3.1 Принципы построения и работы нейроагента

Нейроагент — применение агентной технологии, реализованной на нейронных сетях, в пределах любой области деятельности. Нейроагент анализирует огромное количество информации, доступной для среды деятельности, определяя зависимости и модели.

Нейроагенты обучаются путем наблюдения. Им необходимо просмотреть достаточное количество примеров поведения, чтобы распознать лежащие в их основе модели, или опре­делить причинные и следственные связи. С помощью этого постоянного процесса самообу­чения, нейроагент может приобретать гораздо больше знания, чем любой эксперт.

Иногда нейроагент может сталкиваться с новой ситуацией. Например, при недостатке данных нейроагенты могут полагать, что спрос в пиковый сезон является чем-то необыкно­венным. Можно обучить нейроагент и таким ситуациям. Процесс возрастающего адаптивно­го обучения увеличивает способности нейроагента, помогает более точно контролировать и прогнозировать условия бизнеса.

Потенциальное деловое применения нейроагентов _ анализ коммерческой информа­ции. Например, нейроагенты могут автоматически генерировать списки перспектив новых

услуг и изделий. Они могут прогнозировать будущий спрос на изделия, помогая предприни­мателям производить нужное количество услуг в нужное время. Они также могут определять аномалии в бизнесе, например, необычный риск и мошеннические действия.

Нейроагенты — сложные нейросетевые средства, которые фактически предсказывают проблемы прежде, чем они происходят. Нейроагент просматривает исторические данные, обрабатывает эти данные, с целью создания индивидуального профиля системы. Используя нейросетевые алгоритмы, нейроагент обнаруживает отклонения системы от ожидаемого со­стояния и может прогнозировать время, когда это отклонение приведет к критической ситуа­ции.

Широко распространенное присутствие распределенных процессов на предприятии сделало необходимой потребностью интеллектуальное управление предприятием. Организа­ции вкладывают капитал в управление предприятием, в надежде автоматизировать обнару­жение и исправление стольких многих вредных событий насколько возможно с помощью

вычислительной техники.

Ключ к прогнозному управлению — идентифицировать ряд состояний, которые по­следовательно ведут к другим известным состояниям.

Нейроагент изучает целевую среду, Он знакомится с ее нормальным поведением и может быстро идентифицировать момент выхода системы вне нормального операционного состояния. Обучаясь на прошлом поведении, неироагент прогнозирует потенциальные отка­зы или критические состояния прежде, чем они происходят, приводя в готовность менедже­ров для проведения профилактических действий. Через какое-то время, эти действия повы­шают эффективность работы, снижают время простоя после возникновения критического положения и увеличивает производительность. Нейроагент фактически создает многомер­ный портрет того, как взаимодействуют компоненты окружения системы. Из-за сложности

окружения ее понимание является трудным даже для лучших менеджеров.

Чтобы работать эффективно, нейроагент сначала должен «обучиться». «Обучение» нейроагента просто требует сбора данных контролируемой системы за некоторый срок. Как только агент соберет данные, его самообучающиеся средства анализируют их и формируют профиль индивидуальности, уникальный для системы, для которой проводится мониторинг. Нейроагент использует нейросетевую технологию, чтобы ВЫПОЛНИТЬ это обучение.

Таблица б

Характеристики, описание и преимущества нейроагентов

Нейроагент учится, обнаруживая типичные режимы работы системы.

модели изменений с изменениями в эффективности системы. Это освобождает менеджера от записи и поддержания обременительных наборов правил контролирования системы.

Как только нейроагент создал уникальный профиль индивидуальности для контроли­руемой системы, можно начинать контроль режима в реальном времени и получение контекстно-ориентированного сигнала тревоги. Нейроагент определяет, каким образом текущие операционные переменные изменяются во времени, анализируя эту информацию с учетом того, что они узнали из прошлого опыта. Затем нейроагент выполняет прогноз о том, где система будет в ближайшем будущем. Также, когда происходит некоторая ситуация, которая не попадает в пределы прошлого опыта, нейроагент подает сигнал тревоги.

Нейроагенты предлагают гибкое решение необходимой задачи — управление хаоти­ческими системами. Подход сопоставления с образцом имеет превосходные характеристики для управления комплексно-распределенными системами. Основные характеристики, описа­ние особенностей и преимуществ нейроагентов представлены в табл. 6.

Время

Рис. 64. Временной куб

Принципиальная схема работы нейроагента та­кова. В течение некоторого времени (или даже постоян­но) снимаются значения большого количества экономи­ческих показателей. Получается фигура, именуемая временным кубом (рис. 64).

Далее проводится отбор данных.

Во-первых, удаляются неизменяющиеся данные, а во вторых — коррелирующие дан­ные (рис. 65).

Изъятие неизменяющихся параметров не будет влиять ни на точность прогноза, ни на что другое. Того же самое нельзя сказать о коррелирующих данных. При их изъятии появля­ется возможность ошибки экономической интерпретации получаемых результатов.

Парвмстры/Время

Допустим, что между парамет­рами A,B и С существует сильная кор­реляция.

При отборе данных остается

только параметр А и, соответственно,

в процессе дальнейшего анализа дела­ется вывод о том, что результирую­щий показатель зависит от параметра

А (хотя он может зависеть от В, но тот был удален в процессе отбора). Дан­ная проблема не является принципи­альным препятствием для нейросете­вых технологий.

Рис. 65. Анализ структуры данных

• • •*••*•*• •••

∙ ∙∙ ∙^r∙∙ ^a∙∙ ^a •••• ∙ .∙-∙ J» • - • -

Отобранные значения показателей отображаются на графике в виде N-мерного гиперпространства

(рис, 66). Такой график после проведения процеду­ры кластеризации показывает некоторые стандарт­ні ные (довольно устойчивые) состояния экономиче­

ской системы (рис. 67).

Рис. 66. Отображение данных на N- мерном графике

Рис. 67. Определение устойчивых состояний системы

Строится график переходов из одного состояния в другое (рис. 68).

Рис. 68. Построение переходов

Устанавливаются основные направления переходов из одного кластера в другой, а также вероятности таких переходов (рис. 69).

Рис. 69. Построение направления переходов из кластера в кластер

Весь процесс построения нейроагента

В результате получаем систему ран­него предупреждения. Дальнейшая работа

заключается во вводе текущих данных, полу­чении информации о попадании в один из

кластеров, а затем о возможном дальнейшем

развитии ситуации.

представлен на рис. 70.

Фаза 2. Прогнозирование

Фаза 1. Обучение

Посгроен» связей и ⅛e- рсмгпюстей пврехвдоа

Клясіе-

ρ∣α*ι*cc

Л**Л№ и

отбор

Дагиыс

Рис. 70. Работа нейроагента

÷7⅛⅛,f⅝i∕('

Примерные области наблюдения нейроагента представлены на рис. 71

Рис. 71. Области наблюдения системы раннего предупреждения на основе нейроагента

Данная схема^[XXIX] предложена для систем раннего предупреждения на предприятии и по­казывает глобальность областей наблюдения. Это, в свою очередь, является еще одной при­чиной необходимости использования агентной технологии, реализованной именно на нейро­

сетевых средствах.

3.2.