Рисунок 1 Схема нейронной сети
Сегодня практически любой руководитель считает, что информационная система в том или ином виде нужна организации. На нее возлагаются определенные надежды в плане скорости подготовки документов, получения оперативной информации, разного рода отчетов. Считается, что информационная система один из важных инструментов, позволяющих повысить эффективность работы предприятия. Но давайте подсчитаем. Эффективность — это означает, что меньшее количество людей должно лучше справляться с большим объемом работы. Знаете, на заре компьютерной эпохи в СССР, где-то в начале девяностых, у директоров была «голубая мечта» — «поставлю компьютер и уволю половину бездельников в бухгалтерии, сбыте и других службах». Системы установили, и что же... Я не знаю ни одного случая сокращения штатов после ввода в эксплуатацию информационной системы. Наоборот, практически всегда приходится брать на работу, в лучшем случае, еще одного сотрудника, а в худшем — целый отдел. Информация вроде есть, а толку вообще-то нет. Еще плачевнее выглядит картина, если начать считать, во что все это обошлось. Может, не стоило покупать десяток компьютеров, а больше платить и больше требовать с имеющихся сотрудников. Я думаю, что так и надо было делать. Тем более, курс доллара высокий и вообще спад производства. Мне кажется, что это связано с неверными «начальными установками» при решении вопросов об автоматизации. Как многие считали — «купим ПК — заживем красиво». На тот момент попытки убедить, что компьютеры ничего не решают, воспринимались большинством людей странно. Тебя считали или ретроградом, ничего не понимающим в современной технике, или вообще ограниченным человеком. Сейчас, слава Богу, ажиотаж спал, а значит можно все обсудить в спокойной обстановке.
Компьютер — очень хороший хранитель информации, он быстро считает, но этого мало, слишком мало. Ведь от того, что вы купите библиотеку, вы не начнете лучше разбираться в литературе. В базах данных и разного рода документах хранятся тонны информации. На самом деле, единственное, что эта информация дает — это генерирует убытки. Ведь даже если вы ей не пользуетесь, нужно тратить время и деньги на ее содержание. Организации нужна не информация, а знания. Это совершенно разные вещи. Информация превращается в знания тогда, когда от простой констатации фактов мы переходим к рекомендациям и советам. Проще говоря, на основе данных мы получаем конкретное руководство к действию. Для того, чтобы получить это самое руководство, нужно понимать, что происходит, по каким причинам, как все это взаимосвязано. К сожалению, это легче сказать, чем сделать. Реальный мир слишком сложен и многообразен. Если мы будем стараться понять все в самых мелких деталях, мы погрязнем в мелочах и окончательно запутаемся. Наука уже давно столкнулась с этой проблемой и нашла выход из нее — это моделирование. Полет самолета — очень сложный процесс, но ведь это не мешает изучать движение аппарата в аэродинамической трубе или на компьютере и на основе довольно ограниченной модели строить вполне работоспособные самолеты. Упрощать, чтобы понять, — это единственный путь.
Если мы будем знать, как реагирует рынок на наши действия, мы сможем предсказывать, какие будут объемы продаж. Мы получим мощные инструменты для повышения эффективности работы предприятия. Я понимаю, что эффективность зависит от многих параметров. Мы не можем улучшить законы, так давайте сделаем то, что в наших силах — улучшим управление организацией. Внутри предприятий есть огромные резервы, просто на них никто не обращает внимания. Мне бы хотелось остановиться на том, при помощи каких инструментов мы можем моделировать.
Сразу хочу сказать, что «серебряной пули» нет. Ни один из методов не решает всех проблем. Каждый из них рассчитан на определенный класс задач. Ни один их них не универсален. Есть 3 основных метода моделирования: экспертные системы, статистические методы, самообучающиеся алгоритмы. В реальной жизни часто используются различного рода комбинации этих методов.
Экспертные системы фактически хранят знания специалистов (экспертов) о конкретной области внутри себя в виде правил. Например, если температура больного от 37°C до 38.5°C, то выпить панадол и лечь в постель. Или если соотношение прибыли на 1 акцию и ее цены меньше определенной величины, то продавать ее. Я несколько утрирую, но общий смысл именно такой. На самом деле, мы постоянно их применяем, правда, не в виде компьютерных программ. Наверняка, вы встречали инструкции вроде того: не закупать товар на склад, если его запасы превышают 2-х месячный объем продаж. Это типичное правило для экспертной системы. Экспертные системы появились давно и успешно применяются. Однако основная проблема состоит в том, что довольно редко встречаются случаи, когда поведение объекта можно описать при помощи довольно четких правил. Большинство экспертов используют информацию для того, чтобы уже на основе полученных сведений и интуиции принимать решение. К тому же рынок (обстановка) меняется, и каждый раз нужно вносить изменения в правила.
