Бионический (нейросетевой) подход к созданию интеллектуальных компьютерных систем

В настоящее время биоэлектроника является новейшей отраслью науки и техники, изучающей принципы и методы обработки информации живыми организмами с целью создания высокопроизводительных, надежных и интеллектуализированных вычислительных средств. Одним из направлений бионического подхода к созданию интеллектуальных компьютерных систем являются исследования в области создания нейрокомпьютера — систем нечисловой информационно-логической обработки данных, реализуемых на базе новых архитектурных принципов ЭВМ.

Отличительной чертой нейронных сетей является их способность менять свое поведение (обучаться) в зависимости от изменения внешней среды, извлекая скрытые закономерности из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях — необходимо 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 обучения, так и при ее использовании (после настройки и обучения), например при распознавании симптомов приближения критических ситуаций, для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает двумя чрезвычайно полезными свойствами:

1) способностью обучаться на конкретном множестве примеров;

2) умением стабильно распознавать, прогнозировать новые ситуации с высокой степенью точности, причем в условиях внешних помех

Современные нейросетевые продукты позволяют работать как с числовыми, так и с текстовыми данными, т.е. преобразовывать набор символов в уникальный набор чисел.

Работоспособность первоначально обученных сетей проверяется на тестовой выборке данных. По результатам тестов отбираются наиболее перспективные варианты. При этом руководствуются тем, что точность и надежность прогноза, прежде всего, зависят от типа прогнозируемой величины, состояния, в котором находится система (стационарное, вблизи критической точки и т.п.), типа системы (управляемая извне или замкнутая). Если результаты тестирования неудовлетворительные, то просматривается набор входных данных, изменяются некоторые учебные программы или перестраивается сеть. После завершения полного цикла решения задачи возможны два пути: пользоваться в дальнейшей работе созданной системой, что вполне приемлемо для одного специалиста, решающего определенный круг задач, или создать для каждой задачи независимые приложения в виде отдельного файла, который может использоваться другими программами. В этом случае полученный вариант нейросетевой технологии представляет собой упакованную нейросеть с описанными функциями передачи данных команд управления.

Использование нейронных сетей открывает практически неограниченные возможности применения, особенно в качестве аналитических инструментов в таких плохо формализуемых и многокритериальных областях управления, как анализ финансовой и банковской деятельности, биржевые рынки. Любая задача, связанная с использованием финансовых средств на валютном рынке или рынке ценных бумаг, сопряжена с риском и требует тщательного анализа и прогноза. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95 %. Поэтому количество примеров успешного применения нейросетевых программных продуктов стремительно растет. На мировом рынке аналитического программного обеспечения представлен широкий спектр нейросетевых технологий — от систем, ориентированных на суперкомпьютеры, стоимость которых превышает 50 тыс. долл., до недорогих (несколько сотен долларов) нейропакетов, работающих на платформе персональных компьютеров и рабочих станций. Это делает доступной технологию нейронных сетей для приложений практически любого уровня. Ее массовое применение — вопрос ближайшего будущего.