gototopgototop

УДК 004.9:33

Использование искусственных нейронных сетей для автономного принятия решений

Безруков Сергей Юрьевич – студент Тихоокеанского государственного университета.

Серебрякова Татьяна Александровна – кандидат экономических наук, доцент Тихоокеанского государственного университета.

Аннотация: В данной работе были рассмотрены вопросы касающиеся применения ИНС для создания интеллектуальной ИС. Был изучен общий материал по тематике исследования; рассмотрены особенности использования ИНС; рассмотрены примеры интеллектуальной ИС с использованием искусственных нейронных сетей. Новизна работы заключается в систематизации первичных данных по теме исследования и выдачи необходимых рекомендаций.

Ключевые слова: ИНС, интеллектуальная ИС, разработка, нейрон.

Информационные технологии, базируются на искусственном интеллекте, а также нейронных сетях активно проникая во все направления жизнедеятельности социума, являются инструментом, способствующему успешному решению вопросов, для эффективного использования интеллектуальных информационных технологий (ИИТ) и спектра возможностей компьютерных систем направленных на решение сложных прикладных задач.

Кроме методов, моделей и технологий, как правило используемые с целью решения интеллектуальных задач со сложной структурой, проводятся глубинные исследования в сфере разработки интеллектуальных технологий, принадлежащие к нейросетевым технологиям.

Важно акцентировать внимание на изучение нового подхода и разработки методик направленных на решение сложных задач в области менеджмента, информационного мониторинга, автоматизации проектирования, распознавании образов, классификацию на базе технологии искусственных нейронных сетей (ИНС), эволюционного моделирования и генетического алгоритма, неоформленной логики, а также ряда иных гибридных технологий.

Таким образом, в настоящее время можно уверенно сказать, изучение вопроса с использованием искусственных нейронных сетей для построения интеллектуальной ИС является весьма актуальным.

С целью решения поставленных задач в представленной работе используются такие методы как: аналитический, познавательный синтез, метод описания, а также обобщения полученных информационных данных относительно проблемной тематики.

ИНС включают в себя следующие неоспоримые и важные в практике положительные характеристики:

  • нейросеть представляет собой адаптивную самообучающуюся систему, использующая пример извлечения информационных данных из структуры реального процесса. Подобное моделирование является достаточно сложным процессом с низкой вероятностью успеха, так как в структуре информационной базы могут присутствовать скрытые параметры, не поддающиеся контролю, шифрование, а также иные параметры;
  • ИНС обладает ассоциативной памятью, а это в свою очередь означает накопление и обобщение информации в процессе работы. Следовательно, с течением времени эффективность подобной системы стремительно растет;
  • применение ИНС основано на процессе обучения нейросетей с целью дальнейшего извлечения информационной базы из предшествующих данных. Данным преимуществом обеспечивается объективность конечного результата и повышение надежности и достоверности;
  • с помощью ИНС предоставляются возможности разделения вычислительных данных с целью их использования в реальных временных масштабах [1].

Ключевая отличительная черта ИНС сравнительно с иными методами интеллектуального анализа заключается в глобальности масштаба связи. Базовым элементом ИНС являются формальные нейроны направленые в первую очередь на взаимосвязь с векторной информацией. Каждый нейрон, в подобном случае, взаимосвязан с комплексом нейронов в предыдущем слое обработки данных. Процесс специализации связей между нейронами происходит исключительно на этапе обучения при помощи конкретных данных.

Архитектура ИНС является иерархической последовательностью нескольких слоёв (непересекающиеся подмножества). В различных слоях ИНС возможно использование разных нейронов, но каждый слой ИНС содержит в себе однотипные нейроны. В процессе обработки информации, каждый слой ИНС работает параллельно. Связные каналы между предыдущими и последующими слоями ИНС, как правило, делаются однонаправленного вида с регулируемыми весами (то есть, комплекс синоптических параметров). Данный вес связей настраивается в ходе обучения и самостоятельной организации архитектуры ИНС в соответствии с теми экспериментальным данным либо прецедентам, которые имеются внутри системы.

