Преподаватель который помогает студентам и школьникам в учёбе.

Применение нейронных сетей в экономике (Развитие систем искусственного интеллекта)

Содержание:

Введение

Современная экономика динамична и характеризуется глобализацией всех процессов, ориентацией на потребителя, увеличивающейся борьбе с конкурентами, проведением постоянных новшеств, которые требуют использования адекватных методов и средств оптимального управления.

Основополагающим вопросом результативного применения этих методов и средств является организация и обработка познаний о возможностях и потенциале, которые становятся его интеллектуальным капиталом.

Набирающая темп развития в менеджменте концепция управления знаниями, в настоящее время, предполагает использование современных интеллектуальных информационных технологий, в основе которых достижения научного направления «Искусственный интеллект». В связи с этим объясняется актуальность выбранной темы «Интеллектуальные технологии и их применение в экономических системах».

Применение интеллектуальных технологий призвано решать различные классы экономических задач в условиях неопределенности и быстро изменяющейся среды функционирования предприятий.

Объектом исследования курсовой работы является искусственный интеллект.

Предметом исследования является сущность и применение интеллектуальных технологий и систем.

Целью написания курсовой работы является изучение основ интеллектуальных технологий и систем, а так же исследование применения интеллектуальных технологий в экономических системах.

Исходя из поставленной цели, были сформированы следующие задачи, структурно повторяющие содержание курсовой работы:

рассмотреть основы интеллектуальных технологий и систем, включающие в себя их понятия, развитие систем искусственного интеллекта;
рассмотреть классификацию интеллектуальных систем;
изучить применение интеллектуальных технологий в экономических системах;
рассмотреть телекоммуникационные технологии в экономических информационных системах.

Информационной базой для написания курсовой работы послужили норматиновно-правовые акты и другие официальные документы, работы таких отечественных и зарубежных авторов как Белова В.О., Бобровского С.Б., Зенкина А.А., Козлова А.Н., Моисеенко Е.В., Лаврушиной Е.Г., Тельнова Ю.Ф., Хромина А.А. и других.

Основные методы, используемые при написании работы: метод анализа и синтеза литературы, классификации и обобщения.

Курсовая работа состоит из введения, двух глав, заключения и списка использованных источников.

Во введении обоснована актуальность выбранной темы, выделены объект и предмет изучения, обозначена информационная база и перечислены использованные методы исследования.

Первая глава курсовой работе посвящена изучению основ интеллектуальных технологий, выделены понятия искусственного интеллекта и интеллектуальных технологий, рассмотрено развитие система искусственного интеллекта и подходы к построению ИИ.

Во второй главе рассмотрена классификация интеллектуальных систем и их применение в экономических системах, так же рассмотрен подробный пример применения экспертной системы в анализе эффективности результатов финансово-хозяйственной деятельности предприятия.

В заключении приведены основные выводы по проделанной работе.

Список использованных источников содержит в себе перечень авторов и их работ, применяемых при написании работы.

1. ОСНОВЫ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ И СИСТЕМ

1.1 Понятие искусственного интеллекта и интеллектуальных технологий

Понятие искусственный интеллект (ИИ или AI) объединяет в себе не только технологии, позволяющие создавать интеллектуальные машины (включая компьютерные программы). ИИ – это также одно из направлений научной мысли.

Интеллект – это психическая составляющая человека, которая обладает следующими способностями:

приспособленческая;
обучаемость посредством накопления опыта и знаний;
способность применять знания и навыки для управления окружающей средой.

Интеллект объединяет в себе все способности человека к познанию действительности. При помощи него человек мыслит, запоминает новую информацию, воспринимает окружающую среду и так далее.

Под искусственным интеллектом понимается одно из направлений информационных технологий, которое занимается изучением и разработкой систем (машин), наделенных возможностями человеческого интеллекта: способность к обучению, логическому рассуждению и так далее.

В настоящий момент работа над искусственным интеллектом проводится путем создания новых программ и алгоритмов, решающих задачи так же, как это делает человек.

В связи с тем, что определение ИИ эволюционирует по мере развития этого направления, необходимо упомянуть AI Effect. Под ним понимается эффект, который создает искусственный интеллект, достигнувший некоторого прогресса. Например, если ИИ научился выполнять какие-либо действия, то сразу подключаются критики, которые доказывают, что эти успехи не свидетельствуют о наличии мышления у машины [7, с. 42].

На сегодняшний день не существует определения, которое однозначно описывало бы ИИ. Под интеллектом обычно понимается возможность ставить и достигать цели при изменяющихся обстоятельствах, способность выбирать из множества целей те, которые скорее ведут к желаемому состоянию, адаптация к изменениям в среде и внутренним состояниям путем изменения их изменений [14 c. 15].

В основе проекта любой ИС три составляющие:

методология проектирования,
технология проектирования,
инструментальные средства проектирования (CASE-средства).

Методология реализуется через конкретные технологии и поддерживающие их стандарты, методики разработки и инструментальные средства, которые обеспечивают выполнение процессов ЖЦ ИС.

Технология (от греч. techno – искусство, мастерство, умение) – это совокупность методов, организационных приемов и технических средств создания какого-либо объекта, в частности информационной системы.

Информационная технология – это способ преобразования информации. Информационная система является средой для реализации технологий, и в ней может использоваться много разных технологий. Например, технология обработки текстов не является частью информационной системы и реализуется вне такой системы.

Информационная технология включает в себя:

методы сбора и обработки информации,
организационно-управленческие концепции ее формирования и потребления,
совокупность всех видов информационной техники.

Таким образом, информационная технология может быть определена как система методов и способов сбора, накопления, хранения, поиска и обработки информации на основе применения средств вычислительной техники.

Технология проектирования определяется как совокупность трех составляющих:

Пошаговой процедуры, определяющей последовательность технологических операций проектирования;
Критериев и правил, используемых для оценки результатов выполнения технологических операций,
Нотаций (графических и текстовых средств), используемых для описания проектируемой системы.

Технологическая операция проектирования представлена на рис. 1. Такое представление является стандартным представлением, в котором каждая входящая стрелка несет определенную смысловую нагрузку, обозначая входные и выходные данные, механизм исполнения операции и способы управления ее выполнением.

Рисунок 1. - Технологическая операция проектирования

Таким образом, для интеллектуальной технологии постановка задачи - это самое главное. Поскольку интеллектуальная технология это и есть постановка задачи. Это возникает из-за того, что если задача поставлена, то, в традиционном смысле, выбирается уже известный метод и с его помощью эта задача решается.

1.2 Развитие систем искусственного интеллекта

Интеллект – это психическая составляющая человека, которая обладает следующими способностями:

приспособленческая;
обучаемость посредством накопления опыта и знаний;
способность применять знания и навыки для управления окружающей средой.

Сегодня развитие искусственного интеллекта идет по двум независимым направлениям: нейрокибернетика и логический подход.

Первое направление предусматривает исследование нейронных сетей и эволюционных вычислений с точки зрения биологии. Логический подход подразумевает разработку систем, которые имитируют интеллектуальные процессы высокого уровня: мышление, речь и так далее.

Первые работы в области ИИ начали вести в середине прошлого века. Пионером исследований в этом направлении стал Алан Тьюринг, хотя определенные идеи начали высказывать философы и математики в Средние века. В частности, еще в начале 20-го века была представлена механическое устройство, способное решать шахматные задачи.

Но по-настоящему это направление сформировалось к середине прошлого столетия. Появление работ по ИИ предваряли исследования о природе человека, способах познания окружающего мира, возможностях мыслительного процесса и других сферах. К тому времени появились первые компьютеры и алгоритмы. То есть, был создан фундамент, на котором зародилось новое направление исследований.

В 1950 году Алан Тьюринг опубликовал статью, в которой задавался вопросами о возможностях будущих машин, а также о том, способны ли они обойти человека в плане разумности. Именно этот ученый разработал процедуру, названную потом в его честь: тест Тьюринга.

После опубликования работ английского ученого появились новые исследования в области ИИ. По мнению Тьюринга, мыслящей может быть признана только та машина, которую невозможно при общении отличить от человека. Примерно в то же время, когда появилась статься ученого, зародилась концепция, получившая название Baby Machine. Она предусматривала поступательное развитие ИИ и создание машин, мыслительные процессы которых сначала формируются на уровне ребенка, а затем постепенно улучшаются [17].

Термин «искусственный интеллект» зародился позднее. В 1956 году группа ученых, включая Тьюринга, собралась в американском университете Дартмунда, чтобы обсудить вопросы, связанные с ИИ. После той встречи началось активное развитие машин с возможностями искусственного интеллекта.

Особую роль в создании новых технологий в области ИИ сыграли военные ведомства, которые активно финансировали это направление исследований. Впоследствии работы в области искусственного интеллекта начали привлекать крупные компании.

Современная жизнь ставит более сложные задачи перед исследователями. Поэтому развитие ИИ ведется в принципиально других условиях, если сравнивать их с тем, что происходило в период зарождения искусственного интеллекта. Процессы глобализации, действия злоумышленников в цифровой сфере, развитие Интернета и другие проблемы – все это ставит перед учеными сложные задачи, решение которых лежит в области ИИ [11, c. 43].

Системы, как программные, так и аппаратные, созданные на основе искусственного интеллекта находят все большее применение в технике. Системы ИИ неотъемлемы на производстве. Именно они собирают и обрабатывают диагностическую информацию о процессе производства. Такой поток данных не в силах обработать ни один человек. Без множества интеллектуальных устройств невозможно представить современный автомобиль. Датчики дождя и парковки, автозатемнение зеркал, распознавание наличия пассажиров и препятствий [8].

Выделяют два основных стратегических направления создания интеллектуальных систем:

1. Технологии экспертных систем.

2. Нейросетевые технологии.

Экспертная система (ЭС) – компьютерная программа, способная заменить специалиста-эксперта в решении проблемной ситуации или консультации менее квалифицированных пользователей. ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.

Экспертная система работает в двух режимах: приобретение знаний и решение задач. В режиме приобретения знаний происходит формирование базы знаний. В режиме решения задач общение с экспертной системой осуществляет конечный пользователь.

Таким образом, идея использования технологии экспертных систем заключается в получении знаний от эксперта и их последующем использовании.

Нейронная сеть – это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Название стратегии нейронных сетей обусловлено тем, что в ее основе лежит нейробиология человеческого мозга: человеческий мозг представляет достаточно сложную структуру, элементарной единицей этой структуры является нейрон [3]. Нейронные сети являются эффективным инструментом интеллектуального анализа данных, то есть они позволяют извлекать знания из данных.

Нейронные сети особенно хорошо зарекомендовали себя при решении задач классификации, прогнозирования, кодирования и декодирования информации и по сравнению с классическими математическими моделями имеют ряд преимуществ:

Универсальность. Нейронные сети не зависят от свойств входных данных и степени их формализации.

Простота. Использование нейронных сети не требует специальной подготовки, в отличие от статистических методов, требующих фундаментальных знаний из области теории вероятностей и математической статистики.

Способность обрабатывать большие объемы данных - в данной работе интеллектуальная система создавалась методом нейронных сетей, т.к. одним из ее главных преимуществ является сравнительно низкая трудоемкость создания при высоких показателях прогнозирования и тестирования. Также к преимуществу можно отнести возможность выявления новых, еще неизвестных экспертам знаний и зависимостей.

