Pastaraisiais metais mokslo pasaulyje populiarėja viena iš dirbtinio intelekto šakų - daugelio klasių klasifikatorių sistemos. Tai tokios sistemos, kurioms pritaikius automatiškai apsimokančius algoritmus, klasifikuoja duomenis į daugiau nei dvi grupes.

Todėl įvykdyta nemažai tyrimų šioje srityje. Daugelio klasių klasifikatorių sistemos plačiai naudojamos simbolių atpažinime, įsiveržimams kompiuteriniuose tinkluose analizuoti, nuotolinėse jutiminėse sistemoseir kt. Tokiuose uždaviniuose dažnai duomenų kiekiai kiekvienoje klasėje būna nevienodi ir kažkokiu būdu reikia pasverti kiekvienos klasės įtaką galutiniam rezultatui. Todėl kuriami vis nauji ir tobulinami egzistuojantys metodai, atsiranda naujų kriterijų, kurie leidžia gauti tikslesnius klasifikavimo rezultatus.

Pirmą kartą terminas dirbtinis intelektas buvo pavartotas 1956 m. ir nuo tada jis reiškia mokslo sritį, kuri padeda įvairiems įrenginiams išspręsti sudėtingas problemas panašiu būdu, kaip tai spręstų patys žmonės. Sudėtingas problemas galima aprašyti kaip taisykles, kurias gali suprasti ir vykdyti kompiuteriai. Nors dažniausiai dirbtinis intelektas siejamas su kompiuterių mokslu, bet apima ir tokias sritis, kaip matematika, psichologija, biologija ir dar daug kitų mokslo šakų.

Automatiškai apsimokantys algoritmai yra tokia dirbtinio intelekto rūšis, kuomet sukuriamos programos, kurios būtų prisitaikiusios prie duomenų. Pagrindiniai tokių algoritmų principai – mokymasis paremtas ankstesne patirtimi. Tokiu veikimu paremti algoritmai plačiai naudojami medicininėje diagnostikoje, vertybinių popierių biržų analizėje, žaidimuose, robotų judėjime, rekomendacijų, paieškų sistemose. Automatiškai apsimokantys algoritmai yra be galo plačiai naudojami, net keletą kartų per dieną, bet apie tai mes net nesusimąstome.

Aktualios šiuo metu automatiškai apsimokančių algoritmų problemos:

Nuotaikų (požiūrių) analizė – daug sprendimų priimami remiantis kitų nuomone. Pavyzdžiui, daugiau nuperkame tam tikro produkto, nes kas nors palankiai apie tai atsiliepė ar apsistojame viešbutyje, kuris internete įvertintas aukščiausiai. Nuotaikų analizė gali būti apibrėžta subjektyvumo sąvoka.

Rekomendacijos. Šiandien sunku išsirinkti produktą ar paslaugą iš esamos pasiūlos. Kaip tai padaryti? Vienas būdų - protingos rekomendacijos, kurios remiasi ne daugumos pasirinkimu, bet individualiu vartotojo poreikių patenkinimu.

Reklama internete. Automatiškai apsimokantys algoritmai rodo reikiamą reklamą reikiamu metu pasirinkdami tam tikrą klientą. Čia automatiškai apsimokantys algoritmai nuspėja vartotojo veiksmus ir tokiu būdu parodo reklamas tik tuo metu, kai konkrečiam vartotojui tai yra tikslinga.

Video vaizdų atpažinimas. Yra daug daroma šia kryptimi, bet pagrindinis dalykas – tai, kad automatiškai apsimokantys algoritmai sugebėtu veikti kaip žmogaus smegenys ir atpažinti video vaizdų eiliškumą.

Automatiškai apsimokantys algoritmai medicinoje. Tai viena aktualiausių sričių. Yra daugybė ligų, kur reikalinga tolesnė simptomų analizė. Kai pacientai su ta pačia diagnoze gauna skirtingą gydymą. Pasinaudodami automatiškai apsimokančiais algoritmais, galėtume gauti supratimą, kaip pacientai jaučiasi tam tikru momentu ir rekomenduoti tam tikrus gydymo metodus tam tikru etapu.

Teisybės paieška. Yra pateikta daugybė informacijos internete. Kuri yra teisinga? Sunku įvertinti, kas yra tiesa, o kas ne. Prie kiekvienos publikacijos galime rašyti komentarus ir įvykdyti tokį socialinį veiksmą, kaip patikimo arba nepatikimo pažymėjimą. Automatiškai apsimokantys algoritmai šiuo atveju galbūt galėtų padėti.

Skaitant aktualias automatiškai apsimokančių algoritmų problemas, galima pamatyti tam tikras problemų tendencijas. Jei sugebame išskirti bendrą problemą, pradedame suprasti, kokių mums reikia duomenų ir kokie būtų būdai sprendžiant šias problemas. Taigi, bendri prototipiniai automatiškai apsimokančių algoritmų sprendimų būdai būtų tokie:

Klasifikavimas, kuomet išskiriami duomenys pagal tam tikrus požymius, pvz., vertinama, ar sukčiaujama, ar ne. Priimant sprendimus, nauji duomenys pažymimi priklausantys vienai ar kitai klasei. Ši problema gali būti įvardijama kaip atskyrimo problema, kai grupėse modeliuojami skirtumai ar panašumai.

Regresija duomenims priskiriama ne klasė, o realus dydis. Kaip pavyzdys būtų finansinės laiko eilutes, pvz. rinkos finansinių instrumentų vertė per laiko vienetą. Čia uždavinio sprendimas remiasi į vertės nuspėjimą ateityje.

Klasterizavimo metu duomenys nepriskiriami kokiai nors klasei, bet sudalinami į grupes pagal tam tikrą panašumą ar kitas natūralias duomenų struktūros savybes.

Taisyklių išgavimas. Kuomet duomenys naudojami, kad sudaryti taisykles „jeigu - tai”. Tokios taisyklės nusako, kad tarp duomenų randami statistiškai patikimi ryšiai. Pavyzdys galėtų būti ryšys tarp pirkėjų perkamo alaus ir traškučių.

Ž. Pabarškaitės podoktorantūros stažuotės, atliekamos KTU, tema gana plati. Tyrimų eigoje veikla buvo sutelkta į daugelio klasių automatizuotos prekybos taikymus finansinių investicijų portfelių kūrime. Trumpai portfelis apibūdinamas kaip pelningiausių investicijų rinkinys. Sukūrus patikimą portfelį sumažinama bendra investavimo rizika, kadangi parinkus tinkamas investicijas, vienos kompensuoja kitų investicijų riziką ir, tokiu būdu, sumažinama bendra portfelio rizika. Ši rizika įvertinama pasinaudojus daugelio klasių klasifikatorių sistemomis. Tyrimas buvo įgyvendintas nuosekliais etapais.

Tyrimo objektas – Lietuvoje veikiančio investicinio fondo finansinių instrumentų (vertybinių popierių) rinkos (minutiniai) duomenys, kadangi čia plačiai susiduriama su daugelio klasių problema, kai duomenų mažiau nei yra klasių. Tam, kad sumažinti esamą duomenų dimensiškumą, objektai buvo suskirstyti į grupes pagal duomenų panašumą, gautos grupės buvo naudojamos kaip ekspertai atliekant tolesnį sistemų vertinimą.

Tyrimų metu buvo pastebėta, kad galima paimti idėjas, kurias mums siūlo biologiniai mechanizmai ir jas sėkmingai pritaikyti finansiniame sektoriuje. Tokiu būdu buvo realizuotas tikslas suderinti skirtingas disciplinas ir mokslo sritis. Todėl tolesni darbe naudoti darbo principai paimti iš imuninės sistemos pavyzdžio. Imuninės sistemos (IS) darbas - atpažinti patogenus (bakterijas, virusus ir kt.) ir atskirti nuo gerųjų organizmo audinių. Patekę į kito organizmo vidų, patogenai gali greitai evoliucionuoti ir adaptuotis.

Taigi, imuninė sistema nuolat evoliucionuoja ir konfrontuoja su patogenais. Panašiai ir finansiniame sektoriuje, nuolat reikia evoliucionuoti, adaptuotis prie pasikeitimų. Todėl, konstruojant portfelį, buvo pasiūlytas antrinio imuninės sistemos atsako veikimo principas. Kas reiškė, kad senesni pelno ir nuostolio duomenų istorijos segmentai gali būti naudingesni, nei pati naujausia informacija parenkant atitinkamus agentus finansinio portfelio kūrimui.

Židrina Pabarškaitė savo žinias gilino KTU, lyderiaujančiame techniškų specialybių universitete Baltijos šalyse, prof. R. Simučio, 2015 m. Lietuvos mokslo premijos laureato intelektinių valdymo sistemų srityje, tyrimų centre pagal Lietuvos mokslo tarybos finansuojamą projektą (VP1-3.1-ŠMM-01) „Podoktorantūros (post doc) stažuočių įgyvendinimas Lietuvoje".

Komentarai (0)