Лекция 6. ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ В ЭКОНОМИКЕ

1. Интеллект и интеллектуальные задачи

2. Понятие искусственного интеллекта. История развития систем искусственного интеллекта

3. Основные направления исследований в области ИИ

4. Экспертные системы. Применение экспертных систем в экономике

5. Структура экспертной системы

6. Классификация экспертных систем

7. Примеры экономических экспертных систем

8. Нейронные системы

9. Системы извлечения знаний

Интеллект и интеллектуальные задачи

Сложность задач, решаемых человеком в современном мире, потребовала создания таких информационных технологий, при использовании которых компьютер не только берет на себя однотипные, многократно повторяющиеся операции обработки данных, но и сам может «обучаться», позволяя пользователю использовать накопленный опыт профессионалов в интересующей его области. Такие технологии получили название систем «искусственного интеллекта». Термин интеллект (intelligence) происходит от латинского intellectus («ум», «рассудок», «разум»).

В общем случае, под интеллектомпонимается способность мозга решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

При этом под «знаниями» подразумевается не только информация, поступающая в мозг через органы чувств. Хотя такого типа знания чрезвычайно важны, но они недостаточны для интеллектуальной деятельности. Следует учесть, что объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Поэтому для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (и даже просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно «целенаправленно преобразовываться». При этом существенно то, что формирование модели внешней среды происходит «в процессе обучения на опыте и адаптации к разнообразным обстоятельствам».

Считается, что к интеллектуальным задачам относятся те задачи, отыскание алгоритма для решения которых связано с тонкими и сложными рассуждениями, требующими большой изобретательности и высокой квалификации. Принято считать, что подобного рода деятельность требует участия интеллекта человека. Если же алгоритм решения задачи уже найден, процесс ее решения становится таким, что его могут в точности выполнить другой человек, вычислительная машина (должным образом запрограммированная) или робот, не имеющие ни малейшего представления о сущности самой задачи. При этом требуется только, чтобы субъект или объект, решающий задачу, был способен выполнять те элементарные операции, из которых складывается процесс решения, и, кроме того, чтобы он в точности руководствовался предложенным алгоритмом. Поэтому из класса интеллектуальных задач исключаются задачи, для которых существуют стандартные методы решения. Примерами таких задач могут служить вычислительные задачи: решение системы линейных алгебраических уравнений, поиск оптимального решения задач линейного программирования симплекс-методом, численное интегрирование дифференциальных уравнений и т. д. Для решения подобного рода задач имеются стандартные алгоритмы, представляющие собой определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для компьютера.

В противоположность этому для широкого класса интеллектуальных задач, таких как распознавание образов, игра в шахматы, доказательство теорем, принятие управленческих решений, напротив, это формальное разбиение процесса поиска решения на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение несложно.

Деятельность мозга, обладающего интеллектом, направленную на решение интеллектуальных задач, называют мышлением, или интеллектуальной деятельностью. Интеллект и мышление органически связаны с решением таких задач, как доказательство теорем, логический анализ, распознавание ситуаций, планирование поведения, игры и управление в условиях неопределенности. Характерными чертами интеллекта, проявляющимися в процессе решения задач, являются способность к обучению, обобщению, накоплению опыта (знаний и навыков) и адаптации к изменяющимся условиям в процессе решения. Благодаря этим качествам интеллекта мозг может решать разнообразные задачи, а также легко перестраиваться с решения одной задачи на другую.

Таким образом, интеллект – это способность субъекта или объекта находить решения конкретных задач, для которых может и не существовать стандартных, заранее известных алгоритмов решения.

Развитие нейрокибернетики.

