Тема 1. Перспективні дослідження і розробки по інтелектуальних системах

•  
• Призначення аналітичних технологій
• Традиційні технології
  • Детерміновані технології
  • Імовірнісні технології
• Приклади реальних задач
  • Оптимальний розподіл інвестицій
  • Прогнозування курсу акцій
• Недоліки традиційних технологій
• Нові технології
•  

Комп'ютерні системи стають банальністю. Дійсно, вони майже повсюдні. Вони є найважливим компонентом у функціонуванні бізнесу, урядового, військового, навколишнього середовища, установах охорони здоров'я і є частиною багатьох освітніх програм навчання. Ці комп'ютерні системи, все більш і більш впливаючи на наше життя мають бути спроможними швидко адаптуватися, змінюватись та допомагати нам і нашим установам справлятися з непередбаченими можливостями світу. 

Національна конкурентноздатність залежить від можливостей доступу, обробки та аналізу інформації. Аналіз і передача даних за допомогою комп'ютера надали нам велику кількість інформації. Однак, щоб досягти повного співробітництва, комп'ютерні системи повинні вміти більше, ніж обробляти інформацію, але і мати інтелект. Вони повинні кваліфіковано зберігати й використовувати великі обсяги інформації й ефективно допомагати людям знаходити нові шляхи рішення проблем, використовуючи більш природні засоби комунікації. 

Щоб перебороти обмеження існуючих систем, потрібно зрозуміти шляхи і способи взаємодії людей між собою і зі світом, розробити методи для з'єднання людського інтелекту і комп'ютерних систем. Для вирішення цього призначені аналітичні технології.

Аналітичні технології - це методики, які на основі певних моделей, алгоритмів, математичних теорем дозволяють по відомих даних оцінити значення невідомих характеристик і параметрів. Найпростіший приклад аналітичної технології - теорема Піфагора, що дозволяє по довжинах сторін прямокутника визначити довжину його діагоналі. Ця технологія заснована на відомій формулі с2=а2+b2. 

Іншим прикладом аналітичної технології є способи, за допомогою яких людський мозок обробляє інформацію. Навіть мозок дитини може вирішувати задачі, непідвласні сучасним комп'ютерам, такі як розпізнавання знайомих облич у юрбі, чи ефективне керування декількома десятками м'язів при грі у футбол. Унікальність мозку полягає в тому, що він здатен навчатися рішенню нових задач - грі в шахи, водінню автомобіля і т.д. Проте, мозок погано пристосований до обробки великих обсягів числової інформації - людина не зможе знайти навіть квадратний корінь з числа 463761, не використовуючи калькулятора або алгоритму обчислення в стовпчик. На практиці ж часто зустрічаються задачі про числа, набагато більш складні, ніж витяг кореня. Таким чином, людині для рішення таких задач необхідні додаткові методики й інструменти. 

Призначення аналітичних технологій

Аналітичні технології потрібні в першу чергу людям, що приймають важливі рішення - керівникам, аналітикам, експертам, консультантам. Дохід компанії у великому ступені визначається якістю цих рішень - точністю прогнозів, оптимальністю обраних стратегій. 

• Прогнозування:
  • курсів валют;
  • цін на сировину;
  • попиту;
  • доходу компанії;
  • рівня безробіття;
  • числа страхових випадків.
• Оптимізація:
  • розкладів;
  • маршрутів;
  • плану закупівель;
  • плану інвестицій;
  • стратегії розвитку.

Як правило, для реальних задач бізнесу й виробництва не існує чітких алгоритмів рішення. Зазвичай керівники й експерти вирішували такі задачі тільки на основі особистого досвіду. Часто класичні методики виявляються малоефективними в багатьох практичних задачах. Це пояснюється тим, що неможливо досить точно описати реальність за допомогою невеликого числа параметрів моделі, або розрахунок моделі займає занадто багато часу та обчислювальних ресурсів, а за допомогою аналітичних технологій будуються системи, що дозволяють істотно підвищити ефективність рішень. 

Традиційні технології 

Детерміновані технології 

Аналітичні технології типу теореми Піфагора використовуються людиною вже багато століть. За цей час була створена величезна кількість формул, теорем і алгоритмів для рішення класичних задач - визначення об'ємів, рішення систем лінійних рівнянь, пошуку коренів багаточленів. Розроблено складні й ефективні методи для рішення задач оптимального керування, рішення диференційних рівнянь і т.д. Всі ці методи діють по однієї і тій же схемі.

Для застосування алгоритму необхідно, щоб дана задача цілком описувалася визначеною детермінованою моделлю (деяким набором відомих функцій і параметрів). У такому випадку алгоритм дає точну відповідь. Наприклад, для застосування теореми Піфагора потрібно перевірити, що трикутник - прямокутний.

Імовірнісні технології 

На практиці часто зустрічаються задачі, пов'язані зі спостереженням випадкових величин - наприклад, задача прогнозування курсу акцій. Для подібних задач не можна побудувати детерміновані моделі, тому застосовується принципово інший, імовірнісний підхід.

Параметри імовірнісних моделей - це розподіли випадкових величин, їхні середні значення, дисперсії і т.д. Як правило, ці параметри заздалегідь невідомі, а для їхньої оцінки використовуються статистичні методи, що застосовуються до вибірок спостережених значень (історичних даних).

