Искусственный інтелект під управлінням фирмой

Содержание: 1. Історія розвитку науки про штучний інтелект. 2. Опис нейронних сетей.

1. Мета классификации.

2. Використання нейронних мереж як классификатора.

3. Підготовка вихідних данных.

4. Кодування вихідних значений.

5. Вибір обсягу сети.

6. Вибір архітектури сети.

7. Алгоритм побудови класифікатора з урахуванням нейронних мереж. 3. Прогнозування обсягу продажів кондитерських виробів з допомогою нейронних сетей.

1. Постановка задачи.

2. Метод решения.

3. Результат. 4. Вывод.

История розвитку науки про штучному интеллекте.

Искусственный інтелект — одне з новітніх наук, що з’явилися на другий половині 20-го століття базі обчислювальної техніки, математичної логіки, програмування, психології, лінгвістики, нейрофізіології та інших галузей знань. Штучний інтелект — це зразок міждисциплінарних досліджень, де з'єднуються професійні інтереси фахівців різного профілю. Саме назва нової науки виникло наприкінці 60-ті роки, а 1969 р. там (США) відбулася перша Всесвітня конференція по штучного інтелекту. Відомо, що сукупність наукових досліджень про знаходить права науки, якщо виконані два необхідні умови. У цих досліджень може бути об'єкт вивчення, не співпадаючий з тими, які вивчають інші науки. І ми повинні існувати специфічні методи дослідження цього об'єкта, які від методів інших, вже сформованих наук. Дослідження, які об'єднуються зараз терміном «штучний інтелект », мають специфічний об'єкт вивчення і специфічні методи. У статті ми обгрунтуємо це твердження. Коли наприкінці 40-х — початку 1950;х років з’явилися ЕОМ, зрозуміли, що інженери і математики створили непросто швидко працююче пристрій для обчислень, а щось значніше. Виявилося, що з допомогою ЕОМ можна вирішити різні головоломки, логічні завдання, витрачати час на шахи, створювати ігрові програми. ЕОМ почали приймати що у творчих процесах: складати музичні мелодії, вірші та навіть казки. З’явилися програми для перекладу з однієї мови в інший, для розпізнавання образів, докази теорем. Це засвідчила, що з допомогою ЕОМ і відповідних програм можна автоматизувати такі види людської діяльності, які називаються інтелектуальними і вважаються доступними лише людині. Попри велика різноманітність невычислительных програм, створених до початку 1960;х років, програмування у сфері інтелектуального діяльності перебував у набагато скрутнішому становищі, ніж розв’язання розрахункових завдань. Причина очевидна. Програмування для завдань розрахункового характеру спиралося на відповідну теорію — обчислювальну математику. За підсумками цієї теорії було розроблено багато методів вирішення завдань. Ці методи стали підвалинами відповідних програм. Нічого подібного для невычислительных завдань був. Будь-яка програма була тут унікальної, як твір мистецтва. Досвід створення таких програм неможливо обобщался, вміння їх створювати не було формалізовано. Ніхто заперечувати, що, на відміну мистецтва, у науки мали бути зацікавленими на методи вирішення завдань. З допомогою цих методів все однотипні завдання має вирішуватися однаковим способом. І «набивши руку «на рішенні завдань певного типу, легко вирішувати нові завдання, які стосуються до того ж типу. Але саме таких методів і придумали б ніякі ті, хто створював перші програми невычислительного характеру. Коли програміст створював програму для гри акторів-професіоналів у шахи, він використовував собственны знання про судовий процес гри. Він вкладав в програму, а комп’ютер лише механічно виконували цю програму. Можна сміливо сказати, що «не відрізняв «обчислювальні програми від невычислительных. Він однаковим чином знаходив коріння квадратного рівняння чи писав вірші. Ще комп’ютера був знання тому, що він у насправді робить. Про інтелекті комп’ютера можна було би казати, якщо він сам, виходячи з власних знання тому, перебіг гра в шахи як і грають у цю гру