В рамках первого подхода, получившего название «нейрокибернетики», объектами исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Нейрокибернетика ориентирована на программно-аппаратное моделирование структур, подобных структуре мозга, а необходимыми этапами исследований в нейрокибернетике являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Поскольку из физиологии известно, что основой человеческого мозга является множество (до 10²¹) связанных друг с другом нервных клеток – нейронов, то усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и их объединении в функционирующие системы. Такие системы известны под названием нейронных сетей или нейросетей. Модели первых нейросетей были предложены в 1956-1965 гг. американскими учеными Ф. Розенблаттом и П.Мак-Каллоком и представляли собой системы зрительного восприятия и распознавания, т.е. моделировали взаимодействие человеческого глаза с мозгом. Созданное этими учеными устройство получило название перцептрона (perceptron). Это устройство обладало способностью различать буквы алфавита, но не было чувствительно к их написанию: так буквы А и А для этого устройства являлись разными знаками. Появление машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным не только физиологам, но и представителям других областей знания, и породило большой поток теоретических и экспериментальных исследований. Но постепенно в 70-80 гг. количество работ по данному направлению ИИ стало сокращаться: слишком неутешительными оказались первые результаты. Неудачи своих экспериментов авторы объясняли незначительным быстродействием существовавших в то время компьютеров.

Однако в 1980-х годах в Японии в рамках проекта «ЭВМ V поколения» был создан первый нейрокомпьютер, или компьютер VI поколения. К тому времени ограничения, связанные с объемами памяти и быстродействием компьютеров, были практически сняты; появились транспьютеры, представляющие собой параллельно работающие компьютеры с большим числом процессоров. Транспьютерная технология – это лишь один из десятков современных подходов к аппаратной реализации нейросетей, моделирующих иерархическую структуру человеческого мозга. Выделяют три подхода к созданию нейросетей:

· аппаратный, включающий создание специальных компьютеров, нейрочипов, плат расширения и наборов микросхем, реализующих все необходимые алгоритмы;

· программный, включающий создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. В этом случае сети создаются в памяти компьютера, и все работы выполняют его собственные процессоры;

· гибридный, представляющий собой комбинацию первых двух подходов. При гибридном подходе часть вычислений выполняют специальные платы расширения (сопроцессоры), а часть – программные средства.

Сегодня основной областью применения нейрокомпьютеров по-прежнему остается распознавание образов, например, идентификация объектов по результатам аэрофотосъемки из космоса. Задача обучения распознаванию образов тесно связана с другой интеллектуальной задачей – проблемой перевода с одного языка на другой, а также обучения машины языку. Так, при достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетворительный алгоритм для перевода научного или делового текста. Для некоторых языков такие системы были созданы еще в конце 1960-х годов. Однако для того, чтобы связно перевести большие блоки текста, в котором используется разговорная лексика, необходимо понимать его смысл. Работы над программами, реализующими эту задачу, ведутся уже давно, но до полного успеха в данной области предстоит еще многое сделать. Существуют также программы, обеспечивающие диалог между человеком и машиной на «урезанном» естественном языке [3.1, 3.4].

Развитие ИИ в России.

Первые исследования в области ИИ в нашей стране принято связывать с именем профессора А.А. Ляпунова (1911-1973). В 1954 г. в МГУ под его руководством начал свою работу семинар «Автоматы и мышление». В этом семинаре принимали участие крупнейшие физиологи, лингвисты, психологи и математики. Как и за рубежом, при рождении ИИ в России сразу выделились два его основных направления – нейрокибернетика и кибернетика «черного ящика».

Среди наиболее значимых результатов, достигнутых отечественными учеными в области ИИ, следует отметить алгоритм «Кора» М.М. Бонгарда, моделирующий деятельность человеческого мозга при распознавании образов (1960-е гг.). Большой вклад в становление российской школы ИИ внесли выдающиеся ученые М.Л. Цетлин, В.Н. Пушкин, М.А. Гаврилов.

В 1945-1964 гг. создаются отдельные программы и проводятся исследования в области поиска решения логических задач. Ленинградским отделением математического института им. В.А. Стеклова (ЛОМИ) создается программа, автоматически доказывающая теоремы (АЛПЕВ ЛОМИ). Она была основана на оригинальном обратном выводе Маслова.

