CC BY
314
ВИНОГРАДОВА Екатерина Юрьевна
Кандидат экономических наук, доцент кафедры математического обеспечения и администрирования информационных систем
Уральский государственный экономический университет
620144, РФ, г. Екатеринбург, ул. 8 Марта/Народной воли, 62/45 Контактный телефон: (343) 221-17-47 e-mail: katerina@usue.ru
Управление производством с использованием нейросетевых технологий1
Ключевые слова: интеллектуальные информационные технологии; разработка программного обеспечения; аналитические методы обработки информации.
Аннотация. Рассматриваются принципы управления предприятием на базе использования интеллектуальных информационных технологий. Результаты данной работы могут быть использованы при моделировании и разработке программного обеспечения для решения соответствующих задач управления промышленным предприятием любой отрасли.
Интерес со стороны промышленных предприятий к использованию современных методов информационного анализа и прогноза закономерно привел к появлению на рынке программных услуг и разнообразного программного обеспечения как специального, так и общего назначения. В последние несколько лет резко возрос интерес к использованию интеллектуальных технологий анализа и обработки данных. Одним из направлений в этой области является построение нейромоделей.
Искусственные нейронные сети (нейросети) были придуманы в начале 1950-х годов в связи с интенсивным изучением нейробиологами процессов обработки информации в живой природе. Их прототипом можно считать мозг человека. Однако несовершенство методов исследования мозга, отсутствие развитой математической теории и, самое главное, критическое отношение маститых ученых поубавило энтузиазм исследователей и, как следствие, привело к снижению инвестиций в изучение нейросетей и развитие нейромоделей. На долгое время нейромоделирование ушло в тень, им занимались лишь узкие специалисты в области информатики и искусственного интеллекта. К счастью, усилия небольшой группы ученых оказались успешными, и последовал взрыв интереса к использованию нейромоделей в различных прикладных сферах деятельности человека.
Под искусственной нейронной сетью, базирующейся на нейромодели, обычно понимают связную параллельную сеть простых адаптивных элементов, которая взаимодействует с окружающим миром по аналогии с биологической нервной системой. На определенные раздражители вырабатываются индивидуальные комплексы условных реакций нейросети. Огромным достоинством любой нейросети является ее обучаемость. Созданная нейросеть не требует программирования, поскольку сама обучается решению задач. Другое ее достоинство - толерантность по отношению к ошибкам. Ошибка не приводит к отказу нейросети, а лишь снижает качество обработки информации. Однако при этом не следует забывать, что качество обучения нейросети влияет на качество получаемых результатов («чему научишь, то и получишь»). Поэтому
1 Работа выполнена при финансовой поддержке Российского гуманитарного научного фонда (грант № 09-03-83306а/У).
© Виноградова Е. Ю., 2010
вопрос обучения нейросети для любого аспекта ее использования имеет определяющее значение.
Применение нейромодели для решения какой-либо задачи возможно при следующих условиях:
1) известно, что эта задача решается людьми (независимо от того, построена ли модель для ее решения);
2) возможно предоставление примеров решения задачи;
3) имеется взаимосвязь между входными и выходными данными, т. е. изменения на входе влияют на результат на выходе.
Если эти три условия соблюдаются, то задача может быть решена с помощью нейромодели.
Применение нейросетей предпочтительнее при решении задач, для которых еще не существует строго формализованных алгоритмов, или когда использование алгоритма ведет к большим затратам времени. Лучше всего использовать нейросети для задач с неполной или плохо определенной информацией.
В настоящее время различные готовые нейропакеты помогают успешно решать такие задачи, как оценка рейтинга ценных бумаг (нейропакет S&PCBRS); контроль валютных операций в 23 странах мира (Inspector); анализ займов, кредитное планирование и прогноз экономической активности (Nexpert Object); формирование портфеля ценных бумаг (Open Interface); оценка кредитных займов, прогноз курсов валют, анализ биржевой и рыночной активности, прогноз экономических и биржевых индексов (BrainMaker); биржевые прогнозы, проверка подлинности кредитных карт (HNC). Помимо анализа финансовой деятельности нейросети успешно справляются с идентификацией непривычных для людей образов, распознаванием речи (Avalanche), синтезом речи и текста (Back Propagation), управлением роботом (Cerebellatron), идентификацией написанных от руки символов («Неокогнитрон», Япония) и др. [1].
