Проблема выявления и согласования предпочтений по рискам

Основные трудности, с которыми приходится сталкиваться при решении проблемы выявления индивидуальных предпочтений по риску, заключаются в нечеткости, противоречивости данных о поведении исследуемого индивидуума в условиях неопределенности, в отсутствии обоснованных предположений о конкретных закономерностях этого поведения, в его постоянном изменении, что делает практически малоэффективными (неадекватными и дорогостоящими) попытки построения функций полезности и другие способы моделирования.

Компьютеризация процессов управления все чаще позволяет опираться в таких случаях на искусственный интеллект. В этой связи уместно поставить задачу создания таких инструментов искусственного интеллекта, которые могли бы предложить некоторое приемлемое решение, исходя из предпочтений различных лиц, т.е. фактически моделировать индивидуальные предпочтения. Разработанным инструментом искусственного интеллекта являются различные экспертные системы. Они накапливают знания экспертов, сформулированные в виде правил. Однако применение экспертных систем в условиях риска требует, чтобы они были совместимы с нечетной логикой. Изменчивость поведения также приводит к необходимости полностью изменять систему правил экспертной системы, что сказывается на ее эффективности. Способность обобщить предпочтения присуща только очень гибкому обучающемуся инструменту искусственного интеллекта. В этой роли могут выступить нейронные сети, построенные по аналогии со строением мозга. В человеческом мозге процесс обработки информации происходит посредством взаимосвязанных между собой клеток – нейронов. Каждый нейрон независим, работают они асинхронно. Особенностью нейронных сетей является способность решать проблемы, которые не подлежат алгоритмизации, при отсутствии полных данных, при большом «шуме» (случайных возмущениях) данных, подобно тому, как это делает человеческий мозг при попытке распознать мелькнувшее в толпе лицо. Нейронная сеть – это совокупность вычислительных элементов (нейронов), распределенных в нескольких слоях, и взаимосвязанных друг с другом связями (синапсами), которым присваиваются положительные или отрицательные веса. Помимо входного и выходного слоев, между ними могут находиться внутренние слои, обратная связь, в соответствии с топологией сети. Модификация весов составляет процесс обучения нейросети. Обучение нейронной сети сводится к построению разделяющей поверхности в пространстве компонент входного вектора. Принятие решения – это определение принадлежности данной точки (входного вектора) к кластеру, ограниченному разделяющей поверхностью. Достоверность решения пропорциональна расстоянию точки от границы кластера. При обучении некоторых парадигм сетей ошибка распространяется обратно по сети, производится коррекция весов связей, предотвращая повторное этой ошибки. Для сетей обратного распространения существует регулярная процедура их обучения. В настоящее время существует мнение, что сети обратного распространения наиболее универсальны и лучше других обобщают факты. В нейронной сети с обратным распространением ошибок существует слой (или несколько слоев) скрытых (внутренних) нейронов, представляющих «абстрактные понятия». Такая нейросеть имеет внутренние представления, относящиеся к объектам внешнего мира, и может реализовать логическую функцию «исключающего или». Метод обратного распространения погрешностей позволил получить ряд результатов: компьютерный эксперимент показал, что нейросеть создает «абстрактные понятия», выделяя для их внутреннего представления определенные элементы. Обрабатывая наборы самых различных данных с целью обучения распознаванию объектов, нейронная сеть, таким образом, пытается выделить их категории, формируя внутреннее представление.

Основные преимущества нейронных сетей:

- способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и зависимости между входными и выходными данными, когда пасуют как традиционные математические методы, так и экспертные системы;

- способность успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию;

- легкость в эксплуатации обученных сетей;

- удобный доступ нейросетевых пакетов к базам данных, электронной почте и т.д., что позволяет автоматизировать процесс ввода и первичной обработки данных.

Все эти качества позволяют сделать осторожное предположение об эффективности использования аппарата нейронных сетей для имитационного моделирования индивидуальных предпочтений по риску. Процесс моделирования индивидуальных предпочтений по риску с помощью нейронных сетей обратного распространения состоит из следующих этапов: