Системы AI на производстве: актуальные задачи, решения, этапы реализации и кейсы

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Касторнова В. А.

Деревья решений (decision trees) являются средством решения задачи принадлежности какого-либо объекта (строчки набора данных) к одному из заранее известных классов. Дерево решений — является своего рода классификатором, полученным из обучающего множества, содержащего объекты и их характеристики. Дерево состоит из узлов и листьев, указывающих на класс.

Системы предиктивного обслуживания оборудования благодаря раннему предупреждению о потенциальных отказах и возможных проблемах уменьшают время простоя оборудования. Увеличивается прибыль предприятия за счет возможности своевременно провести ремонт, повысить эффективность работы из-за удаленного мониторинга и ускорению процесса анализа неисправностей.

1. Блок инициализации. Здесь разработчик определяет число узлов, максимальное число переменных для всех узлов, максимальное число исходов для всех узлов. Это делается для того, чтобы определить максимальный размер массивов, куда будут записываться данные. Затем вводятся последовательно все узлы: сначала указывается число переменных и число исходов для каждого узла, а потом — сами переменные и исходы. По завершению ввода данных рекомендуется записать эту информацию на диск.

тех пор, пока она не перестанет ошибаться. Полученная база знаний записывается в виде системы файлов на диске. Готовая система потом может быть использована учащимися после её загрузки. Система позволяет также производить её модификацию путем удаления или добавления новых переменных и исходов с последующим дообучением.

в основе систематизации и контроля знаний в различных областях, в том числе и в предметной области «Информатика». Эти два вида программных сред (оболочка ЭС и Deductor Academic) можно эффективно использовать совместно с целью оптимизации числа атрибутов (характерных признаков) распознаваемых объектов. Действительно, работая в среде ЭС довольно трудно определить значимые и незначимые атрибуты (переменные). А инструмент дедуктора «Значимость атрибутов» позволчет легко определить лишние атрибуты (свойства объектов). При этом надо учитывать то обстоятельство, что ЭС и нейросети ведут себя по-разному. Так, нейросеть может идентифицировать объект по отсутствию у него указанных свойств. И это логично, так как отсутствие у объекта какого-либо свойства есть его характеристика. А для ЭС идентификация объекта обязательно требует наличия у него хотя бы одного характерного признака. Такова особенность работы алгоритма, заложенного в её оболочку. Следует заметить, что список признаков, входящих в соответсвующее объекту правило, включает в себя не все свойства объектов, которые указаны в исходной таблице для построения нейронной сети. Сюда входодят только те из них, которые позволяют сети отличить один объект от другого, с учетом того, что они могут иметь одинаковые характерные признаки.

Нейрокибернетическое направление (или нейроинформатика) можно рассматривать как моделирование образного мышления и мышления на подсознательном уровне (моделирование интуиции, творческого воображения, инсайта). Его достоинства — это отсутствие недостатков, свойственных логическому направлению, а недостатки — отсутствие его достоинств. Кроме того, в нейроки-бернетическом направлении привлекает возможность (быть может, иллюзорная), задав базовые весьма простые алгоритмы адаптации и особенности структуры искусственной нейронной сети, получить систему, настраивающуюся на поведение сколь угодно сложное и адекватное решаемой задаче. Причем его сложность зависит только от количественных факторов модели нейронной сети. Ещё одним достоинством нейронной сети является её живучесть, т. е. способность сохранять приемлемую эффективность решения задачи при выходе из строя элементов сети. Это свойство нейронных сетей достигается за счет избыточности. В случае программной реализации структурная избыточность нейронных сетей позволяет им успешно работать в условиях неполной или зашумленной информации [1].

Пакет Deductor Academic является свободно распространяемым ПО для учебных целей и позволяет решать задачу построения различных видов ней-росетей с помощью имеющихся в нем инструментов — Мастеров обработки. С помощью Мастера обработки Deductor Academic позволяет конструировать нейронную сеть с заданной структурой, определить её параметры и обучить с помощью одного из доступных в системе алгоритмов обучения. В результате получается некий эмулятор нейронной сети, который может быть использован для решения различного рода задач, в том числе, классификации объектов.

Таким образом, можно дать следующее определение нейронных сетей, выступающих в роли адаптивной машины: нейронная сеть — это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и представляющих их для последующей обработки. Нейронная сеть сходна с мозгом с

Прогноз аварийных ситуаций

Экспертные системы — это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой предметной области. Экспертные системы предназначены для замены при решении задач экспертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или в опасных (вредных) для них условиях.

Постановка проблемы формирования культуры самообразования студентов продиктована необходимостью сформировать не только профессиональные компетенции, но и сформировать культуру самостоятельного получения знания, выдвижения задач самореализации, самосовершенствования, собственного «самодвижения» в профессиональном будущем, способности успешной самореализации в будущей профессиональной деятельности. Процессные изменения в подходах к организации процесса обучения в вузе связаны с созданием условий и применением методов, направленных на формирование культуры самообразования, знаний, поисковых навыков для достижения высокого уровня профессиональной компетентности.

Экспертные системы (ЭС) — класс систем искусственного интеллекта, предназначенных для получения, накопления, корректировки знаний, предоставляемых экспертами из некоторой предметной области для получения нового знания. Технологически экспертная система представляет собой пакет программ, способный с помощью методов искусственного интеллекта анализировать факты, представляемые пользователем; исследовать ситуацию, процесс, явление; выдать экспертное заключение или генерировать рекомендации по решению той или иной проблемы.

2. Ввод примеров. Когда все переменные и исходы введены, то следует приступить к обучению ЭОС через примеры. Как правило, число примеров для каждого узла равно числу его исходов — надо указать через 0 или 1 наличие того или признака (свойства) у каждого исхода. Ввод примера также завершается записью его на диск.

В результате сокращаются простои оборудования, работы по техническому обслуживанию оптимизируются, уменьшается время внепланового техобслуживания, причины отказа оборудования анализируются с большей глубиной, повышается прозрачность данных и количество информации о технологическом процессе.

Экспертная система (ЭС) — программа, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала. Осознание полезности систем, которые могут копировать дорогостоящие или редко встречающиеся человеческие знания, привело к широкому внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века.