Способ предвидения будущих событий

Системы предсказания будущего

(с)

Лучшие нейронные сети, обыгрывающие человека в покер, Го, шахматы и «Доту», обладают одной общей чертой — они умеют предсказывать ближайшее будущее.

Способность машин прогнозировать поведение может значительно превзойти возможности человека. В пространстве различных вероятностей алгоритмы оказываются лучше человека, подверженного влиянию эмоций.

Что могут предсказать нейросети? Перед нами бескрайнее поле возможностей: биржа, преступления, погода, здоровье, транспорт — везде способность просчитывать на несколько шагов вперед окажется полезной. Уже сегодня некоторые алгоритмы превосходят экспертов-людей. Рассвет завтрашнего нейродня не оставит никакого следа от «тумана неизвестности».

Исследователи из компании DeepMind опубликовали научную работу, в которой представили новый метод обучения нейросети с подкреплением. Оказалось, что если в процессе самообучения нейросеть начинает «фантазировать» о различных вариантах будущего, то обучается гораздо быстрее. «Фантазия» нейросети заключается в том, что по трем последним известным кадрам нейросеть должна предсказать вознаграждение, которое она получит на четвертом неизвестном временном интервале. ИИ использует свою память и применяет новые стратегии как бы в своем воображении.

Чем эффективнее становятся системы, тем лучше они строят прогнозы. Сейчас мы можем не только предсказывать погоду (на краткосрочном промежутке). Мы можем даже «видеть» будущее макроэкономических ситуаций в различных районах города, замеряя потребление воды, электричества, транспортный поток (сколько пассажиров в общественном транспорте и сколько в своих машинах), увеличение/уменьшение потребления ресурсов.

Уже трудно представить сферу, в которой мы могли бы обойтись без предсказаний. Да и стоит ли от них отказываться, если алгоритмы дают возможность выбирать правильную стратегию поведения?

Поведение на дорогах

Исследователи из Массачусетского технологического института построили систему, способную предсказать огромное количество событий реального мира. Сначала программу обучили на выборе из 2 миллионов онлайн-видео. Каждый ролик программа проанализировала, классифицировав все предметы и действия в сюжетах.

Затем нейросети показывали статичное изображение. Программа, в свою очередь, генерировала 1,5-секундные видеоклипы, демонстрировавшие видение ближайшего будущего.

Очевидно, что подобное решение можно использовать не только для создания гифок. Алгоритмы в принципе позволяют «заглядывать» в будущее сложных систем, что найдет применение в автономных автомобилях, анализирующих постоянно меняющуюся ситуацию на дороге.

Компьютер сможет понять, что он видит нечто необычное — например, животное выбежало на дорогу. Даже если машина никогда не попадала в эту ситуацию раньше, она «поймет», что происходит нечто странное — следует либо остановиться, либо передать управление водителю.

Здоровье человека

(с)

Ученые из Стэнфордского университета разработали систему искусственного интеллекта, способную предсказать вероятность смерти тяжелобольного пациента в течение года с точностью до 90%.

Исследователи проанализировали записи 160 000 пациентов, чтобы собрать данные о прошлых диагнозах, назначенных процедурах и сделанных врачами прогнозах.

После обработки датасета был составлен алгоритм для глубокого обучения нейросети. Затем сетка сделала прогнозы смертности от всех причин на срок от 3 до 12 месяцев в отношении 40 000 пациентов.

Спустя год исследователи подвели итоги: в 90% случаев нейросеть верно предсказала состояние больного (вне зависимости от того, ждала ли его смерть или выздоровление). Этот показатель значительно превосходит возможности даже группы врачей-экспертов.

Бренд «Терафлю» разработал систему, прогнозирующую вероятность подхватить простуду на территории ряда стран, включая Россию. Ежедневно система анализирует посты в соцсетях, запросы в поисковиках, данные «НИИ гриппа», а также данные спроса в аптеках на средства, специфические для борьбы с симптомами простуды. В итоге получается график «простудной опасности» в том или ином регионе с прогнозом на несколько дней. Впрочем, подобные платформы находят и более ценное применение: в системе «Виртуальный Сингапур» уже сейчас можно в реальном времени просматривать и анализировать жизнь страны и предсказывать, например, распространение опасных инфекций или реакцию больших масс людей на взрыв в торговом центре.

