ИТ на базе концепции искусственного интеллекта

Глобализация и интернационализация экономики, все ускоряющаяся динамика бизнеса, жесткая конкуренция и борьба за сырьевые ресурсы все чаще стали приводить к ситуациям, когда в условиях дефицита времени необходимо принять единственно верное деловое решение. Для этого руководителю нужно в сжатые сроки в условиях большой неопределенности проанализировать ситуацию, сформировать варианты решений (Decision Tree), оценить риски и взять на себя ответственность за принятие и реализацию решения.

Сделать все это с использованием только «ручных» средств или модулей поддержки принятия решения, встроенных в стандартные ERP-системы, было достаточно сложно, и вследствие этого риск принять неверное решение, был велик. В связи с этим стали развиваться формализованные методы принятия решения в условиях неопределенности, описываемые нечеткой логикой, и создаваться специализированные информационные системы с использованием теории и методов искусственного интеллекта.

В чем различие между «четкой» (Crisp Logic) и «нечеткой» (Fuzzy Logic) логикой"? В четкой логике ожидаемое следствие всегда однозначно следует заявленной посылке, если заданы четкие правила выполнения условия — например «если А, то Б», или «если, А и Б, то В». Когда логика нечеткая, границы выполнения условия не определены или определены нечетко: «если А, то Б в промежутке времени [Т_р Т₂] может быть много больше В, а может быть почти равно В или меньше В» — все зависит от начальных и текущих условий, которые могут быстро измениться даже внутри зафиксированного промежутка времени [Тр Т₂].

При принятии решений алгоритмы для анализа таких ситуаций реализуют, как правило, сценарные варианты развития ситуации с оценкой риска каждого варианта. Соответственно, информационная система в таком случае, помимо стандартных функций сбора, хранения и передачи данных, должна содержать модули, реализующие обработку и многовариантный анализ информации. Поскольку развитие бизнесситуации может определяться несколькими параметрами, и модели, описывающие такие ситуации, редко бывают линейными, то реальная задача чаще всего сводится к задачам многофакторного оценивания и нелинейной оптимизации.

В связи с этим аналитические модули информационных систем поддержки принятия решения (Decision Support System — DSS), экспертных систем (Expert Information System — EIS), систем поддержки исполнения решения (Executive Support System — ESS), диагностических систем (Diagnostic Information System — DIS), систем распознавания изображений (Image Recognition System — IRS), а также поисковых систем (Searching System) обычно строятся с использованием принципов, называемых «принципами искусственного интеллекта».

Искусственный интеллект (Artificial Intelligence — AI) можно определить, как «совокупность теоретических и практических методов и физических вычислительных устройств, задача которых состоит в воссоздании разумных рассуждений и действий, подобных рассуждениям и действиям естественного интеллекта, имеющих целью достижение ожидаемого или нового результата»^[1].

В настоящее время в области исследования искусственного интеллекта сложились два основных направления:

• • семиотическое (символьное) — моделирование высокоуровневых процессов мышления человека, основанное на представлении знаковых систем и использовании знаний;
• • нейрокибернетическое (нейросетевое) — моделировании отдельных низкоуровневых структур мозга (нейронов) и алгоритмов их работы.

Отсюда следует, что научный аспект проблемы искусственного интеллекта касается попыток объяснения его работы и исследует возможность построения общих алгоритмов его функционирования. Прикладной аспект искусственного интеллекта включает компьютерное решение разнообразных задач, не имеющих явного алгоритмического решения, или многовариантных задач типа «А что, если…», т. е. задачи с нечеткими целями и нечеткой логикой. При этом используются «человеческие» способы решения таких задач, т. е. имитирование ситуации, когда такую задачу решает человек.

В 1950;х гг. появились работы Винера, Ньюэлла, Саймана и Шоу, исследовавших суть процессов решения различных задач. Результатами явились алгоритмы и компьютерные программы «Логик-теоретик», предназначенная для доказательства теорем в исчислении высказываний, и «Общий решатель задач». Эти работы положили начало первому этапу исследований в области искусственного интеллекта, связанному с разработкой алгоритмов и программ для решения задач на основе применения разнообразных эвристических методов. В отличие от алгоритмических методов, позволяющих проводить формальную верификацию правильности, эвристические методы решения задачи рассматриваются как свойственные человеческому мышлению вообще, для которого характерно возникновение интуитивных догадок о пути решения задачи.

Таким образом, общей задачей использования искусственного интеллекта является построение компьютерной интеллектуальной системы, которая обладала бы уровнем эффективности решений неформализованных задач, сравнимым с человеческим или превосходящим его. На рис. 21.17 показана функциональная структура такой системы^[2].

В качестве высокоуровневого критерия «интеллектуальности» систем, разрабатываемых на основе технологий искусственного интеллекта, предложен эксперимент, известный как «тест Тьюринга», разработанный Аланом Тьюрингом в 1950 г. в статье «Вычислительные машины и разум» (Computing machinery and intelligence) для проверки, является ли компьютер «разумным» в человеческом смысле слова.

Рис. 21.17. Функциональная структура использования системы искусственного интеллекта.

Суть теста состоит в том, что «…человек взаимодействует с компьютером и человеком, задавая вопросы. На основании ответов он должен определить, кто является его собеседником — человек или компьютерная программа. Задача программы — ввести человека в заблуждение, заставив сделать неверный выбор». Этот тест широко применяется в различных исследованиях, связанных с искусственным интеллектом. Области применения методов искусственного интеллекта чрезвычайно широки^[3]:

• • доказательства неформальных теорем и решение задач с нечеткой логикой;
• • теория игр, исследование игровых ситуаций и возможности синтеза решений (теория и практика компьютерных шахмат);
• • распознавание образов (символов, текстов, речи, изображений и т. д.) с целью поиска, обработки и адаптации;
• • адаптивное программирование и конструирование адаптивных систем;
• • имитация творческой деятельности — сочинение литературных текстов, стихов, музыки;
• • обработка и трансформация данных на естественных языках, машинный перевод;
• • машинное зрение, построение виртуальной реальности;
• • обучающие и обучающиеся системы на базе нейросетей;

• • управляющие системы и робототехника (автомобилестроение, авиация, космонавтика, человекоподобные многофункциональные роботы и многое другое);
• • построение специализированных информационных систем для поддержки принятия решений в бизнесе.

Класс технологий и систем, созданных на базе таких принципов и предназначенных для поддержки принятия делового решения в условиях развивающейся неопределенности, стал широко применяться в бизнесе и получил название «системы интеллектуального анализа данных» (Business Intelligence — BI).

Впервые термин «Business Intelligence» был введен в обращение аналитиками американской исследовательской и консалтинговой компании Gartner в конце 1980;х гг. как «пользователецентрический процесс, который включает доступ к информации и ее исследование, анализ, выработку интуиции и понимания, которые ведут к улучшенному и неформальному принятию решений». Позже, в 1996 г., появилось дополнение — «это не только методики и процессы, но и совокупность инструментов для анализа данных, построения отчетов и запросов, которые могут помочь бизнес-пользователям преодолеть сложности с обработкой, интерпретацией и представлением данных для того, чтобы синтезировать из них значимую информацию для принятия решений. Эти инструменты в совокупности попадают в категорию, называемую «инструменты бизнес-интеллекта»^[4].

Сегодня категории BI-продуктов включают: В1-инструменты и В1-приложения. BI-инструменты можно разделить на следующие виды:

• • генераторы запросов и отчетов (Query/Report Generator — QRG);
• • развитые BI-инструменты — прежде всего инструменты оперативной аналитической обработки данных (Online Analytical Processing — OLAP);
• • корпоративные BI-наборы (Enterprise BI Suites — EBIS) различной конфигурации, встраиваемые в ERP-системы;
• • исследовательские и корпоративные BI-платформы.

Многомерные OLAP-серверы, а также реляционные OLAP-механизмы являются BI-инструментами и инфраструктурой для BI-платформ, на базе которых разрабатываются разнообразные приложения с «заказными» пользовательскими интерфейсами. Указанные инструменты применяются для доступа к данным, их многомерного и многофакторного анализа и генерации отчетов по данным, которые чаще всего располагаются в различных витринах (оперативных складах), базах или хранилищах данных. В качестве примера BI-приложения можно указать информационную систему (подсистему) поддержки деятельности руководителя (Executive Support System — ESS).

BI-приложения обычно ориентированы на конкретные важные функции организации, такие как анализ тенденций рынка, анализ рисков, анализ и прогноз продаж, планирование бюджета и т. п. Они могут применяться и более широко — для построения систем сбалансированных показателей (Balanced Scorecard System) или для управления эффективностью предприятия в целом (Enterprise Perfomance Management). На рис. 21.18 показан пример общей корпоративной архитектуры BI-архитектуры.

Рис. 21.18. Пример общей корпоративной В1-архитектуры.

Методы и системы интеллектуального анализа данных, построенные на базе нейронных самообучающихся сетей, находят разнообразное применение при создании современных информационных систем. Это большой класс систем, архитектура которых имеет некоторую аналогию с построением нервной ткани из нейронов. В одной из наиболее распространенных архитектур — многослойном персептроне с обратным распространением ошибки — имитируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя.

На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать решения, прогнозировать развитие ситуации и т. д. Эти значения рассматриваются как сигналы, передающиеся в следующий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ — реакция всей сети на введенные значения входных параметров.

Рис. 21.19. Схема интеллектуальной самообучающейся подсистемы.

Для того чтобы сеть можно было применять в дальнейшем, ее прежде надо «натренировать» на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. «Тренировка» состоит в подборе весов межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам. На рис. 21.19 приведена схема «интеллектуальной самообучающейся подсистемы», которая может быть использована в составе экспертной, диагностической, поисковой и прочих подобных систем^[5].

Программа работы «запускает» набор начальных данных, граничных условий и приблизительное условие выхода из итерационной цепи. Эти параметры связаны с наборами известных ситуаций и известными решениями. Нейронная сеть анализирует данные, выявляет корреляции, а затем выбирает наборы наиболее вероятных решений. Этот набор образует начальную модель. Далее параметры варьируются и добавляются новые данные и правила, генерируемые с помощью бока эвристики. Когда перебор вероятных значений не приводит к улучшению модели, срабатывает условие выдачи окончательного прогноза.

В последнее время активно развиваются эволюционные и генетические алгоритмы, которые предполагают создание некоторых популяций программ, их обучение и дальнейшее развитие — мутации, скрещивание (обмен частями программ) и тестирование на выполнении целевой задачи. Программы, работающие лучше всего, «выживают» — и после некоторого множества «поколений» получается наиболее эффективная программа.

Недавние проекты по компьютерному моделированию реалий человеческого мозга отчетливо показали перспективы этого направления. Так, например, цель амбициозного проекта «IBM Blue Brain» — научиться к 2020 г. симулировать работу той части мозга, которая отвечает за восприятие, анализ, моторные функции, пространственное воображение, язык и сознание. По количеству элементов и скорости «вычислений» человеческий мозг пока еще впереди, но если и дальше будет действовать закон Мура, то недолго осталось до того времени, когда способности искусственного интеллекта сравняются с возможностями человеческого мозга — и постепенно превзойдут их.

Интеллектуальные технологии и системы значительно расширяют горизонты науки и техники, экономики и политики, спорта и культурной жизни. В 2016 г. прогресс в области создания систем искусственного интеллекта был впечатляющим. Можно привести очень интересную подборку фактов последнего времени, которая озаглавлена как «Шестнадцать побед искусственного интеллекта в 2016 году»^[6].

Искусственный интеллект:

• 1. Выиграл у чемпиона в шашки Го. Программа AlphaGo, разработанная Google, победила трехкратного чемпиона Европы Вань Хуэя, а позднее и обладателя девятого профессионального дана Ли Седоля в трех партиях из пяти. Это событие сравнимо с победой американской компьютерной программы Deep Blue над чемпионом мира по шахматам Гарри Каспаровым. Значение победы трудно переоценить, так как эксперты считают, что шашки Го сложнее шахмат.
• 2. Победил аса в воздушном бою. Система Alpha одержала победу над бывшим полковником ВВС США Джином Ли. Поединок проводился в компьютерном симуляторе. У Д. Ли более 10 лет работы с такими программами, но все же искусственному интеллекту удалось превзойти его — он точно предсказывал действия аса и мгновенно реагировал на них.
• 3. Спас жизнь человека. Искусственный интеллект смог поставить правильный диагноз. Врачи считали, что пациентка страдает болеет острым миелоидным лейкозом, но лечение от него не помогало. Терапия, назначенная в соответствии с новым диагнозом, женщине помогла.
• 4. Предсказал победу Трампа на выборах. Один из разработчиков российского приложения Artisto Эдуард Тянтов использовал модель, созданную Мю Ли, студентом Университета Карнеги — Меллона, чтобы предсказать, кто будет следующим президентом США. Сравнивая определения, которые искусственный интеллект дал Трампу и Клинтон, система сделала однозначный выбор в пользу первого кандидата.
• 5. Раскрыл новые подробности о Библии. Компьютерная система установила, что основные тексты Ветхого Завета были созданы до Вавилонского пленения. Такой вывод был сделан после анализа глиняных черепков, на которые наносили первые библейские писания.
• 6. Смог реально повысить качество фотографий. Австрийский программист Алекс Джей Чампандэрд создал программу, которая значительно улучшает качество снимков низкого разрешения. Система эффективно «додумывает» детали изображения, выходит достаточно неплохо.
• 7. «Устроился» работать юристом. Не просто рядовым юристом, но руководителем отдела — искусственный интеллект назначили на управляющую должность в компании Baker & Hostetler. Теперь система на базе суперкомпьютера Watson управляет 50 сотрудниками, выдвигает решения для судебных разбирательств и аргументирует их. Кроме того, на базе искусственного интеллекта работает сервис DoNotPay — электронный юрист с искусственным интеллектом помогает оспорить штрафы за парковку.
• 8. Смог распознавать приближение человека. Японский программист Хироки Накаяма разработал программу Boss Sensor, которая распознает приближение человека. Узнавая его лицо через веб-камеру, она автоматически сворачивает все окна и выводит на экран заранее приготовленную картинку для его встречи.
• 9. Научился раскрашивать черно-белые фото. Используя алгоритм сверточной нейросети, специалисты из Университета Калифорнии в Беркли смогли сделать черно-белые снимки цветными. Искусственный интеллект самостоятельно определял границы фрагментов и довольно удачно подбирал цвета.
• 10. Научился распознавать боль по фотоснимку. Анализируя изменения мимики, искусственный интеллект смог определить, когда человеку в кадре действительно больно. Более того — систему научили различать 16 степеней боли. Использовать разработку предполагается в больницах — если пациенту станет больно, сработает автоматический вызов медсестры или врача.
• 11. Смог определить возраст человека по анализу крови. Анализируя маркеры в крови человека, искусственный интеллект, разработанный специалистами Университета Джона Хопкинса, смог практически точно установить возраст пациентов. Точность системы достигла 83,5%.

• 12. Научился имитировать движения человека. Робот Alter двигается в соответствии с командами, которые генерирует искусственный интеллект. Он способен передавать жесты и мимику человека в ответ на движение людей вокруг, а также петь.
• 13. Написал книгу и сценарий для фильма. Попытки заставить искусственный интеллект создавать литературные «шедевры» предпринимались и ранее. Но первый полноценный сценарий для фильма система написала именно в 2016 г. По нему сняли короткометражку Sunspring. Кроме того, искусственный интеллект практически самостоятельно создал роман, который получил положительные рецензии критиков и был выдвинут на соискание премии Шиничи Хоти.
• 14. Создал первую мелодию. Первую мелодию, написанную компьютером, презентовали на фестивале Moogfest в городе Дэрхем, штат Северная Каролина.
• 15. Смог определять главного героя видео. Нейросеть, разработанная Google, для каждого кадра видео строила «маску внимания» и определяла, кто является ключевым действующим лицом сцены. Кроме того, система научилась детально описывать изображения и находить на них нужные объекты.
• 16. Научился мечтать. Система искусственного интеллекта Deep Mind, также разработанная Google, пополнилась алгоритмом, имитирующим человеческие мечты. Это позволило ей, напримеу, пройти игру Unreal в десять раз быстрее, чем любые другие системы, созданные ранее. А нужно-то было просто вспоминать о предыдущих удачных попытках и мечтать о том, что снова заработаешь очки…

В настоящее время весьма эффективны методы создания интеллектуальных поисковых, мониторинговых и управляющих систем с использованием технологий активных агентов (Multi Agent System — MAS), которые действуют в информационном пространстве, интерпретируя поставленную задачу в зависимости от изменяющихся условий и результатов поиска.

• [1] URL: www. transhumanism-russia.ru/content/view/16/138/
• [2] Морозов М. Н. Системы искусственного интеллекта. URL: www.marstu.mari.ru:8101/mmlab/home/AI/index.html
• [3] Рассел Стюарт, Норвиг Питер. Искусственный интеллект: современный подход.2-е изд. М.: Вильямс, 2007.
• [4] Артемьев В. И. Что такое Business Intelligence? // Открытые системы. № 4. 2003.
• [5] Чекинов Г. П., Чекинов С. Г. Применение технологии многоагентных систем интеллектуальной поддержки принятия решения // Системотехника. № 1. 2003.
• [6] URL: http://hornews.ru/2016/12/29/16-pobed-iskusstvennogo-intellekta-v-2016;godu.html