В 1965-1980 гг. в СССР получила развитие новая наука – ситуационное управление (аналог «представления знаний» в западной терминологии). Основоположником науки был профессор Д.А. Поспелов. В 1980-1990 гг. проводятся активные исследования в области представления знаний, разрабатываются специальные модели представления ситуаций, языки представления знаний и экспертные системы (более 300). Так, в ИПМ АН СССР создается язык символьной обработки данных РЕФАЛ.

Следует отметить, что новая наука, обладающая таким необычным названием, первоначально вызвала настороженное отношение к ней со стороны Академии наук СССР. Но среди членов АН нашлись те, кто вступил в борьбу за признание ИИ в нашей стране. Двое из них сыграли ключевую роль в развитие этой науки в СССР. Это были академики А.И. Берг и Г.С. Поспелов. Только в 1974 г. при Комитете по системному анализу при президиуме АН СССР был создан Научный совет по проблеме «Искусственный интеллект», который возглавил Г.С. Поспелов. Его заместителями были избраны Д.А. Поспелов и Л.И. Микулич. На разных этапах истории Совета в его состав входили М.Г. Гаазе-Рапопорт, Ю.И. Журавлев, Л.Т. Кузин, А.С. Нариньяни, Д.Е .Охоцимский, А.И. Половинкин, О.К. Тихомиров, В.В. Чавчанидзе. По инициативе ведущих ученых Совета было организовано пять комплексных научных проектов, которые возглавили ведущие отечественные специалисты в данной области. Проекты объединяли исследования в различных коллективах страны в рамках следующих направлений: понимание естественного языка (проект «Диалог», руководители А.П. Ершов и А.С. Нариньяни); ситуационное управление («Ситуация», Д.А. Поспелов); проектирование банков данных («Банк», Л.Т. Кузин); поисковое конструирование («Конструктор», А.И. Половинкин) и робототехника («Интеллект робота», Д.Е. Охоцимский).

В 1988 г. создается Ассоциация искусственного интеллекта (АИИ), объединившая более 300 исследователей из крупнейших научных центров страны – Москвы, Петербурга, Новосибирска, Переславля-Залесского и др. Президентом Ассоциации единогласно был выбран Д.А. Поспелов. В научный совет Ассоциации входят ведущие исследователи в области ИИ – В.П. Гладун, В.И. Городецкий, Г.С. Осипов, Э.В. Попов, В.Л. Стефанюк, В.Ф. Хорошевский, В.К. Финн, Г.С. Цейтин, А.С. Эрлих и другие ученые. В рамках Ассоциации проводятся многочисленные исследования, конференции, семинары, организуются школы для молодых специалистов, издается научный журнал.

На сегодняшний день уровень теоретических исследований в области ИИ в России не ниже мирового. Но, к сожалению, начиная с 80-х гг., на прикладных работах начинает сказываться постепенное отставание в технологии. По оценкам специалистов сегодня отставание в области разработки промышленных интеллектуальных систем составляет порядка 3-5 лет [3.1].

Классификация по типу ЭВМ.

На сегодняшний день существуют:
§ ЭС для уникальных стратегически важных задач, решаемых на супер-ЭВМ (Эльбрус, CRAY, CONVEX и др.);
§ ЭС на ЭВМ средней производительности (типа mainframe);
§ ЭС на символьных процессорах и рабочих станциях (SUN, Silicon Graphics, APOLLO);
§ ЭС на мини- и супермини-ЭВМ (VAX, micro-VAX и др.);
§ ЭС на персональных ЭВМ (IBM PC, MAC II и др.).

Примеры экономических экспертных систем

Существует ряд специализированных ЭС, используемых в сфере экономики и менеджмента. В дополнение к примерам таких систем, приведенным в п. 3.2.3, рассмотрим еще несколько экономических экспертных систем:

1. FliPSiDE (разработчик Case Western Reserve University) – система логического программирования финансовой экспертизы. Даная система позволяет решать такие задачи, как мониторинг состояния рынка ценных бумаг; мониторинг состояния текущего портфеля ценных бумаг; обзор будущих условий рынка; планирование и организация продаж. В качестве платформы программирования в системе используется язык Пролог. Оригинальным решением, используемым в системе, стало применение парадигмы «Классной доски», описанной Ньюэллом. На «Классной доске» представляются исходные данные для различных знаний.

2. Splendors – система управления портфелем ценных бумаг. Данная система относится к классу систем реального времени и использует специализированный язык высокого уровня Profit. Система Splendors предоставляет возможности создания портфеля инвестиций как для опытных программистов на языке Си, так и для непрограммирующего финансового аналитика. Оптимальные инвестиционные портфели строятся в реальном масштабе времени за счет игры на учете быстрых изменений на фондовой бирже. Система отличается большой гибкостью, что позволяет достигать разнообразных инвестиционных целей в условиях быстро меняющихся данных.

3. PMIDSS (разработчик Финансовая группа Нью-Йоркского университета) – система поддержки принятия решений при управлении портфелем инвестиций. В число решаемых системой задач входят: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Данная ЭС является смешанной системой представления знаний и использует разнообразные механизмы ввода.

4. Le Courtier (фирмы Cognitive System Inc.) – система ассистент-эксперт для менеджера портфеля инвестиций. Система предназначена для поддержки процесса определения инвесторами своих предпочтений и управления портфелем инвестиций. Данная ЭС обладает мощным языковым интерфейсом, в качестве механизмов вывода использует эвристические правила.

5. ИНТЕР-ЭКСПЕРТ (НПО «Центрпрограммсистем»). Эта система является русифицированным вариантом гибридной оболочки GURU, разработанной фирмой Micro Data Base System, и ориентирована в основном на решение экономических задач. Для представления знаний в ней применяются правила продукции if ... then. При обработке знаний используются как прямой, так и обратный методы вывода (см. п. 3.3). В системе учитывается неопределенность знаний (правилу можно присвоить приоритет и цену, а логические выводы можно выдавать с учетом факторов уверенности). Во время работы можно использовать информацию из Dbase III, Lotus 1-2-3. ИНТЕР-ЭКСПЕРТ может обновлять записи баз данных, исполнять процедурные программы. В системе предусмотрена связь с удаленными компьютерами, обеспечивающая двусторонний диалог и передачу файлов. Система написана на языках Си и Ассемблер. Дополнительными средствами, предоставляемыми системой, являются: встроенные база данных и текстовый процессор, электронные ведомости, графика, средства генерации отчетов и управления сложными формами, статистический анализ, выполнение стандартных запросов на языке SQL, многофункциональный вычислитель.

6. ЭКСПЕРТ-ПРИЗ (Институт Кибернетики АН ЭССР, 1989). Данная система наиболее всего подходит для таких областей, в которых наряду с использование эмпирических знаний необходимы математические вычисления и доступ к базам данных.

7. RAD (разработчик Kestelyn, 1992). ЭС предназначена для формирования портфеля инвестиций и оценки финансовых рисков.

8. RUNE (автор – Durkin, 1998). ЭС по налогообложению, которая позволяет находить рациональные решения при уплате различных налогов.

В заключение, можно сказать, что к настоящему моменту ЭС стали одной из серьезных коммерческих отраслей информационной индустрии. По мнению специалистов, в недалеком будущем ЭС будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки товаров и оказания услуг. Технология ЭС, получившая коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей. Уже сегодня эта технология существенно расширяет круг практически значимых задач, решение которых при помощи компьютеров приносит значительный экономический эффект.

Нейронные системы

В основу построения нейронных сетей положена модель мыслительной деятельности человеческого мозга.

