Sieci neuronowe w zarządzaniu firmą

Sieci neuronowe są szczególnie ciekawym narzędziem sztucznej inteligencji, ponieważ mogą być rozważane jako modele ludzkiego mózgu, co osobiście uważam za fascynujące. Są to modele bardzo uproszczone, ale jednak jako jedyne wśród narzędzi sztucznej inteligencji uwzględniają budowę i sposób działania pojedynczych neuronów oraz ich zespołów związanych z różnymi funkcjami (na przykład z percepcją). Ponieważ sieci neuronowe potrafią same zdobywać wiedzę w czasie uczenia się - można ich używać do bardzo wielu różnych celów. Dzisiaj chcę opowiedzieć o zastosowaniu sieci neuronowych w zarządzaniu firmą.

Artykuł ten koresponduje z wcześniejszym wpisem, w którym przywołałem opinię Prezesa jednej z największych polskich firm, KGHM Polska Miedź S.A., zapowiadającą szerokie wykorzystanie sieci neuronowych w zarządzaniu tym przedsiębiorstwem. Zastanówmy się zatem, jak taki modelowany komputerowo kawałek mózgu

może pomóc w zarządzaniu?

Zacząć trzeba od stwierdzenia, że sieć neuronowa może znakomicie pełnić rolę modelu dowolnego systemu. Jeśli mamy model jakiegoś rzeczywistego obiektu, to posługując się tym modelem możemy projektować rozbudowę lub zmiany struktury tego obiektu, możemy sterować jego bieżącym zachowaniem, możemy podczas pracy kontrolować, czy działa on poprawnie, możemy wykrywać nieprawidłowości działania i diagnozować ich przyczyny, a na koniec - co przy zarządzaniu bywa najważniejsze - możemy prognozować skutki określonych decyzji.

Dlatego posiadanie modelu jest bardzo ważne przy wielu praktycznych działaniach, w szczególności przy zarządzaniu.

Model można zbudować na wiele sposobów. Dawniej modele systemów, które chcieliśmy rozbudowywać lub którymi chcieliśmy sprawniej sterować, tworzono mozolnie "ręcznie". Proces tworzenia modelu był żmudny, czasochłonny i wymagał wysokich kwalifikacji. Proces ten zakładał najpierw wykonanie wielu obserwacji modelowanego obiektu. Obserwacji pozwalających zgłębić sposób działania obiektu, poznać prawa przyrody lub ekonomii, którym ten obiekt podlega, wyszukać związki przyczynowo-skutkowe, określić, jak obiektem można sterować i na ile jest on podatny na to sterowanie - itp. Wszystko to składało się na naukowy opis obiektu oraz na systematyczną rejestrację wyników obserwacji. Opis taki dla złożonych obiektów obejmował wiele tomów i był mało przejrzysty. Dlatego w kolejnym kroku wysiłek badaczy ukierunkowany był na znalezienie formuł matematycznych opisujących naszą wiedzę o obiekcie. Opis ten w przypadku złożonych obiektów był duży i skomplikowany, więc posiadanie matematycznego modelu jeszcze nie ułatwiało wnioskowania o tym, jak zarządzać obiektem, żeby uzyskać pożądany cel. Dlatego niezbędnym kolejnym (końcowym) krokiem tradycyjnego modelowania było napisanie programu symulacyjnego, dzięki któremu można było łatwo prowadzić rozważania typu "co by było, gdyby...".

Dzięki sieciom neuronowym ta długa i mozolna droga może zostać radykalnie skrócona, gdyż - jak wspomniałem - mogą one zdobywać określone umiejętności na drodze samodzielnego uczenia się. W związku z tym tworzenie modelu określonego obiektu z wykorzystaniem sieci neuronowej odbywa się zgodnie ze schematem pokazanym niżej.

Istota uczenia polega na tym, że do rzeczywistego obiektu i do sieci neuronowej podaje się te same sygnały sterujące (sygnał A na rysunku). W rezultacie obiekt wykazuje określone zachowanie, co obrazuje sygnał B na rysunku. Jego zachowanie jest śledzone i rejestrowane z wykorzystaniem komputera pełniącego rolę „nauczyciela” sieci. Sieć także na podstawie otrzymanego sygnału wejściowego i aktualnych wartości swoich parametrów usiłuje określić (odgadnąć) te same sygnały wyjściowe, które zmierzono w realnym obiekcie, dostarczając je do uczącego komputera (sygnał C na rysunku). Na podstawie porównania sygnałów C i B komputer ustala, jaki błąd popełniła sieć, a biorąc dodatkowo pod uwagę dostarczaną do niego także informację o wartościach wejściowych sygnałów A – ustala, jakie poprawki należy wprowadzić do parametrów występujących w sieci neuronowej (sygnał korekty D). Wykonując wymienione czynności wielokrotnie i stosując odpowiedni algorytm uczenia (określający sygnał korekty D), można doprowadzić do tego, że zachowanie sieci będzie stopniowo zbliżać się do zachowania obiektu, aż różnica pomiędzy nimi stanie się pomijalnie mała.

Gdy zachowanie sieci i rzeczywiste zachowanie obiektu w odpowiedzi na te same sygnały sterujące staną się zadowalająco zgodne - proces uczenia można przerwać, a sieć można nazwać behawioralnym modelem obiektu. Porównanie użycia modelu dokładnego (pokazanego u góry) i modelu behawioralnego pokazuje rysunek poniżej.

Korzystając z neuronowego modelu, można wspomagać zarządzanie przedsiębiorstwem, a decyzje podejmowane przy wykorzystaniu modelu neuronowego mogą być nie gorsze od tych, jakie moglibyśmy podjąć przy użyciu modelu dokładnego, który dla rzeczywistych przedsiębiorstw i rzeczywistych danych gospodarczych bywa trudny do uzyskania.

Podsumowując te rozważania można stwierdzić, że przy modelowaniu dokładnym to człowiek stara się znaleźć i przedstawić w sposób formalny wszystkie zależności determinujące działanie modelowanego obiektu, co zawsze jest trudne, a przy skomplikowanych obiektach może być wręcz niemożliwe do wykonania. Natomiast przy modelowaniu neuronowym przez odpowiednie uczenie sieci neuronowej można zapewnić naśladowanie przez nią działania rzeczywistego obiektu, co zwykle wystarcza do praktycznych celów sterowania nim albo w rozważanych tu systemach zarządzania. Czyli przy modelowaniu dokładnym całą pracę wykonuje wysoko wykwalifikowany człowiek, z często niepewnym sukcesem. Natomiast przy modelowaniu neuronowym większość pracy wykonuje samo narzędzie użyte do modelowania - co stanowi radykalną zmianę podejścia i zasadniczą redukcję nakładu pracy ludzkiej.

Jak wspomniano, model neuronowy może mieć wiele zastosowań w zarządzaniu, ale warto podkreślić, że może on być szczególnie użyteczny przy wspomaganiu procesu podejmowania decyzji strategicznych.

O szczegółach związanych z tym koncepcji, problemów i procesów napiszę następnym razem.