Уважаемые пользователи!

В случае, если Вы не получили письмо о подтверждении регистрации, обратитесь по адресу Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript .

Администрация портала "Я-Интеллект".

Специалисты из России первыми в мире приблизились к созданию компьютерной программы, представляющей собой подлинный искусственный интеллект.

Разработанная учеными программа, получившая название "Евгений", победила на состоявшемся в Англии международном научном конкурсе кибернетического интеллекта, не добрав всего лишь 0,8 процента для того чтобы пройти знаменитый тест Тьюринга, сообщает британская радиостанция Би-би-си.

Известный английский математик Алан Тьюринг, заложивший основы современной компьютерной техники, в написанной в 1950 году статье "Вычислительные машины и разум" предложил тест на определение интеллектуального уровня и природы интеллекта компьютера.

В его ходе экзаменаторы задают двум тайным собеседникам любые вопросы. Затем они должны определить, кто из собеседников человек, а кто машина.

При этом Тьюринг вывел специальную формулу для определения границы, когда искусственный разум достигает уровня человеческого. Согласно его выводам, если машина сможет "обмануть" проверяющих в ответах на 30% заданных вопросов, то она "обладает искусственным интеллектом".

Современные образовательные учреждения высшего профессионального образования  не уступают по сложности крупным коммерческим предприятиям, а потому их нормальное функционирование уже невозможно без хранилищ данных и построенных на их основе аналитических приложений. Большой объем информации, с одной стороны, позволяет выполнять более точные расчеты и делать подробный анализ, с другой – превращает поиск необходимых решений в сложную задачу.

Настоящий доклад посвящен разработке программного приложения для поддержки процессов принятия решений в учебной деятельности Ростовского Государственного Строительного Университета. В целях поддержки процессов принятия решений используется OLAP (On-Line Analytical Processing)- технология оперативной аналитической обработки данных, использующая методы и средства для сбора, хранения и анализа многомерных данных.

OLAP технологии позволяют значительно упростить и ускорить процесс подготовки и принятия решений руководящим персоналом и служат цели превращения данных в информацию. Они принципиально отличаются от традиционного процесса поддержки принятия решений, основанного, чаще всего, на рассмотрении структурированных отчетов.

В данной работе ставятся и решаются следующие задачи:

• разработка алгоритма конвертации и программы конвертера оперативных данных из базы данных в многомерные кубы информационного хранилища;
• построение OLAP-куба, добавление вычисляемых членов;
• проектирование пользовательских интерфейсов в форме отчетов, опубликование отчетов на сервере отчетов.

На основании требований пользователей и анализа бизнес-процессов учебного заведения были определены ключевые показатели эффективности, являющиеся индикаторами учебного процесса. Это такие показатели как количество неаттестованных студентов, абсолютная успеваемость, академическая активность, средний балл, посещаемость занятий и др. Данные показатели являются мерами в разработанном кубе, а в качестве измерений куба используются учебная дисциплина, курс, специальность, временное измерение (учебный год, семестр, блок), а также атрибуты анализируемых бизнес-процессов, например, такие как студент, группа, кафедра, институт, которые объединены в одну иерархию измерений. Источниками данных для формирования куба являются данные, полученные из информационных систем университета.

Для выбора платформы разработки был проанализирован рынок OLAP-технологий. В качестве платформы бизнес-анализа была выбрана Microsoft SQL Server 2008, которая не только является лидирующей в данной области, но и имеет все необходимые инструменты для разработки СППР и легко внедряется на предприятии.

В результате разработки и внедрения системы поддержки принятия решений руководители разного уровня получили настроенные именно под их задачи и принципы управления рабочие места, а также аналитическую информацию – согласованную, точную, непротиворечивую, своевременную.

 Задача

Кредитный риск (риск контрагента)  представляет собой риск частичной или полной неплатежеспособности заемщика, риск неуплаты заемщиком основного долга и процентов, причитающихся кредитору в установленный срок. Такой риск возникает в тех областях деятельности, где успех зависит от результатов работы заемщика, контрагента или эмитента. Поэтому управление кредитным риском сводится к выявлению причин невозможности или нежелания выполнять обязательства, а также в определении методов снижения рисков.

Управление кредитным портфелем представляет собой организацию деятельности банка при осуществлении процесса кредитования, которая направлена на предотвращение или минимизацию кредитного риска. Конечными целями кредитной организации при управлении кредитным портфелем является, во-первых, получение прибыли от активных операций, во-вторых – поддержание надежной и безопасной деятельности банка.

Кредитный риск можно разделить на риск конкретного заемщика и риск портфеля, что предполагает учет особенностей каждого вида риска в процессе управления. Управление каждым видом кредитного риска, помимо общих черт имеет и ряд специфических особенностей. Важным обстоятельством является различие целей управления. Целью управления кредитным риском индивидуального заемщика является снижение вероятности неисполнения заемщиком своих обязательств по кредитному соглашению и минимизация потерь банка в случае невозврата кредита. Цель управления риском совокупности кредитных вложений банка - поддержание на определенных уровнях показателей, характеризующих эффективность организации кредитных операций банка.

Последовательность управления кредитным риском сводится к четырем основным этапам [2]:

1. Идентификация кредитного риска. Выявление факторов кредитного риска в различных операциях. Создание портфелей риска.

2. Качественная и количественная оценка риска. Создание методик расчета уровня риска на основе выявления причин невозможности или нежелания возвращать заемные средства.

3. Планирование риска как составная часть стратегии банка. Определение методов снижения рисков. Выбор стратегии (принятие решения о принятии риска, отказе от выдачи кредита или применении способов снижения риска).

4. Контроль изменения степени кредитного риска. Создание системы процедур, направленных на поддержание запланированного уровня риска.

   (543)
   Подробнее...

    В настоящее время большую роль в управлении транспортными процессами играют интеллектуальные системы. Прежде всего, это связано с невозможностью полного автоматического  режима функционирования транспортных объектов с применением традиционного подхода к их управлению [1]. Разработка и внедрение такого рода систем обеспечат интеллектуализацию принятия решений по управления транспортными процессами.

    Объектом исследования является сортировочная горка (СГ). Изложенная ниже технология применима к любой СГ. В данной статье в качестве примера расчета использована сортировочная горка на станции Батайск-Южный (рис.1).  Она относится к категории горок повышенной и большой мощности и согласно программе совершенствования работы и развития сортировочных станций на 2006-2015 годы планируется внедрение комплексной системы автоматизированного управления сортировочной станцией. На данный момент станция работает в полуавтоматическом режиме и для полной ее автоматизации требуется замена напольных устройств [2].

Рис 1. Схема сортировочной горки Батайск-Южный

   В связи с этим возникает задача разработки информационно-логического устройства (ИЛУ) для определения ступени и времени торможения при управлении горочными замедлителями на тормозных позициях (ТП) в целях изменения скорости скатывания отцепов на СГ. В статье исследуется возможность применения нейроэмулятора NeuroNADS [3,4] для решения этой задачи.

Преодолевать трудности никто не хочет, но именно это является показателем желания достигнуть поставленной цели.

 В современном мире невозможно эффективно управлять бизнесом без информационных технологий. В то же время рынок IT развивается значительно быстрее остальных сегментов экономики. Аппаратные средства и программные продукты достигли высокого технологического уровня и функциональности, но вследствие этого стали очень сложными. В таких условиях важно быть максимально нацеленным на результат плодотворного взаимодействия с партнерами и клиентами.

Уделять слишком большое внимание непрофильным активам, добиваясь в этой области высокого качества, – занятие, отнимающее слишком много времени и сил управляющего звена предприятия и требующее довольно значительных финансовых вложений.

В то же время внедрение аутсорсинговой модели ведения бизнеса может дать положительные результаты, так как внешний подрядчик благодаря своему опыту и технологиям способен обеспечить развитие и оптимизацию переданных непрофильных активов на более высоком и качественном уровне.

 В настоящее время форма управления с помощью аутсорсинга становится все более и более популярной. Если несколько лет назад слово «аутсорсинг» было знакомо только тем, кто занимался информационными технологиями, то сегодня все больше и больше компаний переходят на эту форму работы. Четко закрепился на рынке аутсорсинг: IT и программного сервиса; бухгалтерского учета; маркетинга; кадрового менеджмента; логистики; внедрения проектов; документооборота и т.д.(516)
Подробнее...

Общая теория сети встречного распространения

Архитектура сети

Обучение сети

Функционирование сети

Общая теория встречного распространения

Ошибки рассматриваемой сети предназначены для начального быстрого моделирования. Автор сети встречного расп¬ространения ошибки (ВР) Р. Хехт-Нильсен удачно объединил в одной архитектуре преимущества возможности обобщения сети Т. Кохонена и простоту обучения вы¬ходной звезды Д. Гроссберга, вследствие чего сеть ВР получила свойства, которых нет ни у одной из них в отдельности. Она принадлежит к классу сетей, обучающихся без учителя. Сеть ВР работает с двоичными векторами, состоящими из нулей и единиц, или не¬прерывными. В результате обучения входные векторы ассоциируются с выходными и, когда сеть обучена, подача входных образов приводит к получению выходных. Прави¬льный выход может быть получен и тогда, когда вход является неполным, несколько неверным. Гиперповерхность, получаемая в результате функционирования сети ВР, вследствие принципа непрерывности, дает возможность осуществлять прогнозирова¬ние. Естественно, что внутри гиперпараллелепипеда обучающих образов прогнозиро¬вание будет более точным, а при решении задачи экстраполяции ошибка будет значи¬тельно больше. Как и многие другие сети, встречное распространение функционирует в двух режимах: в нормальном режиме, при котором принимается входной вектор Х и выдается выходной вектор Y, и в режиме обучения, при котором подается входной вектор и веса корректируются, чтобы дать требуемый выходной вектор. Области применения сети: распознавание образов, восстановление образов (ассоциативная память), сжатие данных (с потерями). Недостатки сети: Сеть не дает возможности строить точные аппроксимации (точные отображения). В этом сеть значительно уступает сетям с обратным распространением ошибки. К недостаткам модели также следует отнести слабую теоретическую проработку модификаций сети встречного распространения. Преимущества сети. Сеть встречного распространения проста. Она дает возможность извлекать статистические свойства из множеств входных сигналов. Кохоненом показано, что для полностью обученной сети вероятность того, что случайно выбранный входной вектор (в соответствии с функцией плотности вероятности входного множества) будет ближайшим к любому заданному весовому вектору, равна 1/k, k - число нейронов Кохонена. Сеть быстро обучается. Время обучения по сравнению с обратным распространением может быть в 100 раз меньше. По своим возможностям строить отображения, сеть встречного распространения значительно превосходит однослойные персептроны. Сеть полезна для приложений, в которых требуется быстрая начальная аппроксимация. Сеть дает возможность строить функцию и обратную к ней, что находит применение при решении практических задач.

(892)
Подробнее...