Для чего используются интеллектуальные информационные технологии

Интеллектуальные информационные технологии

Использование ИИТ в реальной практике подразумевает учет специфики проблемной области, которая может характеризоваться следующим набором признаков:

— качество и оперативность принятия решений

— нечеткость целей и институциальных границ

— множественность субъектов, участвующих в решении проблемы

— хаотичность, флюктуируемость и квантованность поведения среды

— множественность взаимовлияющих друг на друга факторов

— слабая формализуемость, уникальность, нестереотипность ситуаций

— латентность, скрытость, неявность информации

— девиантность реализации планов, значимость малых действий

— парадоксальность логики решений и др.

Гносеологический фундамент ИИТ наиболее явно видится в работах Канта, Гегеля, Гуссерля. Собственно же явную историю ИИТ удобно начать с середины XX века, когда появился термин «Искусственный интеллект» (Artificial Intelligence). История ИИТ начинается с середины 1970-х годов и связывается с совместным практическим применением интеллектуальных информационных систем, систем искусственного интеллекта, систем поддержки решений и информационных систем. Эта история связана также с развитием трех научных направлений: компьютерной философии, компьютерной психологии и продвинутой компьютерной науки (англ. Advanced computer science) и дополняется прогрессом в создании: ситуационных центров, информационно-аналитических систем, инструментариев эволюционных вычислений и генетических алгоритмов, систем поддержки общения человека с компьютером на естественном языке, когнитивным моделированием, систем автоматического тематического рубрицирования документов, систем стратегического планирования, инструментариев технического и фундаментального анализа финансовых рынков, систем менеджмента качества, систем управления интеллектуальной собственностью и др.

Источник

Тема 8. Новые информационные технологии в управленческой деятельности.

Использование информационных технологий в различных сферах человеческой деятельности, экспоненциальный рост объемов инфор­мации и необходимость оперативно реагировать на возникающие ситуации потребовали поиска адекватных путей решения возникающих проблем. Эффективнейшим из них является путь интеллектуализации инфор­мационных технологий.

Под интеллектуальными информационными технологиями (ИТТ) обычно понимают такие информационные технологии, в которых пре­дусмотрены следующие возможности:

1. наличие баз знаний, отражающих опыт конкретных людей, групп, обществ, человечества в целом, при решении творческих задач в опре­деленных сферах деятельности, традиционно считавшихся прерогати­вой интеллекта человека (например, такие плохо формализуемые за­дачи, как принятие решений, проектирование, извлечение смысла, объяснение, обучение и т.п.);

2. наличие моделей мышления на основе баз знаний: правил и логи­ческих выводов, аргументации и рассуждения, распознавания и клас­сификации ситуаций, обобщения и понимания и т.п.;

3. наличие механиз­ма объяснений (т.е., способность объяснять выводы и решения);

4. способность формировать вполне четкие решения на основе не­четких, нестрогих, неполных данных;

5. способность к обучению, переобучению и, следовательно, к раз­витию.

ИИТ также находят широкое применение для

¾ распределенного решения сложных задач,

¾ совместного проектирования изделий,

¾ построения виртуальных предприятий,

¾ моделирования больших производственных систем

¾ электронной разработки сложных компьютерных систем,

¾ управления системами знаний и информации и т. п.

Еще одно эффективное применение — поиск информации в Internet и других глобальных сетях, ее структуризация и доставка заказчику.

Интеллектуальные информационные технологии – это средство для разработки интеллектуальных информационных систем, которые в последнее время становятся весьма распространенным коммерческим продуктом, находящим широкий спрос пользователей в самых разнообразных областях деятельности. Примерами таких систем являются экспертные системы, системы интеллектуального управления, интеллектуальные базы данных, системы когнитивной графики [ когнитивная графика, т.е. графическое и образное представление знаний ], самообучающиеся системы ( нейронные сети).

2. Информационная технология поддержки принятия решений.

Особенность данной ИТ в том, что человек участвует в данном процессе на начальной и завершающей стадиях, т.е. вводит перво­начальные данные в систему и принимает окончательное решение на основе полученной информации. «Черновую» же работу по переработке заданной информации проделывает компьютер.

Подобное взаимодействие между человеком и компьютером, где человек выступает в качестве управляющего звена, а компьютер под управлением человека создает новую информацию, называ­ется итерационным процессом.

Для итерационного процесса характерны:

¾ ориентация на решение плохо структурированных (формализо­ванных) задач;

¾ сочетание традиционных методов доступа и обработки компью­терных данных с возможностями математических моделей и ме­тодами решения задач на их основе;

¾ направленность на непрофессионального пользователя компь­ютера;

¾ высокая адаптивность, обеспечивающая возможность приспо­сабливаться к особенностям имеющегося технического и про­граммного обеспечения, а также требованиям пользователя.

Информационная технология поддержки принятия решений может использоваться на любом уровне управления. Кроме то­го, решения, принимаемые на различных уровнях управления, часто должны координироваться. Поэтому важной функцией и систем, и технологий является координация лиц, принимаю­щих решения как на разных уровнях управления, так и на од­ном уровне.

В состав системы поддержки принятия решений входят три глав­ных компонента:

¾ программная подсистема, которая состоит из системы управ­ления базой данных (СУБД), системы управления базой моде­лей (СУБМ) и системы управления интерфейсом между поль­зователем и компьютером.

База данных (БД) — совокупность информации, используемая в ра­боте информационной технологии принятия решений.

БД формируется из нескольких источников:

1. часть данных поступает от информационной системы операционного уровня;

Целью создания базы моделей является описание и оптимиза­ция некоторого объекта или процесса. Использование моделей обеспечивает проведение анализа в системах поддержки приня­тия решений.

Модели, базируясь на математической интерпретации пробле­мы, при помощи определенных алгоритмов способствуют на­хождению информации, полезной для принятия правильных решений.

В системах поддержки принятия решения база моделей состоит из:

1. стратегических моделей;

2. тактических моделей;

3. оперативных моделей;

4. математических моделей.

Стратегические модели используются на высших уровнях управления для установления целей организации; объемов ре­сурсов, необходимых для их достижения, а также политики приобретения и использования этих ресурсов. Они могут быть также полезны при выборе вариантов размещения предприятий, прогнозировании политики конкурентов и т. п. Для стратегиче­ских моделей характерны значительная широта охвата, множе­ство переменных, представление данных в сжатой агрегированной форме.

Тактические модели применяются управляющими среднего уровня для распределения и контроля использования имею­щихся ресурсов. Среди возможных сфер их использования следу­ет указать: финансовое планирование, планирование требований к работникам, планирование увеличения продаж, построение схем компоновки предприятий.

Оперативные модели используются на низших уровнях управле­ния для поддержки принятия оперативных решений. Возможные применения этих моделей включают в себя календарное производственное планирование, управление запасами и т. д. Оперативные модели обычно используют для расчетов внутрифирменных данных.

Математические модели состоят из совокупности модулей и процедур, реализующих математические методы. Сюда могут входить процедуры линейного программирования, статистического анализа временных рядов, регрессионного ана­лиза и т. п.

Эффективность и гибкость информационной технологии во многом зависят от характеристик интерфейса системы под­держки принятия решений.

Интерфейс должен обладать следую­щими возможностями:

¾ манипулировать различными формами диалога, изменяя их в про­цессе принятия решения по выбору пользователя;

¾ передавать данные системе различными способами;

¾ получать данные от различных устройств системы в различном формате;

3. Информационная технология экспертных систем.

Наибольший прогресс среди компьютерных информационных систем отмечен в области разработки экспертных систем, основанных на использовании искусственного интеллекта. Экс­пертные системы дают возможность менеджеру или специалисту получать консультации экспертов по любым проблемам, о кото­рых этими системами накоплены знания.

Под искусственным интеллектом обычно понимают способно­сти компьютерных систем к таким действиям, которые назы­вались бы интеллектуальными, если бы исходили от человека. Чаще всего здесь имеются в виду способности, связанные с чело­веческим мышлением. Работы в области искусственного интел­лекта не ограничиваются экспертными системами. Они также включают в себя создание роботов, систем, моделирующих нерв­ную систему человека, его слух, зрение, обоняние, способность к обучению.