Существует два наиболее распространенных мнения о будущем искусственного интеллекта [15].

Сторонники первого взгляда поддерживают концепцию компьютерного агностицизма и утверждают, что технические устройства никогда не смогут достигнуть уровня человеческого сознания и между ними стоит непреодолимая стена. В качестве доказательств непознаваемости процессов мышления, протекающих в живом мозге, приводятся экспериментальные данные, свидетельствующие о чрезвычайно сложной системной организации нейронных связей в структурах мозга.

Последователи второй концепции считают, что достижение результатов, сопоставимых с деятельностью человеческого разума, лишь вопрос времени и будет связано, в основном, с повышением быстродействия электронно-вычислительных устройств.

Для подобных утверждений сегодня имеются некоторые основания. К настоящему времени созданы огромные базы знаний и мощные экспертные системы, содержащие тысячи правил и способные решать некоторые задачи лучше, чем человек. Существуют компьютерные системы, читающие газетный шрифт человеческим голосом в режиме реального времени и выполняющие переводы технической литературы высокого качества. Эти и многие другие факты лежат в основе мнения, что трудности на пути создания искусственного интеллекта, превосходящего по мощи и творческим возможностям человеческий, носят временный характер и связаны лишь с техническими проблемами.

Наиболее перспективными на сегодняшний день направлениями в познании ИИ, являются нейронные сети, эволюционные вычисления, экспертные системы.

Нейронные сети. Продолжается совершенствованием алгоритмов обучения и классификации в масштабе реального времени, обработки естественных языков, распознавания изображений, сигналов, речи, а также создание моделей интеллектуального интерфейса, подстраивающегося под пользователя. Нейронные сети способны решать такие прикладные задачи, как - финансовое прогнозирование, контроль за деятельностью сетей, шифрование данных, диагностика систем. В последние годы продолжается усиленный поиск эффективных методов работы нейронных сетей на параллельных устройствах [12, с. 69].

Эволюционные вычисления. На развитие сферы эволюционных вычислений значительное влияние оказали прежде всего инвестиции в нанотехнологии. ЭВ призваны разрешить практические проблемы самосборки, самовосстановления и самоконфигурирования систем, состоящих из множества одновременно функционирующих узлов. При этом удается успешно применять научные достижения из области цифровых автоматов.

Экспертные системы. Спрос на экспертные системы остается на достаточно высоком уровне. Наибольшее внимание сегодня привлечено к системам принятия решений в масштабе времени, близком к реальному, системам динамического планирования, средствам хранения, извлечения, анализа и моделирования знаний [2].

Исследования вопросов искусственного интеллекта являются одними из самых важных и перспективных в современной науке. На реализации технологий искусственного интеллекта уже сейчас существует большой спрос, который в дальнейшем будет лишь возрастать. Разработка интеллектуальных экспертных систем и нейронных сетей - это лишь первые шаги на пути к созданию сильного искусственного интеллекта, способного сравниться с естественным человеческим интеллектом. За тот относительно короткий интервал со времён первых разработок, ИИ-технологии прошли гигантский путь, внеся колоссальный вклад в социальную жизнь. Например, позволили упростить управление сложными устройствами, снизив требования к техническому уровню потенциальных пользователей. Так же ИИ-технологии нашли широкое применение в науке.

1.3 Подходы к построению ИИ

Существуют различные подходы к построению систем ИИ. Это разделение не является историческим, когда одно мнение постепенно сменяет другое, и различные подходы существуют и сейчас. Кроме того, поскольку по-настоящему полных систем ИИ в настоящее время нет, то нельзя сказать, что какой-то подход является правильным, а какой-то ошибочным [18].

Успех в решении задач во многом определяется способностью гибко подходить к ситуации. Машины, в отличие от людей, интерпретируют полученные данные единым образом. Поэтому в решении задач принимает участие только человек. Машина проводит операции на основании написанных алгоритмов, которые исключают применение нескольких моделей абстрагирования. Добиться гибкости от программ удается путем увеличения ресурсов, задействованных в ходе решения задач.

Указанные выше недостатки характерны для символьного подхода, применяемого при разработке ИИ. Однако данное направление развития искусственного интеллекта позволяет создавать новые правила в процессе вычисления. А проблемы, возникающие у символьного подхода, способны решить логические методы.

Логический подход - этот подход предполагает создание моделей, имитирующих процесс рассуждения. В его основе заложены принципы логики.

Данный подход не предусматривает применение жестких алгоритмов, которые приводят к определенному результату.

Агентно-ориентированный подход - он задействует интеллектуальных агентов. Этот подход предполагает следующее: интеллект представляет собой вычислительную часть, посредством которой достигаются поставленные цели. Машина играет роль интеллектуального агента. Она познает окружающую среду при помощи специальных датчиков, а взаимодействует с ней посредством механических частей.

Агентно-ориентированный подход уделяет основное внимание разработке алгоритмов и методов, которые позволяют машинам сохранять работоспособность в различных ситуациях.

Гибридный подход - этот подход предусматривает объединение нейронных и символьных моделей, за счет чего достигается решение всех задач, связанных с процессами мышления и вычислений. Например, нейронные сети могут генерировать направление, в котором двигается работа машины. А статическое обучение предоставляет тот базис, посредством которого решаются задачи.

Под структурным подходом подразумеваются попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в простонародье обычно известны под термином «нейронные сети» (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного применения их для построения собственно систем ИИ, это уже ранее упоминавшийся ТАИР.

Эволюционный подход - при построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого включается компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

Еще один широко используемый подход к построению систем ИИ - имитационный. Данный подход является классическим для кибернетики с одним из ее базовых понятий - «черным ящиком» (ЧЯ). ЧЯ - устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом здесь моделируется другое свойство человека - способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни. Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

Ознакомившись с выделенными подходами и методами к построению систем ИИ, необходимо отметить, что на практике очень четкой границы между ними нет. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть по другому.

2. КЛАССИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ И ИХ ПРИМЕНЕНИЕ В ЭКОНОМИЧЕСКИХ СИСТЕМАХ

2.1 Классификация интеллектуальных систем

Интеллектуальная информационная система основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей [13, с. 104].

Для ИИС характерны следующие признаки:

развитые коммуникативные способности;
умение решать сложные плохо формализуемые задачи;
способность к самообучению;
адаптивность.

Каждому из перечисленных признаков условно соответствует свой класс интеллектуальных информационных систем (ИИС). Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.

Средства ИИ могут использоваться для реализации различных функций, выполняемых ИИС. Признаками ИИС являются следующие интеллектуальные функции:

коммуникативные способности - способ взаимодействия конечного пользователя с системой;
решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;
способность к самообучению - умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;
адаптивность - способность системы к развитию в соответствии с объективными изменениями области знаний.

Интеллектуальные информационные системы

Системы с интеллектуальным интерфейсом (коммуникативные системы)

Экспертные системы (решение сложных плохо формализуемых задач) Самообучающиеся системы (способность к самообучению)

Адаптивные информационные системы (адаптивность)

Интеллектуальные базы данных

Естественно-языковый интерфейс

Гипертекстовые системы

Системы контекстной помощи

Когнитивная графика

Классифицирующие

Доопределяющие

Трансформирующие

Мультиагентные

Индуктивные системы

Нейронные сети

Системы, основанные на прецедентах

Информационные хранилища

CASE-технологии

Компонентные технологи

Применение ИИС для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом.

Среди них можно выделить следующие типы [16, c. 28]:

1. Интеллектуальные базы данных позволяют в отличие от традиционных баз данных (БД) обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.

2. Естественно-языковой (ЕЯ) интерфейс применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ - интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологическом анализе осуществляются распознавание и проверка правильности написания слов в словаре. Синтаксический контроль предполагает разложение входных сообщений на отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей.

Семантический анализ обеспечивает установление смысловой правильности синтаксических конструкций. В отличие от анализа синтез высказываний заключается в преобразовании цифрового представления информации в представление на естественном языке.

3. Гипертекстовые системы используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем - с самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио - и видео образы.

4. Системы контекстной помощи относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации.

5. Системы когнитивной графики ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах поддержки принятия решений (СППР), работающих в режиме реального времени.

Экспертные системы как самостоятельное направление в искусственном интеллекте сформировалось в конце 1970-х гг. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или принять решение относительно обрабатываемой функции».

Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом. Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик [14, c. 61]:

задачи не могут быть представлены в числовой форме;
исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;
цели нельзя выразить с помощью четко определенной целевой функции;
не существует однозначного алгоритмического решения задачи;
алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти).

Главное отличие ЭС и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений.

ЭС охватывают самые разные предметные области, среди которых лидируют экономика и бизнес, производство, медицина, проектирование и системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные способности эксперта. Кроме того, ЭС может выступать в роли:

консультанта для неопытных или непрофессиональных пользователей;
ассистента эксперта-человека в процессах анализа вариантов решений;
партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей.

Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.

Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.

Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний [11, c. 63]:

генерация и проверка гипотез;
логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);
использование метазнаний, более общих закономерностей для устранения неопределенностей в ситуациях.

Мультиагентные системы - это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:
реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;

распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;
применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;
обработка больших массивов информации из баз данных;
использование математических моделей и внешних процедур для имитации развития ситуаций.

6. Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков. Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях.

Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам [10, c. 24].

Алгоритм классификации примеров включает следующие основные шаги:

1. выбор классификационного признака из заданного множества;

2. разбиение множества примеров на подмножества по значению выбранного признака;

3. проверка принадлежности каждого подмножества примеров одному из классов;

4. проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, то есть у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается;

5. для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.

Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.

Нейронная сеть - это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.

Информационные хранилища отличаются от интеллектуальных баз данных тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», то есть атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются.

7. Адаптивные информационные системы.

Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:

адекватно отражать знания проблемной области в каждый момент времени;
быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.

Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний - репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения. В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с «чистого листа» на основе сформулированных требований.

2.2 Применение нейронных сетей в экономических системах

Интеллектуальные информационные системы применяются для тиражирования профессионального опыта и решения сложных научных, производственных и экономических задач. Примерами, могут служить задачи анализа инвестиций, планирование рекламной кампании, прогнозирование рынка и мн. др.

Использование интеллектуальных технологий в экономических системах позволяет решать многие экономические задачи и задачи, имеющие существенное значение для экономики. Такими задачами являются:

создание системы юридической помощи работникам экономической сферы;
автоматизированный перевод;
обработка и восприятие естественного языка и текста;
создание систем технического зрения и распознавания образов, основанных на использовании систем оптического чтения текстов;
создание распределенных баз знаний и экспертных систем;
создание информационно-справочных систем в области транспорта, связи, наличия товаров и т. д.;
создание системы заказов товаров на дому.

Использование интеллектуальных технологий в экономике позволяет фирмам предлагать более широкий спектр информационных услуг в режиме, приближенном к реальному масштабу времени, при привлечении более широкого круга источников. Но самой важной особенностью их использования является снижение себестоимости выпускаемой и обрабатываемой продукции в связи с тем, что удельные издержки в этом случае гораздо ниже, чем при использовании традиционных методов работы с информацией (с привлечением человека, бумаги и т. д.).

Благодаря использованию экспертных систем и доступности международной системы баз данных и знаний существуют значительные возможности повышения квалификации работников фирм и предприятий.