Прежде чем перейти к описанию возможностей взаимодействия других систем обработки информации с нейросетями, следует уделить внимание особенностям информационных потоков, характерных для современной российской промышленности. Во-первых, это огромные объемы экономической, финансовой и деловой информации, которая стала доступна через глобальные коммуникационные сети практически любому человеку, имеющему компьютер и телефон. Эта информация подвергается предварительной обработке и размещается в информационных системах для дальнейшего использования. Во-вторых, интенсивно развивающееся правовое и социальное обеспечение бизнеса. Эти факторы обусловливают быструю смену информационной ситуации в области обеспечения бизнеса. Возникает необходимость постоянно пересматривать логическую структуру баз данных информационных систем (ИС) в соответствии с изменениями в предметной области. Для этого обычно предлагают использовать технику реинжиниринга.
К традиционным системам обработки информации можно отнести:
• распределенные системы баз данных на основе архитектуры клиент-сервер;
• экспертные системы и базы знаний для различных областей бизнеса;
• телекоммуникационные системы обмена информацией и системы, основанные на использовании нечеткой логики.
Остановимся на описании взаимосвязей нейросетей и уже существующих традиционных систем обработки информации.
Базы данных на основе архитектуры клиент-сервер предназначены для работы в вычислительных сетях компьютеров, расположенных на предприятии и на его удаленных территориях. Использование концепции баз данных обеспечивает решение информационных задач в условиях хорошо структурированной информации, когда данные известны и строго определены. Любое изменение в характере и составе данных
обычно приводит к перепроектированию и реорганизации базы данных. Несмотря на эффективность RAD-технологий (средств быстрой разработки программных приложений на основе объектно-ориентированного программирования) и CASE-средств (для анализа предметной области и проектирования баз данных в информационных системах с использованием репозитория и автоматизированной реорганизации) при создании распределенных ИС, для решения плохо формализованных задач с нечетко определенными взаимосвязями между данными такие системы работают неудовлетворительно.
В подобных случаях нейросети могут быть использованы для предварительного анализа и отбора информации и, что очень важно, для анализа имеющихся в ИС данных. Современные нейропакеты, например BrainMaker, имеют встроенные возможности для доступа к файлам некоторых типов баз данных и таблицам Excel, а пакет FuzzyCalc непосредственно работает с таблицами Excel. Таким образом, совместное использование нейросетей с такими современными распределенными СУБД, как Oracle, Informix, Sybase, Microsoft SQL Server, SQLBase, является весьма перспективным направлением в создании гибких информационных систем обеспечения бизнеса.
Экспертные системы. Работы в области искусственного интеллекта потребовали использования метаданных (иформация о природе знаний и данных) и логического вывода в ИС. Это привело к созданию и внедрению экспертных систем, моделирующих работу эксперта предметной области, и баз знаний в различных областях экономической и управленческой деятельности. Экономический эффект от использования этих систем часто покрывает расходы на их создание. Приобретение знаний и формирование правил для экспертных систем являются и по сей день очень дорогостоящим процессом. По оценкам специалистов, стоимость генерации одной единицы знаний оценивается в 100-200 дол. В свое время была специально разработана оболочка экспертной системы SLEUTH (на основе правил продукций) для автоматизации приобретения знаний.
Использование нейросетей в интеллектуальных системах для автоматизации приобретения знаний - одно из самых перспективных направлений работы. Одним из первых таких нейропакетов стал Brain State in a Box, предназначенный для извлечения знаний из баз данных. Другое направление, в настоящее время интенсивно развивающееся, - это использование самообучаемости нейросети для автоматизированного формирования правил продукций в системах вывода экспертных систем. В качестве примера можно привести работы над созданием механизма формального вывода, основанного на базе знаний, построенной в виде нейросети, - MACIE.
Нечеткая логика. Системы с использованием нечеткой логики были специально разработаны для решения плохо определенных задач и задач с неполной и недостоверной информацией. Слияние экспертных систем с системами нечеткого вывода привело к созданию нового класса нечетких экспертных систем. Недавние исследования показали, что сочетание нейросетей и систем нечеткой логики позволяет решить на компьютере широкий класс задач, который разработчики-практики зачастую старались обойти стороной. В настоящее время на рынке программных продуктов доступен нейросетевой пакет CubiCalc, имеющий инструментарий для обработки нечеткой информации при решении конкретных задач.
Глобальные информационные системы. Нейросети являются чуть ли не единственным инструментом обработки и анализа информации, получаемой по глобальным телекоммуникационным системам. Для представления информации в таких глобальных системах свойственна неоднородность, неструктурированность и нечеткость, а в случае доступа к базам данных - наличие большого числа форматов представления структурированных данных. Нейросети свободны от каких-либо определенных форматов данных. Единственным требованием для представления данных в нейросети
является возможность выразить их в виде вектора входных параметров и, соответственно, вектора выходных параметров. При этом вовсе не нужно точно знать характер закономерностей, связывающих входные и выходные параметры. Определение этих закономерностей происходит в процессе обучения сети.
Особенности применения нейросетей и нейромоделей. Зависимость функционирования нейросетей от процесса обучения порождает несколько особенностей их использования. Первая - это неограниченный спектр задач, который может быть решен с помощью нейросетей. При этом не нужно знать, существует ли формальный алгоритм решения задачи или нет. Важно иметь набор правильных решений, удовлетворяющий требуемой точности. Можно использовать очень модную сейчас идею применения двух нейросетей: одна обучается на правильных решениях, а другая - на неправильных. В результате будут получены два решения задачи: как следует поступить и как не нужно поступать.
Вторая особенность, связанная с обучаемостью нейросети, - это индивидуальность обученной сети. Несмотря на то что один и тот же нейропакет может быть использован разными людьми (а в США, например, нейропакет BrainMaker продан в количестве 17 000 экземпляров), можно быть уверенным в том, что обученная нейросеть сохранит свою неповторимость. Это дает определенную гарантию безопасности решений, принимаемых с помощью нейросети.
Третья особенность обучаемости нейросети - зависимость качества работы нейросети от подобранных вами примеров решения задачи. Подбор примеров должен осуществляться самым тщательным образом. Хотя, если у вас есть время, можно поэкспериментировать с данными. Но в любом случае, приобретая нейропакет, вы должны быть уверены в том, что специалисты помогут вам обучиться с ним работать. Это сэкономит ваше время и деньги.
Четвертый важный момент, связанный с обучаемостью нейросетей, - возможность переобучения в процессе эксплуатации. Это позволяет своевременно отражать в нейросети текущие изменения в информационной ситуации, которые присущи вашей предметной области. Иными словами, можно учесть новые факторы и избавиться от несущественных.
Таким образом, использование нейросетей, базирующихся на нейромоделях, позволяет быстро и своевременно учитывать динамику взаимодействия различных экономических и финансовых факторов, присущих вашей деловой активности.
Остановимся на проблеме выбора подходящего нейропакета. Здесь возможны два пути - использование уже готовых решний либо проектирование собственной модели под конкретную задачу и ее реализация в виде нейросети.
Рассмотрим набор нейропакетов, представленных на российском рынке. Нейропакет BrainMaker (фирмы California Scientific Software) является пакетом широкого назначения, предназначенным для профессиональных пользователей (BrainMaker Pro), неподготовленных пользователей и студентов (BrainMaker Student). Нейропакет N-Net (фирмы HI Ware) представляет собой комплексный интегрированный нейропакет, пригодный для решения большого числа задач. Экспертные системы на основе нейросетей можно создавать с помощью Nexpert Object (Neuron Data). Специально для работы с финансовыми данными предназначен нейропакет Nestor DLS (фирмы Nestor). Для разработки приложений с использованием нечеткой логики предназначен нейропакет CubiCalc (корпорации Hyper Logic).
На мировом рынке над созданием коммерческих нейропакетов работают в настоящее время более 100 фирм и компаний, в основном в США, Европе и Японии. В России также проводятся интенсивные исследования по созданию нейропакетов.
Интенсификация промышленного производства, осуществляемая в целях ускорения роста производства, повышения производительности труда, экономного исполь-
зования сырья, материалов, энергоресурсов, внедрения малоотходной технологии, определяет новые задачи в области совершенствования управления с применением автоматизированных систем на основе комплексной автоматизации управления всеми процессами - от организационно-экономических и технологических до проектирования изделий и технологий их изготовления.
