4.4.4. Системы искусственного интеллекта

Современные подходы к исследованию поведения сложных сис­тем, включая экономические системы, во многом базируются не на классическом интегрально-дифференциальном математическом ап­парате, а на методах искусственного интеллекта, реализуемых раз­личными средствами: нейронными сетями, генетическими алгорит­мами, системами нечеткой логики и др.
Характерной особенностью методов искусственного интеллекта является возможность работы с неточными (зашумленными) данными; при этом достигается точность, достаточная для практической потребности, и, как правило, от поль­зователей не требуют специальных математических знаний. Большин­ство специализированных пакетов, реализующих методы искусствен­ного интеллекта, обеспечивают пользователям возможность работы с ними в рамках терминологии конкретной предметной области.

Системы на основе нейрокомпьютерных технологий. Компонен­тами нейротехнологий являются нейронные компьютеры и процессо­ры, а также нейронные сети как класс специализированных алгорит­мов (далее нейросети). Нейросети образуют большой класс систем, в которых реализуются попытки моделирования взаимодействия ней­ронов аналогично их функционированию в мозге человека. Как по­казывают исследования, каждый нейрон состоит из тела клетки и множества входных отростков, называемых дендритами. Дендриты идут от тела данной клетки к другим нейронам, где они принимают сигналы в точках возбуждения, называемых синапсами. Принятые синапсами входные сигналы подводятся к телу нейрона, где они ал­гебраически суммируются. Когда суммарное возбуждение в теле ней­рона превысит некоторый порог, он возбуждается и посылает свой сигнал к другим нейронам.

В основе построения искусственных нейросетей используется подход, реализующий логически функционирующую систему, со­стоящую из большого числа связанных между собой простых эле­ментов. С большим уровнем упрощения подобную систему можно рассматривать как совокупность взаимодействующих искусственных нейронов. Каждый такой нейрон реализуется в виде сумматора, на вход которого поступают взвешенные сигналы с выходов нейронов предшествующего уровня. Результат суммирования поступает на пороговый элемент с некоторой функцией адеквации нейрона. Та­ким образом, настройка нейросети сводится к определению струк­турированной совокупности нейронов и значений коэффициентов, определяющих глубину связи между конкретными нейронами. Для того чтобы сеть можно было использовать в дальнейшем, ее прежде необходимо «натренировать» на полученных ранее массивах дан­ных, содержащих значения входных параметров и соответствующие им значения выходных параметров (т.е. правильные ответы). Ре­зультатом этого обучения является определение значений «веса» межнейронных связей (коэффициентов межнейронных связей), обеспечивающих наибольшую близость выходных сигналов сети к известным правильным ответам. Поскольку в процессе построения синаптической карты на практике широко используется градиент­ный алгоритм поиска, то возможно попадание в локальный экстре­мум с близким к нулю значением вектора градиента, что приводит к началу нового цикла поиска решения и, соответственно, увеличе­нию длительности обучения сети.

Специалистами опубликовано большое количество работ по ис­следованию возможностей нейросетей, развивающихся от однослой­ных структур к многослойным, от сетей с прямым распространением сигналов к более сложным сетям с обратными связями.

Усложнение структуры нейросети обусловливает расширение ее функциональных возможностей и, как следствие, обеспечивает нахождение моделей, более точно описывающих особенности взаимосвязи имеющихся массивов показателей, которые используются при настройке сети. Однако увеличение сложности нейросети и введения обратных свя­зей повышает актуальность вопросов исследования динамических свойств и устойчивости самой нейросети.

В настоящее время применяются различные нейросетевые реше­ния: многослойные персептроны, сети Хопфилда, ЮТ-сети, вероят­ностные (байесовские) сети, самоорганизующиеся карты Кохонена и др. Они отличаются друг от друга размерами и структурой, методами отбора данных для анализа, временем и алгоритмами обучения, точ­ностью, способностью к обобщению. В целом для нейросетей харак­терны следующие особенности: не требуется выполнения сложных расчетов, результаты обработки (прогноза) зависят только от полно­ты и вида имеющихся данных, приемлемое время настройки; в то же время при использовании нейросети необходим большой объем обучающей выборки данных для ее настройки.

Нейронные сети эффективны для выявления нелинейных зако­номерностей в отсутствии точных начальных знаний об искомой модели, когда классические методы не позволяют найти приемле­мого решения. Применение нейросетей показывает достаточно вы­сокую эффективность при исследовании динамики финансовых рынков, определении оптимального портфеля ценных бумаг, пред­сказании банкротств финансовых учреждений, определении кредит­ных рисков и др.

Одним из популярных пакетов для решения задач прогнозирова­ния при работе с финансовыми данными является пакет Brain Maker Professional.

Системы на основе генетических алгоритмов. Системы этого класса являются мощным средством решения разнообразных комби­наторных задач и задач оптимизации. Поиск решения задачи осуще­ствляется в соответствии с минимизацией некоторого заданного кри­терия. Каждое возможное решение полностью описывается некоторым набором атрибутов. Например, если необходимо выбрать совокуп­ность фиксированного числа параметров ситуации, наиболее сильно влияющих на ее динамику и возможный исход, то этими парамет­рами будет набор их имен. Имена представляются в виде некоторой последовательности, а их определяющие решение значения интер­претируются в такой модели как гены. Хромосома, представленная последовательностью генов, рассматривается в этой модели как ко­дированное представление одного варианта решения. Поиск опти­мального решения рассматривается как процесс эволюции, где ис­пользуются три механизма.

• Отбор «сильнейших» наборов хромосом, которым соответствуют наилучшие решения, упорядоченные на основе некоторой метрики.

• Операция скрещивания, т.е. производство новых индивидов при помощи смешивания хромосомных наборов отобранных ин­дивидов.

• Операция мутации, которой отвечают случайные изменения генов у некоторых индивидов популяции.

В результате смены поколений (т.е. в процессе выполнения по­следовательности итераций поиска решения) в процессе эволюции вырабатывается такое решение поставленной задачи, которое за­метно не улучшается в процессе дальнейшего поиска (дальнейшей эволюции). Критерий отбора хромосом и сама процедура порожде­ния новых потомков в популяции являются эвристическими и да­леко не всегда гарантируют нахождение наилучшего решения. Тем не менее эти алгоритмы и реализующие их системы достаточно по­пулярны при моделировании экономических систем.

Примером системы, использующей парадигму генетической эволюции, может служить система ОепеНиЩег. Генетические алго­ритмы находят применение при формировании инвестиционного портфеля с оптимизацией доходности и учетом риска, разработке бизнес-плана с оптимизацией прибыли и учетом потенциальных издержек, финансовом планировании с оптимизацией налоговых платежей с учетом будущих доходов.

Системы на основе нечеткой логики. Потребность в использова­нии аппарата нечеткой логики объясняется необходимостью анали­за целесообразности применения тех или иных решающих правил из значительного числа потенциально возможных правил при ре­шении задач динамического управления в условиях существенных временных ограничений. Применение нечеткой логики позволяет в большей мере оперировать качественными параметрами, отражаю­щими основные особенности функционирования объектов при не­точных данных, описывающих их поведение, что позволяет сокра­тить время настройки системы управления и обеспечить приемле­мый уровень точности в условиях значительной неопределенности.

Одним из наиболее известных пакетов, реализующих аппарат нечеткой логики, является пакет СиЫСа1с. Он находит применение в ситуационном моделировании процессов в экономике и финан­сах, при решении задач динамического управления в финансовом планировании и в других сложных предметных областях в условиях неполноты и противоречивости информации, а также при качест­венных (существенно значимых) изменениях параметров.

<< | >>
Источник: Под ред. Г.А. Титоренко. Информационные системы в экономике: учебник для студентов вузов, обучающихся по специальностям «Финансы и кре­дит», «Бухгалтерский учет, анализ и аудит» и специальностям экономики и управления (060000)— 2-е изд., перераб. и доп. - М.: ЮНИТИ-ДАНА, - 463 с.. 2008

Еще по теме 4.4.4. Системы искусственного интеллекта:

  1. 4.1. Методологические основы теории искусственного интеллекта
  2. 79. ПОНЯТИЕ «ИНТЕЛЛЕКТ» В ПСИХОЛОГИИ
  3. Искусственное завышение цены на товар
  4. Интеллект
  5. Под редакцией А.Г. Грязновой и H.H. Думной. Экономика. Учебник для 10-11 классов. - М.: Интеллект-Центр, - 496 с., 2015
  6. 22. Система с неограниченной растворимостью в жидком и твердом состояниях; системы эвтектического, перитектического и монотектического типа. Системы с полиморфизмом компонентов и эвтектоидным превращением
  7. 6.3. Инструментальные системы совершенствованиябизнес-систем6.3.1. Функциональная структура системы АШ8
  8. 7.5. Кредитная система и ее элементы. Банковская система РФ: понятие, структура, этапы становления
  9. Структура финансовой системы. Европейская система интегрированных экономических счетов
  10. 29. Приказная система управления и система местного самоуправления в период сословно-представительной монархии
  11. Признаки плохой системы или плохого продавца системы
  12. 4.6. УПРАВЛЕНИЕ РЕСУРСАМИ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ 4.6.1. ОДНОПРОЦЕССОРНЫЕ СИСТЕМЫ ОПЕРАТИВНОЙ ОБРАБОТКИ
  13. Взаимосвязь денежной и кредитной систем с финансовой системой
  14. 62. БАНКОВСКАЯ СИСТЕМА КАК ЧАСТЬ КРЕДИТНОЙ СИСТЕМЫ
  15. 1 1 . НАЛОГОВАЯ СИСТЕМА КАК СОСТАВЛЯЮЩАЯ ЧАСТЬ ФИНАНСОВОЙ СИСТЕМЫ СТРАНЫ
  16. 1 1 . НАЛОГОВАЯ СИСТЕМА КАК СОСТАВЛЯЮЩАЯ ЧАСТЬ ФИНАНСОВОЙ СИСТЕМЫ СТРАНЫ
  17. 15. Дворцово-вотчинная система управления. Система кормления
  18. 86. Cудебная система и система правоохранительных органов по «Основам законодательства СССР и союзных республик» 1958 г
  19. 39. Страховая система — звено финансово-кредитной системы, функции страхования. Риски
  20. Характеристика кредитно-банковской системы и ее роль в финансовой системе РФ