Программные средства, применяемые в экономических информационных системах, можно разделить на следующие группы - рис. 3.

Программные средства применяемые в экономических информационных системах

1. Проблемно-ориентированные пакеты экономико-математического моделирования

2. Пакеты программ статистического анализа данных

3. Программные средства интеллектуализации доступа к базе данных

4. Средства эвристического решения задач анализа диагностики и прогнозирования на основе применения экспертных систем (ЭС)

5. Программы анализа и прогнозирования управленческой деятельности на основе использования аппарата нейронных сетей, а также баз знаний (БЗ) прецедентов

Экспертные системы - это прогрессирующее направление в области искусственного интеллекта. Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения для решения задач из самых различных областей человеческой деятельности.

Экспертные системы трансформируют опыт экспертов, в какой - либо области знаний в форму эвристических правил (эвристик). Эвристики не гарантируют получение оптимального результата с уверенностью, как обычные алгоритмы технологии поддержки принятия решений. Однако часто они дают приемлемые решения для их практики.

Основными компонентами ЭС являются: интерфейс пользователя, база знаний, интерпретатор, модули, созданные системой.

В экономических информационных системах с помощью ЭС возможно решение следующих задач [1, c. 97]:

анализ финансового состояния предприятия;
оценка кредитоспособности предприятия;
планирование финансовых ресурсов предприятия;
формирование портфеля инвестиций;
страхование коммерческих кредитов;
выбор стратегии производства;
оценка конкурентоспособности продукции;
выбор стратегии ценообразования;
выбор поставщика продукции;
подбор кадров.

В начале 2000-х годов, человечество шагнуло в новую эпоху обработки и анализа информации на основе машинного обучения. Благодаря техническим прорывам в скорости обработки информации и в огромном количестве генерируемой информации человечеством ежедневно, стало возможным обучать компьютерные алгоритмы выполнять нелинейные задачи. Одним из прорывных алгоритмов машинного обучения, на сегодняшний день, являются искусственные нейронные сети. В 2016 году о нейронных сетях услышал мир благодаря наработкам Google, Microsoft (ряд сервисов для идентификации изображений), стартапы MSQRD, Prisma и другие.

Нейронные сети (далее нейросети) являются одним из направлений в разработке систем искусственного интеллекта. Суть их работы заключается в моделировании работы нервной системы живых организмов, а именно в человеческой нервной системы, её способности к обучению и исправлению ошибок. Главная особенность любой нейронной сети состоит в том, что она способна самостоятельно обучаться и действовать на основании предыдущего опыта, при этом делая всё меньше ошибок [17].

Стоит понимать, что создание человеческого мозга по образу и подобию на основе нейросетей, на сегодняшний день невозможно, и не нужно, т.к. важна сама идея обучения и принятия решений машинами на основе полученного опыта. Здесь можно провести аналогию с птицей. Человек сегодня не может создать точную копию птицы, однако будучи вдохновленным идеей полета, человек создал воздушный шар, дирижабль, самолет, ракеты. При этом птица не может полететь в космос или перевезти сотню человек через океан [20].

Рассмотрим часть достижений в области нейросетей:

Распознавание естественного языка (письменного и голосового). Примеры: голосовой ассистент Siri от Apple; распознавание текста с помощью программы Fine Reader от Abby и другие.
Распознавание образов из изображений. Благодаря большому массиву изображений в сети Интернет, машины уже умеют распознавать что нарисовано на изображении и может обработать его в соответствии с определенным стилем. Примеры: встроенная система Яндекса на сайт Авто.ру, которая распознает модели и марки автомобиля по фотографии; подбор похожих товаров по фото в сервисе Яндекс.Маркет.
Распознавание диагноза пациента на основе истории болезни и симптомов. Пример: когнитивная облачная система Doctor Watson от IBM.
Выдача релевантных и персонифицированных поисковых запросов по смыслу. Пример: поисковая система Google, Yandex.

Алгоритмы искусственных нейронных сетей нашли широкое применение в экономике. С помощью нейронных сетей решается задача разработки алгоритмов нахождения аналитического описания закономерностей функционирования экономических объектов (предприятие, отрасль, регион). Эти алгоритмы применяются к прогнозированию некоторых «выходных» показателей объектов. Применение нейросетевых методов позволяет решить некоторые проблемы экономико-статистического моделирования, повысить адекватность математических моделей, приблизить их к экономической реальности. Поскольку экономические, финансовые и социальные системы очень сложны и являются результатом человеческих действий и противодействий, создание полной математической модели с учётом всех возможных действий и противодействий является очень сложной (если разрешимой) задачей. В системах подобной сложности естественным и наиболее эффективным является использование моделей, которые напрямую имитируют поведение общества и экономики. Именно это способна предложить методология нейронных сетей [18].

К основным игрокам рынка нейросетей можно отнести Google и её подразделение Google (DeepMind, AlphaGo, и Google Brain). Собственные разработки в этой области есть у Microsoft (Microsoft Research). Созданием нейронных сетей занимаются в IBM, Facebook (подразделение Facebook AI Research) и другие. Стоит отметить, что сейчас наблюдается отсутствие барьеров для использования нейронных сетей в малом и среднем бизнесах. Поскольку наработки в этой области открыты крупными игроками в связи с тем, что необходимо дать развитие этой области среди большого числа сфер человеческой деятельности.

Нейронные сети особенно эффективны в случаях, когда нужно проанализировать большое количество данных для оценивания ситуации. Например, при принятии решения о выдаче кредита нужно просмотреть случаи из прошлого опыта с ответами да/нет.

Области применения нейронных сетей в сфере экономической деятельности [13]:

обнаружение нарушений при уплате налогов;
анализ рынка ценных бумаг, предсказание курсов валют;
выдача кредитов;
предсказание последствий того или иного решения;
предсказание результатов продвижения на рынке новых товаров;
управление аэролиниями - заполнение мест и составление расписания;
оценивание кандидатов на должность;
оптимальное распределение ресурсов;
установление подлинности подписи и др.