В настоящее время продолжается развитие и создание автоматизированных научных и производственных исследований и испытаний (АСНИ), систем общепромышленного управления, ориентированных на автоматизацию основных функций управления производственным объединением (АСУО), предприятием (АСУП). Широкое распространение получили гибкие автоматизированные производственные системы и комплексы (ГПС).
Остановимся на основных принципах разработки нейросетей и нейромоделей.
Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем некий набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети.
Практически любую задачу можно свести к задаче, решаемой нейросетью [2-12].
Принципы построения сети. Построение сети осуществляется в два этапа: 1) выбор типа (архитектуры) сети; 2) подбор весов (обучение) сети.
На первом этапе следует определить следующее:
• какие нейроны будут использоваться (число входов, передаточные функции);
• каким образом следует соединить их между собой;
• что будет взято в качестве входов и выходов сети.
Эта задача на первый взгляд кажется достаточно трудоемкой, но существует несколько десятков различных нейросетевых архитектур, причем эффективность многих из них доказана математически. Наиболее популярные и изученные архитектуры - это многослойный перцептрон, нейросеть с общей регрессией, сети Кохонена и др.
На втором этапе следует «обучить» выбранную сеть, т. е. подобрать такие значения ее весов, чтобы сеть работала нужным образом. Необученную сеть можно научить чему угодно. В используемых на практике нейросетях количество весов может составлять несколько десятков тысяч, поэтому обучение - сложный процесс. Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса сети определенным образом. Наиболее популярный из этих алгоритмов - метод обратного распространения ошибки (Error Back Propagation), используемый, например, для обучения перцептрона.
При помощи нейромоделей и нейросетей можно решать широкий спектр задач управления на промышленном предприятии:
• анализ методов моделирования и оперативного управления производственными участками;
• анализ существующих компьютерных систем для оперативного управления производством;
• выбор метода моделирования и разработка математической модели конкретного производственного участка;
• выбор критерия эффективности работы производственного участка;
• выбор метода оптимизации план-графика работы производственного участка для конкретного технологического процесса с использованием модели;
• разработка и отладка программного обеспечения для конкретного производственного участка;
• проведение машинных экспериментов с моделью;
• анализ результатов моделирования;
• разработка структуры и функций компьютерной подсистемы оперативного управления участком;
• разработка требований к техническому и информационно-программному обеспечению подсистемы.
Внедрение, применение и развитие нейросетевых технологий для управления работой конкретного промышленного предприятия приведет к повышению производительности всего предприятия и сокращению сроков самоокупаемости средств, потраченных на развитие информационных технологий поддержки принятия управленческих и плановых решений.
Источники
1. Туманов В. Нейросети в море бизнеса // PC-Week. 1997. № 38.
2. Царегородцев В. Г. К определению информативности независимых переменных для нейронной сети // Нейроинформатика и ее приложения : материалы XI Всерос. семинара. Красноярск, 2003.
3. Царегородцев В. Г. Оптимизация предобработки данных для обучаемой нейросети: критерии оптимальности предобработки // Материалы XIV Междунар. конф. по нейрокибернетике. Ростов н/Д, 2005. Т. 2.
4. Царегородцев В. Г. Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач // Нейроинформатика и ее приложения : материалы XI Всерос. семинара. Красноярск, 2003.
5. Бэстенс Д.-Э., Ван Ден Берг В. М., Вуд Д. Нейронные сети и финансовые рынки. Принятие решений в торговых операциях. М. : ТВП, 1997.
6. Хайкин С. Нейронные сети. Полный курс. М. : Вильямс, 2006.
7. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. М. : Финансы и статистика, 2004.
8. Методы нейроинформатики: сб. науч. тр. / под ред. А. Н. Горбаня. Красноярск : КГТУ 1998.
9. Ежов А. А., Шумовский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М. : Финансы и статистика, 2004.
10. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М. : Горячая линия-Телеком, 2006.
11. Кобелев Н. Б. Основы имитационного моделирования сложных экономических систем М. : Дело, 2003.
12. Горбань А. Н., Дунин-Барковский В. Л., Кирдин А. Н. и др. Нейроинформатика. Новосибирск : Наука. Сибирское предприятие РАН, 1998.