Microsoft и Adaptive Biotechnologies планируют создать систему, которая на основе анализа крови сможет выявлять заболевания на ранних стадиях. Анализируя генетический код в триллионах рецепторов Т-лимфоцитов, система будет выявлять болезни, с которыми сталкивался организм еще на бессимптомной стадии. Предполагается, что тест будет способен определять широкий спектр болезней единовременно, включая болезни, которые обычно диагностируются на очень поздних стадиях.

Исследовательская группа из Института молекулярной биологии РАН, Российского геронтологического научно-клинического центра, МФТИ и других научных центров, представила метод предсказания биологического возраста человека (который отличается от паспортного) на основе данных УЗИ сонной артерии человека и тонометрии. С помощью машинного обучения была получена сложная формула, способная предсказывать возраст у здоровых людей с точностью в 6,9 года для мужчин и 5,9 года для женщин, что является очень высоким показателем по сравнению с другими известными методами.

Датские ученые разработали нейронную сеть Corti Signal, которая отслеживает звуковые сообщения для диагностики сердечного приступа. В первую очередь система должна помочь людям, которые позвонили в «скорую помощь». Оператор не всегда способен выявить сердечный приступ у человека на другом конце провода (справляется в 73% случаев), а вот нейросеть решает эту задачу с точностью 95%! ИИ не только слушает разговор, но также собирает невербальные сигналы, такие как паттерны дыхания.

По всей видимости, в будущем системы на основе нейросетей (и других методов) позволят предсказывать болезни намного раньше — в некоторых случаях за десятки лет до наступления самого заболевания.

Умные вещи знают, что с ними случится

Представьте себе здание, которое может еще до аварии сказать, что, например, отопление скоро откажет. Некоторые компании используют машинное обучение именно для этого. Такая процедура называется прогнозирующим обслуживанием.

Компания CGnal, расположенная в Милане, Италия, недавно проанализировала данные за год от отопительных и вентиляционных систем в итальянской больнице. От датчиков были получены данные о температуре, влажности, использовании электричества. Алгоритм обучили на выборке за полгода, затем исследователи проверили его по данным со второй половины года. Система предсказала 76 из 124 реальных неисправностей, в том числе 41 из 44, где температура прибора повысилась выше допустимых уровней.

Другие компании также используют схожий подход к данным. Финский стартап Leanheat помещает беспроводной датчик температуры, влажности и давления для дистанционного управления отоплением и контроля работоспособности устройства. Вместо того чтобы регулировать отопление просто по температуре наружного воздуха, модели Leanheat учитывают изменения погоды: температура упала до нуля с 10 градусов или поднялась от -10.

В США компания Augury разработала «Shazam для машин», устанавливая акустические датчики в машины для прослушивания слышимых изменений и выявления потенциально неизбежных сбоев. Впрочем, гаджет может работать с разными устройствами: клиенты могут подключить датчик к коммерческим холодильникам или промышленным нагревателям. Гаджет Augury записывает вибрации и ультразвуки, загружает их в облачный сервис, где данные анализируются для составления прогноза о работоспособности контролируемой машины.

Аудио и данные анализируются и сохраняются так, что звук устройства одного клиента можно сравнить со звуком всех остальных. Идея заключается в том, что Augury не требуется настраивать программное обеспечение для каждого типа устройств. Вместо этого можно просто установить датчики и прослушать устройство, чтобы создать представление о том, как оно звучит, когда функционирует нормально. Со временем база данных звуков позволит узнать, какие конкретные звуки предшествуют конкретным типам сбоев.

Прогноз погоды

Прогнозирование погоды остается сложной задачей для науки. Мы уже наловчились использовать для этого сверточные нейронные сети, но прогресс не стоит на месте. В списке Top-500 самых мощных вычислительных систем мира, по состоянию на ноябрь 2016 года, прогнозированием погоды занимались 23 суперкомпьютера.

Компания ClimaCell использует подход, не связанный с нейросетями и суперсложными алгоритмами: в качестве датчиков предсказания погоды выступают беспроводные сети связи — все это делается в рамках концепции наукастинг (nowcasting), при которой cверхкраткосрочный прогноз явлений погоды делается в пределах 0–6 ч от срока наблюдения.

ClimaCell объединяет несколько уровней данных от беспроводных сетей, спутников, погодных радаров и других датчиков для создания карт высокой четкости. Используя данные примерно 5000 станций, эксплуатируемых несколькими телекоммуникационными фирмами, компания создает очень точные и достоверные погодные карты.

Опасные алгоритмы

Не тот компас, но близкий по смыслу

Различные системы предсказания преступлений уже несколько лет тестируются в США. Одна из первых систем подобного типа — COMPAS — была создана в 1998 году. COMPAS анализирует 137 параметров биографии осужденного человека, включая тяжесть предыдущих преступлений, уровень образования и доходов, семейный статус и наличие зависимостей. Также программа учитывает результаты психологических тестов, в том числе темперамент, готовность к риску, степень нарциссизма и склонности к чувству вины. На основе этих данных COMPAS прогнозирует, какова вероятность преступного рецидива в следующие два года.

Однако в Дартмутском колледже провели тщательное исследование COMPAS и сделали вывод, что алгоритм на самом деле не более точен, чем любой среднестатистический человек. Программа смогла выявить преступников-рецидивистов в 65% случаев. Люди без специального образования и опыта вынесения приговоров справлялись с этой задачей в 67% случаев, зная лишь возраст, пол и историю преступлений обвиняемого. Более того, оказалось, что точность COMPAS можно повысить, если оставить в нем всего два параметра: возраст человека и сведения о предыдущих судимостях.

Алгоритмы могут принимать решения и строить прогнозы намного эффективнее человека. Люди принимают во внимание несущественные факторы и игнорируют действительно важные, поддаются эмоциям, а также позволяют себе принимать решения в соответствии с внутренним «чутьем», интуицией или вообще безо всякой логики.

Однако это вовсе не означает, что мы полностью должны довериться машинам, ведь они тоже не обладают 100% точностью.

Источник

Предвидение и прогнозирование в принятии управленческих решений

Предвидение — это предположение, видение заранее того, что должно произойти; предугадывание. Понятие «предвидение» включает:

• предсказание (однозначное утверждение будущего состояния объекта или наступления какого-либо события);
• прогноз (наиболее вероятное состояние объекта или возможность наступления события);
• предположение — описание одного или нескольких возможных вариантов (гипотез) будущего состояния интересующих объектов.

Таким образом, предвидение — это отображение будущего состояния объектов либо тех изменений, которые могут в них произойти, либо информация о событиях, которые могут свершиться. Предвидеть — значит давать опережающую картину возможной действительности, характеризуемую системой воздействующих факторов и обеспечивающую их учет, потенциально благоприятное развитие обстановки.

Н. Кондратьев выделяет три типа предвидения:

• иррегулярных событий (будущий урожай, уровень цен в определенный момент);
• менее регулярно повторяющихся событий (сезонные колебания конъюнктуры);
• общее развитие определенных социально-экономических тенденций (развитие или упадок отраслей хозяйства, общее движение цен).

Все типы предвидения относятся к неуправляемым (слабоуправляемым) параметрам. При разработке управленческого решения персонал управления сталкивается с неопределенностью неуправляемых параметров, степень которой может быть разной — от полной неизвестности их величины до случаев нахождения интересуемого параметра в сравнительно узком диапазоне. Предвидение дает возможность уменьшить степень неопределенности. Предвидение в целом осуществляет только лицо, принимающее решение, а его аппарат управления может участвовать в разработке прогноза при описании предположений.

Во внутрифирменном управлении предвидение должно отвечать следующим требованиям:

• быть четко связанным с реальностью, т. е. результаты предвидения должны быть достижимы;
• отражать личную убежденность одного или нескольких сотрудников предприятия;
• учитывать экономический потенциал успеха предприятия;
• служить базой долгосрочного успеха предприятия;
• выражать интересы всех сотрудников фирмы.

Существуют различные описания того, как возникает и осуществляется предвидение. Различие мнений объясняется незнанием того, как работает наш мозг, и основывается на эмпирическом материале. Рекомендации по успешному предвидению основаны на следующих постулатах:

1. Предвидение представляет собой результат сугубо индивидуального процесса, характерного для данного человека. Чаще всего ему предшествует напряженная интеллектуальная деятельность по решению проблемы. Идеи рождаются в глубинных структурах мозга и как бы случайно осознаются в виде «озарения», в результате мыслительный процесс приобретает нужное направление.
2. Предвидение и идеи не могут появляться в обстановке суеты. Для их возникновения требуется состояние внутреннего покоя, которое может быть достигнуто с использованием комплекса технологий (в основном психотехнологий). Это может быть аутотренинг, управляемый медитативный тренинг или активный отдых.
3. Все открытия и изобретения — результат сочетания имеющихся знаний и известных фактов. Человек умеет только то, чему сознательно или неосознанно научился. Предвидение осуществляется посредством умелой переработки информации в глубинах мозга при концентрации внимания на проблеме и положительной установке на успех. В настоящее время разработаны технологии, позволяющие человеку сознательно управлять своими мыслительными процессами (метод Э. Куэ, управляемый медитативный тренинг В. Кандыбы, нейролингвистическое программирование (НЛП) и т. п.)
4. Успешное предвидение возможно в результате не только личной самоорганизации, саморегуляции мыслительных процессов способных и профессионально подготовленных руководителей, но и умелой организации интеллектуальной деятельности персонала, аппарата управления, использования соответствующих приемов, методов, технологий и технических средств в системной деятельности при разработке, принятии и реализации решений.

При всем принципиальном отличии направлений прогнозирование объединяет единая цель : определение характера протекания процесса в будущем. Множество методов решения задачи прогнозирования имеет одну общую идею: обнаружение связей между прошлым и будущим, между информацией о процессе в контролируемый период времени и характером протекания процесса в дальнейшем. От того, насколько точно описаны исследуемые связи, будет зависеть точность прогнозирования.

Успешность прогнозирования зависит от таких условий: объема и качества информации о прогнозируемом процессе, объекте управления; правильности формулирования задачи прогнозирования и обоснованности выбора способа ее решения; наличия необходимых вычислительных средств и вычислительного аппарата в соответствии с выбранным методом. Из-за отсутствия этих условий прогнозирование может стать невозможным. Важнейшее из них — формулирование задачи , поскольку она определяет требования к объему и качеству информации, математический аппарат и точность прогноза. Информация о прогнозируемом объекте (процессе) черпается из результатов контроля деятельности, статистики.

Современные технологии прогнозирования основаны на использовании различных математических теорий: функциональный анализ, теория рядов, теория экстраполяции и интерполяции, теория вероятности, математическая статистика, теория случайных функций и случайных процессов, корреляционный анализ, теория распознавания образов. Чтобы обосновать выбор того или иного средства прогнозирования, необходимо иметь возможность количественно оценить его качество.

Каждый метод (прием) прогнозирования желательно сопровождать определенным значением показателя качества, изменяющимся в зависимости от формулирования задачи, условий ее решения. Это достаточно трудно. В каждом конкретном случае прогнозирования возможны различные методы (способы, приемы), каждый из которых характеризуется не одним показателем, а набором показателей, изменяющихся при изменении формулировки задачи и условий ее решения.

Деятельность лица, принимающего решение, и аппарата управления включает следующие этапы:

• формулирование проблемы;
• построение системы, в которой возникает проблема, и идентификацию (установление причинно-следственных связей и отношений) ключевых переменных;
• сбор данных об обстановке и выдвижение гипотез;
• формирование образа будущего с использованием модели и сценариев;
• принятие стратегических решений.