Главная идея использования технологии экспертных систем заключается в том, чтобы получить от эксперта его знания и, загрузив их в память компьютера, использовать всякий раз, когда в этом возникнет необходимость.

Являясь одним из основных приложений искусственного интеллекта, экспертные системы представляют собой компьютерные программы, трансформи­рующие опыт экспертов в какой-либо области знаний в форму эвристических правил (эвристик). Эвристики не гарантируют получения оптимального результата с такой же уверенностью, как обычные алгоритмы, используемые для решения задач в рамках технологии поддержки принятия решений. Однако час­то они дают в достаточной степени приемлемые решения для их практического использования. Это делает возможным ис­пользовать технологию экспертных систем в качестве сове­тующих систем.

¾ первое связано с тем, что решение проблемы в рамках систем поддержки принятия решений соответствует интеллекту поль­зователя. Технология экспертных систем, наоборот, предлагает пользователю принять решение, превосходящее его возможности;

¾ второе отличие указанных технологий выражается в способно­сти экспертных систем пояснять свои рассуждения в процессе получения решения. Очень часто эти пояснения оказываются более важными для пользователя, чем само решение;

База экспертных знаний содержит факты, описывающие про­блемную область, а также логическую взаимосвязь этих фак­тов. Центральное место в базе знаний принадлежит правилам. Правило определяет, что следует делать в данной конкрет­ной ситуации, и состоит из двух частей:

¾ условия, которое может выполняться или не выполняться;

¾ действия, которое следует произвести, если условие выполняется.

Все используемые в экспертной системе правила образуют систему правил, которая даже для сравнительно простой систе­мы может содержать несколько тысяч правил.

Технология экспертных систем предусматривает возможность получать в качестве выходной информации не только решение, но и необходимые объяснения. Различают два вида объяснений:

¾ объяснения, выдаваемые по запросам. Пользователь в любой мо­мент может потребовать от экспертной системы объяснения своих действий;

¾ объяснения полученного решения проблемы. После получения ре­шения пользователь может потребовать объяснений того, как оно было получено. Система должна пояснить каждый шаг своих рассуждений, ведущих к решению задачи.

Хотя технология ра­боты с экспертной системой не является простой, пользователь­ский интерфейс этих систем является дружественным и обычно не вызывает трудностей при ведении диалога.

Основные типы задач, решаемых с помощью ЭС:

1) интерпретация, определение смыслового содержания входных данных;

2) предсказание последствий наблюдаемых ситуаций;

3) диагностика неисправностей (заболеваний) по симптомам;

4) конструирование объекта с заданными свойствами при соблюдении установленных ограничений;

5) планирование последовательности действий, приводящих к желаемому состоянию объекта;

6) слежение (наблюдение) за изменяющимся состоянием объекта и сравнение его параметров с установленными или желаемыми;

7) управление объектом с целью достижения желаемого поведения;

8) поиск неисправностей;

В экономических информационных системах с помощью ЭС возможно решение следующих задач:

1. анализ финансового состояния предприятия;

2. оценка кредитоспособности предприятия;

3. планирование финансовых ресурсов предприятия;

4. формирование портфеля инвестиций;

5. страхование коммерческих кредитов;

6. выбор стратегии производства;

7. оценка конкурентоспособности продукции;

8. выбор стратегии ценообразования;

9. выбор поставщика продукции;

Вопросы к теме.

1. Что понимают под интеллектуальными информационными технологиями?

2. Дать понятие мульти­агентных систем.

3. Назовите области применения интеллектуальных информационных технологий.

4. Дайте понятие информационной технологии поддержки принятия решения.

5. Какой процесс называется итерационным?

6. Назовите характерные особенности итерационного процесса.

7. Какова структура системы поддержки принятия решений?

8. Дайте определение базы данных.

9. Из каких источников формируется база данных системы поддержки принятия решений?

10. Какова цель создания базы моделей в системе поддержки принятия решений?

11. Из каких видов моделей состоит база моделей? Их краткая характеристика.

12. Что определяет интерфейс системы под­держки принятия решений?

13. Какими возможностями должен обладать интерфейс системы поддержки принятия решений?

14. Что понимают под искусственным интеллектом?

