Недоліки традиційних технологій

На жаль, класичні методики виявляються малоефективними в багатьох практичних задачах. Це зв'язано з тим, що неможливо досить повно описати реальність за допомогою невеликого числа параметрів моделі, або розрахунок моделі вимагає занадто багато часу й обчислювальних ресурсів. Зокрема, розглянемо проблеми, що виникають при рішенні задачі оптимального розподілу інвестицій.

1. У реальній задачі жодна з функцій не відома точно - відомі лише приблизні або очікувані значення прибутку. Для того щоб позбутися від невизначеності, ми змушені зафіксувати функції, втрачаючи при цьому точність опису задачі.
2. Детермінований алгоритм для пошуку оптимального рішення (симплекс-метод) застосовуємо тільки в тому випадку, якщо всі дані функції лінійні. У реальних задачах бізнесу ця умова не виконується. Хоча дані функції можна апроксимувати лінійними, рішення в цьому випадку буде далеким від оптимального.
3. Якщо одна з функцій нелінійна, то симплекс-метод не застосовується, і залишається два традиційних шляхи рішення цієї задачі.

Перший шлях - використовувати метод градієнтного спуску для пошуку максимуму прибутку. У даному випадку область визначення функції прибутку має складну форму, а сама функція - кілька локальних максимумів, тому градієнтний метод може привести до неоптимального рішення. Другий шлях - провести повний перебір варіантів інвестування. Якщо кожна з 10 функцій задана в 100 точках, то прийдеться перевірити близько 1020 варіантів, що займе не менш декількох місяців роботи сучасного комп'ютера.

Ймовірнісні технології мають істотні недоліки при рішенні практичних задач. Ми проілюстрували роботу імовірнісного підходу на прикладі простої лінійної авторегресійної моделі, однак залежності, що зустрічаються на практиці, переважно нелінійні. Навіть якщо й існує проста залежність, то її вигляд заздалегідь невідомий. Відзначимо також, що статистичні методи добре розроблені тільки для одновимірних випадкових величин. Якщо ж ми хочемо враховувати для прогнозування курсу акцій кілька взаємозалежних факторів (наприклад, обсяг угод, курс долара і т.д.), то прийдеться звернутися до побудови багатовимірної статистичної моделі. Однак, такі моделі або припускають гаусівський розподіл спостережень (що не виконується на практиці), або не обґрунтовані теоретично. У багатовимірній статистиці через брак кращого нерідко застосовують малообгрунтовані евристичні методи, що по своїй суті дуже близькі до технології нейронних мереж. Про це буде більш докладно розказано нижче.

Нові технології

В останні 10 років іде активний розвиток аналітичних систем нового типу. В їх основі - технології штучного інтелекту, що імітують природні процеси, наприклад, такі як діяльність нейронів мозку процес або природного відбору.

Інтелектуальні аналітичні системи містять у собі:

• здатність міркування відносно задачі і знання, засновані на здоровому глузді;
• міркування відносно спільного процесу і знання можливостей інших систем і людей, що приймають участь у взаємодії;
• зв'язок з користувачами за допомогою розуміння природної мови, малюнків, зображень, і знаків;
• системи повинні відчувати середовище;
• координувати прийняття, планування, і дії;
• навчання на попередньому досвіді й адаптацію до поведінки.

Розуміння цих можливостей у людях і втілення їх при розробці програм є центральним у створеннях новітніх аналітичних технологій, що здатні здобувати знання та керувати ними.

Національна конкурентноздатність залежить від зростання потужностей для проведення інформаційного аналізу, прийняття рішення, гнучкого проектування та виробництва. Зусилля в цих областях були обмежені недостатніми даними, відсутністю обчислювальної потужності або неадекватними контролюючими механізмами. Багато з цих обмежень можуть бути усунені тільки при додаванні інтелекту до систем.