Такого роду методи припускають, що відомо деяка імовірнісна модель задачі. Наприклад, у задачі прогнозування курсу можна припустити, що завтрашній курс акцій залежить тільки від курсу за останні 2 дні (авторегресійна модель). Якщо це вірно, то спостереження курсу протягом декількох місяців дозволяють досить точно оцінити коефіцієнти цієї залежності і прогнозувати курс у майбутньому.

Приклади реальних задач 

Оптимальний розподіл інвестицій 

Задача. Є інвестиційний капітал, який потрібно розподілити серед 10 проектів. Для кожного проекту задана функція залежності прибутку від обсягу вкладення. Потрібно знайти найбільш прибутковий варіант розподілу капіталу, за умови, що задано мінімальний і максимальний обсяг інвестицій для кожного проекту. 

Традиційне рішення. Переважно рішення в даному випадку приймає керівник, ґрунтуючись тільки на особистих враженнях про проекти. Розміри упущеної вигоди при цьому не підраховують, і неоптимальність рішення може залишитися непоміченої.

У випадку, якщо керівник доручає аналітикам вибрати найбільш прибутковий варіант, застосовуються математичні методи оптимізації. Якщо всі дані функції лінійні, то можна застосувати методи лінійного програмування (симплекс-метод). Якщо хоча б одна з функцій нелінійна, то можна використовувати метод градієнтного спуску чи повного перебору.

Прогнозування курсу акцій 

Задача. Трейдеру фондового ринку потрібно щоденний прогноз поведінки курсу акцій енергетичного підприємства. 

Дано. Значення котувань і різних ринкових індикаторів за останній рік. Також відомі котування нафтових і вугільних компаній, а також міських компаній-енергоспоживачів, що тісно зв'язані з курсом акцій ЄЕС. 

Традиційне рішення. Використовуються методики технічного аналізу, кореляційного аналізу, статистика. 

Недоліки традиційних технологій 

На жаль, класичні методики виявляються малоефективними в багатьох практичних задачах. Це зв'язано з тим, що неможливо досить повно описати реальність за допомогою невеликого числа параметрів моделі, або розрахунок моделі вимагає занадто багато часу й обчислювальних ресурсів. Зокрема, розглянемо проблеми, що виникають при рішенні задачі оптимального розподілу інвестицій.

1. У реальній задачі жодна з функцій не відома точно - відомі лише приблизні або очікувані значення прибутку. Для того щоб позбутися від невизначеності, ми змушені зафіксувати функції, втрачаючи при цьому точність опису задачі. 
2. Детермінований алгоритм для пошуку оптимального рішення (симплекс-метод) застосовуємо тільки в тому випадку, якщо всі дані функції лінійні. У реальних задачах бізнесу ця умова не виконується. Хоча дані функції можна апроксимувати лінійними, рішення в цьому випадку буде далеким від оптимального.
3. Якщо одна з функцій нелінійна, то симплекс-метод не застосовується, і залишається два традиційних шляхи рішення цієї задачі. 

Перший шлях - використовувати метод градієнтного спуску для пошуку максимуму прибутку. У даному випадку область визначення функції прибутку має складну форму, а сама функція - кілька локальних максимумів, тому градієнтний метод може привести до неоптимального рішення. Другий шлях - провести повний перебір варіантів інвестування. Якщо кожна з 10 функцій задана в 100 точках, то прийдеться перевірити близько 1020 варіантів, що займе не менш декількох місяців роботи сучасного комп'ютера. 

Ймовірнісні технології мають істотні недоліки при рішенні практичних задач. Ми проілюстрували роботу імовірнісного підходу на прикладі простої лінійної авторегресійної моделі, однак залежності, що зустрічаються на практиці, переважно нелінійні. Навіть якщо й існує проста залежність, то її вигляд заздалегідь невідомий. Відзначимо також, що статистичні методи добре розроблені тільки для одновимірних випадкових величин. Якщо ж ми хочемо враховувати для прогнозування курсу акцій кілька взаємозалежних факторів (наприклад, обсяг угод, курс долара і т.д.), то прийдеться звернутися до побудови багатовимірної статистичної моделі. Однак, такі моделі або припускають гаусівський розподіл спостережень (що не виконується на практиці), або не обґрунтовані теоретично. У багатовимірній статистиці через брак кращого нерідко застосовують малообгрунтовані евристичні методи, що по своїй суті дуже близькі до технології нейронних мереж. Про це буде більш докладно розказано нижче.

Нові технології 

В останні 10 років іде активний розвиток аналітичних систем нового типу. В їх основі - технології штучного інтелекту, що імітують природні процеси, наприклад, такі як діяльність нейронів мозку процес або природного відбору. 

Інтелектуальні аналітичні системи містять у собі: 

• здатність міркування відносно задачі і знання, засновані на здоровому глузді; 
• міркування відносно спільного процесу і знання можливостей інших систем і людей, що приймають участь у взаємодії; 
• зв'язок з користувачами за допомогою розуміння природної мови, малюнків, зображень, і знаків; 
• системи повинні відчувати середовище; 
• координувати прийняття, планування, і дії; 
• навчання на попередньому досвіді й адаптацію до поведінки. 

Розуміння цих можливостей у людях і втілення їх при розробці програм є центральним у створеннях новітніх аналітичних технологій, що здатні здобувати знання та керувати ними.

Національна конкурентноздатність залежить від зростання потужностей для проведення інформаційного аналізу, прийняття рішення, гнучкого проектування та виробництва. Зусилля в цих областях були обмежені недостатніми даними, відсутністю обчислювальної потужності або неадекватними контролюючими механізмами. Багато з цих обмежень можуть бути усунені тільки при додаванні інтелекту до систем.