15. Какова главная идея использования технологии экспертных систем?

16. В чём заключается сходство и каковы различия информационных технологий, используемых в эксперт­ных системах и системах поддержки принятия решений?

17. Дайте краткую характеристику базы экспертных знаний.

18. Назовите типы задач, решаемых с помощью экспертных систем.

Источник

Интеллектуальные информационные технологии

Использование ИИТ в реальной практике подразумевает учет специфики проблемной области, которая может характеризоваться следующим набором признаков:

История

Гносеологический фундамент ИИТ наиболее явно видится в работах Канта, Гегеля, Гуссерля. Собственно же явную историю ИИТ удобно начать с середины XX века, когда появился термин «Искусственный интеллект» (Artificial Intelligence). История ИИТ начинается с середины 1970-х годов и связывается с совместным практическим применением интеллектуальных информационных систем, систем искусственного интеллекта, систем поддержки решений и информационных систем. Эта история связана также с развитием трех научных направлений: компьютерной философии, компьютерной психологии и продвинутой компьютерной науки (англ. Advanced computer science ) и дополняется прогрессом в создании: ситуационных центров, информационно-аналитических систем, инструментариев эволюционных вычислений и генетических алгоритмов, систем поддержки общения человека с компьютером на естественном языке, когнитивным моделированием, систем автоматического тематического рубрицирования документов, систем стратегического планирования, инструментариев технического и фундаментального анализа финансовых рынков, систем менеджмента качества, систем управления интеллектуальной собственностью и др.

С середины 1940-х вплоть до ранних 1970-х гг. создание ИИТ рассматривалось преимущественно в рамках логического решения задач. Этот период развития ИИТ характеризуется сравнительно большой определенностью и низкой динамичностью объекта управления. Вместе с тем уже в 1943 году появились «продукции Поста» и методы решения некорректных (обратных) задач на метризуемых пространствах, а в 1947 году для моделирования сложных экономических ситуаций активно начали использоваться методы причинного нелогического вывода, которые позже легли в основу методов системной динамики, немонотонных вычислений, когнитивного моделирования. Создание центров управления полетами, организация штабных работ с применением средств визуализации и автоматизации, зарубежные публикации на тему создания специальных ситуационных центров вдохновили в 1970-е годы инженеров на создание ситуационных комнат для совершенствования управления крупными социальными и институциональными системами. В создании таких комнат и интеллектуальных технологий больше внимания стало придаваться средствам визуализации, диалоговым системам, помогающим использовать базы знаний и модели для решения плохо структурированных проблем. В середине 1970-х годов на основе ИИТ в корпоративном мире начинают развиваться системы поддержки решений для эффективного управления ресурсами, осуществления контроллинга. Ряд замечательных практических идей и результатов, например, связанных с теорией нейронных сетей, многоагентных и активных систем, оптических и голографических процессоров, появилось именно в это время. Тот период можно отметить успехами в создании всеобъемлющих моделей ситуационного управления регионами в периоды кризисов. Его характеризует вера в практически неограниченные возможности искусственного интеллекта. В середине 1980-х годов был отмечен крах иллюзий относительно неограниченных возможностей успешной формализации процессов мышления с помощью систем логической обработки естественного языка. Вместе с тем появились интеллектуальные технологии для ограниченной поддержки исследовательской и профессиональной деятельности лиц, принимающих решения. Практическое применение получили подходы, основанные на использовании достоверного и правдоподобного вывода, немонотонных логик и нечетких систем, лингвистических процессоров. Тогда же появилась явная потребность в оптических и квантовых вычислениях – для решения многомерных и слабо распараллеливающихся задач. Видимые успехи появились в сфере обработки текстов естественного языка, высококачественного поиска документов, слежения за динамичными объектами управления, решения задач распознавания образов, имитационного моделирования, статистической обработки данных, решения транспортных задач, построения нечетких контроллеров. В конце 1980-х внимание разработчиков ИИТ все больше акцентируется на исследовании адаптивных свойств информационных систем, учитывающих умственную активность человека при осуществлении речевых актов, дискурса и принятии решений. С начала 1990 ИИТ все активней используются в стратегическом менеджменте, управлении ресурсами, реинжиниринге, создании ситуационных центров. Все более заметно внедряются интеллектуальные информационные технологии аналитической обработки больших массивов информации, технологии поддержки решений. В 1990-х годах в совокупности и взаимосвязи развиваются: экспертные системы реального времени, интеллектуальные агенты, активные системы, достоверный и правдоподобный вывод, эволюционные и квантовые вычисления, когнитивные модели, ситуационные центры и пр. Эксклюзивное место в развитии ИИТ с середины 1990-х заняла разработка необходимых условий конвергентности (сходимости) процессов управления, поиска информации и синтеза управленческих решений, направленных на обеспечение необходимых условий устойчивой сходимости этих процессов к намечаемым целям. С 2000 года начал приобретать новое звучание процесс электронизации деятельности органов власти, бизнеса и населения. Концепция электронной демократии, предполагающая: осуществление гражданского контроля, проведение выборов и референдумов, поддержку процессов самоорганизации населения, обеспечение возможности участия населения в принятии государственных решений, расширение технологической возможности обмена мнениями – также предусматривает расширение возможностей интеллектуальных информационных технологий. Концепции электронной коммерции, включающие: маркетинг, управление корпоративными ресурсами, повышение качества продукции и услуг, расширение доступа к капиталу, электронные торги, развитие инноваций, поддержку процессов самоорганизации бизнеса – не могла не активизировать работы по дальнейшему развитию систем поддержки решений с помощью ИИТ.

Источник

Интеллектуальная информационная технология

Интеллектуальные информационные технологии – это средство для разработки интеллектуальных информационных систем, которые в последнее время становятся весьма распространенным коммерческим продуктом, находящим широкий спрос пользователей в самых разнообразных областях деятельности [7]. Примерами таких систем являются экспертные системы, системы интеллектуального управления, интеллектуальные базы данных, системы когнитивной графики, самообучающиеся системы, адаптивные информационные системы. Многие из перечисленных систем могут быть реализованы как нечеткие системы, в которых используются лингвистическая модель представления информации, а решение задачи осуществляется на основе нечеткого логического вывода – частного случая вывода на знаниях

Использование ИИТ в реальной практике подразумевает учет специфики проблемной области, которая может характеризоваться следующим набором признаков [8]:

· качество и оперативность принятия решений;

· нечеткость целей и институциальных границ;

· множественность субъектов, участвующих в решении проблемы;

· хаотичность, флюктуируемость и квантованность поведения среды;

· множественность взаимовлияющих друг на друга факторов;

· слабая формализуемость, уникальность, нестереотипность ситуаций;

· латентность, скрытость, неявность информации;

· девиантность реализации планов, значимость малых действий;

· парадоксальность логики решений и др.

Сегодня в области автоматизации управления анализ информации доминирует на предварительной стадии подготовки решений — обработки первичной информации, декомпозиции проблемной ситуации. Все это позволяет познать лишь фрагменты и детали процессов, а не ситуацию в целом. Для преодоления этого недостатка надо научиться строить базы знаний, используя опыт лучших специалистов, а также генерировать недостающие знания.

Использование информационных технологий (ИТ) в различных сферах человеческой деятельности, экспоненциальный рост объемов информации и необходимость оперативно реагировать в любых ситуациях потребовали поиска адекватных путей решения возникающих проблем. Эффективнейшим из них является путь интеллектуализации информационных технологий.

Под информационными технологиями понимается совокупность методов, использующих информационные законы, модели и процессы для производства средств и методов работы с информацией. В последнее время в рамках научного направления искусственный интеллект появилось понятие современных информационных технологий, к которым относятся: инженерия знаний, обработка нечеткой информации, мягкие вычисления (soft computing), нейросетевые технологии, эволюционное моделирование (генетические алгоритмы), многоагентные системы. Перечисленные технологии реализуют не только новые модели представления знаний, но и современные эвристические алгоритмы для получения приближенных решений, когда точное решение найти или невозможно, или трудоемко [9].