Для более полного понимания применения интеллектуальных технологий в экономике рассмотрим пример применения экспертной системы для анализа эффективности результатов финансово-хозяйственной деятельности предприятия.

Для детального внутреннего анализа результатов финансово-хозяйственной деятельности предприятия предназначена экспертная система, последовательно анализирующая факторы, влияющие на рентабельность предприятия [16, c. 77].

Рентабельность предприятия, являющаяся интегральной оценивающей характеристикой эффективности его финансово-хозяйственной деятельности, рассчитывается как отношение полученного дохода (прибыли) к средней величине использования ресурсов. Существуют множество показателей рентабельности, среди которых следует перечислить такие, как показатели рентабельности активов, текущих активов, реализованной продукции, собственного капитала, инвестиций. Рентабельность текущих активов тесно связана с такими экономическими показателями, как оборачиваемость средств и себестоимость продукции. Поэтому этот показатель выбран в качестве корневого в экспертной системе анализа результатов финансово-хозяйственной деятельности предприятия.

Общая схема оценки различных показателей в процессе анализа рентабельности, оборачиваемости средств и себестоимости продукции предприятия, реализованная в структуре базы знаний экспертной системы, представлена в виде дерева взаимосвязи показателей (агрегации «целое - часть») на рис. 4, которое отражает последовательность диагностики результатов финансово-хозяйственной деятельности предприятия [16, c. 82].

Рентабельность текущих активов

Оборачиваемость текущих активов

Рентабельность реализованной продукции

Оборачиваемость товарно-материальных запасов

Оборачиваемость дебиторской задолженности

Прибыль в распоряжении организации

Выручка от реализации продукции

Оборачиваемость производственных запасов

Затраты на производство реализованной продукции

Результат от реализации

Переменные затраты

Постоянные затраты

Сырье и материалы

Оплата труда рабочих

Брак в производстве

Общехозяйственные расходы

Общепроизводственные расходы

Коммерческие расходы

Оборачиваемость готовой продукции

Рассмотрим взаимосвязи представленных в дереве показателей.

Показатель рентабельности текущих активов (Рта), отражающий получение чистой прибыли (ЧП) на один рубль оборотных средств (ОбС): (1)

может быть выведен через показатели оборачиваемости текущих активов (Ота) и рентабельности реализованной продукции (Ррп): (2) Оборачиваемость текущих активов определяется отношением выручки от реализации продукции к величине оборотных средств: (3)

В дальнейшем анализ оборачиваемости текущих активов детализируется по составным элементам оборотных средств. Для этого рассчитываются показатели оборачиваемости товарно-материальных запасов (готовой продукции и производственных запасов) и дебиторской задолженности.

Рентабельность реализованной продукции рассчитывается как отношение чистой прибыли к выручке от реализации продукции (Врп):
(4)
Выручка от реализации продукции в стоимостном выражении складывается из затрат на производство реализованной продукции (Зпр), или себестоимости, и результата от реализации, или прибыли

(Пр): (5)

Затраты на производство продукции включают прямые затраты (сырье и материалы, оплату труда рабочих, отчисления на социальные нужды, брак в производстве и прочие расходы) и постоянные затраты (общехозяйственные, общепроизводственные и коммерческие расходы).

Диагностика результатов финансово-хозяйственной деятельности предприятия осуществляется путем просмотра описанного дерева целей по принципу сверху-вниз и слева-направо. Каждому уровню дерева соответствует правило, сопоставляющее значение показателя с требуемым уровнем. Для сопоставления рассчитанных показателей со среднеотраслевыми значениями такие абсолютные показатели, как прямые и постоянные затраты, переводятся в относительные посредством отнесения их к объему реализации продукции в рублях. Значения рассчитанных показателей оцениваются также путем сравнения с аналогичными значениями за предшествующий период, обеспечивая тем самым динамический анализ.

Переход на следующий уровень анализа обеспечивается в результате использования функции «KNOWN», которая заставляет искать значение заданной в скобках переменной. По мере просмотра дерева целей в переменной «Финансово-хозяйственный результат» последовательно накапливаются диагностические сообщения о неудовлетворительности значений тех или иных показателей, которые в конце работы экспертной системы распечатываются для более глубокого анализа.

2.3 Телекоммуникационные технологии в экономических информационных системах

Каждому поколению свойственно разрабатывать новые технические средства, совершенствовать систему учета, обработки, передачи и хранения данных. Первыми телекоммуникационными средствами признан телеграф, телефон, телетайп, радиоприемник. Середина XIX столетия отмечена массовым использованием спутниковой связи, вычислительной техники, компьютерной сети. В результате это положительно отразилось на развитии новых телекоммуникационных технологий.

Общее понятие информационных и коммуникационных технологий включает в себя совокупность методов, процессов и устройств, позволяющих получать, собирать, накапливать, хранить, обрабатывать и передавать информацию, закодированную в цифровом виде или существующую в аналоговом виде.

В более узком смысле под телекоммуникационными технологиями понимается совокупность программных и аппаратных средств, позволяющих устанавливать связь без использования проводов и передавать пакеты информации, включающие также аудио и видеоинформацию.

Телекоммуникационные технологии могут быть рассмотрены как сервисы, предоставляемые провайдерами различного уровня.

По этому принципу можно выделить следующие виды телекоммуникационных технологий:

телефонная связь, современная телефонная связь позволяет легко переключаться с аналогового стандарта на цифровой, подключать к интернет городские телефоны и соединять в одну сеть аналоговые и мобильные устройства;
радиосвязь, которая сегодня превратилась в сотовую связь, телефон, перемещаясь в пределах сети, оказывается в зоне действия различных передающих устройств;
спутниковая связь, которая используется провайдерами для создания систем мобильной связи и для государственных систем связи;
интернет – наиболее распространенный вид телекоммуникационных технологий, при которых подключение к сети может осуществляться как проводным, так и беспроводным способом.

Телекоммуникационные технологии, используемые в интернете, сейчас переживают этап бурного развития и роста. Работоспособность интернета основана на использовании сетевых узлов и каналов связи. К узлам относятся как отдельные компьютеры, так и хостинги, предоставляющие IP-адреса и доменные имена.

Каналы связи, в общем, делятся на 4 типа: аналоговые телефонные сети; провода, по которым передается электричество; оптоволоконные каналы связи и беспроводные каналы связи, модемные или спутниковые.

К телекоммуникационным каналам связи относятся, в основном, третий и четвертый типы.

Среди коммуникаций, используемых для организации связи, можно отдельно отметить программы, обеспечивающие работу телекоммуникационного оборудования такого, как: IP-АТС; маршрутизаторы; компьютеры.

Для решения задач управления, обеспечивающих реализацию экономической стратегии, важны скорость передачи и обработки информации. Эти требования привели к необходимости выполнения обработки информации распределенным способом, реализуемым с помощью телекоммуникационных технологий.

Распределенная обработка – это обработка информации, выполняемая на независимых, но связанных каналами связи компьютерах, образующих распределенную систему. Для реализации распределенной обработки создаются многомашинные ассоциации, структура которых разрабатывается по следующим направлениям: многомашинные вычислительные комплексы и вычислительные сети.

Многомашинный вычислительный комплекс представляет собой группу вычислительных машин, объединенных с помощью средств сопряжения для выполнения совместно единого информационного процесса. Они могут быть локальными и дистанционными. В первом случае вычислительные машины размещены в одном помещении и объединены обычными средствами сопряжения, без применения каналов связи. Во втором случае вычислительные машины установлены на значительном расстоянии друг от друга и требуют для связи, например, телефонных каналов связи.

Вычислительные сети являются высшей формой многомашинных ассоциаций. Особенность вычислительных, или компьютерных сетей заключается прежде всего в количестве компьютеров. Обычно сеть насчитывает их десятки, сотни и даже тысячи. С другой стороны, в сети обычно разделяются функции компьютеров, что ведет к необходимости маршрутизации сообщений между компьютерами.

Для передачи данных в экономических системах с использованием возможностей телекоммуникационных технологий применяется специальное программное обеспечение. Это обеспечение функционирует по определенным протоколам или по механизмам, разработанным с целью упростить и стандартизировать работу всех узлов сети, выстроив ее по единому алгоритму.

Различные сетевые телекоммуникационные технологии позволяют решать такие задачи, как:

передачу информации в необходимых форматах;
выстраивание коммуникаций;
обеспечение взаимодействия различных участников сети.

Среди новых технологий особое место занимают программы, позволяющие работать в режиме нетворкинга, объединение CRM-систем с возможностями социальных сетей и многое другое.

Создание корпоративных сетей как офисных, компьютерных, так и телефонных, также попадает в область сетевых технологий, призванных обеспечить синергию за счет эффективной коммуникации пользователей.

Спектр возможностей использования телекоммуникационных технологий расширяется с каждым днем. Появление новой науки – телематики позволило использовать возможность для передачи информационных данных на расстоянии. В основе науки лежит система, объединяющая телекоммуникационные средства и информатику. Данное свойство значительно увеличило территорию участников связи.

Характерная особенность информационных технологий состоит в том, что в рабочем процессе используется единственный продукт – информация. Процесс интеллектуальной обработки способствует сбору, хранению и распространению информационных данных.

Сфера предоставления телекоммуникационных услуг отмечена крупнейшими поставщиками проводной, сотовой связи, интернет провайдинга, кабельного телевидения. Лидерами отрасли являются компании «МТС», «Ростелеком», «Мегафон», «Космическая связь» и др.

ЗАКЛЮЧЕНИЕ

Изучение и создание систем, механизмов, машин, раскрывающих поведение, которое авторы определяют, как интеллектуальное, называют искусственным интеллектом.

Самыми популярными и современными машинами являются компьютерная техника и средства коммуникации, таким образом, направление искусственного интеллекта относится к области вычислительных систем, которые помогают анализировать, принимать, управлять.

В 2017 году искусственный интеллект привлек 12 миллиардов долларов инвестиций венчурных капиталистов. Мир только начинает открывать полезные приложения ИИ. Недавно Amazon представил розничный, если можно так сказать, магазин, в котором кассиры и кассы были заменены компьютерным зрением, датчиками и глубоким обучением.

Согласно прогнозам экспертов компании Gartner, к началу 2020-х годов практически все выпускаемые программные продукты будут использовать технологии искусственного интеллекта. Также специалисты предполагают, что около 30% инвестиций в цифровую сферу будут приходиться на ИИ.

По мнению аналитиков Gartner, искусственный интеллект открывает новые возможности для кооперации людей и машин. При этом процесс вытеснения человека ИИ невозможно остановить и в будущем он будет ускоряться.

В компании PwC считают, что к 2030 году объем мирового валового внутреннего продукта вырастет примерно на 14% за счет быстрого внедрения новых технологий. Причем примерно 50% прироста обеспечит повышение эффективности производственных процессов. Вторую половину показателя составит дополнительная прибыль, полученная за счет внедрения ИИ в продукты.

Эксперты компании Saleforce заявляют, что ИИ позволит увеличить доходность малого бизнеса примерно на 1,1 триллиона долларов. Причем произойдет это к 2021 году. Отчасти добиться указанного показателя удастся за счет реализации решений, предлагаемых ИИ, в системы, отвечающие за коммуникацию с клиентами. Одновременно с этим будет улучаться эффективность производственных процессов благодаря их автоматизации.

