Санкт-Петербургский государственный университет
Опубликован: 24.08.2014 | Доступ: свободный | Студентов: 1538 / 627 | Длительность: 08:35:00
Лекция 3:

ИТ управления на базе распределенных систем, мобильных и облачных технологий

< Лекция 2 || Лекция 3: 12 || Лекция 4 >

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. 3.3 приведена схема "интеллектуальной самообучающейся подсистемы", которая может быть использована в составе экспертной, диагностической, поисковой и прочих подобных систем [Чекинов Г. П., Чекинов С. Г., 2003 г.].

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 алгоритмы, которые предполагают создание некоторые популяции программ, их обучение, мутации, скрещивание (обмен частями программ) и тестирование на выполнении целевой задачи. Программы, работающие лучше всего, выживают — и после множества поколений получается наиболее эффективная программа. Весьма эффективны методы создания интеллектуальных поисковых и информационных систем с использованием технологий активных агентов (Multi Agent System), которые действуют в информационном пространстве, интерпретируя поставленную задачу в зависимости от условий и результатов поиска. Под агентом понимается программная или программо-аппаратная сущность, способная действовать в интересах достижения целей, поставленных перед ним пользователем.

Схема интеллектуальной самообучающейся подсистемы

Рис. 3.3. Схема интеллектуальной самообучающейся подсистемы

Уровень интеллектуальности агента можно оценить как его способность использовать "старые" и строить "новые" знания для выполнения поставленной задачи в заранее неизвестных ему ситуациях и проблемных областях, где оцениваемый агент применяется как активный решатель задач. На рис. 3.4 представлена схема система интеллектуальной поддержки принятия решения на основе технологии мультиагентных систем.

Схема интеллектуальной системы поддержки принятия решения (DSS) на основе технологии мультиагентных систем (начало)

Рис. 3.4. Схема интеллектуальной системы поддержки принятия решения (DSS) на основе технологии мультиагентных систем (начало)

Схема интеллектуальной системы поддержки принятия решения (DSS) на основе технологии мультиагентных систем (продолжение)

Рис. 3.5. Схема интеллектуальной системы поддержки принятия решения (DSS) на основе технологии мультиагентных систем (продолжение)

Первые проекты по моделированию на компьютере реалий человеческого мозга отчетливо показали перспективы этого направления. Так, амбициозная цель проекта "IBM Blue Brain" — научиться к 2012 году модельно симулировать работу той части мозга, которая отвечает за восприятие, моторные функции, пространственное воображение, язык и сознание. По количеству элементов и скорости вычислений человеческий мозг пока ещё впереди, но если и дальше будет действовать закон Мура, то недолго осталось до того времени, когда способности искусственного интеллекта сравняются с возможностями человеческого мозга (подробнее про теорию и технологии мультиагентых систем будет рассказано в следующей главе).

< Лекция 2 || Лекция 3: 12 || Лекция 4 >