6.65M

Категория:

Информатика

Похожие презентации:

Информационные системы и технологии с элементами искусственного интеллекта. Лекция 8

Интеллектуальные информационные системы управления. Лекция 5

Искусственный интеллект. Лекции 6, 7

Экспертные системы. Характеристика и состав, примеры применения ЭС

Применение интеллектуальных ИТ для формирования решений

Экспертные системы

Применение интеллектуальных ИТ для формирования решений

Искусственный интеллект

Информационные технологии в управлении персоналом. Понятие нейросети (лекция 6)

Искусственный интеллект, данные и знания. Экспертные системы. Лекция №1

slidesgo_neironnye_seti_i_ekspertnye_sistemy_sovremennye_podxody

1.

Нейронные сети и
экспертные системы:
Современные подходы и
их применение в
аналитике

2.

Введение
В этом докладе м ы
рассм отрим нейронные
сети и экспертные
системы как ключевые
технологии в аналитике.
Узнаем как они
работают,их возм ожности
и прим енение в
различных областях.

Что такое нейросеть
простым языком ?
Нейронные сети — это разновидность
машинного обучения, при котором
компьютерная программа работает по
принципу
человеческого
мозга,
используя
различные
нейронные
связи. Если очень сильно упрощать,
это человеческий мозг в миниатюре,
только нейроны в нем искусственные и
представляют собой вычислительные
элементы, созданные по образу и
подобию
биологических
нейронов.
Нейросеть также является обучаемой
системой
и
даже
может
быть
самообучаемой. Она может обучаться
как с помощью заданных человеком
алгоритмов
распознавания
или
команд, так и на основе прошлого
опыта — то есть самостоятельно,
используя ранее полученные данные.

4.

Как работает нейросеть?
Нейросеть состоит из
искусственных «нейронов»
или узлов, в которых
находится формула. Узел
получает информацию,
производит вычисления и
отправляет результат
дальше.
«Нейроны» связаны между
собой «синапсами» — это
пути, по котором данные
передаются от одного узла к
другому. Каждый синапс
имеет вес — некий числовой
коэффициент, который
отражает важность
результата нейрона для
общего результата.
Когда нейросеть не обучена,
веса распределяются
случайным образом. В
процессе обучения, если
путь приводит к правильному
решению, то его вес,
значимость, повышается.
Аналогично в человеческом
мозге укрепляются
нейронные связи, когда мы
учимся чему-то новому.

5.

Модель простой нейронной сети состоит из трех
слоев.
1 Входной слой. На узлы входного слоя поступает
внешняя информация. Формат может быть любым:
звук, текст, картинка, результаты измерений. Узлы
входного слоя распознают, анализируют,
классифицируют данные и передают на следующие
слои.
2 Скрытый слой. Здесь происходит основная работа
нейросети. Чем сложнее сеть, тем больше скрытых
слоев она содержит. Их число иногда доходит до
нескольких миллионов.
Обычно у слоев есть «специализация» — задача,
которую решает эта группа нейронов. Каждый слой
обрабатывает данные и отправляет результаты
далее.
В сетях с прямой связью данные передаются только
в одном направлении от слоя к слою. Более
сложные модели используют циклы и петли
обратной связи, чтобы улучшать результаты.
3 Выходной слой. Формирует ответ нейросети.
Выходной слой содержит один или несколько узлов
в зависимости от решаемой задачи. Формат ответа
также может быть любым — число, текст,
изображение, видео.

6.

