d9e5a92d

Нечеткая логика в бизнесе

Поезд на Сендай тронулся настолько плавно, что никто не успел заметить момента начала движения. Лишь с неправдоподобным ускорением рванулся назад индустриальный пейзаж за окном. И только один из пассажиров знал секрет колдовской мягкости хода и экономичности этой необычной <электрички>. Это был Лотфи Заде (Lotfi Zadeh), профессор из университета Беркли, чьи работы в конце 60-х годов дали начало новой науке - fuzzy logic или нечеткой логике. Действительно, движением пригородных поездов до японского города Сендай, начиная с 1987 года управляет система, основанная на нечеткой логике (кстати, некоторые характеристики этой системы и сегодня - спустя почти десятилетие - остаются недостижимыми для железнодорожников многих стран).
Судьба нечеткой логики, как нового научного направления, сходна с ее содержимым - необычна, сложна и парадоксальна. Обвинения в шаманстве и лженаучности преследуют ее уже более четверти века. В США еще помнят времена, когда увлечение теорией Заде могло всерьез повредить карьере молодого ученого. Достаточно сказать, что даже в 1989 году, когда примеры успешного применения нечеткой логики в обороне, промышленности и бизнесе исчислялись десятками, Национальное научное общество США всерьез обсуждало вопрос об исключении материалов по нечетким множествам из институтских учебников.
Итак, что же это за наука, которую одни считают ключом к компьютерам будущего, а другие - авантюрой и спекуляцией ? В основе нечеткой логики лежит теория нечетких множеств, изложенная в серии работ Заде в 1965-1973 годах /1/. В этих работах рассматриваются элементы множеств, для которых функция принадлежности представляет собой не жесткий порог (принадлежит/не принадлежит), а плавную сигмоиду (часто упрощаемую ломаной линией), пробегающую все значения от нуля до единицы. Кстати, некоторые ученые полагают, что само название (что означает <нечеткий>, <размытый>, <пушистый>) применительно к теории Заде является не совсем адекватным и излишне рекламным и предлагают заменить его на более точное - <непрерывная логика>.
Надо сказать, что понятие нечеткого множества вполне согласуется с нашими интуитивными представлениями об окружающем мире. Большая часть используемых нами понятий по своей природе нечетки и размыты и попытка загнать их в шоры двоичной логики приводит к недопустимым искажениям. Попробуйте, например, построить пороговую функцию принадлежности для множеств <взрослый>, <популярный>, <качественный>, <быстрый> и т.д. ! А в рамках теории нечетких множеств эта задача не вызывает никаких затруднений. Возьмем, например, понятие <взрослый> и попробуем построить функцию принадлежности человека ко множеству взрослых людей. По оси абсцисс откладывается возраст, по оси ординат - мера принадлежности множеству <взрослый>. Очевидно, что до определенного значения возраста (скажем, 15 лет) человек явно <не взрослый> - и значение функции принадлежности будет равно нулю, а после некоторого возраста (например, 30 лет) - очевидно <взрослый>, и значение функции равно единице. Соединим полученные горизонтальные отрезки наклонной линией - и функция, описывающая понятие <взрослый>, готова. Теперь вы можете использовать это понятие (не заботясь более о его нечеткой природе) в работе с базами данных, экспертными системами и электронными таблицами, т.е. там, где ранее ни о какой неточности не могло быть и речи.


Несмотря на внешнюю простоту и естественность базовых понятий нечеткой логики, понадобилось более пяти лет, чтобы построить и доказать комплекс постулатов и теорем, делающих логику логикой, а алгебру - алгеброй. Параллельно с разработкой теоретических основ новой науки, Заде прорабатывал различные возможности ее практического применения. И в 1973 году эти усилия увенчались успехом - ему удалось показать, что нечеткая логика может быть положена в основу нового поколения интеллектуальных систем управления. Практически сразу после выхода в свет фундаментального доклада Заде /2/ одна небольшая предприимчивая фирма из Дании применила изложенные в нем принципы для усовершенствования системы управления сложным производственным процессом. Результат, что называется, превзошел все ожидания - через четыре года прибыли от внедрения новой системы исчислялись десятками тысяч долларов.
Чтобы понять, что дает применение нечеткой логики в системах управления, рассмотрим простой пример. Представьте себе, что вам необходимо разработать систему управления тяжелым длинномерным грузовиком, способную автоматически загонять его в узкий гараж из произвольной начальной точки. Если вы попытаетесь решить эту задачу классическим способом, то вам можно только посочувствовать. Придется в буквальном смысле слова увешать автомобиль всевозможными датчиками и акселерометрами, после чего привлечь пару докторов наук для составления отнюдь не простой системы уравнений в частных производных.
Использование нечеткой логики принципиально упрощает задачу. Прежде всего, используя лишь три нечетких параметра - скорость и ориентацию автомобиля и расстояние до гаража, вы получаете исчерпывающее описание текущей ситуации. Далее вы строите простую и естественную систему нечетких правил типа :
<Если до гаража достаточно далеко, скорость невелика, а нос смотрит влево возьми правее>. В пакете CubiCalc, одном из наиболее популярных пакетов на основе нечеткой логики, для полной реализации указанной задачи понадобилось описать лишь двенадцать ситуаций и тридцать пять нечетких правил - каждое не сложнее приведенного выше. Вы можете часами наблюдать за кружевом трасс на экране - действия системы экономичны и безошибочны.
Этот несложный пример позволяет проиллюстрировать два ключевых преимущества нечеткой логики по сравнению с другими методами построения систем управления. Во-первых, при тех же объемах входной и выходной информации, центральный блок принятия решений становится компактнее и проще для восприятия человеком. Во-вторых, решение сложной и громоздкой задачи вычисления точных воздействий подменяется значительно более простой и гибкой стратегией адаптивного <подруливания> - при сохранении требуемой точности результата !


Совершенно естественно, что мимо такого перспективного инструмента не могли пройти военные - и в начале 80-х годов в Японии, а затем и в США в обстановке глубокой секретности были развернуты комплексные работы по использованию нечеткой логики в различных оборонных проектах. Одним из самых впечатляющих результатов стало создание управляющего микропроцессора на основе нечеткой логики (т.н. ), способного автоматически решать известную <задачу о собаке, догоняющей кота>. Разумеется, в роли кота выступала межконтинентальная ракета противника, а в роли собаки - мобильная зенитная ракета, слишком легкая для установки на нее громоздкой традиционной системы управления. Кстати, задача о коте и собаке с той поры относится к разряду классических, обошла все учебные пособия и пакеты по нечеткой логике, и вы можете вдоволь поэкспериментировать с различными стратегиями поражения движущейся цели одним или несколькими самоуправляемыми зарядами. Между прочим, впоследствии те же методы нечеткой логики позволили решить и обратную задачу - разработать маневры для эффективного ухода от анти-ракет.
Первый успех окрылил военных и нечеткая логика уверенно заняла свое место в ряду стратегически важных научных дисциплин. Возникла парадоксальная ситуация - официально не признаваемая американской академической наукой, нечеткая логика в то же время вошла в перечень передовых технологий, запрещенных комитетом COCOM к экспорту из США. Автору этой статьи доводилось принимать участие в получении лицензии на ввоз в Россию пакетов CubiCalc и CubiQuick и держать в руках более новую программу RuleMaker с красной наклейкой <Запрещен к вывозу из США>.
Однако основные результаты использования нечеткой логики в прикладных задачах были получены не военными, а промышленниками, и не в США, а в противоположном полушарии - в Японии. Да-да, изобретенная и разработанная в США, нечеткая логика начала свой триумфальный путь на массовый рынок в далекой азиатской стране. Такое, впрочем, случалось и ранее (например, с технологиями плоских экранов для портативных компьютеров), однако обычно это было связано с непомерными по американским меркам долгосрочными инвестициями. В случае же с нечеткой логикой причина была совершенно иной - новая наука оказалась абсолютно чуждой менталитету рациональных американцев (исключение составляет Бартоломей Коско (Bart Kosko), молодой классик <второй волны> нечеткой логики в США, однако он также является приверженцем буддизма и имеет черный пояс по карате). Нечеткие, зыбкие построения fuzzy logic выглядят иррациональными и на удивление созвучными ранним восточным философиям. Не случайно среди приверженцев нечеткой логики преобладают выходцы из Азии и необычно много женщин. Так, основу теории нечетких баз данных /6/ заложила Мария Земанкова (Zemankova), а нечеткую экспертную систему Фудзи-банка, приносящую до $700000 в месяц на краткосрочной биржевой игре, создала Сизуко Ясунобу /Chizuko Yasunobu/.
Японцы довели практическое воплощение нечеткой логики до совершенства. Можно много рассказывать об автоматических прокатных станах, интеллектуальных складах и <безлюдных производствах>, созданных с использованием нечеткой логики. Однако, пожалуй, более впечатляющим выглядит применение нечеткой логики в дешевых изделиях массового рынка - пылесосах, видеокамерах, микроволновых печах и т.п. Пионером в применении нечеткой логики в бытовых изделиях выступила фирма Matsuhita. В феврале 1991 года она анонсировала первую <интеллектуальную> стиральную машину, в системе управления которой сочетались нечеткая логика и нейронная сеть. Автоматически определяя нечеткие входные факторы (объем и качество белья, уровень загрязненности, тип порошка и т.д.), стиральная машина безошибочно выбирала оптимальный режим стирки из 3800 возможных. А спустя пару лет применение нечеткой логики в японской бытовой технике стало повсеместным.


Параллельно с использованием нечеткой логики в системах управления, предпринимались энергичные усилия по созданию на ее основе нового поколения экспертных систем. Как отмечает Коско /5/, нечеткие экспертные системы, помимо своего основного преимущества - лучшей адаптированности к условиям реального мира, обладают еще двумя достоинствами по сравнению с традиционными. Во-первых, они свободны от т.н. <циклических блокировок> при построении заключений. Во-вторых, различные базы нечетких правил можно с легкостью объединять, что редко удается в обычных экспертных системах. Многочисленные примеры экспертных систем (преимущественно из области промышленной диагностики и медицины), основанных на нечеткой логике, можно найти в /3/. Из этой же книги взяты и некоторые приведенные выше примеры.
Отдельно рассказа заслуживает опыт применения нечеткой логики в финансовой сфере. Для решения сложнейших задач прогнозирования различных финансовых индикаторов банкиры и финансисты используют дорогостоящие комплексные системы, в состав которых входит и нечеткая логика. Начало этому процессу положила японская финансовая корпорация Yamaichi Securuties. Задавшись целью автоматизировать игру на рынке ценных бумаг, эта компания привлекла к работе около 30 специалистов по искусственному интеллекту. В первую версию системы, завершенную к началу 1990 года, вошли 600 нечетких правил - воплощение опыта десяти ведущих брокеров корпорации. Прежде чем решиться на использование новой системы в реальных условиях, ее протестировали на двухлетней выборке финансовых данных (1987-1989 г). Система с блеском выдержала испытание. Особое изумление экзаменаторов вызвало то, что за неделю до наступления биржевого краха (знаменитого <Черного Понедельника> на токийской бирже в 1988 году) система распродала весь пакет акций, что свело ущерб практически к нулю. Надо ли говорить, что после этого вопрос о целесообразности применения нечеткой логики в финансовой сфере уже не поднимался. Хотя скептики могут привести и другие примеры - например, ни одна из банковских систем не смогла предсказать падение биржевого индекса Nikkei весной 1992 года.
Можно привести и другие примеры применения нечеткой логики в бизнесе. Удачный опыт Ганса Зиммермана (Hans Zimmermann) по использованию экспертной системы с нечеткими правилами для анализа инвестиционной активности в городе Аахене (ФРГ) привел к созданию коммерческого пакета ASK для оценки кредитных и инвестиционных рисков. А система управления складскими запасами, описанная в качестве примера в пакете CubiCalc, настолько проста, что может быть с легкостью использована самым неподготовленным оптовым торговцем.

Что касается российского рынка коммерческих систем на основе нечеткой логики, то его формирование началось в середине 1995 года. Наиболее популярны у российских заказчиков следующие пакеты :
CubiCalc 2.0 RTC - одна из наиболее мощных коммерческих экспертных систем на основе нечеткой логики, позволяющая создавать собственные прикладные экспертные системы ;
CubiQuick - дешевая <университетская> версия пакета CubiCalc ;
RuleMaker - программа автоматического извлечения нечетких правил из входных данных ;
FuziCalc - электронная таблица с нечеткими полями, позволяющая делать быстрые оценки при неточно известных данных без накопления ошибки /7/ ;
OWL - пакет, содержащий исходные тексты всех известных видов нейронных сетей, нечеткой ассоциативной памяти и т.д.
Основными <потребителями> нечеткой логики на рынке России являются банкиры и финансисты, а также специалисты в области политического и экономического анализа. Они используют CubiCalc для создания моделей различных экономических, политических, биржевых ситуаций. Что же касается изумительно легкого в освоении пакета FuziCalc, то он занял свое место на компьютерах крупных банкиров и специалистов по чрезвычайным ситуациям - т.е. тех, для кого более всего важна быстрота проведения расчетов в условиях неполноты и неточности входной информации. Подробнее о российском рынке программ на основе нечеткой логики можно прочесть в /8/. Однако можно с уверенностью сказать, что эпоха расцвета прикладного использования нечеткой логики на отечественном рынке еще впереди.
Содержание





Расти, мое дерево, процветай, побольше плодов нам давай. Мыши не тронут, червь обойдёт, мои деньги дадут росток. Так тому и быть, и слово мое крепко, как бел-горюч камень.