« Разновидности интеллектуальных информационных систем»

Содержание:

Введение

Экономика современности просто немыслима без информации. Очень многие предприятия решают сложные информационные задачи по принятию правильного решения для повышения рентабельности своего производства. В мы наблюдаем огромную конкуренцию. С развитием глобальной экономики, которая ориентируется на биржевые котировки, важно правильно оценить информационные потоки, быстро обработать полученную информацию и принять единственно правильное решение [ 1 стр 25]. Возникли новые проблемы по сбору и хранению больших объемов экономической информации.

История развития информатики — науки , которая занимается проблемами обработки информации, имеет богатую историю. Начало которой положили ученые далекого прошлого. Экономическая информатика также развивалась задолго до эры информатизации и современной компьютеризации. Но именно развитие информатики и появление новых технических средств дало возможность появлению целых систем для управления экономическими процессами. Такие системы называются автоматическими так как позволяют осуществлять процесс обработки информации по определенным алгоритмам.

И в наше информационное время мы можем констатировать тот факт что накоплен богатый опыт разработки и удачного внедрения автоматизированных информационных систем в определенных отраслях экономики. Но развитие экономической информатики не стоит на месте и мы видим как все больше и успешнее применяется опыт интеллектуальных систем. Отличие которых от простых автоматизированных в том что они созданы на использовании не просто массива данных, а ориентированны в основном на знания»[ 5 стр 5].. Зарубежный опыт использования таких систем показал высокую эффективность их и обладает большими перспективами. Это стало возможным после появления новых алгоритмов по обработки нестандартной информации, ведь для принятия решения эксперты пользуются не только легко доступной для обработки компьютером числовой информации, но другими видами. Анализ и прогнозирование — это основа любой экономики.

Доход и рентабельность многих компании в большой степени зависит от точности прогнозов, оптимальностью выбранных стратегий[ 3 стр 64].. Анализом традиционно занимались группы экспертов, а значить существует субъективность в этом процессе. Ошибка анализа чревата неправильному прогнозу и потерей дохода. Содержание групп экспертов также составляет ощутимую долю в расходах любого предприятия. И многие экономисты с надеждой смотрят на развитие интеллектуальных технологий. Надеются что именно они принесут ощутимый эффект.

Только с помощью таких абсолютно естественных и доступных средств общения человека с автоматом, который формально исполняет компьютерную программу, станет возможным уже в ближайшее время создание систем, адекватно моделирующих человеческий интеллект и такие его свойства, как мышление, сознание, интуиция и подсознание…[ 1 стр 125]. Эти системы в информатике получили сегодня название интеллектуальных информационных систем (ИИС).

В информационной экономики уже появились исследования в области интеллектуальных информационных систем. Результаты опубликованные учеными экономистами позволяет считать, что [ 11 стр 28] появилась сравнительно новая устойчивая система знаний и понятий так называемая методология проектирования, которая определяет типовые структуры построения и внедрения, таких систем и их компонентов.

Цель моей курсовой работы - собрать знания о состоянии развития экономических информационных систем; о той новой информационной среде решения управленческих задач, связанной с использованием средств и методов искусственного интеллекта; о тех навыках разработки и принципах использования интеллектуальных информационных систем в различных прикладных областях (основные сферы производственного цикла, финансово-экономические информационные системы).[ 31 стр 78].

Предметом изучения курсовой будет- экономические информационные системы и методы применения таких систем в процессах сбора экономической информации. Одной из разновидностью таких систем являются интеллектуальные информационные системы. В своей работе я хочу разобраться с этим понятием, рассмотреть системы искусственного интеллекта, особое внимание хочу уделить системам искусственного интеллекта — нейронным сетям. Эта тема очень значима для меня тем что я работаю в сфера развития таких систем. Эффективность этих методов и перспективных средств является организация и обработка новых знаний о возможностях и потенциале развивающегося предприятия, знания становятся его интеллектуальным капиталом. [ 3 стр 64]..

В ходе этой работы были поставлены следующие задачи:[1 стр 7].рассмотреть определения и обработать понятия, которые связанны с рассматриваемыми интеллектуальными информационными системами;

составить классификацию интеллектуальных информационных систем;

разобрать этапы разработки и проектирования интеллектуальных информационных систем;

исследовать выявленные понятия системы искусственного интеллекта;

изучить методы прогнозирования на основе информационных систем в финансах и бизнесе;

привести примеры применения информационных систем на практик;

проанализировать достоинств и недостатков информационных систем в зависимости от параметров внедрения. [ 3 стр 8].

Для создания курсовой мною были собраны и проанализированы много источников в сфере экономики и информатики, использовались интернет источники. Все они достаточно цитируемые в среде специалистов по экономики и информатики и это является причиной моего выбора.

1. Интеллектуальные информационные системы

Интеллектуальная информационная система, это система, основанная на знаниях. ИИС это комплекс программных средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке [цит http://ru.wikipedia.org/wiki ].

ИИС и подобные системы объединяют в себе новые возможности СУБД, которые лежат в основе ИС, а так же технологию искусственного интеллекта, благодаря чему организованное хранение в них информации экономического направления может сочетается с обработкой и подготовкой этой информации для использования при принятии экономических решений.[ 8 стр 82].

Первоначально ИИС и подобные ей системы, основанными на знаниях, могли рассматриваться как средство, позволяющее экономистам а не экспертам принимать ответственные решения с таким же качеством, как решения экспертов в конкретной области. Но очень быстро стало ясно, что эта универсальная технология способна действительности к достижению очень большего объема знаний и более быстрого реагирования, чем группа специалистов. Вначале ИИС попробовали использовать в направление инвестиций.

Получение прибыли это видимый и достаточно ощутимый эффект, но не малое значение имеет тот факт ,что результат машинной обработки намного точнее чем большинство результатов принятых человеком. В отличие от принятых обычных аналитических и статистических моделей, эти ИИС могут получить решение которые трудно формализуемых еще слабо структурированные задачи[5 стр 128].

Конечно ИИС могут работать со слабо структурированными данными что подразумевает наличие следующих качеств:

· находить решения задачи, которая описана только в терминах мягких моделей, и зависимости между основными показателями пока являются еще не вполне определенными скорее неизвестными в пределах некоторого класса;

·работоспособность с динамичными неопределенными данными, которые могут меняться в процессе обработки, это позволяет им использовать ИИС в тех условиях, когда многие методы обработки информационных данных будут изменяться по мере поступления новых данных;

· перспективность такой системы и получение знаний из накопленного опыта увеличивает мобильность и гибкость системы, позволяя ей быстро осваивать новые области применения.

Доступность использования информации, которая открыто не хранится, а определяется из имеющихся уже в базе данных, может позволить уменьшить объемы хранимой пользователем информации [ 2 стр 318].

Видимая направленность ИИС для решения слабо структурированных и классифицированных данных, плохо формализуемых для человека задач позволяет расширить область применения таких ИИС. Развитые коммуникативных способностей у ИИС дают возможность менеджеру выдавать задания компьютерной системе и получать обработанные данные от нее на языке, близком к естественному. Система естественно-языкового интерфейса (СЕЯИ) транслирует естественно-языковые структуры на внутри машинный уровень представления знаний[7 стр 26].

Машинная программа интеллектуального интерфейса конечно уже воспринимает многие сообщения пользователя и изменяет их в форму базы знаний т. е. переводит внутреннее машинное представление результата обработки в формат доступный для пользователя с выдачей сообщений на цифровой носитель. Одно и важнейшее требование к организации такого диалога пользователя с ИИС это доступность и естественность, использование понятных профессиональных терминов конкретной области применения[ 15 стр 345]. Сегодня ИИС распространены для экономического анализа деятельности различных типов предприятия, инвестиционного анализа, стратегического планирования, оценки экономических рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга.

Особенности ИИС отличающие их от обычных ИС состоит в следующем:

· пользовательский интерфейс использует естественный язык с характерными для предметной области понятиями;

· способность подсказывать пользователю, как правильно ввести экономические показатели и как выбрать параметры наиболее подходящие к его задаче или экономической модели;

·визуализация модели экономического объекта в виде правдоподобной базы знаний в сочетании с возможностью эффективной работы с неполной или частичной информацией;

· способность быстрого автоматического обнаружения известных закономерностей бизнеса в накопленных фактах а так же включения их в базу знаний.[ 3 стр 8].

ИИС очень эффективны в области применении к слабо структурированным задачам. Когда в задаче отсутствует строгая формализация, то обычно применяются эвристические процедуры, которые позволяют в большинстве случаев получить решение[ 6 стр 59]. Именно поэтому диапазон применения ИИС широк: от управления непрерывными технологическим процессами в реальном времени до оценки последствий от нарушения условий поставки товаров по импорту.

Как мы теперь понимаем ИИС широко и достаточно часто применяется в экономике, так как экономические процессы содержат в себе анализ большого количества информации. А данные системы позволяют современному человеку индивидуализировать эту информацию и в понятном для него диалоге осуществить ввод ее в систему. Сам анализ осуществляется автоматически, и не требуют от пользователя наличия больших знаний и умений анализировать сложную информацию. Результат от работы таких систем сравним с работой большого коллектива экспертов, что дает большую экономию средств и ресурсов. Несомненно у таких систем мы видим огромный потенциал на будущее.

1.1 Классификация ИИС

Существует много и разных оснований для классификации ИИС:

сами предметные области в экономике и других отраслей,

уровень автономности и самостоятельности от корпоративной ИС или базы данных,

метод и способ быстрого взаимодействия с объектом, адаптивности.[1, стр. 44]

На рисунке 1 для примера приведены ИИС из областей менеджмента, риск-менеджмента и инвестиций. [1, стр. 64]

Рис 1. Классификация интеллектуальных информационных систем

Можно классифицировать по степени интеграции ИИС :

автономные в виде состоятельных и самостоятельных программных , конечно с собственной базой данных;

объединенные с корпоративной общей системой с помощью средств дистанционного общения ODBC или OLE dB;

интегрированные или частично [1, стр. 164]

Так же можно классифицировать по степени оперативности принятия решений:

динамические и статические ИИС. [1, стр. 166]

Но надо понимать что является существенным в ИИС, а это конечно фактор времени. Не может быть всегда и полностью статических систем. Наверное правильней различать ИИС реального времени с собственными сенсорами и эффекторами и советующие-диалоговые, в работу которых вовлечен пользователь.[1, стр. 156]

Интересно классифицировать по адаптивности:

обучаемые ИИС типа нейронных сетей, т.е. системы, параметры, структура которых могут изменяться в процессе обучения или самообучения:

ИИС, параметры которых изменяются администратором базы знаний. Именно эти модели знаний приведены непосредственно на рис. 1.[2, стр. 464]

Многие ИИС размещаются на различных сайтах и используют естественные языки для сбора и обработки информации, построенны такие системы на основе логических языков программирования. А последние системы создаются на основе процедурных языков.И чаще сего классифицируют ИИС по способу создания систем.

