Устройство и функционирование информационных систем
Искусственный интеллект (artificial intelligence) -- это свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.
ИИС предназначены для:
1. диагностирования и экономического анализа деятельности предприятия;
2. оказания помощи в антикризисном управлении;
3. оценки и принятия экономических решений;
4. стратегического планирования;
5. инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга и т.д.
Методы искусственного интеллекта реализуются различными средствами: нейронными сетями, генетическими алгоритмами, системами нечеткой логики и др. Их применение позволяет работать с неточными данными, достигать при этом достаточной точности, и не требует от пользователей специальных математических знаний.
Системы на основе нейрокомпьютерных технологий (нейросети). Их компонентами являются нейронные компьютеры и процессоры, нейронные сети (как класс специализированных алгоритмов).
С помощью нейросетей моделируются взаимодействия нейронов аналогично их функционированию в мозге человека. 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.
С большим уровнем упрощения искусственную нейросеть можно рассматривать как совокупность логически 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. Настройка нейросети сводится к определению структуры нейронов и значений весовых 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.
Используются нейросети с однослойными и многослойными структурами, с прямым распространением сигналов и с обратными связями. Они характеризуются размерами и структурой, методами отбора данных для анализа, временем и алгоритмами обучения, точностью, способностью к обобщению. Усложнение структуры нейросети расширяет ее функциональные возможности и обеспечивает нахождение моделей, более точно описывающих особенности взаимосвязи массивов показателей, которые используются при настройке сети.
В настоящее время применяются: многослойные персептроны, сети Хопфидда, RTF-сети, вероятностные (байесовские) сети, самоорганизующиеся карты Кохонена и др.
Системы на основе генетических алгоритмов используются для решения комбинаторных задач и задач оптимизации. Поиск решения задачи осуществляется в соответствии с минимизацией некоторого заданного критерия. Каждое возможное решение описывается определенным набором (последовательностью) атрибутов (параметров, имен). Их значения интерпретируются как гены. Последовательность генов составляет хромосому, которую в этой модели можно рассматривать как один из вариантов решения.
Поиск оптимального решения рассматривается как процесс эволюции, где используются три механизма:
Отбор «сильнейших» наборов хромосом, которым соответствуют наилучшие решения.
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) вырабатывается такое решение поставленной задачи, которое заметно не улучшается в процессе дальнейшего поиска (дальнейшей эволюции). Критерий отбора хромосом и процедура порождения новых потомков в популяции являются эвристическими и не всегда гарантируют нахождение наилучшего решения. Тем не менее, эти алгоритмы популярны при моделировании экономических систем.
В качестве примера системы, использующей алгоритм генетической эволюции, можно назвать систему GeneHunter. Генетические алгоритмы применяются 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 используются для анализа целесообразности применения тех или иных решающих правил из значительного числа потенциально возможных правил при решении задач динамического управления в условиях существенных временных ограничений. Аппарат нечеткой логики оперирует в большей степени качественными параметрами функционирования объектов при неточных данных, описывающих их поведение. Это позволяет сократить время настройки системы управления и обеспечить приемлемый уровень точности в условиях неопределенности.
Одним из наиболее известных пакетов, реализующих аппарат нечеткой логики, является пакет CubiCalc. Он применяется 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.
Вывод
С помощью искусственного интеллекта производят анализ и выявление ошибок в бизнес-процессе предприятия. Возможно улучшение управления предприятия и дальнейшее ее поддержание.
Список литературы
https://www.sites.google.com/site/upravlenieznaniami/intellektualnye-informacionnye-sistemy-v-upravlenii-znaniami
https://zdamsam.ru/b67028.html
https://studfile.net/preview/1825485/page:114/
- Проблемы коммерческой деятельности в современной России
- Биография и научно-практическое наследие Анри Файоля
- Создание единых образовательных центров и комплексов – благо или ошибка
- Создание единых образовательных центров и комплексов – благо или ошибка (с точки зрения менеджмента)?
- The Creative Impulse
- Кадровые риски, связанные с привлечением новых сотрудников
- International management
- Электронная коммерция в России: ключевые направления развития
- Специфика маркетинговых исследований на рынке труда
- Правовой статус ТСЖ
- Главная задача лидера…
- Рынок потребителей программных продуктов в области автоматизации учета и анализа хозяйственной деятельности