Материал: Математические методы системного анализа и управления. Проблемно-ориентированные информационные технологии. Проскурин Д.К., Сысоев Д.В

это

структура,

содержащая

набор

офисов,

должен быть отправлен обратно в распреде-

расположенных

в системе

из

15

этажей

лительный щит 1-

го

этажа, который затем пе-

(нейронная сеть). Применяя пример к биоло-

реносит его на распределительный щит 2-

го

гическим нейронным сетям, коммутатор, ко-

этажа. Эти же шаги повторяют один этаж за

торый принимает вызовы, имеет линии для

раз, при этом вызов посылается через этот

подключения к любому офису на любом

процесс на каждом отдельном этаже до 15-го

этаже во всем здании. Кроме того, в каждом

этажа. В ИНС узлы (офисы) расположены

офисе есть линии, которые соединяют его со

слоями (этажи здания). Информация (вызов)

всеми другими офисами во всем здании на

всегда приходит через входной уровень (1-

любом этаже. Представьте, что звонок по-

йэтаж и его коммутатор) и должна быть от-

ступает (вход), а коммутатор передает его в

правлена и обработана каждым слоем (по-

офис на 3-

м

этаже,

который передает его

лом), прежде чем он сможет перейти к сле-

непосредственно в офис на 11-

м

этаже, кото-

дующему. Каждый слой (пол) обрабатывает

рый затем напрямую передает его в офис на

конкретную деталь об этом вызове и отправ-

5-

м

этаже.

ляет результат вместе с вызовом следующего

В мозге каждый нейрон или нервная

слоя. Когда вызов достигает выходного

клетка (офис) могут напрямую соединяться с

уровня (15-йэтаж и его коммутатор), он

любым другим нейроном в своей системе

включает в себя информацию обработки из

или нейронной сети (здание). Информация

слоев 1-14. Узлы (офисы) на 15-мслое (этаже)

(вызов) может быть передана в любой дру-

используют информацию ввода и обработки

гой нейрон (офис) для обработки или изуче-

из всех остальных слоев (этажей), чтобы по-

ния того, что необходимо, пока не будет от-

лучить ответ или разрешение (вывод) [2].

вета или разрешения (вывода).

Нейронные сети - это один из видов

Когда мы применяем этот пример к

технологий в категории машинного обуче-

ИНС, он становится довольно сложным. Для

ния. Машинное обучение (Machine Learning)

каждого этажа здания требуется собствен-

– обширный подраздел искусственного ин-

ный коммутатор, который может подклю-

теллекта, изучающий методы построения

чаться только к офисам на том же этаже, а

алгоритмов, способных обучаться. Различа-

также к распределительным щитам на эта-

ют два типа обучения. Обучение по преце-

жах выше и ниже. Каждый офис может

дентам, или индуктивное обучение, основано

напрямую подключаться к другим офисам на

на выявлении общих закономерностей по

том же этаже и коммутатору для этого этажа.

частным эмпирическим данным. Дедуктив-

Все новые вызовы должны начинаться с

ное обучение предполагает формализацию

коммутатора на 1-м этаже и должны быть

знаний экспертов и их перенос в компьютер

переданы на каждый отдельный этаж в циф-

в виде базы знаний. Дедуктивное обучение

ровом порядке до 15-

го

этажа до завершения

принято относить к области экспертных си-

вызова. Давайте приведем его в движение,

стем, поэтому термины машинное обучение

чтобы посмотреть, как это работает. Пред-

и обучение по прецедентам можно считать

ставьте, что вызов поступает (входит) в ком-

синонимами [3].

Продвижение в исследова-

мутатор 1-

го

этажа и отправляется в офис на

ниях и развитии нейронных сетей тесно свя-

1-

м

этаже (узел).

Затем

вызов передается

зано с продвижением в машинном обучении.

непосредственно

между

другими

офисами

Нейронные сети

расширяют возможности

(узлами) на 1-

м

этаже, пока он не будет готов

обработки данных и повышают вычисли-

к отправке на следующий этаж. Затем звонок

тельную мощность ML, увеличивая объем

данных, которые могут быть обработаны, а

Самообучение применяется там, где

также возможность выполнять более слож-

нет заранее заготовленных ответов и алго-

ные задачи.

ритмов классификации. В этом случае ИИ

Различают 3 основных подхода к ма-

ориентируется на самостоятельное выявле-

шинному обучению:

ние скрытых зависимостей. Машинное само-

 обучение с учителем;

обучение позволяет распределить образцы

 обучение с подкреплением;

по категориям за счет анализа скрытых зако-

 обучение без учителя (самообучение).

номерностей. Это позволяет исключить си-

В обучении с учителем используются

туацию системной «слепоты» врача или ис-

специально отобранные данные, в которых

следователя. Глубокий подход к обучению

уже известны и надежно определены пра-

позволяет тренировать ИИ на всей много-

вильные ответы, а параметры нейронной се-

миллионной базе пациентов и проанализиро-

ти подстраиваются так, чтобы минимизиро-

вать любой тест, который когда-либо был

вать ошибку. В этом способе ИИ может со-

записан о пациенте в его электронной меди-

поставить правильные ответы к каждому

цинской карте. Механизмы глубокого ма-

входному примеру и выявить возможные за-

шинного обучения (deep learning) использу-

висимости ответа от входных данных.

ют, как правило, многослойные нейросети и

Например,

коллекция рентгенологических

очень большое число экземпляров объектов

снимков с указанными заключениями будет

для тренировки нейронной сети. Также сле-

являться базой для обучения ИИ – его «учи-

дует учесть, что из-за нелинейности у много-

телем». Из серии полученных моделей чело-

слойных нейро сетей нет «обратной функ-

век в итоге выбирает наиболее подходящую,

ции», т.е. компьютер в общем случае не

например, по максимальной точности выда-

сможет объяснить человеку, почему он при-

ваемых прогнозов. Нередко подготовка та-

шел к такому выводу. Чтобы подготовить

ких данных и ретроспективных ответов тре-

мотивированное суждение, необходим экс-

бует большого человеческого вмешательства

перт, или другая нейро сеть, которая натре-

и их ручного отбора. Также, на качество по-

нирована на задачи написания корректных

лученного результата влияет субъективность

расшифровок и заключений на естественном

человека-эксперта. Если по каким-либо со-

человеческом языке.

ображениям – он не рассматривает при тре-

Метод обучения с учителем более удо-

нировке всю совокупность выборки и ее ат-

бен и предпочтителен в тех ситуациях, когда

рибутов, его понятийная модель ограничена

есть накопленные и достоверные исходных

текущим уровнем развития науки и техники,

данные. Таким образом, обучение на их ос-

нове потребует меньше затрат времени и

указанной «слепотой» будет обладать и по-

позволит быстрее получить работающее ИИ-

лученное ИИ решение. Важно отметить, что

решение. Там, где возможность получить

нейро сети являются функцией с нелиней-

базу данных с сопоставленной информацией

ными преобразованиями и обладают гипер

и ответами на нее отсутствует – необходимо

специфичностью – результат работы алго-

применять методы самообучения на основе

ритма ИИ будет непредсказуем, если на вход

глубокого машинного обучения. Такие ре-

будут поданы параметры, выходящие за гра-

шения не будут нуждаться в контроле чело-

ницы значений обучающей выборки. Поэто-

века.

му важно обучать ИИ систему на примерах и

Первая документальная компьютерная

частотности,

адекватных последующим ре-

модель для ИНС была создана в 1943 году

альным условиям эксплуатации.

Уолтером Питсом и Уорреном Маккаллохом

ВЫПУСК № 1-2 (11-12), 2018

ISSN 2618-7167

[4]. Первоначальный интерес и исследования

лонов, но также обнаруживают резкие изме-

в нейронных сетях и машинное обучение в

нения скорости и направления ветра, кото-

конечном итоге замедлились и были более

рые указывают на формирование торнадо.