люди, зумів скласти шахову програму чи синтезував програму для написання нескладних вальсів і маршів. Не самі процедури, з допомогою яких виконується та чи інша інтелектуальна діяльність, а розуміння того, як його створити, як навчитися новому виду інтелектуальної діяльності, — оце приховано те що можна назвати інтелектом. Спеціальні метапроцедуры навчання нових видів інтелектуальної діяльності відрізняють людини від комп’ютера. Отже, у створенні штучного інтелекту основний завданням стає реалізація машинними засобами тих метапроцедур, які використовуються у інтелектуальної діяльності. Що таке за процедури? У психології мислення наявні кілька моделей творчої діяльності. Один із них називається лабіринтової. Суть лабіринтової гіпотези, де заснована лабіринтова модель, ось у чому: перехід від вихідних даних завдання до вирішення лежить лабіринтом можливих альтернативних шляхів. Не всі дороги ведуть до бажаної мети, чимало їх заводять у безвихідь, треба вміти повертатися до місця, де втрачено правильний напрямок. Нагадує спроби дуже вмілого школяра вирішити завдання про спрощення алгебраїчних висловів. З цією метою на кожному кроці можна використовувати деякі стандартні перетворення чи придумувати штучні прийоми. Але дуже часто замість спрощення висловлювання відбувається його ускладнення, і виникають глухі куточки, у тому числі немає виходу. На думку прибічників лабіринтової моделі мислення, рішення будь-якої творчої завдання зводиться до цілеспрямованому пошуку в лабіринті альтернативних колій із оцінкою успіху після кожного кроку. З лабіринтової моделлю пов’язана перша з метапроцедур — цілеспрямований пошук в лабіринті можливостей. Програмування цієї метапроцедуры відповідають численні процедури пошуку, засновані на міркування здоровим глуздом (людського досвіду рішення аналогічних завдань). У 60-ті роки було створено чимало програм з урахуванням лабіринтової моделі, переважно ігрових і які доводять теореми «прямо », без залучення штучних прийомів. Відповідне направлення у програмуванні одержало назву евристичного програмування. Висловлювалися навіть припущення, що цілеспрямований пошук в лабіринті можливостей — універсальна процедура, придатна на вирішення будь-яких інтелектуальних завдань. Але дослідники відмовилися цієї ідеї, коли зіштовхнулися з завданнями, у яких лабіринту можливостей або існувало, або він був дуже великий для метапроцедуры пошуку, як, наприклад, при гру шахи. Звісно, у цій грі лабіринт можливостей — усе це мислимі партії гри. Але як цього астрономічно великому лабіринті знайти партії, які ведуть до виграшу? Лабіринт така велика, що ніякі мислимі швидкості обчислень не дозволять цілеспрямовано перебрати шляху до ньому. І всі спроби використовуватиме цього людські евристики (у разі професійний досвід шахістів) не дають шляхи вирішення завдання. Тому створені шахові програми вже давно використовують як метапроцедуру цілеспрямованого пошуку, а й інші метапроцедуры, пов’язані коїться з іншими моделями мислення. Протягом багатьох років в психології вивчалася асоціативна модель мислення. Основний метапроцедурой моделі є асоціативний пошук і освоєння асоціативне міркування. Передбачається, що ухвалено рішення невідомої завдання однак грунтується цього разу вже вирішених завданнях, чимось подібних до ту, і треба вирішити. Нова завдання сприймається як вже відома, хоч трохи відрізняється від відомої. Тому спосіб її вирішення може бути близький до того що, який колись допоміг вирішити це завдання. І тому треба звернутися до пам’яті і спробувати знайти щось, як раніше вже траплялося. Це і асоціативний пошук. Коли, побачивши незнайомої людини, ви намагаєтеся згадати, ким схожий, реалізується метапроцедура асоціативного пошуку. Але поняття асоціацію на психології ширше, ніж просто «схожість ». Асоціативні зв’язку можуть і за контрастом, як протиставлення одного іншому та за