Автоматизированные информационные системы в экономике

Система PSY представляет собой, по сути, гибридную ЭС, включающую, кроме БЗ, обширную БД для хранения тестов и сведений о персонале, а также процедуры статистической обработки.

Отображением знаний в  системе служит аппарат правил продукционного типа. На основе этих знаний формируется характеристика обследуемых. Сюда же входит и анализ особенностей формирования личности на основе биографических данных. ЭС насчитывает около 6 тыс. продукционных правил. Развитый логический аппарат позволяет системе формировать улучшенные тесты для отбора по конкретной специальности на основании профессиональных требований, определяемых пользователем системы. Система может подстраиваться и корректировать состав тестов для углубленного изучения свойств обследуемого.

Нейросетевые технологии. В составе технологий интеллектуального уровня определенное место занимают аналитические информационные технологии, которые относятся к классу нейронных сетей. В основе нейронных сетей положены алгоритмы, обладающие способностью самообучения на примерах, которые они извлекают из потока информации как скрытые закономерности. Компьютерные технологии нейросетевой структуры работают по аналогии с принципами строения и функционирования нейронов головного мозга человека и способны благодаря этому решать чрезвычайно широкий круг задач: распознавание человеческой речи и абстрактных образов, классификация состояний сложных систем, распознавание технологических процессов и финансовых потоков, решение аналитических, исследовательских, производственных задач, связанных с объемными информационными потоками. Будучи мощным технологическим инструментом, нейросетевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, ограниченных информационных ресурсов или дефицита времени. Эти важные свойства и определили практическое применение нейросетевых технологий.

Интенсивное продвижение  на рынок нейросетевых технологий началось в 1990-х гг. Появилось новое поколение систем этого класса, основанное на достаточно мощных, но недорогих и простых в использовании персональных ЭВМ. Среди систем этого поколения можно назвать нейросетевой пакет Brain Makerr американской фирмы California Scientific Software. В настоящее время это один из самых популярных нейросетевых пакетов на рынке США. На российском рынке он появился в

финансово-кредитной сфере. Финансисты стали довольно широко применять  этот пакет в аналитической работе банков. Кроме финансовой сферы пакет  начал применяться и в решении  задач властных структур.

Одно из достоинств нейронных  сетей — их способность адаптироваться к изменениям условий решаемой задачи. Механизм адаптации базируется на идее самообучения. Алгоритм самообучения не требуют каких-либо предварительных знаний о существующих в ПрО взаимосвязях. Здесь надо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом. Основанная на нейросетях технология не предъявляет повышенных требований к точности входных данных как на этапе самообучения, так и при их применении. Примером может служить распознавание симптомов приближения критических ситуаций для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает двумя следующими необходимыми свойствами:

•  способностью обучаться на конкретном множестве примеров;

•  умением стабильно распознавать и прогнозировать новые ситуации с высокой степенью точности даже в условиях внешних помех, например при появлении противоречивых или неполных значений в потоках информации.

В России популярность приобрели  системы Brain Maker Professionall и Neuroforester. Работа алгоритма здесь заключается в управлении процессом общения на некотором множестве примеров, а также стабильном распознавании новых ситуаций с высоким уровнем точности.

В отличие от Brain Maker Professional в пакете Neuroforester для решения прогнозных задач ряд процедур выполняется автоматически. Например, автоматически выбирается оптимальное число дней для решения прогнозной задачи. Пакет имеет также инструменты для предварительной обработки данных: корреляционный анализ, позволяющий определять значимость входных параметров прогноза; анализ с помощью масштабных преобразований; диаграмма-распределение зависимости прогнозируемой величины от входных параметров. Указанные свойства обеспечивают системе хорошее качество прогноза. Результаты решения задач представляются в удобном графическом виде, что обеспечивает эффективное принятие решений.

Создание нейросетевой технологии имеет свои этапы:

1)  формулировка задачи — один из принципиальных моментов разработки технологии. На этом этапе необходимо четко определить, что пользователь хочет увидеть в качестве результата нейросетевой технологии. Это могут быть функция доходности ценных бумаг, доминирующие факторы развития рынка определенной номенклатуры товаров, результаты ревизии портфеля инвестиционных проектов фирмы и др.;

2)  определение и подготовка исходных данных — отбор источников информации, которые наиболее точно и полно описывают процесс решения задачи. Для этого привлекаются специалисты, хорошо знающие ПрО задачи и имеющие достаточный опыт ее решения. При этом необходимо соблюдать равновесие между стремлением увеличить количество исходных параметров и вероятностью получить плохо обучаемую сеть, которая будет производить неправильные прогнозы;

3)  физический ввод данных в систему, подготовка файлов для тренировки и тестирования системы — формирование того состава ситуаций, который поможет аналитику-пользователю при решении задач, и распределение исходных данных по этим ситуациям. Здесь очень важно

выделить степень влияния  того или иного параметра на прогнозируемую величину. Это соответствие выясняется в виде процедуры «если..., то...; иначе...»;

4) обучение нейросетевой технологии. Система может быть настроена на решение разных задач, в частности на прогнозирование временных рядов. Эти ряды могут быть применены для описания финансовых рынков. Средством решения задачи часто становится так называемый генетический алгоритм (Genetic Algoritmus). В реализации задач автоматической классификации и распознавания образов могут быть применены технологии Hopfield и Kohonen. Принципиальная трудность состоит в настройке нейросети на обучающую выборку данных. При настройке следует определить оптимальное число параметров, свойств изучаемых данных, рациональное число соотношения дней ретроспективы и прогноза;

5) тестирование нейросети и ее запуск для получения пробного прогноза. Адекватность обученных нейросетей определяется по тестовой выборке данных. По результатам тестирования выбирается наиболее подходящий состав вариантов. Критерием отбора служит точность и надежность прогноза. В случае неудовлетворительных результатов тестирования еще раз анализируется набор входных данных, корректируются некоторые обучающие программы или переопределяется сеть.

Вопросы и задания для самопроверки

1.   Дайте определения понятий «технологический процесс обработки данных АИС», «этап технологического процесса обработки данных АИС».

2.    Назовите основные схемы технологического процесса обработки

данных АИС.

3.    Назовите основные методы программного контроля достоверности и полноты в технологии обработки данных.

4.   Дайте характеристику топологических схем сетей ЭВМ.

5.    Каковы основные элементы структуры ГВС?

6.   Дайте характеристику основных форм электронной коммерции в Интернете.

7.    Назовите МПЗ интеллектуальных информационных технологий.

8.    Назовите основные элементы структуры ЭС.

9.    Каков порядок генерации вывода в ЭС?

10.  Назовите классы экономических задач, при решении которых применяются интеллектуальные информационные технологии.

11.  На каких принципах основаны нейросетевые технологии?