 Реклама и маркетинг: при ведении бизне-

или менее отложены до 1969 года, и только

небольшие

всплески возобновили интерес.

са в условиях конкуренции компаниям необ-

ходимо поддерживать постоянный контакт с

Компьютеры того времени просто не имели

потребителями, обеспечивая обратную связь.

достаточно

быстрых или достаточно боль-

Для этого

некоторые

компании

проводят

ших процессоров для продвижения этих об-

опросы потребителей,

позволяющие

выяс-

ластей дальше, и огромное количество дан-

нить, какие факторы являются решающими

ных, необходимых для ML и нейронных се-

при покупке данного товара или услуги.

тей, в то время не было доступно. Массовое

Анализ результатов подобного опроса – не-

увеличение вычислительной мощности с те-

простая задача, поскольку необходимо ис-

чением времени, а также рост и расширение

следовать

большое

количество связанных

Интернета

(и, следовательно,

доступ к

между собой параметров и выявить факторы,

оказывающие наибольшее влияние на спрос.

огромному объему данных через Интернет)

Существующие нейро-сетевые методы поз-

решили эти ранние проблемы.

Нейронные

воляют выяснить это и прогнозировать пове-

сети и ML теперь играют важную роль в тех

дение потребителей при

изменении марке-

технологиях, которые мы видим и использу-

тинговой политики,

а значит, находить оп-

ем каждый день, таких как обработка изоб-

тимальные стратегии работы компании.

ражений, поиск, а также перевод языка в ре-

Библиографический список

альном времени – и это лишь некоторые из

них.

1. Хайкин С. Нейронные сети. Полный

курс. 2-e изд. Пер. с англ. – М.: Издательский

Искусственные нейронные сети (ИНС)

дом "Вильямс", 2006. – 1104 с.

– довольно сложная технология, однако изу-

2. Епрынцева Н.А. Особенности внед-

чение все большего числа способов, которые

рения ERPсистем в России В сборнике: мо-

это влияют на нашу жизнь каждый день, до-

делирование энергоинформационных

про-

статочно увлекательный процесс. Вот еще

цессов. Сборник материалов IV и V Между-

несколько примеров того, как нейронные се-

народных

научно-практических

интернет-

ти в настоящее время используются различ-

конференций. 2017. С. 140-145.

ными отраслями:

3. Соколова

А.В.,

Каверина

Е.А.,



Финансы: нейронные сети используются

Епрынцева Н.А. Методы автоматизирован-

для прогнозирования обменного курса валю-

ного контроля знаний на основе информаци-

ты. Они также используются в технологии

онных технологий. В сборнике: Наука моло-

автоматических торговых систем, использу-

дых - будущее России.

Сборник

научных

емых на фондовом рынке.

статей 2-й Международной научной конфе-



Погода:

способность к обнаружению ат-

ренции перспективных разработок молодых

мосферных изменений, которые указывают

ученых. В 5-ти томах. Ответственный редак-

на потенциально серьезное и опасное погод-

тор А.А. Горохов. 2017. С. 357-360.

ное событие как можно быстрее и точнее,

4. Домингос, Педро

Верховный

алго-

необходима для спасения жизней. Нейрон-

ные сети участвуют в обработке спутнико-

ритм: как машинное обучение изменит наш

мир / Педро Домингос ; пер. с англ. В. Горо-

вых и радиолокационных изображений в ре-

хова ; [науч. ред. А. Сбоев, А. Серенко]. —

альном времени, которые не только обнару-

М. : Манн, Иванов и Фербер, 2016.

живают раннее образование ураганов и цик-

Воронежский государственный технический университет

Voronezh State Technical University,

Магистр А.А. Сысоева

Master A.A. Sysoeva

Россия, Воронеж

Russia, Voronezh

В XXI веке12 одной из самых распро-

этапе проектирования интеллектуальных си-

странённых проблем современного человека

стем необходимо учитывать следующие фак-

является выбор. Будь то продукты питания,

торы: легкость сбора данных, представи-

техника, программное обеспечение или же

мость данных, оправданность затрат на раз-

туристическая путевка. В мире, где мы жи-

работку интеллектуальных систем, наличие

вем, довольно много разнообразных фирм,

экспертов, наличие

необходимых ресурсов

магазинов и салонов, готовых предложить

(компьютеров, программистов, программно-

покупателю свои услуги.

го обеспечения и т.д.).

Покупатель обычно сопоставляет ха-

После анализа проблемной области и

рактеристики

необходимых ему

продуктов

определения

целесообразности

внедрения

исходя из своих пожеланий. Но в реально-

интеллектуальной системы в этой сфере

сти, достаточно редко можно найти такой

приступают непосредственно к проектиро-

продукт, который бы был идеален во всем.

ванию системы.

Но для поиска каждый покупатель затрачи-

Существуют

различные

взгляды

на

вает огромное количество времени и ресур-

определение

числа

этапов

проектирования

сов. В связи с этим каждый человек может

интеллектуальных систем.

Это

зависит

от

совершать ошибки, пропускать действитель-

многих факторов, в частности от характера

функций будущей интеллектуальной систе-

но что-то важное и стоящее.

мы, области использования, наличия разви-

Создание

интеллектуальной

системы

тых инструментальных средств и т.д.

призвано сократить время поиска и на ко-

Процесс построения систем разделяет-

нечном этапе

выдавать наиболее

подходя-

ся на пять этапов, представленных на рисун-

щий вариант и тех, которые покупатель, при

ке 1, среди которых: идентификация опреде-

своем поиске, мог пропустить или отбросить

ления характеристик, выделение главных

по ошибке.

концепций предметной области, выбор фор-

При оценке проблемной области на

мализма представления знаний и определе-

ние механизма вывода решений, выбор или

разработка языка представления знаний и

© Сысоева А.А., 2018

тестирование самой системы.

ВЫПУСК № 1-2 (11-12), 2018

ISSN 2618-7167

ленной задачи выбора можно разделить на

Рисунок 2 – структура ЭС

следующие этапы:

1.

Создание классификации

предлагае-

Стоит рассмотреть структуру, пред-

мых ноутбуков

ставленную выше подробно. Интеллектуаль-

ный редактор системы предоставляет разра-

2.

Выявление потребностей покупателя

ботчику возможность обновлять,

дополнять

3.

Определение

необходимых

техниче-

существующую базу знаний, а также созда-

ских характеристик с учетом выявления по-

вать новую. К его основным задачам можно

требностей

отнести:

4. Выбор наилучшего товара из получив-

 Формирование входных параметров.

шегося набора.

 Настройка формы.

Для реализации данного

алгоритма

 Формирование правил.

разрабатывается

web-ориентированная си-

 Разработка наборов технических харак-

стема, структура которой представлена на

теристик (используются на заключительном

этапе для наилучшего выбора).

рисунке 2.

 Сопровождение базы знаний.

Такая экспертная система представля-

Интерфейс пользователя предназначен

ет собой программный комплекс, включаю-

как для самого покупателя, так и для мене-

щий клиентское и web приложение. Первое

джера, работающего с данной системой. С

исполняется в ОС компьютера, второе – в

помощью данного

интерфейса

решаются

среде интернет.

следующие задачи:

За основу в экспертной системе взята

 Определение типа пользователя.

система продукционного типа, включающая

 Формирование списка потребностей.

три основных компонента. К ним относятся:

 Формирование

списка необходимых

база знаний, рабочая память, и механизм ло-

характеристик.

После всех проделанных действий си-

гического вывода.

стема, в свою очередь, выполняет следую-