Чаще всего такие системы выполняют разные рекламные или диагностические задачи и функции. Способ классификации по задачам и функциям часто описываются в различной литературе.

Все системы знаний бывают системами синтеза и системами анализами. В системах анализа выданные решения могут быть включены в саму систему. А в системах синтеза количества решений обычно не ограниченно. |Сама задача делится на подзадачи и решение задачи формируется на основе решения этих подзадач.

Понятно что методов классификаций много, и мы привели только несколько из них, это те которые нам показались наиболее интересными.

1.2 Особенности и признаки интеллектуальности информационных систем

Любая информационная система создается для выполнения определенных функций. Обычно через вводимые пользователем информационные запросы формируются и необходимые исходные данные. Система обрабатывает введенные в систему данные. Обеспечивает их долговременное хранение и в соответствии с известным алгоритмом система формирует требуемую выходную информацию. [17, стр. 56]

Можно сравнить систему с предприятием где, информационный запрос это заказ на производство, а исходные данные это сырье для производства. Произведенный продукт производства- выходная требуемая информация. Алгоритм преобразования информации сравним с оборудованием и инструментами производства.

Понятные и осмысленные данные по своей природе фактуальные, а данные которые можно интерпретировать как факты, что позволяет извлекать из них информацию это операционные знания. [9, стр. 26]

Информация по сути - это новое и полезное знание для решения каких-либо задач.

Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание - интенсиональным (обобщенным).

Получение информации из данных сводится к адекватному соединению операционного и фактуального знаний в различных типах ИС. Это можно выполнять по-разному. Простой путь их соединения заключается в рамках одной прикладной программы, которая состоит из алгоритма и данных определенной структуры.[3, стр. 18]

Алгоритм состоит из операционных знаний а фактуальные знания формируют структуру данных, которые неотделимы друг от друга.

При использовании любых компьютерных систем возникает проблема ее модификации в процессе развития предприятия или изменения входных данных. Нужно обычно переписывать программу. Поэтому возникает полная зависимость от разработчика ИС, и эта зависимость резко снижает эффективность. Роль пользователя совершенно ничтожна. Он не может влиять на процесс обработки данных.[12, стр. 106]

Понятно что такие ИС обладают низкой жизнеспособностью и одним из недостатков является не адаптивность системы к изменениям информационных потребностей.

В системах называемыми базами данных (СБД - Data Base Systems), происходит отделение фактуального и операционного знаний друг от друга. Фактуальные знания организуются в виде базы данных, операционные - в виде программ. Здесь роль пользователя возрастает. Система автоматически генерирует обработку данных по запросу пользователя. Это мы наблюдаем при реализация SQL или QBE запросов. Особая роль отводиться системе управления базой данных (СУБД): СБД = Программа <=> СУБД <=> База данных. Она посредник между программой и базой данных .[2, стр. 124]

Разработкой таких систем управления базой данных сегодня занимаются многие специалисты. И они готовы повысить гибкость ИС выполнять разнообразные запросы пользователей.

Для создания информационного запроса пользователь должен представлять себе структуру базы данных и алгоритм решения задачи.

Т.е. пользователь должен обладать определенным набором знаний. Так как пользователи чаще всего имеют дело с плохо формализуемыми задачами то традиционные информационные системы им редко подходят. Более подходят интеллектуальные информационные системы (ИИС). [2, стр. 24]

Именно запросы пользователей послужило первым шаром в развитии ИИС.

Сегодня в истории развитии интеллектуальных информационных мы видим, что системы баз данных способны выделиться в самостоятельную подсистему. Эти подсистемы получили названия репозиторий метазнания, и они есть отражение проблемной области моделирования. Они описывают структуру операционного и фактуального знания.

В таких системах и программы, и структуры данных формируются и генерируются из единиц знаний, описанных в репозитории, каждый раз при изменении модели проблемной области.[2, стр. 124]

Как мы видим ИИС имеют свои ярко выделенные особенности, что позволяет им развиваться в современном информационном обществе, решать такие сложные и проблемные задачи экономики. Их характерные и интересные для пользователя возможности повлияли на отказ от традиционных баз данных, которые несколько десятилетий интенсивно развивались и имели неплохой результат в решение задачи обработки больших объемов информации. Но запросы пользователей на автоматизацию процессов принятия решений подтолкнула разработчиков к созданию новых интеллектуальных систем.

1.3 Модели представления знаний в ИИС, основанных на правилах

Пришло время разобраться с ПО, которое представлено как совокупность двух разновидностей знаний – декларативные и процедурные. Декларативными знания обычно называют знания о свойствах сущностей ПО и об отношениях между ними. Процедурными называют знания о допустимых правилах манипулирования такой информацией.[4, стр. 224]

Если поставить вопрос о том как была получена совокупность фактов или вопрос почему именно эти факты, а может вопрос в каких условиях эти факты имеют смысл, то именно декларативные знания утверждают факт наличия определенных свойств сущностей.

Как же получаются, синтезируются новые знания. Давайте попробуем с этим разобраться. Процедурные знания определяют правила, методы и процедуры. С их помощью осуществляется разнообразный анализ этих декларируемых знаний. И уже на его основе этого анализа необходимо получить новые знания. [15, стр. 54] Давайте попробуем пояснить это с помощью примера. Применим к определенной совокупности фактов некую последовательность известных правил, результат отношения свойств. Остается выяснить, какие это виды отношений свойственны сущностям ПО и их свойствам.

Главным же вопросом при создании базы знаний ИИС является выбор модели представления знаний (ПЗ) о свойствах сущностей ПО и отношениях (связях) между ними. Каждая модель должна определять не только структуры информации различных уровней.[12, стр. 106] . После выбора нужной модели и разработкой архитектуры системы, возникает вопрос создания сомой программы. А программы пишутся программистами. И создаются они на языках, которых сегодня великое множество.

Очень важно чтобы было соответствие фактов структуре внутренних операций компьютера и структуре выбранных языков программирования для реализации модели.

Выбор языка программирования для создания системы становиться одним из главных факторов. Этот выбор напрямую зависит от человека, его знания и умения. Именно на нем вся ответственность по выбору. Но и нельзя уменьшать роль структуры и выбор правил взаимодействия различных факторов системы. И эффективность системы обусловлена правильным выбором языка программирования, созданной структуры и грамотным подбором правил взаимодействий всех параметров информационной системы.

Итак в этой главе мы рассмотрели вопрос о ИИС, классифицировали системы по разным признакам. Разобрали факторы влияния на создания систем и в следующей главе попробуем разобраться с понятием искусственного интеллекта.

2. СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Что такое искусственный интеллект и для чего он нужен. В жизни любого человека интеллект прежде сего влияет на процесс его обучаемости. Под это понятие включают уровень предметной обученности: его воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих задач (знания, активное интеллектуальное понимание). Чаще всего интеллектуальный человек проявляется в решении нестандартных задач и разработка алгоритмов для их решений. Поэтому решение нестандартной задачи представляет собой проблему. [15 ст 406 ]

Алгоритм это решение задачи в формальном виде. Самое сложное в решение это как раз разработка алгоритма. Он должен решать не конкретную задачу, а подходить к любой подобной задачи. Если есть алгоритм есть и решение. Разработка алгоритма решения задачи это трудоемкий процесс, главное для этого не достаточно быть изобретательным, нужно иметь много опыта, и быть высоко квалифицированным специалистом. [15 ст 250 ]

Алгоритм используется тогда, когда он состоит из определенной последовательности достаточно простых или даже элементарных для решения задач. Система всегда способна реализовать только элементарные операции на различных шагах этого алгоритма. В результате алгоритма нерешаемая задача должна становится решаемой.

Исходная информация всегда поступает на вход алгоритма, далее она преобразуется, в результате на выходе алгоритма получаем выходную информацию. Это и есть решение задачи.

В экономике многие задачи имеют проблему с разбиением процесса на отдельные элементарные шаги, а значит и разработка алгоритма, весьма затруднительны. Нужен такой интеллект, который представляет собой универсальный алгоритма, способный самостоятельно разрабатывать алгоритмы решения конкретных задач.[15 ст 46 ]

Итак мы попытались разобраться в понятии искусственный интеллект и роли алгоритма для решения задач, интеллект это не просто набор знаний, это прежде всего умение обучаться на основе набора знаний. Нужно иметь логическое мышление, навыки принятия решения в нестандартных ситуаций. Это под силу не каждому человеку, а сделать интеллектуальную машину еще труднее. И как мы видим задачу разработки интеллектуального компьютера пока не удалось никому. Но попытки создания систем интеллектуальных уже применяются не одно десятилетие. И сегодня нам доступны многие системы , которые смело мы можем назвать интеллектуальными. При создании любых программных продуктов как мы поняли главное разработать алгоритм. Решить задачу могут многие но разработать алгоритм для всего класса подобных задач это не каждому под силу. Особенно если речь идет об экономических решениях, ведь они сильно отличаются от вычислительных задач.

2.1 Понятие и классификация систем искусственного интеллекта

Существуют следующие классы систем искусственного интеллекта:

1. Системы с обратной интеллектуальной связью, которой есть интеллектуальный интерфейс.

2.Системы распознавания образов.

3. Автоматизированные системы поддержки принятия решений.

4. Экспертные системы (ЭС).

5. Генетические алгоритмы и моделирование эволюции.

6. Когнитивное моделирование.

7. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining).

8. Нейронные сети.[8 ст 16 ]

Рассмотрим подробнее эти классы. Возьмем системы с интеллектуальной обратной связью и интеллектуальными интерфейсами:

Интеллектуальный интерфейс (Intelligent interface) имеет интерфейс, который связывает пользователя и программу посредством обработки текстовых запросов от пользователя.[8 ст 21 ] В таких системах человек должен уметь только правильно сформулировать свой вопрос, конечно этому необходимо научить. Так как вопросы-запросы хоть и задаются в текстовой форме но обязаны быть в соответствии с определенными правилами.

Пример - программа идентификация личности по почерку. Аутентификация – это проверка человека, установление его личности, который предварительно сообщил о себе некую информацию. Система сравнивает ее и таким образом происходит процесс распознавания образов.[8 ст 36 ] . Такие программы умеют большие перспективы, многим удобнее работать с бумажными вариантами документов, это конечно в первую очередь банковская сфера.

Существуют биологические системы с обратной связью (БОС). В них учитывается психофизиологическое (биологическое) состояние пользователя.

Пример - мониторинг состояния сотрудников на конвейере с целью обеспечения высокого качества продукции. Работа на конвейере трудоемкая и монотонная работа. При такой работе легко ошибиться, а учитывая какую высоко технологическую продукцию производят на них, ошибка человека из за плохого самочувствия может очень дорого обойтись производству.

Другой пример - компьютерные тренажеры для обучения больных с функциональными нарушениями управлению своим состоянием. Такие нарушения состояния сопровождаются тем что человек не всегда может объективно оценить свое состояние. Компьютерную систему обмануть практически не возможно и она в состоянии заметить малейшие изменения в состоянии больного.

Ну и трудно сегодня найти человека который не знает что такое компьютерные игры с БОС. Хотя о пользе и вреде игр много спорят но они занимают умы подрастающего поколения.

Системы с семантическим резонансом. Системы, поведение которых зависит от состояния сознания пользователя и его психологической реакции на смысловые стимулы. [8 ст 44 ]

Системы виртуальной реальности.

Последнее время широкое распространение приобрели системы виртуальной реальности – модельной трехмерной (3D), которой создается окружающая среда с помощью компьютерных устройств и реалистично реагирующая на взаимодействие с пользователями. Развитие виртуальной реальности стало возможным с появлением мощных персональных компьютеров. Для таких систем пришлось разработать более интересные устройства ввода-вывода информации. В системах ВР применяются виртуальные шлемы с дисплеями, шлемы со стереоскопическими очками, и устройства 3D-ввода - мышь с пространственно управляемым курсором или "цифровые перчатки", которые обеспечивают тактильную обратную связь с пользователем.[15 ст 26 ].

Автоматизированные системы распознавания образов:

Система распознавания образов - это класс систем искусственного интеллекта, которые работают с конкретными образами. Они отвечают за формирование обобщенных образов на основе ряда примеров объектов. Через эти образы и примеры происходит самообучение системы на основе анализа не классифицированной обучающей выборки. Особенность таких систем заключается в том что она способна измерять степени адекватности модели. Проверка адекватности раньше занимало много времени при создании компьютерных систем. Сегодня это уже почти поставленные на поток системы.

Автоматизированные системы поддержки принятия решений:[15 ст 106 ]

Системы поддержки принятия решений (СППР) – это моделирующие компьютерные системы направленные на помочь менеджеру в принятии решений управления на основе объединяя данных.

Это удобное для пользователя программное обеспечение, которое может поддерживать пользователя от начала до реализации и используется ежедневно. Ее цель автоматизация выбора самого оптимального варианта из исходного множества ходящей информации.[15 ст 11 ] А роли выбора можно говорить очень много. От правильного решения зависит почти все, прибыль, перспективность развития предприятия и многие человеческие перспективы.

Экспертные системы:

Экспертная система (ЭС) – это программа, которая позволяет даже не совсем опытному руководителю почувствовать себя в роли эксперта и решать сложные практические задачи. Именно их появление связывают с понятием искусственного интеллекта, они привлекли внимание потребителей. Экспертные системы сегодня используются в различных отраслях экономики. Они заменяют собой работу большого коллектива экспертов, а каждый эксперт это высоко грамотный человек, на его подготовку нужно потратить не малые средства , и предприятия тратят немалые деньги на оклады таким людям, а сегодня мы испытываем трудовой голод в нахождении таких специалистов.

Генетические алгоритмы и моделирование эволюции:[8 ст 28 ]

Генетические Алгоритмы (ГА) – позволяют решать одну из главных задач экономики, задачу оптимизации затрат. (см. Приложение А).

Когнитивное моделирование:

Моделирование или анализ, с учетом сходства и различия в влиянии различных факторов на объект управления, выявление будущих целевых и нежелательных состояний объекта управления вот качественно новый уровень управления процессом. Именно от него зависит стратегия экономического развития предприятия.

Результаты когнитивной структуризации отображаются с помощью когнитивной карты (модели) (см. Приложение Б).[15 ст 23 ]

Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining):

Все новое это хорошо забытое старое — так мы часто говорим.

Интеллектуальный анализ данных (ИАД или data mining) – это процесс поиска старых, неизвестных, но не менее полезных знаний. Достижения технологии data mining активно используются в банковском деле для решения проблем телекоммуникации, анализа биржевого рынка и др.[15 ст 44 ]

Нейронные сети:

Искусственная нейронная сеть (ИНС, нейросеть) - нейронная сеть это группа математических алгоритмов, обладающих удивительным общим свойством - умением обучаться на группе примеров, “узнавая” впоследствии черты ранее встреченных образов и ситуаций. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Есть много проблем с развитием таких систем , о них мы еще поговорим с следующих темах. Но с большой долей уверенности можно сказать, что практически любую задачу можно свести к задаче, решаемой нейросетью.[15 ст 35 ]

Мы разобрали достаточно подробно многие классы с искусственным интеллектом, увидели их достоинства и недостатки. Смогли понять сферы их применения и даже некоторые привели примеры. Поняли что сегодня без этих систем трудно развивать какие либо экономические проекты. Современный человек не может выполнять поставленные перед ним задачи, те темпы развития и требования предъявляемые современностью побуждают его к активному использования технических средств. Благодаря возросшему спросу идет быстрый рост и развитие разных систем автоматического моделирования. Эти системы сегодня выполняют множество функций в экономике и являются главными помощниками человека.

3. Нейронные сети в финансах и бизнесе

В 40-х годах появились нейронные сети, их начали в конце 80-х использовать в бизнесе. Нейронные сети удобно применять для прогнозирования различных ситуаций. Эти сети имеют особенность к самообучению, что позволяет им решать многие типы задач недоступные для других систем. Нейронные сети стали палочкой выручалочкой в мире финансов при прогнозирование котировок основных инструментов, банковской системе для определении и распознавания подозрительных операций с кредитной картой. [13 ст 122 ]

Конечно чтобы с сетью работать ее надо сначала построить. Для этого нужно выбрать архитектура, количество слоев. Этот этап достаточно громоздкий и требует грамотного исполнителя. Затем следует обучение, задают на вход значения, с известными ответами, сеть принимает решение. Каждое решение оценивается экспертом и происходит корректировка, в соответствии с правильностью принятого решения. Этот этап продолжительный по времени так как нужно чтобы сеть принимала все удовлетворительные решения. И только после полного обучения можно считать что сеть готова к решению практических задач.[11 ст 323 ]

Человек попадая в новую ситуацию может принять верное решение даже если никогда не сталкивался с чем то похожим. Человеческий мозг обладает огромной возможностью обобщения и распознавания. Но человек имеет один ощутимый недостаток, для принятия решения ему нужно достаточно много времени. Система не обладает такими возможностями, но нейронные сети эффективны в задачах экспертной оценки. Так как способность компьютера к обработке чисел намного выше чем у человека и если сеть получит и способность мозга к обобщению и распознаванию то мы получим идеальную сеть. И такие системы уже создаются. [11 ст 124 ]

Пример - сеть ориентированная на поиск зависимостей одного параметра от других в виде полинома. Такая сеть уже существует и может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами.[12 ст 35 ]. А большинство экономических задач, это задачи в которых одно решение зависит от другого. И не каждый эксперт может правильно найти зависимость одного решения от другого. Человеческий фактор при принятии таких решений никто не отменял.

У вычислительной техники есть много положительных фактов, благодаря которым они стали так популярны. Одним из достоинств компьютера является применение метода кластеризации( разбиение диска на несколько областей (кластеров), размер его заранее задан). Этот метод применили и в финансовой области. Се данные разбиваются на кластеры , что позволяет представить их в более наглядном виде. Дальше каждый кластер исследуется различными методами и результаты сравниваются. Например этот метод используется для выявления фальсифицированных страховых случаев. Сейчас так выявляют и недобросовестные предприятия.[12 ст 55 ]

Итак мы увидели как в бизнесе и финансах используются нейронные сети, насколько широка область их применений. Сегодня без этих систем не мыслено представить работу ни одного серьезного экспертного предприятия и института. Банковская сфера полностью зависит от таких сетей, и хотя необходимы большие затраты по времени и по реверсам для создания таких сетей, но польза от их применения несоизмерима больше. Многие зарубежные предприятия используют такие системы, и достаточно успешны. У нас еще только начинают изучать зарубежный опыт, но история развития всех автоматизированных систем занимает достаточно сжатые сроки, и мы может с уверенностью сказать что уже в ближайшее время мы увидим как такие системы эфективно поднимают нашу экономику.

3.1 Прогнозирование на основе нейросетей

Отдельно хотелось бы остановиться на прогнозировании при принятии решений в управлении. Без правильного планирования работы предприятия говорить о его эффективности нельзя. А это планирование напрямую зависит от наилучшего выбора решения руководителя и конкретного исполнителя. Существуют целые организации по планированию — прогнозированию. [5 ст 315 ]. Подготовка и поиск хорошего руководителя очень трудное и ответственное решение. Государство тратит огромные средства на эти цели.

Особенно важна роль планирования и прогнозирования в системе управление материально-производственными запасами. Ошибка в прогнозе может очень дорого стоить любому производству. Это и потеря времени, доходов и многое другое. Кроме того, необходимо оценить ошибку прогнозирования. Эта ошибка может быть оценена, например, на основе данных о времени, которое понадобилось для доставки деталей, которых не было на складе. Только на основе правильного планирования можно говорить о готовом производстве.[6 ст 235 ]. Последне время мы часто видим такие ошибки, предприятия с огромным апломбом открывают, показываю по средствам телевидения а затем через некоторое время тихо закрывают из за его неэффективности.

Финансовое планирование не менее важно чем планирование производства. Финансового менеджера интересует, как будет изменяться денежный оборот компании с течением времени.

Менеджер нужно узнать, в какой период времени в будущем оборот компании начнет падать, с тем, чтобы принять соответствующее решение уже сейчас.

Можно много говорить о расписании работы персонала, его роль напрямую связана с производительностью производства.

Создание любого нового производства начинается с планирования нового продукта. Решение о новом продукте обычно требует долговременного прогноза нужен ли этот продукт на рынке и будет ли он пользоваться спросом у пользователей. Этот прогноз не менее важен, чем определение инвестиций необходимых для его производства. [1 ст 325 ]

Прогнозирование это очень важная часть системы управления технологическими процессами. Прогнозирование производительности процесса может быть полезно при планировании времени окончания процесса и общего расписания производства.[11 ст 45 ]

Итак мы рассмотрели роль планирования и прогнозирования в экономике. Мы убедились что без грамотного планирования и прогнозирования не может обойтись ни одно производство или финансовая организация. Не даром работа над созданием предприятия всегда начинается с составления бизнес плана, и даже работа над курсовой или рефератом мы начинаем с плана. И для этих целей конечно необходимо использовать все новые методы и технологии, одна из таких возможностей дают нам нейронные сети о которых мы говорили выше. И как мы убедились человек с его достоинствами и недостатками не может сравнится с компьютерными системами.