При этом сценарии формирования образа будущего предусматриваются такие действия:

• исследуемая система представляется с учетом современных реалий и динамики развития;
• строится «дерево будущего», где ветвями являются гипотезы с возможными вариантами последствий;
• конечные результаты прогнозируются для различных временных горизонтов. С помощью сценариев, передвигаясь из будущего в настоящее по системе «ходов», разрабатывают меры, необходимые для достижения поставленной цели.

В настоящее время уже разработаны рекомендации и методы выполнения прогнозирования, многие из которых могут быть использованы для предвидения.

Методы прогнозирования

Прогноз в управлении представляет собой технологию разработки моделей развития управляемого объекта. Показатели прогноза (числовые характеристики объекта, объемы и сроки работ и т. п.) имеют вероятностную природу. На основе прогнозов осуществляется предвидение и принимаются управленческие решения. Цель прогнозирования — получить научно обоснованные варианты тенденций развития (изменения) управляемого объекта (показателей его состояния) во времени и пространстве.

Источниками информации для прогнозов являются вербальные и письменные тексты, получаемые в процессе коммуникаций между людьми или в открытой печати. Для добывания необходимой информации отдельными структурами частного бизнеса организуется промышленный шпионаж. Информацию из открытой печати получают, используя приемы: структурно-морфологический; определения публичной активности; выявления групп патентных документов; анализа показателей; терминологического и лексического анализа.

Для прогнозирования в практической деятельности применяются различные количественные и качественные методы.

Количественные методы (приемы) базируются на информации, которую можно получить, зная тенденции изменения параметров или имея статистически достоверные зависимости, характеризующие производственную деятельность объекта управления. Примеры этих методов анализ временных рядов, каузальное (причинно-следственное) моделирование.

Качественные методы основаны на экспертных оценках специалистов в области принимаемых решений, например методы экспертных оценок, мнение жюри (усреднение мнений экспертов в релевантных сферах), модели ожидания потребителя (опрос клиентов).

Приведем краткую характеристику методов прогнозирования, используемых чаще других.

Экспертные методы

• Область применения. Экономическая конъюнктура. Решение проблем научно-технического прогресса. Развитие объектов большой сложности
• Предназначение, решаемые задачи. Для объекта, развитие которого не поддается предметному описанию, математической формализации. В условиях отсутствия достоверной статистики относительно объекта управления. В условиях большой неопределенности. При отсутствии компьютеров. В экстремальных ситуациях.
• Особенности применения. По экспертным оценкам 7-9 специалистов. Выработка коллективного мнения группы экспертов. Требуется много времени для опроса и обработки данных.

Метод эвристического прогнозирования

• Область применения. Научно-технические объекты и проблемы, развитие которых плохо поддается формализации.
• Предназначение, решаемые задачи. Нахождение оптимальных способов создания проектируемых (модернизируемых) систем. Выявление объективизированного представления о перспективах развития узкой области.
• Особенности применения. Математический аппарат неприменим. Специально обрабатываются прогнозные оценки объекта путем систематизированного опроса экспертов в узкой области науки, техники, производства. Информационный массив создается набором заполненных экспертами таблиц.

Коллективная генерация идей

• Область применения. Получение блока идей по прогнозированию и принятию решений.
• Предназначение, решаемые задачи. Определение всего возможного круга вариантов развития управляемого объекта. Определение альтернативного круга факторов, воздействующих на объект прогноза. Получение сценария развития объекта управления
• Особенности применения. Синтез объекта прогноза, мультифакторный анализ событий со стороны определяющих это событие факторов.

Морфологический анализ

• Область применения. При малом объеме информации об изучаемой проблеме для получения систематизирований по всем возможным ее решениям.
• Предназначение, решаемые задачи. Прогнозирование возможного исхода фундаментальных исследований. При открытии новых рынков, формировании новых потребностей.
• Особенности применения. Структурные взаимосвязи между объектами, явлениями и концепциями. Всеобщность предполагает использование полной совокупности знаний об объекте. Необходимое требование — полное отсутствие предварительных суждений. Содержит этапы: формулирование проблемы; анализ параметров; построение «морфологичееского ящика», содержащего все решения; изучение всех решений.

