коректну роботу з інформацією, яка містить помилки, за рахунок використання імовірнісних методів досліджень;
дозволяє проводити одночасну обробку альтернативних версій;
по вимозі пояснює хід кроків реалізації програми;
забезпечує можливість обгрунтування рішення та відтворення шляху його прийняття.
Але навіть найкращі з існуючих експертних систем мають певні обмеження у порівнянні з людиною-експертом, які зводяться до наступного:
Більшість експертних систем не цілком придатні для широкого використання. Якщо користувач не має деякого досвіду роботи з цими системами, у нього можуть виникнути серйозні труднощі. Багато експертних систем доступні лише тим експертам, які створювали їх бази знань. Тому потрібно паралельно розробляти відповідний користувацький інтерфейс, який би забезпечив кінцевому користувачу властивий йому режим роботи.
Навики системи не завжди зростають після сеансу експертизи, навіть коли проявляються нові знання.
Все ще залишається проблемою приведення знань, отриманих від експерта, до вигляду, який забезпечував би їх ефективне використання.
Експертні системи, як правило, не можуть набувати якісно нових знань, не передбачених під час розробки, і тим більше не володіють здоровим глуздом. Людина-експерт при розв’язанні задач звичайно звертається до своєї інтуїції або здорового глузду, якщо відсутні формальні методи рішення або аналоги розв’язування даної проблеми.
Сфера застосування та перспективи розвитку.
Експертні системи можуть використовуватися для:
інтерпретації;
діагностики;
моніторингу;
передбачення;
планування;
проектування.
Експертні системи можна використовувати в прогнозування, планування, контролі, управлінні та навчанні. Наприклад, експертні системи вже застосовуються в банківській справі в таких напрямках:
програмах аналізу інвестиційних проектів;
програмах аналізу стану валютного, грошового та фондового ринку;
програмах аналізу кредитоспроможності чи фінансового стану підприємств і банків.
Процес створення експертних систем значно змінився за останні роки. Завдяки появі спеціальних інструментальних засобів побудови експертних систем значно скоротились терміни та зменшилась трудомісткість їх розробки. Інструментальні засоби, що використовуються при створенні експертних систем, можна розбити на три класи:
мови програмування, орієнтовані на створення експертних систем (Ліпс, Пролог, Smalltalk, FRL, Interlisp та такі загальновживані, як: Сі, Асемблер, Паскаль, Фортран, Бейсик);
середовища програмування (Delphi, Java);
пусті експертні системи (оболонка EXSYS Professional 5.0 for Windows).
На американському і західноєвропейських ринках систем штучного інтелекту організаціям, які бажають створити експертну систему, фірми -розробники пропонують сотні інструментальних засобів для їх побудови. Нараховуються тисячі розроблених вузькоспеціалізованих експертних систем. Це свідчить про те, що експертні системи складають дуже вагому частину програмних засобів.
3.Нейромережні технології.
Історія виникнення нейронних систем.
З середини 1980-их років нейронні системи почали використовуватися на Заході переважно в фінансових і військових прикладних пакетах. Але, незважаючи на успіх, інструмент виявився достатньо складним і дорогим. Ситуація змінилася на початку 1990-их років, коли на ринку з’явилося нове покоління нейромережних технологій – потужних, недорогих, простих у використанні. Одним з лідерів ринку став нейромережний пакет Brain Maker американської фірми California Scientific Software, який був розроблений на замовлення військових. З 1990 року він утримує лідерство за обсягами продаж в США. В Україні нейронні мережі почали впроваджуватися для застосуванні у фінансово-економічній сфері, де зацікавлені в удосконаленні аналітичної роботи банків. Вони можуть застосовуватися при розпізнаванні симптомів наближення критичних ситуацій, для короткотермінових, а деколи і для довготермінових прогнозів.
На ринку комерційних програмних продуктів поряд з аналітичними інструментами нового покоління, що базуються на використанні логіки нечітких множин – від електронних таблиць (Fuzzy Calc) до експертних систем (Cubi Calc) корпорації Hyper Jodic (США), все більшу зацікавленість для фінансово-економічної діяльності притягують аналітичні інформаційні технології, що грунтуються на використанні нейронних мереж. Нейронні мережі – це узагальнена назва групи алгоритмів, які вміють навчатися на деяких прикладах, використовуючи приховані закономірності з потоку даних. Комп’ютерні технології, які отримали назву нейронних, працюють по аналогії з принципами побудови і функціонування нейронів головного мозку людини і дозволяють вирішувати надзвичайно широке коло задач: розпізнавання людської мови і абстрактних образів, класифікація стану складних систем, управління технологічними процесами і фінансовими потоками, вирішення аналітичних, дослідних, прогнозних задач, пов’язаних з величезними інформаційними потоками. Нейромережні технології як потужній технологічний інструмент дозволяють полегшити спеціалісту процес прийняття важливих і неочевидних рішень в умовах невизначеності, дефіциту часу і обмежених інформаційних ресурсів.
Характерні риси розвитку нейромережних технологій.
Характерною рисою нейронних мереж є їх здатність змінювати свою поведінку в залежності від змін зовнішнього середовища, враховуючи приховані закономірності з потоку даних. При цьому алгоритми навчання не вимагають будь-яких попередніх знань про існуючі в предметній ділянці взаємозв’язки – необхідно тільки підібрати достатнє число прикладів, які описують поведінку модельованої системи в минулому. Переваги нейромережних технологій зокрема полягають в тому, що вони не вимагають підвищених вимог до точності вхідних даних, як на етапі навчання так і при їх застосуванні. Можна виділити такі переваги нейромережних технологій:
здатність навчатися на конкретній множині прикладів і таким чином пристосовуватися до поточної ситуації;
вміння стабільно розпізнавати, прогнозувати нові ситуації з високим рівнем точності в умовах зовнішніх перешкод, наприклад появи неповних чи суперечливих значень в потоках інформації.
Беручи за основу роботу мозку, нейромережні технології застосовують ряд біологічних термінів, понять, параметрів. Так наприклад метод нейромережних технологій отримав назву генетичний алгоритм. Генетичний алгоритм застосовується в таких популярних версіях нейропакетів, як Brain Maker Professional v3.11 та менш відомому але більше професійному Neuroforester v5.1. В цих пакетах генетичний алгоритм керує процесом спілкування на деякій множині прикладів, а також стабільно розпізнає (прогнозує) нові ситуації з високим степенем точності навіть в умовах зовнішніх перешкод. Навчання програми зводиться до роботи алгоритму підбору вагових коефіцієнтів, який здійснюється автоматично без безпосередньої участі користувача - аналітика.
Розглянуті пакети мають інструменти для попередньої обробки даних:
кореляційний аналіз, який дозволяє визначити значимість вхідних параметрів прогнозу;
аналіз