3.2 Преимущества и недостатки прогнозирования на нейросетях

Прогнозирование на НС обладает рядом недостатков. Для составления правильного прогноза системе необходимо знать информацию за большой период, чем больше тем лучше, а это зачастую проблематично. Конечно мы можем построить удовлетворительную модель на НС даже в условиях нехватки данных ведь достоинство таких систем в том что модель может уточняться по мере того, как свежие данные становится доступными. Но в качестве такого прогноза мы не можем быть целиком уверены.

Другим недостатком нейронных моделей, мы уже о нем говорили в предыдущем материале, — значительные затраты по времени и другим ресурсам для построения удовлетворительной модели. Конечно когда речь идет о большом производстве эта проблема не очень важна. Тем не менее, обычно прогнозирующая система в области управления производством может включать от нескольких сотен до нескольких тысяч временных последовательностей.

Но несмотря на все выше перечисленные недостатки, модель обладает рядом достоинств. И главным достоинством является ее возможность к обучению по мере того, как появляются новые наблюдения. Такие сети уже широко используются там где есть временные последовательности, в которых мал интервал наблюдений, т.е. может быть получена относительно длительная временная последовательность. По этой причине модель может быть использована в областях, где нас интересуют еже часовые, ежедневные или еженедельные наблюдения. Эти модели также используются в ситуациях, когда необходимо анализировать небольшое число временных последовательностей.

Именно поэтому нейронные сети и генетические алгоритмы сегодня находят огромное число разнообразных применений

Так как почти в любой деятельности существуют множество плохо алгоритмизуемые задачи, и для их решения требуются высоко квалифицированные эксперты, которых часто нехватает на производстве или подготовка требует больших затрат, что в конечном итоге сказывается на рентабельности производства, то экономика ищет все новые ресурсы для удешевления себестоимости производимой продукции. Новые системы автоматизации, каковыми являются нейронные сети зачастую дают возможность резко снизить затраты на продукцию. Можно потратить деньги и обучить необходимых специалистов и делать это из года в год, а можно купить полностью готовые специализированные нейросетевые системы, а многие выбирают другой путь — разработка своих систем. Но большинство комбинируют эти подходы, создавая собственные системы с нуля на основе готовых коммерческих пакетов. Каждый из вариантов внедрения новых технологий имеет свои достоинства и недостатки (таб.1):

Таблица 1 - Создание группы экспертов

Достоинства	Возможность решения любых затруднений и задач.
Недостатки	подготовка таких экспертов требует большие затраты по времени и финансам, содержание таких специалистов тоже не дешево. Человеческий фактор никто исключить не может, любой эксперт имеет право на ошибку. К тому же потеря такого эксперта может привести к большим потерям. А сегодня производство испытывает трудовой голод.

Итак надеюсь очевидно эксперт это очень хорошо, но указанные недостатки настолько очевидны, что большинство предприятий ищут возможности решать свои проблемы другими методами.

Таблица 2 - Покупка готовой заказной системы

Достоинства	Такая система создается с учетом всех особенностей компании, создана хорошими специалистами и отвечает все запросам компании
Недостатки	Эксплуатация таких систем требует постоянно финансирования компании разработчиков, нет никакой гарантии в сокрытии информации.

Какое время назад по такому пути пошли многие предприятия. Но сегодня с развитием компьютерных технологий можно найти более современные и перспективные методы.

Таблица 3 - Создание собственной системы «с нуля»

Достоинства	Только плюсы в такой системе, она индивидуальна, конфиденциальна.
Недостатки	Необходимо содержать специалистов по системе, а это всегда дорого.

Примеры таких систем есть много в финансовой сфере. На мой взгляд это будет развиваться и дальше. О подходит больше к большим, крупным предприятиям.

Таблица 4 - Создание системы на основе готовых «нейропакетов»

Достоинства	Это как игра в конструктор, небольшие вложения по приобретению пакета и обучению профессионалов, обычно есть техническая поддержка производителей, полная конфиденциальность, не требуется программирование
Недостатки	Все рано нужно модификация и необходима настройка системы , необходима подготовка данных

Такой вариант очень подходит к небольшим и не богатым предприятиям.

Итак мы видим что решение проблем есть и нужно только выбрать наиболее подходящий вариант исходя из целей и возможностей компании.

Если это крупная компания, которая не ждет быстрой прибыли, а планирование идет на несколько лет вперед, то имеет смысл приглядется к первым трем вариантам. Так и делают много фирмы в условиях жесткой конкуренции.

Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей.

Давайте рассмотрим примеры где используются такие сети.

Примеры всегда лучше всего показывают все плюсы и минусы сетей, когда видишь легче принимать решение, и выбор для предприятия необходимо начинать с анализа работы других предприятий.

Таблица 2 - Использование нейросетей в различных областях бизнеса и технологий

Функции	До применения нейросетей		После применения нейросетей
1. Отслеживание операций с краденными и поддельными кредитными картами	Отслеживание операций по картам с помощью специальных программ и операторов		Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом.
2.Медицинская диагностика	Для диагностики используют различные раздражители и фиксируют отклик. Но например для диагностики слуха у детей врачу необходимо провести около 2000 тестов, что занимает около часа.		"НейроПроект" создана система объективной диагностики слуха у грудных детей. Всего 200 наблюдениям в течение всего нескольких минут, а результат тот же, причем без участия квалифицированного персонала.
3. Обнаружение фальсификаций	Применение специальной экспертной системы с 14% эффективностью.		Нейросеть позволяет обнаруживать 38% мошеннических случаев. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации.
4.Оценка недвижимости		Оценка экспертами. Недостатком - субъективность оценщика, а также возможные разногласия между различными экспертами.		Существуют успешные примеры решения задачи объективной оценки с помощью нейросети.