суміжністю, т. е. через те, деякі явища виникали у однієї й тією самою ситуації чи відбувалися одночасно (чи з гаком зрушенням за часом). Асоціативне міркування дозволяє переносити прийоми, використані раніше, на поточну ситуацію. На жаль, попри багаторічне вивчення асоціативної моделі, зірвалася створити струнку теорію асоціативного пошуку миру і асоціативного міркування. Виняток становить важливий, але приватний клас асоціацій, званих умовними рефлексами. І все-таки метапроцедура асоціативного пошуку миру і міркування відіграла важливу роль: вона допомогла створити ефективні програми в розпізнаванні образів, в класифікаційних завдання й щодо навчання ЕОМ. Але водночас ця метапроцедура призвела до думки, що з її ефективне використання необхідно привернути результати, отримані на другий моделі мислення, спирається на ідею внутрішнього уявлення проблемної області, на знання про її особливостях, закономірності і процедурах дії у ній. Цю виставу про мисленнєвої діяльності зазвичай називають модельної гіпотезою. Відповідно до неї, мозок людини містить модель проблемної ситуації, у якій їй потрібно ухвалити будь-яке рішення. Аби вирішити використовуються метапроцедуры, які оперують з сукупністю знань із тієї проблемної області, до якої підключено дана проблемна ситуація. Наприклад, якщо проблемна ситуаціяперехід через вулицю з інтенсивним рухом, то знання, які можуть опинитися допомогти її дозволити, стосуються способів організації руху, сигналів світлофорів, наявності доріжок для переходу тощо. п. У модельної гіпотезі основними метапроцедурами стають уявлення знань, міркування, пошук релевантної (що з даної проблемної ситуацією) інформацією сукупності наявних знань, їх поповнення коригування. Ці метапроцедуры становлять ядро інтелектуальних можливостей сучасних програм, тож програмних систем, орієнтованих рішення творчих завдань. Поруч із метапроцедурами цілеспрямованого пошуку лабіринті можливостей, асоціативного пошуку це й міркування вони утворюють арсенал інтелектуальних коштів, яким мають сучасні інтелектуальні системи, часто звані системами, заснованими на знаннях. Можна сформулювати основні цілі й завдання штучного інтелекту. Об'єктом вивчення штучного інтелекту є метапроцедуры, використовувані при рішенні людиною завдань, які називають інтелектуальними, чи творчими. Але якщо психологія мислення вивчає ці метапроцедуры стосовно людини, то штучний інтелект створює програмні (а й наразі програмно-апаратні) моделі таких метапроцедур. Мета досліджень у сфері штучного інтелекту — створення арсеналу метапроцедур, достатнього у тому, щоб ЕОМ (й інші технічні системи, наприклад роботи) могли знаходити по постановкам завдань, їх рішення. Інакше кажучи, стали автономними програмістами, здатними виконувати роботу професійних програмістівприкладників (створюють програми вирішення завдань у певному предметної області). Зрозуміло, сформульована мета не вичерпує всіх завдань, що ставить собі штучний інтелект. Це мета найближча. Наступні мети пов’язані з спробою поринути у області мислення людини, що лежать поза сферою раціонального і выразимого словесно (вербально) мислення. Позаяк у пошуку рішення багатьох завдань, надто від раніше вирішених, великій ролі грає та сфера мислення, яку називають підсвідомої, непритомною, чи інтуїтивної. Основними методами, які у штучний інтелект, є різноманітних програмні моделі і кошти, експеримент на ЕОМ і теоретичні моделі. Проте сучасні ЕОМ замало задовольняють фахівців із штучного інтелекту. Не мають нічого спільного про те, як влаштований людський мозок. Тому триває інтенсивний пошуку нових технічних структур, здатних краще вирішувати завдання, пов’язані з інтелектуальними процесами. Сюди відносяться дослідження з нейроподобным штучним мереж, спроби побудувати молекулярні машини, роботи у сфері голографічних систем і що інше. Докладніше тут розглядаються нейронные штучні сети.

Нейронные сети Решение завдання класифікації одна із найважливіших застосувань нейронних мереж. Завдання класифікації є завдання віднесення зразка одного з кількох попарно не від перетинання множин. Прикладом завдань то, можливо, наприклад, завдання визначення кредитоспроможності клієнта банку, медичні завдання, у яких необхідно визначити, наприклад, результат захворювання, вирішення завдань управління портфелем цінних паперів (продати купити чи «притримати «акції залежно від ситуації над ринком), завдання визначення життєздатних і схильних до банкрутства фирм.

1. Мета классификации При рішенні завдань класифікації слід зарахувати наявні статичні зразки (характеристики ситуації над ринком, дані медогляду, інформацію про клієнта) до визначених класам. Можливо кілька радикальних способів уявлення даних. Найпоширенішим є спосіб, у якому зразок представляється вектором. Компоненти цього вектора є різні характеристики зразка, які впливають бути прийнятим рішення у тому, якого класу можна віднести даний зразок. Наприклад, для медичних завдань як компонентів цього вектора може бути дані з медичного карти хворого. Отже, виходячи з з деякою інформацією на зразок, необхідно визначити, якого класу може бути віднести. Класифікатор в такий спосіб відносить об'єкт до жодного з класів відповідно до певним розбивкою N-мерного простору, що називається простором входів, і розмірність цього простору є кількістю компонент вектора. Насамперед, слід визначити рівень складності системи. У реальних завданнях часто виникає ситуація, коли кількість зразків обмежена, що ускладнює визначення складності завдання. Можливо виділити три основних рівня складності. Перший (найпростіший) — коли класи можна розділити прямими лініями (чи гиперплоскостями, якщо простір входів має розмірність більше двох) — так звана лінійна разделимость. У другому разі класи неможливо розділити лініями (площинами), та їх можливо відокремити з допомогою складнішого розподілу — нелінійна разделимость. У третьому разі класи перетинаються і можна говорити про вероятностной разделимости.

[pic] У ідеальному варіанті після попередньої обробки ми маємо отримати лінійно разделимую завдання, оскільки після цього зазнає суттєвого спрощення побудова класифікатора. На жаль, під час вирішення реальних завдань маємо обмежене число зразків, виходячи з яких і було виробляється побудова класифікатора. А поспіль не можемо провести таку предобработку даних, коли він буде досягнуто лінійна разделимость образцов.

2. Використання нейронних мереж як классификатора.

Сети з прямою зв’язком є універсальним засобом апроксимації функцій, що дозволяє їх використати у вирішенні завдань класифікації. Як правило, нейронные мережі виявляються найефективнішим способом класифікації, оскільки генерують фактично велика кількість регресійних моделей (які у рішенні завдань класифікації статистичними методами). На жаль, при застосуванні нейронних мереж в практичних завданнях виникає ряд проблем. По-перше, заздалегідь невідомо, який складності (розміру) може знадобитися мережу для досить точної реалізації відображення. Ця складність може бути надмірно високої, що вимагає складної архітектури мереж. Так Мінський у роботі «Персептроны «довів, що найпростіші одношарові нейронные мережі здатні вирішувати лише лінійно разделимые завдання. Це обмеження здоланна під час використання багатошарових нейронних мереж. Загалом вигляді можна сказати, що у мережі з одним прихованим шаром вектор, відповідний вхідному зразком, перетвориться прихованим шаром на певну нове простір, що може мати іншу розмірність, та був гиперплоскости, відповідні нейронам вихідного шару, поділяють його за класи. Отже мережу розпізнає як характеристики вихідних даних, а й «характеристики характеристик », сформовані прихованим слоем.

3. Підготовка вихідних данных Для побудови класифікатора необхідно визначити, які параметри впливають бути прийнятим рішення у тому, якого класу належить зразок. У цьому виникатимуть дві проблеми. По-перше, якщо кількість параметрів мало, вона може виникнути ситуація, коли він і той ж набір вихідних даних відповідає прикладів, які у різних класах. Тоді неможливо навчити нейронну мережу, і системи нічого очікувати коректно працювати (неможливо було знайти мінімум, що відповідає такому набору вихідних даних). Вихідні дані обов’язково би мало бути несуперечливі. Для розв’язання проблеми слід збільшити розмірність простору ознак (кількість компонент вхідного вектора, відповідного зразком). Але у збільшенні розмірності простору ознак може виникнути ситуація, коли кількість прикладів може бути недостатнім для навчання мережі, і її замість узагальнення просто запам’ятає приклади з навчальною вибірки і зможе коректно функціонувати. Отже, при визначенні ознак необхідно знайти компроміс зі своїми кількістю. Далі необхідно визначити спосіб подачі вхідних даних для нейронної мережі, тобто. визначити спосіб нормування. Нормировка необхідна, оскільки нейронные мережі працюють із даними, представленими числами в діапазоні 0.1, а вихідні дані може мати довільний діапазон чи загалом бути нечисловыми даними. У цьому можливі різні способи, починаючи з простого лінійного перетворення на необхідний діапазон і закінчуючи багатовимірним аналізом параметрів і нелінійної нормировкой в залежність від впливу параметрів друг на друга.

4. Кодування вихідних значений.

Задача класифікації за двох класів може бути розв’язана на мережі з одним нейроном в вихідному шарі, який може приймати з двох значень 0 чи 1, залежно від цього, якого класу належить зразок. За наявності кількох класів виникають проблеми, що з поданням цих даних для виходу мережі. Найпростішим способом уявлення вихідних даних у разі є вектор, компоненти якого відповідають різним номерам класів. У цьому i-я компонента вектора відповідає i-му класу. Решта компоненти у своїй встановлюються в 0. Тоді, наприклад, другому класу відповідатиме 1 на 2 виході сіті й 0 інших. При інтерпретації результату зазвичай вважається, що номер класу визначається номером виходу мережі, у якому з’явилося максимальне значення. Наприклад, тоді як мережі із трьома виходами ми маємо вектор вихідних значень (0.2,0.6,0.4), ми бачимо, що максимальне значення має тут друга компонента вектора, отже клас, якого належить цей приклад, — 2. За такої способі кодування іноді вводиться також поняття впевненості мережі у цьому, що приклад належить до цього класу. Найпростіший спосіб визначення впевненості залежить від визначенні різниці між максимальним значенням виходу і значенням іншого виходу, що є найближчим до максимальному. Наприклад, для розглянутої вище прикладу впевненість мережі у цьому, що приклад віднесено до другому класу, визначиться як різницю між другої і третьої компонентом вектора і дорівнює 0.6−0.4=0.2. Відповідно що стоїть впевненість, то більше вписувалося можливість, що мережа дала пошук правильної відповіді. Цей метод кодування є простим, але завжди найоптимальнішим способом уявлення даних. Відомі й інші способи. Наприклад, вихідний вектор є номер кластера, записаний у двоичной формі. Тоді за наявності 8 класів нам знадобиться вектор з 3 елементів, і, скажемо, 3 класу буде відповідати вектор 011. Та заодно у разі здобуття неправильного значення одному з виходів ми маємо очікувати зрадливу класифікацію (зрадливий номер кластера), тому можна буде збільшити відстань між двома кластерами з допомогою використання кодування виходу за кодом Хемминга, який підвищить надійність класифікації. Інший підхід полягає у розбивці завдання з k класами на k*(k-1)/2 подзадач з цими двома класами (2 на 2 кодування) кожна. Під подзадачей у цьому разі розуміється те, що мережу визначає наявність одній з компонент вектора. Тобто. вихідний вектор розбивається на групи з два компонента в кожної в такий спосіб, щоб увійшли всі можливі комбінації компонент вихідного вектора. Кількість цих груп можна з’ясувати, як кількість неупорядкованих вибірок дві із вихідних компонент. З комбинаторики.

[pic] Тоді, наприклад, для завдання з чотирма класами маємо 6 виходів (подзадач) розподілених так: |№ |КомпонентыВыхода | |подзадачи (выхода) | | |1 |1−2 | |2 |1−3 | |3 |1−4 | |4 |2−3 | |5 |2−4 | |6 |3−4 |.

Де 1 не вдома свідчить про наявність одній з компонент. Тоді ми можемо можливість перейти до номера класу за результатом розрахунку мережею так: визначаємо, які комбінації отримали одиничне (точніше близький до одиниці) значення виходу (тобто. які подзадачи ми активировались), вважаємо, що номер класу буде той, який ввійшов у найбільше активованих подзадач (див. таблицю). |№ класу |Акт. Виходи | |1 |1,2,3 | |2 |1,4,5 | |3 |2,4,6 | |4 |3,5,6 |.

Це кодування у багатьох завданнях дає найкращий результат, ніж класичний спосіб кодирование.

5. Вибір обсягу сети.

Правильный вибір обсягу мережі має значення. Побудувати невелику й якісну модель це часто буває просто неможливо, а велика модель буде просто запам’ятовувати приклади з навчальною вибірки і виробляти апроксимацію, що, природно, призведе до некоректною роботі класифікатора. Існують дві основні підходу до побудови мережі - конструктивний і деструктивний. За першого їх спочатку береться мережу мінімальної відстані, та поступово збільшують до досягнення необхідної точності. У цьому кожному кроці її наново навчають. Існує також так званий метод каскадної кореляції, у якому по закінченні епохи відбувається коригування архітектури мережі з єдиною метою мінімізації помилки. При деструктивном підході спочатку береться мережу завищеного обсягу, і далі з неї видаляються вузли та зв’язку, мало що впливають рішення. У цьому корисно пам’ятати таке правило: число прикладів в обучающем безлічі має бути більше ніж настраиваемых терезів. Інакше замість узагальнення мережу просто запам’ятає дані і втратить спроможність до класифікації - результат буде невизначений для прикладів, які увійшли до навчальну выборку.

6. Вибір архітектури сети.

При виборі архітектури мережі зазвичай опробуется кілька конфігурацій з різним кількістю елементів. У цьому основним показником є обсяг який навчає числа й узагальнювальна здатність мережі. Зазвичай використовується алгоритм навчання Back Propagation (зворотного поширення) з які б множеством.

7. Алгоритм побудови класифікатора з урахуванням нейронних сетей.

1. Фундаментальна обізнаність із данными.

1. Скласти базі даних із прикладів, притаманних даної задачи.

2. Розбити всю сукупність даних на два безлічі: обучающее і тестове (можливо розбивка на 3 безлічі: обучающее, тестове і що підтверджує). 2. Попередня обработка.

1. Вибрати систему ознак, притаманних даного завдання, і перетворити дані відповідним чином заради подачі на вхід сети.

(нормировка, стандартизація тощо.). Через війну бажано отримати лінійно отделяемое простір безлічі образцов.

2. Вибрати систему кодування вихідних значень (класичне кодування, 2 на 2 кодування тощо.) 3. Конструювання, навчання й оцінка якості сети:

1. Вибрати топологію мережі: кількість верств, число нейронів в шарах і т.д.

2. Вибрати функцію активації нейронів (наприклад «сигмоида »).

3. Вибрати алгоритм навчання сети.

4. Оцінити якість роботи мережі з урахуванням що підтверджує безлічі чи іншому критерію, оптимізувати архітектуру (зменшення терезів, прореживание простору признаков).

5. Зупиниться на варіанті мережі, що забезпечує найкращу спроможність до узагальнення і оцінити якість роботи з тестовому безлічі. 4. Використання і диагностика.

1. З’ясувати ступінь впливи різних чинників на прийняте решение.

(евристичний подход).

2. Переконається, що мережа дає необхідну точність класифікації (число неправильно розпізнаних прикладів мало) 5. За необхідності повернуться на етап 2, змінивши спосіб подачі зразків чи змінивши базі даних. 6. Практично використовувати мережу на вирішення задачи.

Прогнозирование обсягу продажів кондитерських виробів з допомогою нейронних сетей.

1. Постановка завдання Обсяг внутрішнього продажу — із ключових показників, характеризуючих діяльність комерційної фірми. Тому завдання прогнозування обсягу продажу є великий інтерес, наприклад, для компаній, які займаються оптової торгівлею. Товарознавцям треба зазначити зразкову кількість продукції, що вони зможуть реалізовувати найближчим часом, для здобуття права, з одного боку, мати достатньо товарів на складі, з другого — не перевантажити склади продукцією, що особливо актуально, якщо продукція має невеличкий термін зберігання. Найчастіше обсяг продажу тієї чи іншої товару піддається прогнозу. Наприклад, багато товарів продаються у відповідність із яскраво вираженої сезонної складової, що легко визначається з допомогою аналітичних технологій. З їхньою допомогою можна прогнозувати обсяги продажу за всі товарних позиціях, що особливо на часі у випадку їхньої великого кількості. За необхідності можна також ознайомитися враховуватиме й додаткові чинники, наприклад, рекламну компанію, кон’юнктури ринку, дії від конкурентів і т.д. Комплексний облік всіх згаданих чинників може значно підвищити якість прогнозу. 2. Метод рішення Проілюструвати вирішення цього завдання зможемо з прикладу прогнозування обсягу продажу мармеладу «Лимонні дольки «з урахуванням реальних даних компанії, що займається оптовими продажами кондитерських виробів. Прогнозування обсягу продажу побудуємо тільки із історії продажам за даної товарної позиції за певного періоду. Цю інформацію збирається у базі даних, що складається з цих двох колонок: дата від продажу в кількісному вираженні. У нашому випадку історія продажів розбита по тижнів, відповідно, прогнозувати ми також будемо однією чи кілька тижнів (вихідні дані тут). Для здобуття якісної прогнозу слід провести попереднє опрацювання даних з допомогою програми RawData Analyzer, входить до складу пакета Deductor. По-перше, дані про історії продажів слід згладити, т.к. по зашумленным даним дуже складно встановити залежність зміни обсягу продажу. Після згладжування даних з допомогою вейвлетов динаміка змін й прогнозується набагато качественнее.

[pic].

Пояснення до малюнка: темним кольором відбито реальні дані, світлим — згладжені. По-друге, щодо прогнозування структуру вхідних даних необхідно перетворити по спеціальної схемою. І тому вибирається глибина занурення, тобто. кількість його тимчасових інтервалів, за якими будемо прогнозувати наступний. Візьмемо глибину занурення рівної 4, тобто. прогнозування обсягу продажу наступного тижня здійснюватиметься по результатам чотирьох попередніх тижнів (вихідні дані тут). Зрозуміло, та глибина занурення, і обрій прогнозування, тобто. кількість прогнозованих показників, підбираються окремо у кожній конкретній завданню. Далі йде перетворити дані про продажам ось до чого виду:

| smoothB3 | smoothB2 | smoothB1 | smoothB0 | smoothF1 | |m-4 |m-3 |m-2 |m-1 |m | |m-3 |m-2 |m-1 |m |m+1 | |m-2 |m-1 |m |m+1 |m+2 | |… |… |… |… |… |.

Ми отримуємо зване «ковзне вікно », де представлені дані лише 5 тижнів. Перші 4 колонки — це з за тижня, з урахуванням яких будуватимемо прогноз. Остання колонка — показник, який ми будемо прогнозувати. Оскільки даних ми більше, як по 5 тижнів, ми можемо зрушувати це немовбито вікно по тимчасової осі. Отже готується навчальна вибірка, і у такому вигляді видаються дані на подальше аналізу. Аби вирішити поставленого завдання скористаємося програмою Neural Analyzer, також входить до складу пакета Deductor. Нейронна мережу як здатна встановити залежність зміни цільової перемінної, якій цього випадку є кількість проданого мармеладу, а й прогнозувати обсяг продажу сталася на кілька тижнів вперед. Після закінчення процесу навчання на графіці виходів мережі можна побачити, що мережа досить точно моделює поведінка кривою. Проте, під час останніх тижнях помилка помітно збільшується, причому тенденція у кінці тимчасового відрізка — місце, яке країні за все цікавлять, була не так вгадана нейросетью.