Как используют нейросети:
Сейчас уже проще перечислить, где их нет. Но вот
несколько жизненных примеров:
• Нейросеть внутри поисковика Microsoft Bing отвечает на
сложные вопросы пользователей. Например:
«Поместится ли диван из IKEA в минивэн Volkswagen».
• Та же нейросеть внутри ChatGPT составляет любые
тексты по запросу.
• Голосовые помощники «Сбера» и «Тинькофф»
анализируют речь клиентов, чтобы общаться с ними и
решать сложные вопросы. Это позволяет компаниям
нанимать меньше сотрудников в техподдержку.
• Алгоритмы «ВКонтакте» анализируют вашу активность в
соцсетях, чтобы подбирать подходящие посты, новости
и рекламу.
• Face ID в айфоне строит цифровые модели лица
пользователя, чтобы узнавать его в любых условиях: в
темноте, на улице, в очках, с бородой, с новой
причёской и так далее.
• Роботы-доставщики «Яндекс Еды» прокладывают путь
от склада до клиента в обход препятствий и c
соблюдением ПДД, чтобы доставлять посылки в целости.
• В Москве нейросети помогают медицинским центрам
анализировать ЭКГ, УЗИ и рентгеновские снимки для
диагностики заболеваний.
• автоматизируют процессы на производствах,
контролируют качество, прогнозируют потребление
ресурсов.

7.

Преимущества и недостатки нейросетей
Плюсы:
• Улучшение пользовательского опыта.
Нейросети могут использоваться для создания
персонализированных рекомендаций,
предсказания предпочтений, а также для
автоматической обработки и анализа данных.
В результате вам удобнее использовать
различные сервисы.
• Автоматизация задач. Нейросети помогают
автоматизировать выполнение рутинных и
повторяющихся задач, освобождая время и
ресурсы пользователей.
• Высокая скорость обработки данных.
Нейросети за считанные секунды
обрабатывают объемы информации, которые
человек «переваривал» бы несколько часов, а
то и дней.
• Расширение возможностей и
функционала. Нейросети добавляют
дополнительные функции и возможности к
продуктам и сервисам, улучшая их
функциональность и адаптацию к
потребностям пользователей. Например,
текстовую нейронку внедряли в Gmail и
Google Документы.
• Адаптивность и гибкость. ИИ можно
настроить под себя для выполнения
конкретной задачи. С этой целью
используются промпты — наборы инструкций
для нейросети, чтобы она генерировала
релевантные результаты.
Минусы
• Галлюцинации и недостоверная информация. Искусственный интеллект
может иногда «галлюцинировать» — так называют ситуацию, когда модель
выдает неверные результаты и при этом настаивает на их достоверности. Это
может происходить из-за качества данных или слишком сложного запроса. В
генерации картинок нейросети тоже ошибаются, например, дорисовывают
лишнюю руку.
• Потеря навыков. Не исключено, что из-за привычки постоянно обращаться к
искусственному интеллекту по любым вопросам, человек разучится
самостоятельно генерировать идеи и решать задачи. Поэтому важно
использовать нейросети ответственно и сохранять баланс.
• Опасения в отношении конфиденциальности данных. Использование
нейросетей может потребовать обработки больших объемов данных, включая
личную информацию пользователей. Так, Италия в марте 2023 года запретила
доступ к чат-боту Chat GPT из-за нарушения сохранности персональных данных
после утечки. Некоторым пользователям стали доступны чужие сообщения,
фамилии, почта и платежные данные платных подписчиков сервиса.
• Проблемы с этикой и безопасностью. Согласно исследованиям, из ChatGPT
можно получить информацию, которая потенциально может принести вред.
Например, чат-бот может использоваться как инструмент для взлома. А инженер
по искусственному интеллекту из Microsoft утверждает, что в ИИ-генераторе
изображений компании отсутствуют базовые меры защиты от создания
изображений насилия и сцен сексуального характера.
• Авторское право. Для обучения нейросетей могут использоваться данные,
защищенные авторским правом. Например, The The New York Times подала в суд
на OpenAI и Microsoft. В иске говорится, что миллионы статей газеты были
использованы для обучения чат-ботов. Из-за этого издание потеряло рекламу,
подписки и просмотры. Аналогичный иск подала группа художников против
генератора изображений Stable Diffusion, считая, что нейросеть была обучена на
их работах.

8.

Что такое экспертные системы?
Экспертные системы — это компьютерные
программы, которые имитируют процесс принятия
решений экспертов в определенной области. Они
предназначены для решения сложных задач,
требующих значительных знаний и опыта. Основная
цель экспертных систем — предоставить
пользователю рекомендации или решения,
аналогичные тем, которые бы дал человек -эксперт.
Классификация ЭС:
ЭС можно классифицировать по различным критериям,
включая:
• По области применения: медицинские, промышленные,
финансовые и др.
• По методам обработки знаний: детерминированные и
стохастические.
• По типу интеграции: автономные, интегрированные в
информационные системы.

9.

Развитие ЭС:
Основные компоненты ЭС:
В начале восьмидесятых годов в исследованиях
по искусственному интеллекту сформировалось
самостоятельное направление, получившее
название «экспертные системы» (ЭС). Целью
исследований в этом новом направлении была
разработка программ, которые при решении
задач, сложных для эксперта-человека,
получают результаты, не уступающие по
качеству и эффективности решениям,
получаемым экспертом. Для обозначения этой
дисциплины также часто используют термин
«инженерия знаний», введенный
Е.Фейгенбаумом как «привнесение принципов и
инструментария исследований из области
искусственного интеллекта в решение трудных
прикладных проблем, требующих знаний
экспертов». На протяжении 1960—1985 гг.
успехи в деле освоения искусственного
интеллекта (ИИ) касались в основном
исследовательских разработок, которые
демонстрировали пригодность ИИ для
практического использования. В 1988—1990 гг.
экспертные системы стали активно применяться
в коммерческих приложениях. На заре
появления используемые для их создания языки
программирования, технологии разработки
приложений и используемого делали
интеграцию ЭС с традиционными программными
системами довольно сложной, а порой даже
невыполнимой задачей.
База знаний:
База знаний содержит информацию и правила, необходимые для решения
задач в конкретной области. Эта информация может включать факты,
эвристики (правила большого пальца) и логические связи между различными
элементами. База знаний создается с помощью экспертов, которые
предоставляют свои знания и опыт. Важно, чтобы база знаний была
актуальной и обновлялась по мере появления новых данных и знаний в
соответствующей области.
Машина вывода:
Машина вывода — это механизм, который использует базу знаний для
принятия решений. Она анализирует входные данные, применяет правила из
базы знаний и генерирует выводы или рекомендации. Машина вывода может
использовать различные методы, такие как дедукция, индукция и абдукция,
для достижения своих целей. Дедукция позволяет делать выводы на основе
общих правил, индукция — на основе наблюдений, а абдукция — на основе
гипотез.
Пользовательский интерфейс:
Пользовательский интерфейс позволяет пользователю взаимодействовать с
экспертной системой. Он может включать текстовые поля, меню, графические
элементы и другие средства ввода и вывода информации. Хорошо
спроектированный интерфейс делает систему более доступной и удобной для
пользователя. Важно, чтобы интерфейс был интуитивно понятным и позволял
пользователю легко вводить данные и получать результаты.
Объяснительный компонент:
Объяснительный компонент помогает пользователю понять, как экспертная
система пришла к своим выводам. Он предоставляет объяснения и
обоснования, которые могут быть полезны для проверки правильности
решений и обучения пользователей. Этот компонент особенно важен в
критических областях, таких как медицина и юриспруденция, где необходимо
понимать логику принятия решений.

10.

Экспертные системы бывают динамические и статичные:
Статичные
Динамические
Статические ЭС рассчитаны на задачи, во время решения которых условия
окружения не изменяются, а динамические — на задачи, во время
решений которых условия окружения могут изменяться.

11.

