УДК 004.9:33
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:
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.
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:
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