[pic].

Пояснення до малюнка: зеленими точками відбиваються реальні показники, червоними — вихід мережі. Одержати хороший прогноз з допомогою такий моделі вдасться. Проте, це означає, що нейронные мережі що неспроможні успішно вирішити це завдання. Незадовільна якість результату можна пояснити недостатністю даних: на навчання мережі ми використовували дані про продажам трохи більше, за півроку. Виходить, що нейросеть просто щось може знати про всіх сезонних залежностях, наприклад, про зниження продажу період літніх відпусток. На підвищення якості прогнозу необхідно доповнити анализируемую інформацію даними за аналогічний період минулого року її, також розбитими на тижня. Отже, внесемо на навчання інформацію про сезонності, і структура даних буде такою: | Prev_year| smoothB3 | smoothB2 | smoothB1 | smoothB0 | smoothF1 | | | | | | | | |Pm |m-4 |m-3 |m-2 |m-1 |m | |Pm+1 |m-3 |m-2 |m-1 |m |m+1 | |Pm+2 |m-2 |m-1 |m |m+1 |m+2 | |… |… |… |… |… |… |.

Pm, Pm+1, Pm+2 тощо. — кількість проданого товару відповідну тиждень минулого року її. За такого підходу якість прогнозування помітно улучшается.

[pic].

Пояснення до малюнка: зеленими точками відбиваються реальні показники, червоними — вихід мережі. На малюнку видно, що прогноз за останні через три тижні дуже точний. У тому випадку при прогнозуванні враховуються обидва чинника: торішні продажу, службовці шаблоном для прогнозування, і тренд, тобто. тенденція, що склалася нинішнього року. Саме це зумовило якісний прогноз. 3. Результат З допомогою аналітичних технологій вирішили завдання прогнозування оптового продажу мармеладу. З допомогою побудованої нами системи з урахуванням нейронних мереж ми маємо можливості будувати короткострокові і середньострокові прогнози. З іншого боку, позитивно якості прогнозу може позначитися інформацію про зовнішнього середовища (курс долара, рекламна підтримка тощо.), а також категоріальна змінна, що означає квартал або року. Завдяки використанню нейронних мереж при прогнозуванні, що така зміни у моделі зводяться, фактично, до додаванню нових колонок в навчальну вибірку і переобучению мережі. Головною проблемою для якісного прогнозу — наявність історії продажів за досить термін і грамотна предобработка даних. Залучення експерта у цій галузі допоможе з відповіддю питанням, враховуються чи за аналізі все чинники, що впливають результат.

Вывод.

Є кілька основних проблем, досліджуваних в штучному інтелекті. Уявлення знань — розробляються методи і прийомів для формалізації і наступного входження у пам’ять інтелектуальної системи знань із різних проблемних областей, узагальнення і класифікація накопичених знань, використання знань під час вирішення завдань. Моделювання міркувань — вивчення і формалізація різних схем людських умовиводів, які у процесі рішення різноманітних завдань, створення ефективних програм для цих схем в обчислювальних машинах. Діалогові процедури спілкування природному мові, щоб забезпечити контакт між інтелектуальної системою та людиноюфахівцем у процесі рішення завдань. Планування доцільною діяльності - розробляються методи побудови програм складної діяльності виходячи з тих знання проблемної області, які у інтелектуальної системі. Навчання інтелектуальних систем у процесі своєї діяльності, створення комплексу коштів на накопичення та узагальнення умінь і навиків, накопичуваних в системах. Крім них досліджуються багатьох інших, складові той заділ, який спиратиметься фахівці ось на чому витку розвитку теорії штучного інтелекту. Щодо практики людської діяльності інтелектуальні системи вже впроваджуються. І це найвідоміші широкому колу фахівців експертні системи, передають досвід більш підготовлених фахівців менш підготовленим і інтелектуальні інформаційні системи (наприклад, системи машинного перекладу) і інтелектуальні роботи, інші системи, які мають право називатися інтелектуальними. Без таких систем сучасний науковотехнічний прогрес вже невозможен.