задач при неизвестных закономерностях
Используя способность обучения на множестве примеров, нейронная сеть способная решать задачи, в которых неизвестны закономерности развития ситуации и зависимости между входными и выходными данными. Традиционные математические методы и экспертные системы в таких случаях «пасуют».
2. Устойчивость к шумам во входных данных
Возможность работы при наличии большого числа неинформативных, шумовых входных сигналов. Нет необходимости делать их предварительный отсев, нейронная сеть сама определит их малопригодность для решения задачи и отбросит их.
ДОСТОИНСТВА НЕЙРОННЫХ СЕТЕЙ
Слайд 623. Адаптирование к изменениям окружающей среды
Нейронные
сети обладают способностью адаптироваться к изменениям окружающей среды. В частности,
нейронные сети, обученные действовать в определенной среде, могут быть легко переучены для работы в условиях незначительных колебаний параметров среды.
Чем выше адаптивные способности системы, тем более устойчивой будет ее работа в нестационарной среде!
При этом следует заметить, что адаптивность не всегда ведет к устойчивости; иногда она приводит к совершенно противоположному результату. Например, адаптивная система с параметрами, быстро изменяющимися во времени, может также быстро реагировать и на посторонние возбуждения, что вызовет потерю производительности.
ДОСТОИНСТВА НЕЙРОННЫХ СЕТЕЙ
Слайд 634. Потенциальное сверхвысокое быстродействие
Нейронные сети обладают
потенциальным сверхвысоким быстродействием за счет использования массового параллелизма обработки информации
5.
Отказоустойчивость при аппаратной реализации нейронной сети
Нейронные сети потенциально отказоустойчивы. Это значит, что при неблагоприятных условиях их производительность падает незначительно. Например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется. Однако, принимая в расчет распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на ее работоспособность. Поэтому снижение качества работы нейронной сети происходит медленно.
ДОСТОИНСТВА НЕЙРОННЫХ СЕТЕЙ
Слайд 66НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Графической моделью организации как системы
является модель «черного ящика»
Слайд 67 Дальнейшее исследование организационной системы позволяет выявить взаимодействие
двух подсистем: управляющей и управляемой
НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Слайд 68НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Идеально-типический конструкт организации, разработанный английским
кибернетиком и консультантом по управлению Стаффордом Биром, включает ряд признаков,
характерных для сложных самоуправляемых и саморегулирующихся систем. Объединив достижения в исследовании человеческого мозга (нейропсихология)
и принципы управления сложными кибернетическими системами Стаффорд Бир разработал модель совершенной организационно-управленческой системы – нейрокибернетический идеально-типический конструкт.
Слайд 69НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Модель основывается на принципе работы
мозга человека. Она опирается на нейрокибернетику, на различные уровни нейропсихологии
.
Здесь можно видеть живой организм с его нарастающим потоком регулирующих команд, который замещается в нашем представлении фирмой со всем разнообразием ее деятельности
Слайд 70 Для этой модели характерно утверждение целостности
системы: субъект управления (управляющая подсистема) – часть управляемой системы и
его возможности управлять зависят от объекта управления (управляемой подсистемы).
Разнообразие средств управляющей системы должно быть не меньшим чем разнообразие управляемой.
Согласованность целевых ориентиров на всех уровнях и подсистемах.
Гармония входа и выхода основывается на эффективной прямой и обратной связи.
Иерархия уровней управления, учитывает возможности прямого и координационного управления внутренней и внешней средой организации.
Подвижность центров принятия решений и право на ошибку
Осуществление непрерывного планирования, и готовность к катастрофическому развитию событий.
НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Слайд 71НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
В организме человека оценкой будущего
занята кора головного мозга, на фирме — ее высшее руководство.
Здесь MM — управляющий всем предприятием — ответственный руководитель. У него три главных подчиненных, M1 , M 2 и МЗ, — директора или вице-президенты. У каждого из них по три подчиненных руководителя (так принято здесь просто для наглядности), а всего в данном примере 13 человек.
Типичная организационная схема высшего звена управления фирмой
Слайд 72НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Фактически мозг решает свои проблемы
точно так, как их решает фирма. Нейроны работают не независимо,
а подкрепляют, усиливают работу друг друга.
Управляющие в действительности тоже не изолированы друг от друга, как это могло бы следовать из организационной схемы фирмы. Т.о. система является не набором узлов, а логически организованной и хорошо укомплектованной знающими людьми.
Эта система представляет собой искусно составленную взаимосвязанную сборку элементов, независимо от того, состоит ли она из нейронов или управляющих - "мультинод" (многоузловая система).
Слайд 73НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Эта схема (за исключением буквенных
обозначений) очень похожа на часть коры головного мозга.
Подчиненные
а, b , с могут поддерживать обмен информацией друг с другом и способны формулировать свое мнение. Однако теперь недопустима индивидуальная передача своего мнения руководителю M1 — при всякой передаче оно неизбежно будет отражать их общее мнение.
Таким образом мы находим в схеме оценку подобной мозгу организации, обеспечивающей процесс принятия решения на высшем уровне
Слайд 74НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Автоматизированная система управления фирмой, имеющей дочерние
предприятия A , B . C , D
Система контролирует стабильность внутренней обстановки на фирме.
Каждый орган тела, который мы назвали отделением фирмы, был бы изолирован по горизонтальной оси, если бы не было организовано так, что управляющий орган создает набор связанных друг с другом контрольных устройств (система 2).
Слайд 75 Главная задача системы 1 — быстро привести изменения
и указания в соответствие и затем передать откорректированный план обратно
в данное подразделение. Она способна обнаруживать движение штатов — увольнения и перемещения; она способна обнаруживать среднюю численность персонала и ее колебания как временную тенденцию
НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Слайд 76 Система 2 существует для того, чтобы
обеспечивать взаимодействие между системой 1 всеми отделениями. Система 2 является
метасистемой, подводящей промежуточные итоги работы всех систем 1.
Однако механизм системы 2 сводится к взаимной увязке работ центров регулирования подразделений и центра регулирования деятельности корпорации. Таким образом, будет правильно и даже полезно представить систему 2 как искусно выполненный интерфейс между системами 1 и системой 3.
Необходимость в системе 2 подробно объяснялась как в единственном средстве, с помощью которого предотвращаются неуправляемые колебания, возникающие между различными подразделениями.
НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Слайд 77 Система 3 автономно попытается следить за выполнением
принятого плана. До тех пор пока выполнение решения правления будет
казаться возможным в пределах физиологических ограничений, система 3 будет выполнять свою задачу, постоянно докладывая наверх. Если в конце концов выяснится, что план выполнить нельзя, дело за правлением умерить свои первоначальные замыслы. Система 3 находится в центре важнейшей процедуры распределения ресурсов. На этом уровне должны использоваться методы линейного программирования, а еще лучше динамического программирования, и работать на всю их мощь.
Система 3 представляет собой высший уровень автономного управления и низший уровень управления корпорацией. Ее функция состоит прежде всего в том, чтобы управлять стабильностью внутренней обстановки в данной организации.
НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Слайд 78 Система 4 далее рассортировывает решения высшего руководства
и передает соответствующие команды вниз по вертикальным и горизонтальным осям.
НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Есть главный компонент вводимой информации для подготовки решения на высшем уровне — информация о состоянии окружающей среды, созданной внешним миром, об общей обстановке, окружающей организм, т. е. фирму. Все эти показатели, поступающие непосредственно из внешнего мира, собираются системой 4 и передаются в систему 5.
Слайд 79 Система 5 Формулирование плана действий: например, существенно увеличить
нагрузку в фирме (На основании всей доступной информацией, поступающей от
внешних и внутренних рецепторов через систему где была проведена соответствующая ее обработка)
НЕЙРОКИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ОРГАНИЗАЦИИ
Управление на наивысшем уровне — это забота о разработке планов и прежде всего забота о жизнеспособности системы!
Слайд 80ЗАКЛЮЧЕНИЕ
Сегодня за счет достижений в области искусственного
интеллекта создано большое количество научных разработок, которое существенно упрощает жизнь
людей.
Распознавание речи или отсканированного текста, решение вычислительно сложных задач за короткое время и многое другое - все это стало доступно благодаря развитию искусственного интеллекта.
Замена человека-специалиста на системы искусственного интеллекта, в частности на экспертные системы, разумеется, там, где это допустимо, позволяет существенно ускорить и удешевить процесс производства. Системы искусственного интеллекта всегда объективны и результаты их работы не зависят от моментного настроения и ряда других субъективных факторов, которые присущи человеку.
Слайд 81 НО!
Опыт показывает, что на
сегодняшний день системы искусственного интеллекта достигают наилучших результатов, функционируя совместно
с человеком. Ведь именно человек, в отличие от искусственного интеллекта, умеет мыслить нестандартно и творчески, что позволяло ему развиваться и идти вперед на протяжении всей его эпохи.
ЗАКЛЮЧЕНИЕ