Прогнозный граф и «дерево решений»

• Область применения. Структурное прогнозирование: нахождение решения проблемы при сохранении функций, но с изменением структуры объекта.
• Предназначение, решаемые задачи. Прогнозирование развития объекта в целом. Формулирование сценария достижения прогнозируемой цели, уровня цели, критерия и весов, ранжированных вершин.

Прогнозирование по аналогии

• Область применения. Разрешение ситуаций, привычных для лиц, принимающих решения.
• Предназначение, решаемые задачи. Решение ситуационных управленческих задач.
• Особенности применения. Использование метода при наличии аналогов объектов, процессов. Применение метода требует специальных навыков.

При решении задач прогнозирования и принятии решений существенной проблемой является количество и качество требуемой информации . Ниже приведены несколько методов (приемов и способов), позволяющих лицам, принимающим решения, с минимальными материальными и организационными затратами наполнять информационную базу данных. Существуют различные методы получения информации:

• Метод структурно-морфологический. Предназначен для выявления внутреннего состава предметной области, фиксации появления принципиально новых разработок (идей, технических решений и т. п.), что позволяет обоснованно формулировать стратегию научно-технического прогресса предприятия.
• Метод определения публикационной активности. Поток документов, относящихся к различным областям знаний, цикличен. Отслеживая циклы, можно определить состояние разработки какой-то проблемы в стране, на предприятиях и принять меры по коррекции стратегий научно-технического прогресса в своей организации.
• Метод выявления группы патентных документов. Любая организация, как правило, патентует только те идеи, которые имеют практическую значимость для ее развития и бизнеса. Изучая патенты-аналоги ведущих фирм, можно выявить направленность их деятельности и уровень решения ими интересующей вас проблемы.
• Метод показателей. Каждая техническая система характеризуется набором показателей, которые совершенствуются, что отражается в документах. Анализируя динамику изменения характеристик показателей этой системы, можно сделать вывод о тенденции ее развития.
• Метод терминологического и лексического анализа. При развитии различных областей знаний происходит естественная смена терминологического аппарата. Лексический анализ текстов позволяет обнаружить на раннем этапе зарождение принципиальных инноваций и спрогнозировать действия своей организации.

Выбор метода прогнозирования

• обеспечивают функциональную полноту, достоверность и точность прогноза;
• уменьшают временные и материальные затраты на прогнозирование.

На выбор метода прогнозирования влияют:

• сущность практической проблемы, подлежащей решению;
• динамические характеристики объекта прогнозирования в рыночной среде;
• вид и характер имеющейся информации, типовое представление об объекте прогнозирования;
• комбинация фаз жизненного, рыночного цикла товара или услуги;
• период упреждения и его соотношение с предполагаемой продолжительностью рыночного, жизненного цикла, цикла разработки или модификации товара, услуги;
• требование к результатам прогнозирования и другие особенности конкретной проблемы.

Все перечисленные факторы должны рассматриваться в системном единстве, лишь несущественные могут исключаться из рассмотрения. На практике, выбирая метод прогнозирования, рекомендуется учитывать два наиболее важных фактора — затраты и точность. Следует выяснить, сколько средств выделено на подготовку прогноза, какова возможная цена спрогнозированных ошибок и выход. Лучший прогноз, как правило, представляет собой оптимальную комбинацию точности и стоимости.

При выборе метода прогнозирования нужно учитывать:

• наличие статистических данных за необходимый период;
• компетентность прогнозиста, наличие вычислительной техники;
• время, необходимое для сбора и анализа информации.

В ряде случаев для получения независимых прогнозов используются одновременно несколько методов. Требования к прогнозам:

• своевременность, с определенной степенью точности и определенности других показателей;
• надежность, выраженная в знаковых единицах (долларах, единицах продукции, оборудовании, квалификации персонала и т. п.) и зафиксированная на бумаге;
• простота методики прогнозирования для использования.

Источник