Следует подчеркнуть, в ходе обучения архитектура ИНС может подвергаться изменениям в следствии коррекции связи между нейронами. Каждым отдельным формальным нейроном производится простейшая операция − взвешивание значений собственного входа со своим локально хранимым синаптическим весом и проведение над их комплексом нелинейных преобразований. Нелинейный характер выходных функций активации нейронов сети является принципиальным параметром. В случае линейности нейронов любая их последовательность производила бы исключительно линейные преобразования, а вся ИНС стала бы эквивалентной исключительно одному слою нейронов. Нелинейность оказывает разрушительное воздействие на линейную суперпозицию. Таким образом, потенциальные возможности ИНС существенно превышают возможности отдельных нейронов.

ИНС применяется в процессе автономного принятия решения, в задачах, связанных с распознаванием образа, диагностике состояния, классификации данных и т.д. Как правило подобные ИНС представляют собой обучаемых интеллектуальных агентов, которые настраиваются на индивидуальное решение конкретной задачи. Ключевая задача ИНС заключается в распознавании сенсорной информации и выработке адекватных реакций на воздействия из окружающей среды. При этом ими не выполняются внешние алгоритмы, а происходит процесс выработки собственного алгоритма в ходе обучения, которое в свою очередь является процессом самоорганизации распределенной вычислительной среды - нейронный ансамбль. В структуре распределенных нейронных сетей происходит процесс параллельной обработки информации, находящиеся в непрерывном обучении. Вследствие данного обучения, после процесса обработки информации результат анализируется в ИНС. Нейронные сети в процессе собственного обучения не решают формализованные задачи, они сортируют заведомо неверные решения. А это значит, элиминация ошибок представляет собой начало для любого образовательного процесса.

Создание интеллектуальной ИС с использованием искусственных нейронных сетей

TensorFlow является библиотекой программного обеспечения с открытым исходным кодом с целью решения задач машинного обучения. Разработка библиотеки принадлежит компании Google. В TensorFlow возможно создание и обучение нейронных сетей различной архитектуры с целью дальнейшего выявления и распознавания конкретных образцов и поиска взаимосвязи. Библиотека также содержит средство визуализации под названием TensorBoard, используемое с целью оценивания уровня образовательного процесса, а также сетевого параметра заданной модели.

TensorFlow может достигнуть максимальные уровень собственной производительности посредствам распараллеливания задач между центральных и графических процессоров. Ядро каждой отдельной операции реализуется на C++ с использованием библиотеки Eigen, а также cuDNN для максимальной эффективности. Каждая вычислительная операция в TensorFlow является графом потоковых данных, а также вычислительным графом. Граф вычислений представляет собой модель, описывающую ход дальнейшего вычисления. Целесообразно подчеркнуть то, что составление графа вычислений и выполнение операций в заданной структуре – два разных процесса. Граф состоит из плэйсхолдеров (tf.Placeholder), переменных (tf.Variable) и операций. В данной модели производится вычисление тензоров – многомерных массивов, которые, впрочем, могут быть числом или вектором.

Pandas – это библиотека с открытым исходным кодом, предоставляющая высокопроизводительные, простые в использовании структуры данных и инструменты анализа для языка программирования Python.

Python давно зарекомендовало себя в области сбора данных, но не столь распространено в сфере анализа и моделирования данных. Pandas оказывает помощь в устранении этого недостатка, позволяя пользователю выполнять весь рабочий процесс анализа данных на Python без необходимости перехода на более подходящий для анализа данных язык, например R.

Особенности:

  • Быстрый и эффективный объект DataFrame для обработки данных с интегрированной индексацией;
  • Инструменты для чтения и записи данных между структурами данных в памяти и различными форматами: CSV, Microsoft Excel, базы данных SQL и быстрый формат HDF5;
  • Интеллектуальное выравнивание данных и интегральная обработка отсутствующих данных: автоматическое выравнивание на основе меток в вычислениях и легкое манипулирование беспорядочными данными в упорядоченной форме;
  • Интеллектуальная нарезка на основе ярлыков, удобная индексация и подмножество больших наборов данных;
  • Преобразование данных с помощью мощной группы посредством механизма, позволяющего выполнять операции split-apply-comb на наборах данных;
  • Высокопроизводительное объединение наборов данных;
  • Pandas используется в самых разных академических и коммерческих областях, включая финансы, неврологию, экономику, статистику, рекламу, веб-аналитику и многое другое.

В работе [3] ИНР используются нейронные сети с целью осуществления эффективного принятия решения относительно выбора потенциально подходящих сотрудников. ИНС является математической моделью, которая выстраивается в соответствии с принципами организации и функционирования биологической нейронной сети. Данная система отличаются соединением и взаимодействием простых моделей, далее искусственные нейроны. Положительный эффект применения искусственных нейронных сетей направленных на решение задач классификации заключается в их уникальной способности моделирования нелинейных зависимостей с большим объемом переменных. Также, в случае оценивания сотрудников, когда количество классов равняется 2 (0 означает то, что работник не подходит клиенту, 1 – работник может быть рекомендован клиенту). Применение в практике ИНС отличается простотой, связывающая с представлением данных на конечном этапе выхода из сети.

Следует отметить, что «в случае, когда кадровым агентством осуществляется процедура массового подбора кадров, а агентство желает автоматизировать данный процесс, непринципиальным является понимание влияния конкретных факторов на классификацию. Когда речь идет о подборе высококвалифицированных кадров, к примеру, на позиции топ менеджера, – подобная информация, является принципиальной. В данном случае математическая модель может выступить в качестве системы поддержки процесса принятия решений. Но итоговое решение будет за HR-менеджером».

В завершении работы, важно подчеркнуть, что в современном мире на рынке программных продуктов, которые предназначены как для запуска бизнеса, так и для менеджмента производства широко используют программы включающие такие операции как: анализ, прогнозирование, планирование. Их цель состоит в оптимизации управленческих решений. В их комплексе ежегодно возрастает количество программ, использующие инновационные математические методы, а также известные прикладные модели, так или иначе связанные с научным направлением, под названием «искусственный интеллект».

Список литературы

  1. Бова, В.В., Дуккардт, А.Н. Применение искусственных нейронных сетей для коллективного решения интеллектуальных задач [Текст] / В.В, Бова, А.Н. Дуккардт // Известия ЮФУ. Технические науки. – 2012. - С. 131-137.
  2. Васильев, Д. Н. Интеллектуальные информационные системы. Основы теории построения [Текст]: уч. Пос. / Д. Н. Васильев, В. Г. Чернов. - Владимир: Изд-во Владим. гос. ун-та, 2008. – 120 с.
  3. Тимофеева, О.П., Малышева, Е.М., Соколова, Ю.В. Проектирование интеллектуальной системы управления светофорами на основе нейронной сети [Текст] / О.П. Тимофеева, Е.М. Малышева, Ю.В. Соколова // Современные проблемы науки и образования. – 2014. - № 6. – С. 93.97
  4. Bova, V. V., Dukkardt, A. N. Application of artificial neural networks for collective solution of intellectual problems [Text] / V. V., Bova, A. N. Dukkardt / / Izvestiya SFU. Technical science. - 2012. Pp. 131-137.
  5. Vasiliev, D. N. Intelligent information systems. Fundamentals of the theory of construction [Text]: Uch. POS. / D. N. Vasiliev, V. G. Chernov. - Vladimir: Publishing house Vladim. state University, 2008. - 120 p.
  6. Timofeeva, O. P., Malysheva, E. M., Sokolova, Yu. V. Designing an intelligent traffic light control system based on a neural network [Text] / O. P. Timofeeva, E. M. Malysheva, Yu.V. Sokolova // Modern problems of science and education. - 2014. - No. 6. - Pp. 93.97

Интересная статья? Поделись ей с другими:

Внимание, откроется в новом окне. PDFПечатьE-mail