Для понимания основных принципов построения нейронных систем напомним, что мозг человека состоит из большого числа нейронов, каждый из которых можно рассматривать как обладающий определенными весовыми коэффициентами пороговый элемент, имеющий около 200 тыс. входов и всего один выход. В живом организме все нервные клетки посредством синапсов (точек соединений входов и выходов нейронов) связаны друг с другом в длинные цепочки и образуют единую сеть, постоянно обучаемую в течение жизни. Процесс обучения состоит в образовании новых синапсов и в установке весовых коэффициентов, определяющих условия появления нервного сигнала на выходе того или иного нейрона.

Подобно живому мозгу, нейрокомпьютеры состоят из электронных нейросхем, весьма упрощенно моделирующих поведение реальных нейронов. Поведение обученного до рождения или в процессе жизни нейрокомпьютера определяется набором весовых коэффициентов или, как иногда говорят, синоптической матрицей. Хотя искусственные нейронные сети еще далеки от своего прототипа — человеческого мозга, в поведении и тех, и других просматривается много общего. Технология создания, обучения и эксплуатации нейронной сети строится следующим образом.

1. Сначала формулируется постановка задачи и выделяется набор параметров, характеризующих некоторую проблему, или проблемную ситуацию. Параметры определяются на основании опыта множества экспертов, но этот набор их может быть избыточным и противоречивым, кроме того, нет необходимости заранее определять значимость того или иного параметра. Их важность определяется в процессе обучения и эксплуатации нейронной сети.

2. Подготавливается набор обучающих примеров, представляющих собой последовательности, состоящие из наборов входных параметров, для которых определены верные выходные значения. Эти заведомо верные выходные значения называют эталонными.

3. Осуществляется первоначальная настройка нейронной сети — весовым коэффициентам присваиваются случайные значения.

4. Обучающие последовательности в определенном порядке предъявляются нейронной сети. Нейронная сеть формирует выходные значения, которые сопоставляются с эталонными. На основе этого сравнения происходит автоматическая коррекция весовых коэффициентов нейронной сети. В случае совпадения полученного значения с эталонным происходит увеличение весовых коэффициентов тех параметров, которые способствовали получению верного результата, и, наоборот, происходит понижение весовых коэффициентов тех параметров, которые способствовали выработке неверного решения. Процесс коррекции весовых коэффициентов называется процессом обучения.

5. Процесс предоставления обучающих последовательностей повторяется многократно до тех пор, пока сеть не придет в стационарное состояние, то есть результаты, вырабатываемые нейронной сетью с заданной вероятностью, совпадут с эталонными результатами.

6. После этого нейронная сеть считается настроенной (обученной) на определенную проблему, и ее можно использовать для решения реальных задач. Кроме того, в процессе эксплуатации нейронной сети также может происходить ее последующее обучение. Например, если имеется возможность оценить правильность решений, полученных в процессе эксплуатации сети, то эти данные также могут быть использованы для коррекции весовых коэффициентов. Обучение нейронной сети, как и обучение человека, длится долго, стоит достаточно дорого и во многом представляет собой настоящее искусство. Скорость обучения сети зависит не только от характеристик нейронной сети, но и от метода обучения, количества и качества обучающих последовательностей, порядка их предоставления нейронной сети. В настоящее время известно большое число математических алгоритмов обучения нейронных сетей, которые исследуются в рамках особой научной дисциплины, называемой нейроматематикой.

Важно отметить, что обученная нейронная сеть представляет собой самостоятельный отчуждаемый продукт. Механизмы построения нейронных сетей позволяют обучить нейронную сеть решать конкретную задачу и затем продать результаты обучения (числовую матрицу весовых коэффициентов), не раскрывая покупателю самой методики обучения.

Обучение нейронной сети представляет собой сложный процесс, реализуемый достаточно сложными алгоритмами, требующими значительных вычислительных ресурсов. Установлено, что реализация нейросетевых алгоритмов на обычном вычислительном оборудовании неэффективна. Для создания и обучения нейронных сетей используются дорогостоящие пакеты программ, эксплуатация которых требует высокопроизводительного вычислительного оборудования. В связи с этим в лексиконе вычислительной техники появилось новое понятие — нейрокомпьютер.

Под нейрокомпьютером понимается вычислительная система, аппаратное и программное обеспечение которой имеет архитектуру, ориентированную на эффективную реализацию нейросетевых алгоритмов. Нейрокомпьютеры могут представлять собой самостоятельные устройства, а также строиться на основе обычных вычислительных устройств за счет включения в них специальных нейроплат — нейроакселераторов для рабочих станций и персональных компьютеров.

Системы извлечения знаний

Прорыв в области высокоскоростных коммуникаций, ориентация сети Internet на реализацию коммерческих приложений привели к тому, что объем данных, требующих осмысленной обработки, возрос настолько, что появилась реальная потребность в недорогих, простых в обращении, но достаточно гибких программах для осмысленного анализа лавинообразного потока «сырой» информации. В результате этого спроса возник рынок интеллектуальных систем нового поколения. Стали появляться программы, способные самостоятельно, без предварительного обучения на опыте эксперта, извлекать информацию (знания) из баз данных большого объема и глобальных информационных сетей. Многие из этих программ были выпущены на рынок не совсем доработанными, что объясняется стремлением их производителей закрепиться в новой рыночной нише, однако темпы роста нового рынка и интерес, проявляемый к нему со стороны бизнесменов и политиков, позволяют специалистам предсказывать ему большое будущее.

В настоящее время нет строго определенного термина, обозначающего новый класс интеллектуальных систем.

Чаще всего в литературе для их обозначения используется англоязычное словосочетание «data mining». В русскоязычном варианте можно встретить названия: «системы добычи данных (знаний)», «системы извлечения знаний», DM-системы и некоторые другие.

Наиболее важными отличительными особенностями систем, относимых к DM-системам.

1. Прежде всего, DM-системы обеспечивают автоматическое выявление корреляций между различными атрибутами элементов данных в реляционных БД. Сих помощью можно получить ответы, например, на такие вопросы, как: «Какие факторы способствуют увеличению числа продаж того или иного товара? Какие события влияют на изменения котировок ценных бумаг? Какова общая картина политических симпатий избирателей по регионам?» Часто в качестве одного из контролируемых параметров выступает шкала времени, тогда система имеет возможность отображать динамику валютных торгов, прогнозы пополнения сырьевых запасов, эволюцию взглядов электората.

Современные DM-системы способны не только находить корреля ционные зависимости, но и оценивать вероятность каждой гипотезы. А наиболее мощные системы, использующие аппарат нечеткой логики, способны оперировать как количественными, так и качественными параметрами — «популярный», «прибыльный», «стабильный» и др.

2. Важной функцией DM-систем является автоматическая кластеризация данных для ответов, например, на такие вопросы: «На какие группы делятся клиенты страховой компании?» «Какая группа наиболее представительна?» «Какая наиболее доходна?» Обычно пользователей интересует не только количество и размер кластеров, но и расположение их центров, характеризующее черты типичного представителя данного класса объектов, четкость границ и многие другие параметры.

3. Следующим важным атрибутом больших DM-систем является возможность автоматизированной обработки неструктурированной текстовой информации.

4. Еще одна важная особенность — каждая DM-система в той или иной степени обладает способностью генерировать итоговые отчеты в форме, максимально приближенной к тексту на естественном языке.

Для решения основной задачи DM-систем — выделения корреляционных зависимостей между данными — чаще всего используются три подхода: многомерный корреляционный анализ, обработка гипотез по принципу «запрос-отчет» и так называемые «интеллектуальные агенты».

Основными потребителями систем искусственного интеллекта в настоящее время являются военно-промышленные комплексы, а также финансовые и банковские структуры. Индустриальные компании, обладающие исследовательским потенциалом, обычно идут по пути создания собственных систем для обработки технической, управленческой и маркетинговой информации.