Под интеллектуальными информационными технологиями обычно понимают такие информационные технологии, в которых предусмотрены следующие возможности [10]:

· наличие баз знаний, отражающих опыт конкретных людей, групп, обществ, человечества в целом, в решении творческих задач в выделенных сферах деятельности, традиционно считавшихся прерогативой интеллекта человека (например, такие плохо формализуемые задачи, как принятие решений, проектирование, извлечение смысла, объяснение, обучение и т. п.);

· наличие моделей мышления на основе баз знаний: правил и логических выводов; аргументации и рассуждения; распознавания и классификации ситуаций; обобщения и понимания и т. п.;

· способность формировать вполне четкие решения на основе нечетких, нестрогих, неполных, недоопределенных данных;

· способность объяснять выводы и решения, то есть наличие механизма объяснений;

· способность к обучению, переобучению и, следовательно, к развитию.

Уникальная особенность интеллектуальных информационных технологий (ИИТ) — их «универсальность». Они практически не имеют ограничений по применению в таких областях, как управление, проектирование, машинный перевод, диагностика, распознавание образов, синтез речи и т. д.

ИИТ также находят широкое применение для распределенного решения сложных задач, совместного проектирования изделий, построения виртуальных предприятий, моделирования больших производственных систем и электронной торговли, электронной разработки сложных компьютерных систем, управления системами знаний и информации и т. п.

История ИИТ начинается с середины 1970-х годов и связывается с совместным практическим применением интеллектуальных информационных систем, систем искусственного интеллекта, систем поддержки решений и информационных систем [11]. История ИИТ связана также с развитием трех научных направлений: компьютерной философии, компьютерной психологии и продвинутой компьютерной науки (Advanced computer science) и дополняется прогрессом в создании:

1. ситуационных центров

2. информационно-аналитических систем

3. инструментариев эволюционных вычислений и генетических алгоритмов

4. систем поддержки общения человека с компьютером на естественном языке

5. когнитивным моделированием

6. систем автоматического тематического рубрицирования документов

7. систем стратегического планирования

8. инструментариев технического и фундаментального анализа финансовых рынков

9. систем менеджмента качества

10. систем управления интеллектуальной собственностью и др.

Исторически разработки в области ИИ велись в двух основных направлениях [12]:

Второе направление связано с разработками методов, приемов, специализированных устройств и программ для компьютеров, обеспечивающих решение сложных математических и логических задач, позволяющих автоматизировать отдельные интеллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).

Эти два направления как бы определяют программу минимум и программу максимум, между которыми и лежит область сегодняшних исследований и разработок систем ИИ. Работы по разработке программного и аппаратного обеспечения ИИ выделены в отдельную область.

Также возможно исследовать какую-либо задачу с помощью интеллектуальных информационных технологии, использую задач классификации. Таким образом, исследование получится эффективным.

Классификации

Классификация — один из разделов машинного обучения, посвященный решению следующей задачи [13]. Имеется множество объектов (ситуаций), разделённых некоторым образом на классы. Задано конечное множество объектов, для которых известно, к каким классам они относятся. Это множество называется обучающей выборкой. Классовая принадлежность остальных объектов не известна. Требуется построить алгоритм, способный классифицировать произвольный объект из исходного множества.

Классифицировать объект — значит, указать номер (или наименование класса), к которому относится данный объект.

Классификация объекта — номер или наименование класса, выдаваемый алгоритмом классификации в результате его применения к данному конкретному объекту.

В математической статистике задачи классификации называются также задачами дискриминантного анализа.

В машинном обучении задача классификации относится к разделу обучения с учителем. Существует также обучение без учителя, когда разделение объектов обучающей выборки на классы не задаётся, и требуется классифицировать объекты только на основе их сходства друг с другом. В этом случае принято говорить о задачах кластеризации или таксономии, и классы называть, соответственно, кластерами или таксонами.

Задача классификации представляет собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств. Примером таких задач может быть, например, задача определения кредитоспособности клиента банка, медицинские задачи, в которых необходимо определить, например, исход заболевания, решение задач управления портфелем ценных бумаг (продать купить или «придержать» акции в зависимости от ситуации на рынке), задача определения жизнеспособных и склонных к банкротству фирм.

Типология задач классификации

Типы входных данных:

· Признаковое описание — наиболее распространённый случай. Каждый объект описывается набором своих характеристик, называемых признаками. Признаки могут быть числовыми или нечисловыми.

