1.8. Иис других типов

ИИС могут быть интегрированы с ЭС, образуя гибридные системы, или использовать уникальные технологии.

Естественно-языковые (ЕЯ) и системы распознавания речи. Решение многих задач может упроститься, если мы сможем общаться с компьютером на нашем естественном языке. Для понимания нашей речи компьютер должен обладать достаточными лингвистическими, общими, а так же знаниями о пользователях и их целях. Области применения подобных систем: интеллектуальный интерфейс (в основном для баз данных), грамматический и смысловой анализ текста и составление рефератов, писем, перевод с одного естественного языка на другой, перевод с одного языка программирования на другой, распознавание и синтезация речи компьютером. Чем выше качество таких систем, тем выше их стоимость (например качество синтезированного голоса может быть очень высоким). Некоторые банки ввели системы обслуживания клиентов с синтезируемой речью, которые выдают информацию на запросы о балансе, наличности и т.д.

Нейронные сети. Знания не всегда удается представить в виде формализованной модели. Другим подходом к построению ИИС является имитация строения человеческого мозга, который состоит из множества (порядка 150 миллиардов) клеток – нейронов, объединенных в нейросети по несколько тысяч нейронов.

Представление знаний и обработка информации в нейрокомпьютерах базируется на массовом распараллеливании процессов. Нейрокомпьютер состоит из искусственных нейронов (processing element), на вход каждого из них поступает входная информация от других нейронов или из окружающей среды. Входные данные описывают атрибуты некоторой проблемы (например, информация о клиенте, попросившем кредит). Каждый входной сигнал умножается на вес, который соответствует «силе» входа. Значения весов формируются на основе прошлого опыта и продолжают изменяться в зависимости от нового. Знания формируются и хранятся как множество значений весов и система обучается новым знаниям путем установления значений весов. Умноженные входные сигналы поступают на суммирующий блок в нейроне и создается выход по специальному алгоритму. Выходной сигнал(ы) может стать входным для нейрона, расположенного на следующем уровне (см. рис. 3). Каждая нейросеть формируется из трех и более уровней: входного, скрытого(ых) и выходного.

Каждый вход соответствует значению единственного атрибута (например, возраст, наличие дома и т.д.). Каждый выход (даже соответствующий качественной информации) должен быть сведен к бинарному (1 или 0). Выходной сигнал есть решение задачи (например, предоставить кредит или нет).

Хотя нейрокомпьютеры основаны на параллельных процессах, дешевле использовать обычные процессоры и имитировать распараллеливание. Хотя уже сегодня некоторые суперкомпьютеры реализуют реальные параллельные вычисления. Нейросети эффективны в ситуациях, когда нужно проанализировать большое количество данных для оценивания ситуации. Например, при принятии решения о выдаче кредита нужно просмотреть случаи из прошлого опыта с ответами да/нет.

Рис. 2. Нейронная сеть со скрытым уровнем

Области применения нейронных сетей в коммерции:

• обнаружение нарушений при уплате налогов;

• анализ рынка ценных бумаг, предсказание курсов валют;

• выдача кредитов;

• предсказание последствий того или иного решения;

• предсказание результатов продвижения на рынке новых товаров;

• управление аэролиниями: заполнение мест и составление расписания;

• оценивание кандидатов на должность;

• оптимальное распределение ресурсов;

• установление подлинности подписи и др.

Нечеткие системы. Нечеткая логика позволяет делать выводы в условиях неопределенности подобно тому, как это делает человек. Рассуждения не всегда являются «черно-белыми», только «да или нет», часто ответ «может быть» оказывается наиболее приемлемым. Применение нечеткой логики для принятия решений повышает производительность системы до 3000%. В настоящее время систем, основанных только на нечеткой логике, единицы, в основном ИИС интегрируют в себе различные технологии.