Исходя из собственного опыта, эксперт анализирует ситуацию и распознает наиболее полезную информацию и оптимизирует Решение.

Экспертная система – совокупность методов и средств организации, накопления и применения знаний для решения сложных задач в некоторой предметной области. Экспертная система достигает высокой эффективности за счет целенаправленного перебора большого числа альтернатив при выборе решения, опираясь на высококачественный опыт группы специалистов, анализирует влияние большого объема новых факторов, оценивая их при построении стратегий, добавляя возможности прогноза.

Основой экспертной системы является совокупность знаний (база знаний), структурированных в целях формирования принятия решений. Экспертные системы разрабатываются с расчетом на обучение и способны обосновать логику выбора решения и обладают свойством адаптивности. У большинства экспертных систем имеется механизм объяснения того, каким образом система пришла к тому или иному решению.

Преимущества экспертных систем состоят в следующем.

· Достигнутая компетентность не утрачивается, при этом может тиражироваться, воспроизводиться и наращиваться.

· Имеют место более устойчивые результаты по сравнению с использованием специалистов, отсутствуют эмоциональные, психологические и другие факторы человеческой ненадежности.

· Высокая стоимость разработки компенсируется низкой стоимостью эксплуатации системы, возможностью копирования, что в совокупности дешевле высококвалифицированных специалистов.

Отличиями экспертных систем от обычных компьютерных информационных систем являются:

· экспертные системы манипулируют знаниями, тогда как другие системы – данными;

· экспертные системы, как правило, дают эффективные оптимальные решения, хотя и способны иногда ошибаться, но в отличие от традиционных компьютерных систем они имеют ценное качество учиться на своих ошибках.

Ключевым элементом экспертной системы является база знаний. База знаний – это совокупность моделей, правил и факторов (данных), порождающих анализ и выводы для нахождения решений сложных задач в некоторой предметной области.

Выделенные и организованные в виде отдельных, целостных структур информационного обеспечения знания о предметной области дают возможность производить рассуждения не только на основе формальной (математической) логики, но и на основе опыта, фактов, аналогий, то есть приближают компьютерный аналитический процесс к процессу человеческого мышления.

База знаний накапливается в процессе создания и эксплуатации экспертной системы. Особенностью информационной технологии экспертных систем является неотделимость этих двух составляющих. Схема накопления и использования знаний при создании и эксплуатации системы приведена на рисунке.

Блок приобретения знаний отвечает за накопление знаний, формализацию их по установленным шаблонам и встраивание знаний в общую систему базы знаний. Блок логических выводов, следуя правилам математической логики, производит сопоставление правил с фактами и порождает непротиворечивые логические цепочки. Блок объяснений предоставляет пользователю последовательность шагов, которые привели экспертную систему к тому или иному решению с обоснованием каждого шага.

Структуризация и формализация знаний в экспертных системах основана на различных способах представления знаний, главными элементами которых являются факты и правила. Факты являются своеобразными атомами базы знаний, а правила устанавливают взаимосвязи между этими атомами и выражаются чаще всего в виде утверждений типа «Если …, то ….».

Искусственная компетентность экспертных систем не заменяет полностью человека. Эксперт-человек способен реорганизовать информацию и знания и использовать их для синтеза новых знаний. В области творческой деятельности люди обладают большими способностями по сравнению с компьютерными системами. Эксперты справляются с неожиданными поворотами событий и, используя новые подходы, способны проводить аналогии из других предметных областей. Эксперты адаптируются к изменяющимся условиям и приспосабливают свои стратегии к новым обстоятельствам в более широком диапазоне проблем и задач. Экспертные системы менее приспособлены к обучению на уровне новых концепций и новых правил, они оказываются не столь эффективны и вообще мало пригодны в тех случаях, когда необходимо учитывать всю сложность реальных задач. Эксперты могут непосредственно воспринимать весь комплекс входной информации: символьной, визуальной, графической, текстовой и т.п. У экспертной системы есть только символы, с помощью которых представлена база знаний. Преобразование информации в символьный вид неизбежно сопровождается потерей ее части.

Нейросетевые технологии

Наряду с аналитическими инструментами нового поколения, основанными на применении логики нечетных множеств от электронных таблиц (Fuzzy Calc) до экспертных систем (Cubi Calc), все больший интерес для финансово-аналитической деятельности представляют аналитические информационные технологии, основанные на использовании так называемых нейронных сетей. Нейронные сети – обобщенное название групп алгоритмов, которые умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. Компьютерные технологии, получившие название нейросетевых, работают по аналогии с принципами строения и функционирования нейронов головного мозга человека и позволяют решать широкий круг задач: распознавать человеческую речь и абстрактные формы, классифицировать состояние сложных систем, управлять технологическими процессами и финансовыми потоками, решать аналитические, исследовательские задачи и задачи прогнозирования, связанные с обширными информационными потоками.

Являясь мощным технологическим инструментом, нейросетевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, дефицита времени и ограниченных информационных ресурсов.

В начале 90-х годов появилось новое поколение мощных, недорогих и простых в использовании нейросетевых технологий. Одним из лидеров стал нейросетевой пакет Brain Maker американской фирмы California Scientific Software. Наибольшее применение нейронные сети нашли в финансово-кредитной сфере, где заинтересованные в совершенствовании аналитической работы банки стали интенсивно включать нейронные сетевые технологии в состав финансовых приложений.

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 кризисных ситуаций, для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает двумя чрезвычайно полезными свойствами:

· Способностью обучаться на конкретном множестве примеров.

· Умением стабильно распознавать, прогнозировать новые ситуации в условиях внешних помех, например, при появлении противоречивых или неполных значений в потоках информации.

Взяв за основу работу мозга, создатели нейросетевых технологий ввели в употребление и ряд биологических терминов, понятий, параметров, а сам метод получил название генетического алгоритма. Генетический алгоритм реализован в популярном пакете Brain Maker Professional и в менее популярном, но более профессиональном Neuroforester. В этих пакетах генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает (прогнозирует) новые ситуации с высокой степенью точности. Обучение сводится к работе по подбору весовых коэффициентов, который реализуется автоматически без непосредственного участия пользователя-аналитика.

В пакете Neuroforester для решения прогнозных задач большая часть процедур выполняется автоматически. В частности, автоматически выбирается оптимальное число дней, обеспечиваемых прогнозом. Пакет имеет также инструменты для предварительной обработки данных: корреляционный анализ, позволяющий определять значимость входных параметров прогноза; анализ с помощью масштабных преобразований для выявления скрытых циклов данных, диаграмма-распределение зависимости прогнозируемой величины от входных параметров. Эти методы позволяют уже на этапе подготовки данных выделять наиболее существенные для прогноза параметры. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решения.