· Матрица расстояний между объектами. Каждый объект описывается расстояниями до всех остальных объектов обучающей выборки. С этим типом входных данных работают немногие методы, в частности, метод ближайших соседей, метод парзеновского окна, метод потенциальных функций.

· Временной ряд или сигнал представляет собой последовательность измерений во времени. Каждое измерение может представляться числом, вектором, а в общем случае — признаковым описанием исследуемого объекта в данный момент времени.

· Изображение или видеоряд.

· Встречаются и более сложные случаи, когда входные данные представляются в виде графов, текстов, результатов запросов к базе данных, и т. д. Как правило, они приводятся к первому или второму случаю путём предварительной обработки данных и извлечения признаков.

Классификацию сигналов и изображений называют также распознаванием образов.

· Двухклассовая классификация. Наиболее простой в техническом отношении случай, который служит основой для решения более сложных задач.

· Многоклассовая классификация. Когда число классов достигает многих тысяч (например, при распознавании иероглифов или слитной речи), задача классификации становится существенно более трудной.

· Пересекающиеся классы. Объект может относиться одновременно к нескольким классам.

· Нечёткие классы. Требуется определять степень принадлежности объекта каждому из классов, обычно это действительное число от 0 до 1.

Примеры прикладных задач:

· Задачи медицинской диагностики

· Предсказание месторождений полезных ископаемых

· Оценивание кредитоспособности заёмщиков

· Предсказание оттока клиентов

· Оптическое распознавание символов

Оценивание кредитоспособности заёмщиков [14]

Эта задача решается банками при выдаче кредитов. Объектами в данном случае являются физические или юридические лица, претендующие на получение кредита. В случае физических лиц признаковое описание состоит из анкеты, которую заполняет сам заёмщик, и, возможно, дополнительной информации, которую банк собирает о нём из собственных источников. Примеры бинарных признаков: пол, наличие телефона. Номинальные признаки — место проживания, профессия, работодатель. Порядковые признаки — образование, занимаемая должность. Количественные признаки — сумма кредита, возраст, стаж работы, доход семьи, размер задолженностей в других банках. Обучающая выборка составляется из заёмщиков с известной кредитной историей. В простейшем случае принятие решений сводится к классификации заёмщиков на два класса: «хороших» и «плохих». Кредиты выдаются только заёмщикам первого класса. В более сложном случае оценивается суммарное число баллов (score) заёмщика, набранных по совокупности информативных признаков. Чем выше оценка, тем более надёжным считается заёмщик. Отсюда и название — кредитный скоринг. На стадии обучения производится синтез и отбор информативных признаков и определяется, сколько баллов назначать за каждый признак, чтобы риск принимаемых решений был минимален. Следующая задача — решить, на каких условиях выдавать кредит: определить процентную ставку, срок погашения, и прочие параметры кредитного договора. Эта задача также может быть решения методами обучения по прецедентам.

При решении задач классификации необходимо отнести имеющиеся статические образцы (характеристики ситуации на рынке, данные медосмотра, информация о клиенте) к определенным классам. Возможно несколько способов представления данных. Наиболее распространенным является способ, при котором образец представляется вектором. Компоненты этого вектора представляют собой различные характеристики образца, которые влияют на принятие решения о том, к какому классу можно отнести данный образец. Например, для медицинских задач в качестве компонентов этого вектора могут быть данные из медицинской карты больного. Таким образом, на основании некоторой информации о примере, необходимо определить, к какому классу его можно отнести. Классификатор таким образом относит объект к одному из классов в соответствии с определенным разбиением N-мерного пространства, которое называется пространством входов, и размерность этого пространства является количеством компонент вектора.

Прежде всего, нужно определить уровень сложности системы. В реальных задачах часто возникает ситуация, когда количество образцов ограничено, что осложняет определение сложности задачи. Возможно выделить три основных уровня сложности. Первый (самый простой) – когда классы можно разделить прямыми линиями (или гиперплоскостями, если пространство входов имеет размерность больше двух) – так называемая линейная разделимость. Во втором случае классы невозможно разделить линиями (плоскостями), но их возможно отделить с помощью более сложного деления – нелинейная разделимость. В третьем случае классы пересекаются и можно говорить только о вероятностной разделимости [15].

В идеальном варианте после предварительной обработки мы должны получить линейно разделимую задачу, так как после этого значительно упрощается построение классификатора. К сожалению, при решении реальных задач мы имеем ограниченное количество образцов, на основании которых и производится построение классификатора. При этом мы не можем провести такую предобработку данных, при которой будет достигнута линейная разделимость образцов.

В настоящее время существует несколько методов решений задач классификаций и разделения разных классов событий. В ряде работ проводилось сравнение разных методов. Наиболее хорошие результаты по классификации и общности применения показали методы, K-NN (k ближайших соседей), Decision Tree (деревья решений), Neural Net (нейронные сети) [16].

Деревья решений

Деревья решений [17] – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Область применения деревья решений в настоящее время широка, но все задачи решаемые этим аппаратом могут быть объединены в следующие три класса:

o Описание данных: Деревья решений позволяют хранить информацию о данных в компактной форме, вместо них мы можем хранить дерево решений, которое содержит точное описание объектов.

o Классификация: Деревья решений отлично справляются с задачами классификации, т.е. отнесения объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения.

o Регрессия: Если целевая переменная имеет непрерывные значения, деревья решений позволяют установить зависимость целевой переменной от независимых (входных) переменных. Например, к этому классу относятся задачи численного прогнозирования (предсказания значений целевой переменной).

Преимущества использования деревьев решений

Рассмотрев основные проблемы, возникающие при построении деревьев, было бы несправедливо не упомянуть об их достоинствах:

o быстрый процесс обучения;

o генерация правил в областях, где эксперту трудно формализовать свои знания;

o извлечение правил на естественном языке;

o интуитивно понятная классификационная модель;

o высокая точность прогноза, сопоставимая с другими методами (статистика, нейронные сети);

o построение непараметрических моделей.

В силу этих и многих других причин, методология деревьев решений является важным инструментом в работе каждого специалиста, занимающегося анализом данных, вне зависимости от того практик он или теоретик.

Области применения деревьев решений

Деревья решений являются прекрасным инструментом в системах поддержки принятия решений, интеллектуального анализа данных (data mining).

В состав многих пакетов, предназначенных для интеллектуального анализа данных, уже включены методы построения деревьев решений. В областях, где высока цена ошибки, они послужат отличным подспорьем аналитика или руководителя

Деревья решений успешно применяются для решения практических задач в следующих областях:

o Банковское дело. Оценка кредитоспособности клиентов банка при выдаче кредитов.

o Промышленность. Контроль за качеством продукции (выявление дефектов), испытания без разрушений (например проверка качества сварки) и т.д.

o Медицина. Диагностика различных заболеваний.

o Молекулярная биология. Анализ строения аминокислот.

Это далеко не полный список областей, где можно использовать деревья решений. Не исследованы еще многие потенциальные области применения.

Нейронная сеть

С помощью нейронных сетей можно, например, предсказывать объемы продаж изделий, показатели биржевого рынка, выполнять распознавание сигналов, конструировать самообучающиеся системы.

Модели нейронных сетей могут быть программного и аппаратного исполнения. Мы будем рассматривать сети первого типа.

Среди задач Data Mining, решаемых с помощью нейронных сетей обычно рассматриваются такие [19]:

o Классификация (обучение с учителем). Примеры задач классификации: распознавание текста, распознавание речи, идентификация личности.

o Прогнозирование. Для нейронной сети задача прогнозирования может быть поставлена таким образом: найти наилучшее приближение функции, заданной конечным набором входных значений (обучающих примеров). Например, нейронные сети позволяют решать задачу восстановления пропущенных значений.

o Кластеризация (обучение без учителя). Примером задачи кластеризации может быть задача сжатия информации путем уменьшения размерности данных. Задачи кластеризации решаются, например, самоорганизующимися картами Кохонена. Этим сетям будет посвящена отдельная лекция.

Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается. При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Таким образом, сеть можно применять в ситуации, когда имеется определенная известная информация, и из нее необходимо получить некоторую пока не известную информацию.

Источник