Традиционные технологии

Детерминированные технологии. Аналитические технологии типа теоремы Пифагора используются человеком уже много веков. За это время было создано огромное количество формул, теорем и алгоритмов для решения классических задач - определения объемов, решения систем линейных уравнений, поиска корней многочленов. Разработаны сложные и эффективные методы для решения задач оптимального управления, решения дифференциальных уравнений и т.д. Все эти методы действуют по одной и той же схеме (рис. 1).

Рисунок 1 – Схема работы детерминированных технологий

Для того чтобы алгоритм был применим, необходимо, чтобы данная задача полностью описывалась определенной детерминированной моделью (некоторым набором известных функций и параметров). В таком случае алгоритм дает точный ответ. Например, для применимости теоремы Пифагора следует проверить, что треугольник – прямоугольный (рис. 2).

Рисунок 2 – Пример работы детерминированной технологии (теорема Пифагора)

Вероятностные технологии. На практике часто встречаются задачи, связанные с наблюдением случайных величин - например, задача прогнозирования курса акций. Для подобных задач не удается построить детерминированные модели, поэтому применяется принципиально иной, вероятностный подход. Параметры вероятностных моделей - это распределения случайных величин, их средние значения, дисперсии и т.д. Как правило, эти параметры изначально неизвестны, а для их оценки используются статистические методы, применяемые к выборкам наблюдаемых значений (историческим данным). Схема работы вероятностных технологий приведена на рисунке 3.

Рисунок 3 – Схема работы вероятностных технологий

Такого рода методы также предполагают, что известна некоторая вероятностная модель задачи. Например, в задаче прогнозирования курса можно предположить, что завтрашний курс акций зависит только от курса за последние 2 дня (авторегрессионная модель). Если это верно, то наблюдения курса в течение нескольких месяцев позволяют достаточно точно оценить коэффициенты этой зависимости и прогнозировать курс в будущем. На рисунке 4 приведен пример прогнозирования курса акций на основе известного за последние 300 дней курса.

Рисунок 4 – Пример работы вероятностной технологии

К сожалению, классические методики оказываются малоэффективными во многих практических задачах. Это связано с тем, что невозможно достаточно полно описать реальность с помощью небольшого числа параметров модели, либо расчет модели требует слишком много времени и вычислительных ресурсов.

Вероятностные технологии также обладают существенными недостатками при решении практических задач, поскольку зависимости, встречающиеся на практике, часто не линейны. Статистические методы хорошо развиты только для одномерных случайных величин. Если же необходимо учитывать несколько взаимосвязанных факторов, то придется обратиться к построению многомерной статистической модели. В многомерной статистике нередко применяют малообоснованные эвристические методы, которые по сути очень близки к технологии нейронных сетей.

Новые технологии

Из-за описанных выше недостатков традиционных методик в последние годы идет активное развитие аналитических систем нового типа. В их основе - технологии искусственного интеллекта, имитирующие природные процессы, такие как деятельность нейронов мозга или процесс естественного отбора.

Наиболее популярными и проверенными из этих технологий являются нейронные сети и генетические алгоритмы. Первые коммерческие реализации на их основе появились в 80-х годах и получили широкое распространение в развитых странах.

Нейронные сети в каком-то смысле являются имитациями мозга, поэтому с их помощью успешно решаются разнообразные "нечеткие" задачи - распознавание образов, речи, рукописного текста, выявление закономерностей, классификация, прогнозирование.

Для классификации и распознавания образов сеть накапливает в процессе обучения знания об основных свойствах этих образов, таких, как геометрическое отображение структуры образа, распределение главных компонентов. При обобщении акцентируются отличия образов друг от друга, которые и составляют основу для выработки классификационных решений.

В области прогнозирования задача сети формулируется как предсказание будущего поведения системы по имеющейся последовательности ее предыдущих состояний.

В задачах управления динамическими процессами нейронная сеть выполняет несколько функций. Во-первых, она представляет собой нелинейную модель этого процесса и идентифицирует его основные параметры, необходимые для выработки соответствующего управляющего сигнала. Во-вторых, сеть выполняет функции следящей системы, отслеживает изменяющиеся условия окружающей среды и адаптируется к ним.

В задачах ассоциации нейронная сеть выступает в роли ассоциативного запоминающего устройства.

Таким образом, во многих задачах, где традиционные технологии бессильны, нейронные сети часто выступают как единственная эффективная методика решения.

Поиск по сайту: