Обучение без учителя

Якщо за критерій узяти організаційну структуру управління, то можна умовно виокремити АРМ керівника, АРМ управлін- ського працівника середнього та оперативного рівнів. За принципами вибіркового розподілення інформації ці особи мають потребу в абсолютно різній інформаційній підтримці.

Автоматизоване робоче місце (АРМ) спеціаліста — це інструмент раціоналізації та інтенсифікації управлінської діяльності.

Професійні АРМ — це головний інструмент спілкування людини з інформаційними системами, що виконують роль автономних робочих місць, інтелектуальних терміналів великих ЕОМ, робочих станцій у локальних мережах. АРМ мають відкриту архітектуру та легко адаптуються.

АРМ мають проблемно-професійну орієнтацію на конкретну предметну сферу та є засобом спілкування спеціаліста з автоматизованими інформаційними системами.

Створення АРМ забезпечує:

Ø простоту, зручність і дружнє ставлення до користувача;

Ø простоту адаптації до конкретних функцій користувача;

Ø компактність розміщення й невисокі вимоги до умов експлуатації;

Ø високу надійність і живучість;

Ø порівняно просту організацію технічного обслуговування.

Ефективним режимом роботи АРМ є його функціонування в рамках локальної обчислювальної мережі. Створені АРМ спеціалістів дають можливість користувачеві працювати в діалоговому режимі, оперативно розв’язувати поточні задачі, зручно вводити дані, вести контроль, оброблення інформації, визначати достовір­ність результатної інформації, виводити й передавати каналами зв’язку. Інформаційне забезпечення АРМ орієнтується на кон-
кретну, звичну для користувача, предметну сферу.

Найважливішим для практичних цілей є групування задач за економічним змістом вихідних показників. Це групування — основа для виокремлення таких типів автоматизованих робочих місць бухгалтера (АРМБ):

Ø АРМБ з обліку основних засобів;

Ø АРМБ з обліку виробничих запасів;

Ø АРМБ з обліку праці й заробітної плати;

Ø АРМБ з обліку готової продукції, її відвантаження, реалізації та визначення фінансового результату;

Ø АРМБ з обліку фінансово-розрахункових операцій;

Ø АРМБ з обліку витрат на виробництво;

Ø АРМБ зведеного обліку та складання звітності;

Ø АРМБ з обліку капітальних вкладень.

Кожному з перерахованих АРМБ (комплексів задач) відповідає певний перелік задач.

Технологія організації обліку в умовах АРМ бухгалтера має три етапи:

Ø підготовка інформації та її оброблення;

Ø систематизація й узагальнення облікової інформації на рахунках за видами ресурсів, контроль, аналіз і її аудит;

Ø формування інформації для подальшого використання в управлінні підприємством.

У процесі управління підприємством приймаються оперативні, тактичні та стратегічні управлінські рішення. Із цією метою виокремлюють три рівні управління.

На першому рівні здійснюється оперативне управління структурними підрозділами ( цех, магазин, комора, відділ тощо). На цьому рівні формуються первинні дані, здійснюються їх оброблення, розрахунок і відображення інформації для прийняття управлінських рішень на місці виникнення інформації (АРМБ I категорії). АРМБ I категорії потрібне для формування й підготов­ки первинної інформації безпосередньо на місці виникнення її (у цехах, на складах та в інших підрозділах), а також для розв’я­зання потрібних облікових і аудиторських задач. Первинні дані реєструються безпосередньо на робочому місці, де вони виникають, і передаються певним ланцюжком. У процесі вирішення задач на кожному робочому місці виявляють відхилення, а також причини та винних у них, відомості для оперативного управління процесом виробництва на рівні філії, дочірніх підприємств, ділянок, цехів, відділів та інших виробничих одиниць.

На другому рівні управління інформація систематизується й узагальнюється за комплексами завдань, ділянками обліку, виконуються контроль і внутрішній аудит. На цій стадії формується й відображається інформація для прийняття конкретних управлінських рішень за комплексом завдань (АРМБ II категорії). На АРМБ II категорії здійснюється контроль проходження первинної інформації та розв’язується ряд аналітичних і аудиторських задач, тут також виявляють відхилення від нормальних умов роботи по ділянках обліку (комплексах задач). На цьому етапі одер­жувана інформація підлягає логічному контролю на коректність, а також здійснюється автоматичний аудит за даними аналітичного й синтетичного обліку. Крім того, на АРМБ II категорії здійснюється моделювання облікового процесу, проведення аудиту, а також прийняття управлінських рішень з окремого комплексу задач.

На третьому рівні здійснюються формування зведених даних, контроль, аналіз і аудит фінансово-господарської діяльності підприємства. На цьому рівні управління здійснюється управління підприємством у цілому, визначається зовнішня політика, розробляються перспективні плани та стратегія їх виконання (АРМБ III категорії). АРМБ III категорії призначене для аналізу роботи структурних підрозділів і підприємства в цілому, для узагальнення зведених даних, пов’язаних із розв’язанням регламентних задач із складання оперативної та періодичної звітності. На цьому АРМБ здійснюється оперативний контроль із використання трудових, матеріальних і грошових ресурсів, здійснюються аудит за виконанням показників структурними підрозділами і додержанням умов чинних норм матеріальних і трудових витрат, виявлення негативних відхилень від чинних систем нормування або планування, розв’язуються задачі управлінського обліку, моделювання облікових даних.

Таким чином, АРМ — це професійно-орієнтований комплекс технічних, інформаційних і програмних засобів, призначених для автоматизації функцій спеціаліста, що виконуються на його робочому місці.

Основне призначення АРМ — забезпечити управлінський пер­сонал новими засобами техніки та технології. Мова йде про автоматизоване діалогове виконання основних функцій управління, діалогову інформаційну взаємодію користувачів і оперативний доступ до даних, нагромаджуваних у центральній базі даних ІС, або в розподільній базі даних АРМ.

Організація АРМ змінює техніку та методологію виконання функцій управління. Виникли нові технологічні операції ведення екранного діалогу, використання нових форм подання даних — електронних картотек і таблиць, графіків і діаграм, багатовіконне подання даних.

Засоби АРМ дають змогу автоматизувати розв’язання облікових задач, що формалізуються, забезпечити інформаційну підтримку важко формалізованих задач, результати яких використовуються для прийняття рішень.

З урахуванням професійних знань і практичних навичок користувач може обирати методику розв’язання задач, маніпулювати даними для обчислень, аналізувати їх результати та приймати відповідне конкретній ситуації управлінське рішення.

5. Обчислювальні системи та мережі

У розвитку технології оброблення інформації на ПК можна виокремити два етапи: автономне використання ПК та етап їх об’єднання — створення обчислювальних мереж і на їх основі — мережних інформаційних технологій.

Мережеві технології дали змогу створювати геосистеми для доступу до світових сховищ інформації.

За рангом обчислювальні мережі можна поділити на локальні (ЛОМ) або LAN-мережі в межах підприємства, організації та глобальні або WAN-мережі абонентів, які з’єднують країни, континенти.

Локальна обчислювальна мережа (ЛОМ) дає можливість розподіляти мережеві ресурси за допомогою певної топології, способу множинного доступу, протоколів зв’язку та мережевої операційної системи.

Широке розповсюдження ПК та апаратури віддаленого зв’язку, а також процеси децентралізації управління виробниц­твом, що відбуваються, зумовлюють запровадження розподіленого оброблення даних, яке забезпечує прискорення оброблення даних, безпосередню участь виконавців у процесі управління та ефективне задоволення інформаційних потреб управлінського персоналу. Запровадження розподіленого оброблення знижує витрати на утримання обчислювальної системи, підвищує її гнучкість та життєздатність. Розподілене оброблення даних неможливе без модульної структури ІС, що полегшує її створення та оновлення.

Мережевий інтерфейс інформаційної технології надає користувачеві засоби теледоступу до територіально розподілених інформаційних та обчислювальних ресурсів завдяки розвинутим засобам зв’язку. Це дає можливість широко використовувати автоматизовані інформаційні технології та робить їх багатофункціональними.

Нині спостерігається тенденція до об’єднання різних типів інформаційних технологій у єдиний комп’ютерно-технологічний комплекс. Він має назву інтегрованого.

Особливе місце в ньому належить засобам комунікації, основі створення різноманітних мережевих варіантів автоматизованих інтегрованих технологій:

Ø локальних;

Ø багаторівневих;

Ø розподілених;

Ø глобальних обчислювальних мереж;

Ø електронної пошти;

Ø цифрових мереж інтегрованого обслуговування.

Підвищення вимог до оперативності інформаційного обміну та управління швидкого оброблення інформації зумовило створення не тільки локальних, а й багаторівневих і розподілених систем організаційного управління об’єктами.

Її інформаційне забезпечення реалізує мережі автоматизованих банків даних, що будуються з урахуванням організаційно-функціональної структури багаторівневого економічного об’єкта, комп’ютерного ведення інформаційних масивів.

Цю проблему в нових інформаційних технологіях вирішують розподілені системи оброблення даних із використанням каналів зв’язку для обміну інформацією між базами даних різних рівнів.

У багаторівневих і розподілених комп’ютерних інформаційних системах організаційного управління успішно вирішуються проблеми оперативної роботи з інформацією, аналізу економічних ситуацій у процесі розроблення та прийняття управлінських рішень.

Таким чином, нові інформаційні технології — основа переходу суспільного розвитку до інформаційної епохи у світовому мас­штабі.

Рассмотренный в алгоритм обучения нейронной сети с помощью процедуры обратного распространения подразумевает наличие некоего внешнего звена, предоставляющего сети кроме входных так же и целевые выходные образы.

Алгоритмы, пользующиеся подобной концепцией, называются алгоритмами обучения с учителем. Для их успешного функционирования необходимо наличие экспертов, создающих на предварительном этапе для каждого входного образа эталонный выходной.

Так как создание искусственного интеллекта движется по пути копирования природных прообразов, ученые не прекращают спор на тему, можно ли считать алгоритмы обучения с учителем натуральными или же они полностью искусственны. Вместе с тем, чем бы ни закончился спор приверженцев этих двух концепций обучения, они обе имеют право на существование.

Главная черта, делающая обучение без учителя привлекательным, – это его "самостоятельность". Процесс обучения, как и в случае обучения с учителем, заключается в подстраивании весов синапсов. Некоторые алгоритмы, правда, изменяют и структуру сети, то есть количество нейронов и их взаимосвязи, но такие преобразования правильнее назвать более широким термином – самоорганизацией.

Очевидно, что подстройка синапсов может проводиться только на основании информации, доступной в нейроне, то есть его состояния и уже имеющихся весовых коэффициентов. Исходя из этого соображения и, что более важно, по аналогии с известными принципами самоорганизации нервных клеток, построены алгоритмы обучения, основанные на правиле Хебба.

Сигнальный метод Хебба

Сигнальный метод обучения Хебба заключается в изменении весов по следующему правилу:

(1)

где yi(n-1) – выходное значение нейрона i слоя (n-1), yj(n) – выходное значение нейрона j слоя n; wij(t) и wij(t-1) – весовой коэффициент синапса, соединяющего эти нейроны, на итерациях t и t‑1 соответственно; a – коэффициент скорости обучения. Здесь и далее, для общности, под n подразу­мевается произвольный слой сети. При обучении по данному методу усиливаются связи между возбужденными нейронами.

Дифференциальный метод Хебба

Существует также и дифференциальный метод обучения Хебба.

(2)

Здесь yi(n-1)(t) и yi(n-1)(t-1) – выходное значение нейрона i слоя n-1 соответственно на итерациях t и t-1; yj(n)(t) и yj(n)(t-1) – то же самое для нейрона j слоя n. Как видно из формулы (2), сильнее всего обучаются синапсы, соединяющие те нейроны, выходы которых наиболее динамично изменились в сторону увеличения.

Алгоритм обучения

Полный алгоритм обучения с применением вышеприведенных формул будет выглядеть так:

1. На стадии инициализации всем весовым коэффициентам присваиваются небольшие случайные значения.

2. На входы сети подается входной образ, и сигналы возбуждения распространяются по всем слоям согласно принципам классических прямопоточных (feedforward) сетей, то есть для каждого нейрона рассчитывается взвешенная сумма его входов, к которой затем применяется активационная (передаточная) функция нейрона, в результате чего получается его выходное значение yi(n), i=0...Mi-1, где Mi – число нейронов в слое i; n=0...N-1, а N – число слоев в сети.

3. На основании полученных выходных значений нейронов по формуле (1) или (2) произво­дится изменение весовых коэффициентов.

4. Цикл с шага 2, пока выходные значения сети не застабилизируются с заданной точностью.

Применение этого нового способа определения завершения обучения, отличного от использовавшегося для сети обратного распространения, обусловлено тем, что подстраиваемые значения синапсов фактически не ограничены.

На втором шаге цикла попеременно предъявляются все образы из входного набора.Следует отметить, что вид откликов на каждый класс входных образов не известен заранее и будет представлять собой произвольное сочетание состояний нейронов выходного слоя, обусловленное случайным распределением весов на стадии инициализации. Вместе с тем, сеть способна обобщать схожие образы, относя их к одному классу.

Тестирование обученной сети позволяет определить топологию классов в выходном слое. Для приведения откликов обученной сети к удобному представлению можно дополнить сеть одним слоем, который, например, по алгоритму обучения однослойного перцептрона необходимо заставить отображать выходные реакции сети в требуемые образы.

Алгоритм Кохонена

Другой алгоритм обучения без учителя – алгоритм Кохонена – предусматривает подстройку синапсов на основании их значений от предыдущей итерации.

(3)

Из вышеприведенной формулы видно, что обучение сводится к минимизации разницы между входными сигналами нейрона, поступающими с выходов нейронов предыдущего слоя yi(n‑1), и весовыми коэффициентами его синапсов.

Полный алгоритм обучения имеет примерно такую же структуру, как в методах Хебба, но на шаге 3 из всего слоя выбирается нейрон, значения синапсов которого максимально походят на входной образ, и подстройка весов по формуле (3) проводится только для него. Эта, так называемая, аккредитация может сопровождаться затормаживанием всех остальных нейронов слоя и введением выбранного нейрона в насыщение.

Выбор такого нейрона может осуществляться, например, расчетом скалярного произведения вектора весовых коэффициентов с вектором входных значений. Максимальное произведение дает выигравший нейрон.

Другой вариант – расчет расстояния между этими векторами в p-мерном пространстве, где p – размер векторов.

, (4)

где j – индекс нейрона в слое n, i – индекс суммирования по нейронам слоя (n-1), wij – вес синапса, соединяющего нейроны; выходы нейронов слоя (n-1) являются входными значениями для слоя n.

Корень в формуле (4) брать не обязательно, так как важна лишь относительная оценка различных Dj.

В данном случае, "побеждает" нейрон с наименьшим расстоянием.

Иногда слишком часто получающие аккредитацию нейроны принудительно исключаются из рассмотрения, чтобы "урав­нять права" всех нейронов слоя. Простейший вариант такого алгоритма заключается в торможении только что выигравшего нейрона.

При использовании обучения по алгоритму Кохонена существует практика нормализации входных образов, а так же – на стадии инициализации – и нормализации начальных значений весовых коэффициентов.

, (5)

где xi – i-ая компонента вектора входного образа или вектора весовых коэффициентов, а n – его размерность.

Это позволяет сократить длительность процесса обучения.

Метод выпуклой комбинации

Инициализация весовых коэффициентов случайными значениями может привести к тому, что различные классы, которым соответствуют плотно распределенные входные образы, сольются или, наоборот, раздробятся на дополнительные подклассы в случае близких образов одного и того же класса. Для избегания такой ситуации используется метод выпуклой комбинации.

Суть его сводится к тому, что входные нормализованные образы подвергаются преобразованию:

, (6)

где xi – i-ая компонента входного образа, n – общее число его компонент, a(t) – коэффициент, изменяющийся в процессе обучения от нуля до единицы, в результате чего вначале на входы сети подаются практически одинаковые образы, а с течением времени они все больше сходятся к исходным.

Весовые коэффициенты устанавливаются на шаге инициализации равными величине

, (7)

где n – размерность вектора весов для нейронов инициализируемого слоя.

На основе рассмотренного выше метода строятся нейронные сети особого типа – так называемые самоорганизующиеся структуры – self-organizing feature maps (этот устоявшийся перевод с английского, на мой взгляд, не очень удачен, так как, речь идет не об изменении структуры сети, а только о подстройке синапсов).

Для них после выбора из слоя n нейрона j с минимальным расстоянием Dj (4) обучается по формуле (3) не только этот нейрон, но и его соседи, расположенные в окрестности R. Величина R на первых итерациях очень большая, так что обучаются все нейроны, но с течением времени она уменьшается до нуля.

Таким образом, чем ближе конец обучения, тем точнее определяется группа нейронов, отвечающих каждому классу образов.

 

Примечания

__________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________