Применение ЭС:
• Медицина: В медицинской практике эталонные системы помогают врачам ставить точные
диагнозы и предлагать оптимальные схемы лечения пациентов. Благодаря обработке большого
объема медицинской информации и профессиональных знаний, достигается высокая точность и
эффективность диагностики, что значительно сокращает время на принятие решений и
повышает качество медицинского обслуживания.
• Финансы: В финансовом секторе эти интеллектуальные решения используются для анализа
рисков, прогнозирования рынка и оказания консультационных услуг. С их помощью можно
точно оценивать кредитные возможности клиентов, выявлять подозрительные транзакции и
разрабатывать стратегические инвестиционные планы. Такие системы повышают надежность и
безопасность финансовых операций.
• Промышленность: В промышленном производстве автоматизированные системы применяют
для управления технологическими процессами и повышения производительности. Они
помогают оптимизировать производственные цепочки, улучшать контроль качества продукции
и снижать затраты на производство. Эти системы используют накопленные знания инженеров и
рабочих, что позволяет учитывать мельчайшие нюансы в производственном процессе.
• Образование: В сфере образования специализированные программы используются для
создания адаптивных учебных планов и оценки знаний студентов. Они могут подстраиваться
под индивидуальные потребности учащихся, предлагать подходящие учебные ресурсы и тем
самым способствовать более эффективному усвоению материала. Это позволяет сделать
образовательный процесс более гибким и персонализированным.
• Юриспруденция: Юридические службы активно применяют умные системы для анализа
судебной практики и подготовки правовых заключений. Такие решения помогают обнаруживать
прецеденты, оценивать правовые риски и разрабатывать стратегии для защиты интересов
клиентов в суде. Это значительно ускоряет работу юристов и повышает точность их прогнозов.
Высокая эффективность и широкий спектр задач, которые могут решать интеллектуальные
системы, позволяют использовать их в самых различных отраслях, значительно облегчая процесс
принятия решений и повышая качество работы. С развитием технологий и углублением знаний о
различных областях применения эти системы будут продолжать играть все более значимую роль
в жизни человека.

12.

Достоинства и недостатки экспертных систем:
Преимущества экспертных систем:
Воспроизводимость. Можно сделать любое
количество копий экспертной системы, а
обучение новых экспертов отнимает много
времени и средств.
Эффективность. Может увеличить
производительность и уменьшать затраты
персонала.
Постоянство. С использованием экспертных
системам подобные транзакции обрабатываются
одним и тем же способом. Система будет делать
сопоставимые рекомендации для похожих
ситуаций.
Влияние на людей. Новый эффект (самая
современная информация, имеющая влияние на
здравый смысл). Главный эффект (ранняя
информация доминирует над здравым смыслом).
Документация. Экспертная система может
документировать процесс решения.
Законченность. Экспертная система может
выполнять обзор всех транзакций, a человек эксперт сможет сделать обзор только отдельной
выборки.
Своевременность. Погрешности в конструкциях
и-или могут быть своевременно найдены.
Широта. Могут быть объединены знания многих
экспертов, что дает системе больше широты,
чем с вероятно может достичь один человек.
Снижение риска ведения дела благодаря
последовательности принятия решения
документированности и компетентности.
Недостатки экспертных систем:
• Здравый смысл. В дополнение к широкому
техническому знанию, человек-эксперт имеет
здравый смысл. Еще не известно, как заложить
здравый смысл в экспертные системы.
• Творческий потенциал. Человек-эксперт может
реагировать творчески на необычные ситуации,
экспертные системы не могут.
• Обучение. Человек-эксперт автоматически
адаптируются к изменению среды; экспертные
системы нужно явно модифицировать.
• Сенсорный опыт. Человек-эксперт располагает
широким диапазоном сенсорного опыта;
экспертные системы в настоящее время
основаны на вводе символов.
Экспертные системы не хороши, если решения не
существует или когда проблема лежит вне области
их компетенции

slidesgo_neironnye_seti_i_ekspertnye_sistemy_sovremennye_podxody

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

13.

14.

15.

16.

17.

18.

19.

20.

21.

22.

23.

24.

25.

26.

27.