Внедрение новых технологий также позволит создать дополнительные 800 тысяч рабочих мест. Эксперты отмечают, что указанный показатель нивелирует потери вакансий, произошедшие из-за автоматизации процессов. По прогнозу аналитиков, основанных на результатах опроса среди компаний, их расходы на автоматизацию производственных процессов к началу 2020-х годов возрастут примерно до 46 миллиардов долларов.

В России также ведутся работы в области ИИ. На протяжении 10 лет государство профинансировало более 1,3 тысячи проектов в данной сфере. Причем большая часть инвестиций пошло на развитие программ, не связанных с ведением коммерческой деятельности. Это показывает, что российское бизнес-сообщество пока не заинтересовано во внедрении технологий искусственного интеллекта.

Для полной реализации интеллектуальных способностей, связанных с принятием решений, планированием, прогнозом и эффективным управлением в экономических системах, современные и перспективные интеллектуальные системы должны быть реализованы с использованием новейших технологий, основанных на концепциях распределенною искусственного интеллекта, динамических адаптированных моделей знании, параллельной обработки информации при поиске решения.

К середине текущего столетия, как полагают эксперты американской компании, число рабочих мест во всем мире сократится примерно на 50%. Места людей займут машины, способные проводить аналогичные операции с той же или более высокой эффективностью. При этом эксперты не исключают варианта, при котором данный прогноз будет реализован раньше указанного срока.

Другие аналитики отмечают вред, который могут нанести роботы. Например, эксперты McKinsey обращают внимание на то, что роботы, в отличие от людей, не платят налоги. В результате из-за снижения объемов поступлений в бюджет государство не сможет поддерживать инфраструктуру на прежнем уровне. Поэтому Билл Гейтс предложил ввести новый налог на роботизированную технику.

Таким образом, технологии ИИ повышают эффективность работы компаний за счет снижения числа совершаемых ошибок. Кроме того, они позволяют повысить скорость выполнения операций до того уровня, который не может достигнуть человек.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ

1. Автоматизированные информационные технологии в экономике: учебник / под ред. Г.А. Титоренко, 3-е изд., перераб. и доп. - М.: Юнити-Дана, 2012. - 463 с.
2. Белов, В. О перспективах искусственного интеллекта. [Электронный ресурс] - Режим доступа: http://aicommunity.narod.ru/Reports/Gen/report_ AI1.html.
3. Бессмертный, И.А. Искусственный интеллект - СПб: СПбГУ ИТМО, 2015. - 132 с.
4. Бобровский, С.Б. Перспективы и тенденции развития искусственного интеллекта [Электронный ресурс] - Режим доступа: http://www.computer-museum.ru/frgnhist/aireview.htm.
5. Искусственный интеллект. [Электронный ресурс] - Режим доступа: http://ru.wikipedia.org/wiki/Искусственный_интеллект
6. Искусственный интеллект для программистов. [Электронный ресурс] - Режим доступа: http://habrahabr.ru/company/mailru/blog/211707/
7. Карелин, В.П. Интеллектуальные технологии и системы искусственного интеллекта для поддержки принятия решений. Вестник Таганрогского института управления и экономики. №2, 2015. - 36 с.
8. Козлов, А.Н. Интеллектуальные информационные системы: учебник /А.Н. Козлов; Мин-во с-х. РФ, ФГБОУ ВПО Пермская ГСХА. - Пермь: Изд-во ФГБОУ ВПО Пермская ГСХА, 2015. - 278 с.
9. Козлов, В.Н. Интеллектуальные технологии и теория знаний. СПб.: Изд. Политехнического университета, 2013. - 157 с.
10. Моисеенко, Е.В., Лаврушина Е.Г. Информационные технологии в экономике [Электронный ресурс]. - Режим доступа: http://abc.vvsu.ru/ Books/up_inform_tehnol_v_ekon/page0018.asp
11. Павлов, С. Н. Системы искусственного интеллекта: учеб. пособие. В 2-х частях. / С. Н. Павлов. - Томск: Эль Контент, 2014. - Ч. 1. - 176 c.
12. Развитие систем искусственного интеллекта. [Электронный ресурс] - Режим доступа: http://sibac.info/index.php/2009-07-01-10-21-16/8031-2013-05-27-10-47-51
13. Тельнов, Ю.Ф. Интеллектуальные информационные системы. / Московский международный институт эконометрики, информатики, финансов и права. 2 изд. - М., 2016. - 82 с.
14. Минаков, В. Ф. Информационные потоки как фактор производства // Nauka-rastudent.ru. – 2015. – № 11. – С. 32.
15. Путькина, Л.В. Об опыте применения инвестиционного проекта при создании нового предприятия малого бизнеса // Nauka-rastudent.ru. – 2015. – No. 12 (24) / [Электронный ресурс] – Режим доступа: http://nauka-rastudent.ru/24/3125/
16. Хромин, А.А. Проблема искусственного интеллекта. [Электронный ресурс] - Режим доступа: http://www.structuralist.narod.ru/articles/ai.htm
17. Йцвайг, М.Н., Полякова, М.П. Об одном подходе к проблеме создания искусственного интеллекта. [Электронный ресурс] - Режим доступа: http://ai.obrazec.ru/ai_teach.pdf
18. Спиридонов, Д.В., Коробкова, К.Р. Применение искусственных нейронных сетей в экономике [Электронный ресурс] - Режим доступа: https://www.scienceforum.ru/2017/2314/26149
19. Что такое искусственный интеллект? История развития и перспективы. Основные направления исследований [Электронный ресурс] - Режим доступа: https://promdevelop.ru/iskusstvennyj-intellekt/