Эти все примеры показывают, что технологии нейронных сетей применимы практически в любой области. Можно еще приводить другие примеры. К сожалению мы не можем рассмотреть все, но и эти примеры показывают что нейронные сети стали неотъемлемой частью общества, хорошим инструментом при организации работы предприятия. И хотя они используются еще не повсеместно но технический прогресс нельзя остановить, и их применение это только вопрос времени.

ЗАКЛЮЧЕНИЕ

Подводя итоги моей работы хочется вспомнить все что мы узнали. Прежде всего мы разобрались с понятием информационная система. Как мы выяснили это компьютерная модель интеллектуальных возможностей человека. Система помощи человеку в процессе обработке, в целенаправленном поиске, анализе и синтезе текущей информации об окружающей действительности. Цель ее получение новых знаний и решение различных жизненно важных задач. Система успешно использует большие базы данных и генерирует алгоритмы для решения экономических задач .Это сложные задачи так как них преобладает смысловая или логическая обработка информации и она преобладает над вычислительной.

Одна из разновидности таких систем это экспертные системы, которые являются математическим средством построения перспективных интеллектуальных автоматизированных систем обработки информации и управления.

Мы видим ИИС имеют свои ярко выделенные особенности, что позволяет им развиваться в современном информационном обществе, решать такие сложные и проблемные задачи экономики. Их характерные и интересные для пользователя возможности повлияли на отказ от традиционных баз данных, которые несколько десятилетий интенсивно развивались и имели неплохой результат в решение задачи обработки больших объемов информации. Но запросы пользователей на автоматизацию процессов принятия решений подтолкнула разработчиков к созданию новых интеллектуальных систем.

Во второй части работы мы подробно разобрали нейронные сети. Мы разобрались что нейронная сеть это группа математических алгоритмов, обладающих удивительным общим свойством - умением обучаться на группе примеров, “узнавая” впоследствии черты ранее встреченных образов и ситуаций. Не смотря на очевидное достоинство нейронной сети у нее есть ряд недостатков. Главный - ее неэффективность при отсутствии «исторических данных», а также невозможность использования других, более формальных, методов. Для правильной работы сети , ее надо тренировать на входный параметров для которых заранее определены правильные ответы.

Новые системы автоматизации, каковыми являются нейронные сети дают возможность резко снизить затраты на продукцию. Сегодня уже существует богатый опыт в использовании нейросетевых технологий в финансовом и других методах анализа. Но в основном это зарубежный опыт, в России и Казахстане найти готовые пакеты нейронных сетей весьма непросто. Но мы надеемся что применение таких сетей скоро будет повсеместно.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 1997 г., №4.

2. Виноградова, М.М. Интеллектуальные информационные технологии в экономике и управлении/М.М. Виноградова//Стратегический маркетинг гражданской продукции оборонной промышленности: доклад научно-практических семинаров. – М., 2001.

3. Грабауров, В.А.Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с.

4. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2006. – 615 с.

5. NeuroProject [Электронный ресурс]. –Al&Data Analysis. Электрон. Дан. – М NeuroProjec Al&DataAnalysis, 1992 – 2006. - Режим доступа: http// www.neuroproject.ru, свободный. – Заглавие с экрана.

6. Финн В.К. Искусственный интеллект: Идейная база и основной продукт, 9-я национальная конференция по искусственному интеллекту, Труды конференции, Т.1, М., Физматлит, 2004, с.11-20.

7. Финн В.К. Об интеллектуальном анализе данных //Новости искусственного интеллекта №3, 2004.

8. Карпов В.Э. Эволюционное моделирование. Проблемы формы и содержания // Новости искусственного интеллекта №5, 2003.

9. Барсуков А.П. Кто есть кто в робототехнике. Справочник. Вып.1., ДМК-Пресс, 2005, -125 с.

10. Добрынин Д.А., Карпов В.Э. Моделирование некоторых простейших форм поведения: от условных рефлексов к индуктивной адаптации //Сб. научных трудов I Международной конференции «Системный анализ и информационные технологии САИТ-2005», М.: КомКнига, Т.1, стр. 188-193.

11. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. Уч.- М.: Финансы и статистика, 2004.- 424 с.

12.Арсеньев С. Н., Шелобов С. И., Давыдова Т.Ю. «Принятие решений. Интегрированные информационные системы». Учебное пособие для ВУЗов. М.:Юнити-Дана, 2003.-270 с.

13.Джексон П. Введение в экспертные системы/ Учебное пособие - М.: «Вильямс», 2001 – 624с.

14. Леденева Т.М., Подвольный С.Л. Системы искусственного интеллекта и принятия решений: учебное пособие; Уфа: УГАТУ, 2005. – 246 с.

15. Поспелов Г. С. «Искусственный интеллект. Новые информационные технологии» - М.: «Наука 2006г.»

16. Системы управления базами данных и знаний. Справ. Изд./А.Н. Наумов, А.М. Вендров, В.К. Иванов и др.; Под ред. А.Н. Наумова. – Финансы и статистика, 2001.

ПРИЛОЖЕНИЕ А

Простой генетический алгоритм

ПРИЛОЖЕНИЕ Б

Технология когнитивного анализа и моделирования