22. Математические методы и модели искусственного интеллекта: нечеткая логика, генетические алгоритмы, нейронные сети и др.

Системы искусственного интеллекта, основанные на использовании математического аппарата нечеткой логики (Л. Заде, 1981), являются наиболее простыми представителями систем искусственного интеллекта. Нечеткие системы используются тогда, когда

а) неопределенность наших знаний о рассматриваемом объекте носит сравнительно простой (по аналогии с вероятностной неопределенностью - "хороший") и преимущественно количественный характер и может быть описана с помощью т.н. функции принадлежности (аналогов функции распределения в теории вероятности)

б) возможно применение для формирования управляющих воздействий (команд) математически строго определенных правил нечеткого вывода (аналогичными известным правилам логического вывода в булевой алгебре)

в) используется словесная или лингвистическая форма (достаточно простая) представления управляющих воздействий (команд) ограниченного потока слов и предложений словесного языка, типа ЕСЛИ (имя условия), ТО (имя действия).

Области применения нейронных сетей весьма разнообразны — это распознавание текста и речи, семантический поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, системы безопасности, анализ текстов. Наиболее активно нейронные сети используются в экономике и финансах. Их использование проще всего пояснить на ряде примеров

Генетические алгоритмы применяются при разработке про­граммного обеспечения, в системах искусственного интеллекта, опти­мизации, искусственных нейронных сетях и в других отраслях знаний. Следует отметить, что с их помощью решаются задачи, для которых ранее использовались только нейронные сети. В этом случае генети­ческие алгоритмы выступают просто в роли независимого от нейрон­ных сетей альтернативного метода, предназначенного для решения той же самой задачи. Примером может служить задача коммивояже­ра, изначально решавшаяся при помощи сети Хопфилда. Ге­нетические алгоритмы часто используются совместно с нейронными сетями. Они могут поддерживать нейронные сети или наоборот, либо оба метода взаимодействуют в рамках гибридной системы, предназ­наченной для решения конкретной задачи. Генетические алгоритмы также применяются совместно с нечеткими системами.

23. Интеллектуальный анализ данных. Управление знаниями.

Интеллектуальный анализ данных (англ. Data Mining) — выявление скрытых закономерностей или взаимо-связей между переменными в больших массивах необработанных данных. ИАД включает методы и модели статистического анализа и машинного обучения, дистанцируясь от них в сторону автоматического анализа данных. Инструменты ИАД позволяют проводить анализ данных предметными специалистами (аналитика-ми), не владеющими соответствующими математическими знаниями.

Задачи решаемые ИАД: 1) Классификация — отнесение входного вектора (объекта, события, наблюдения) к одному из заранее известных классов. 2) Кластеризация — разделение множества входных векторов на груп-пы (кластеры) по степени «похожести» друг на друга. 3) Сокращение описания — для визуализации данных, лаконизма моделей, упрощения счета и интерпретации, сжатия объемов собираемой и хранимой информа-ции. 4) Ассоциация — поиск повторяющихся образцов. 5) Прогнозирование, 6) Анализ отклонений — Например, выявление нетипичной сетевой активности позволяет обнаружить вредоносные программы. 7) Визуализация

Управление знаниями— это методология, направленная на повышение уровня конкурентоспособности и защищенности компании за счет использования полного набора инструментов охраны, управления и экономики нематериальных активов компании. Рассматривает стратегии, направленные на предоставление вовремя нужных знаний тем членам сообщества, которым эти знания необходимы для того, чтобы повысить эффективность деятельности сообщества.

Причины появления управлением знаниями:

1. Социальная причина В компании материальное производство становится вторичным по отношению к не-материальному(информации и знанию), появляется новая роль компании, это работник со знаниями. Харак-теристики работника: 1) безраздельно владеет средствами производства: интеллект, память, опыт, инициати-ва. 2) его знания специфичны и м.б. применены в рамках строго определенного бизнес процесса.

2. Экономическая причина Экон. оценка от внедрения IT строится с учетом знаний, как экон. фактора, сле-довательно IT сами по себе не явл. прибыльными, прибыль формируется через операции со знания-ми(данными).

3. Технологическая причина Техн. причина заключается в эволюционном процессе развития IT: 1. Вычисление 2. Коммуникация 3. Поддержка мыслительной деятельности