Второй способ моделирования — статистические методы. Суть его в следующем. Мы берем статистику событий, например, объемы продаж и строим статистическую модель такую, чтобы ее результаты как можно точнее соответствовали реальным цифрам. Если нам удалось ее построить, то мы можем считать, что наша модель достаточно точно описывает процесс. На основании построенной модели мы можем принимать решения. Статистика интенсивно используется сегодня во многих областях. Беда только в том, что перед ее использованием вам самим нужно понять, как в реальной жизни работает исследуемый процесс. Во-вторых, нужно знать математическую статистику. В-третьих, если на рынке происходит какое-либо событие, кардинально меняющее сложившуюся картину, нужно снова строить новую модель для фактически нового рынка.
Третий способ построение модели — самообучающиеся алгоритмы. Одна из разновидностей таких алгоритмов — нейронные сети. Они представляют из себя множество объектов (нейронов) с большим количеством связей между ними.
Смысл работы с ними сводится к следующему. Мы берем историю события. Например, как при определённых параметрах менялся курс акций, и "вливаем" эту информацию в нейронную сеть. Нейросеть обучается на приведенных примерах и постепенно методом проб и ошибок строит модель процесса. Нейросети работают приблизительно так же, как человеческий мозг. До мозга еще очень и очень далеко, но частные задачи им вполне по плечу. Более того, они уже сегодня интенсивно используются в таких областях, как прогнозирование курса акций, выявление явных и скрытых закономерностей между огромным количеством параметров, медицина, военное дело. Берем историю болезней 200 пациентов кардиодиспансера. Предполагаем, что вероятность рецидива инфаркта миокарда или летальный исход зависит от его текущего состояния.
У нас есть данные, что больной с одним набором показателей умер, с другим – выздоровел, с третьим был рецидив. Всю эту информацию мы подаем на вход нейронной сети. Нейросеть первоначально считает, что влияние каждого фактора произвольное. Например, вес очень важен, возраст не важен, пол не очень важен. Информация пропускается через нейронную сеть. Сначала результат получится не очень хорошим. Нейросеть начинает изменять зависимости так, чтобы минимизировать ошибку. Т.е. оказалось, что пол довольно сильно влияет на результат, а влияние веса можно уменьшить. Действуя аналогичным образом тысячи раз, система сама построит такую модель, которая наиболее точно описывает процесс. Как только ошибка уменьшится до приемлемой величины, обучение заканчивается. Все — модель готова. Можно проверять. А что если дать больному определенный препарат, как это может повлиять на его состояние. Сразу хочу сказать, что это работает не везде. Нужно, во-первых, чтобы была "история", иначе нейросети не на чем будет учиться. Во-вторых, нужно думать, какие параметры давать на вход. Вообще нужно проводить предварительную обработку данных. Иначе, дадите "мусор" на вход, получите "мусор" на выходе. В любой системе есть свои недостатки, и нейронная сеть — не исключение. Перед тем, как ее использовать, нужно собрать и систематизировать данные. Зато обучаться она может в выходные дни или по ночам вообще без участия человека. Запустил систему на ночь — утром получил модель. И еще одно, если на рынке произошел "шок", то нужно только дать системе новые данные и повторно ее обучить. Она построит новую модель, учитывающую новые реалии рынка.
Как же это можно использовать в повседневных делах? Например, вы занимаетесь оптовой продажей мороженой рыбы. Мы берем всю имеющуюся у нас информацию: в какие дни и какие объемы продаж у нас были, какой был курс доллара, какая температура, сколько испортилось и т.п. Система обучается, и в результате мы получаем модель процесса, т.е. модель поведения рынка. После этого, если сообщают, что среднемесячная температура будет в июне — 20°C, в июле — 22°C, а в августе 25°C, мы можем определить, сколько мы продадим товара соответственно в каждый месяц, и закупать именно такое количество. Можно при помощи нейронных сетей находить узкие места, т.е. выяснять, какие показатели и насколько сильно влияют на прибыль. Нужно концентрировать внимание именно на них, и тогда при меньших затратах можно получить большую прибыль. Еще очень интересен вопрос с ценообразованием — тут просто огромное поле для маневра. Ведь зависимость цены от прибыли довольно сложная. За счет моделирования мы можем подобрать такую цену, которая максимизирует прибыль при заданных ограничениях. Мне достаточно сложно описать все области применения. Любой руководитель или аналитик лучше меня знает свой бизнес и соответственно лучше может определить те места, где могут помочь описанные технологии.
Арустамов Алексей. BaseGroup.
http://www.basegroup.ru/neural/mpr.htm