Методы поддержки принятия решений на основе обработки разноструктурированных и полиформатных данных с помощью искусственных нейронных сетей глубокого обучения

Современные тенденции развития информационного обеспечения систем поддержки принятия решений (СППР) нацелены на качественно новые уровни использования и обработки доступных информационных потоков и ресурсов. Качественно другими становятся и сами данные, подлежащие обработке в СППР, которые классифицируют как «большие данные» (Big Data), отличающиеся такими свойствами, как значительные объемы, высокая скорость поступления новых данных, их разные форматы и часто слабая структурированность. Все это делает практически невозможным применение классических математических и статистических методов обработки данных, требующих достаточно жестких ограничений и допущений относительно форматов представления информации, ее структуры. Хорошо зарекомендовали себя при обработке слабоструктурированных данных разных форматов методы искусственного интеллекта (ИИ), особенно такие направления, как нечеткая логика и нейронные сети. Понимание важности использования ИИ в процессе цифровизации всех сфер общественной жизни отражена в Указе Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации», котором также констатируется необходимость проведения научных исследований в области ИИ.Несмотря на широкое распространение решений в области обработки Big Data на основе глубоких нейронных сетей, как одного из направлений машинного обучения, в каждом конкретном случае при создании алгоритмического обеспечения СППР приходится проводить значительный объем подготовительных мероприятий по выбору архитектуры сети и подготовки данных. Кроме того, характерная для СППР многоканальность и полиформатность поступающих данных (видео, изображения, текст, акустические сигналы и др.) требует построения ансамблей различных по архитектуре нейронных сетей и разработку агрегаторов, выполняющих функции объединения результатов канальных нейронных сетей и их интерпретацию. Представленные аспекты делают актуальной задачу разработки методов поддержки принятия решений на основе искусственных нейронных сетей глубокого обучения с учетом специфики их конкретного практического применения. Также актуальной является разработка методов модификации форматов представления данных для их дальнейшей обработки нейронными сетями различной архитектуры, предъявляющими специфические требования к формату обучающих наборов.Исследование направлено на решение фундаментальной научной проблемы повышения качества распознавания и прогноза состояний объектов различной природы на основе совершенствования методов агрегации многоканальной информации и построения ансамблированных нейронных сетей глубокого обучения различной архитектуры при наличии существенно гетерогенной структуры организации данных и их формата. Новизна постановки заявленной проблемы состоит в том, что предлагаемые архитектуры позволят объединить в СППР преимущества различных видов глубоких нейронных сетей (рекуррентных, ориентированных на обработку числовых последовательностей, сверточных, приспособленных для распознавания изображений и других) при выполнении анализа поступающей информации. Как ожидается, это даст возможность выявлять глубинные закономерности в разноструктурированных и полиформатных данных с учетом временного (ретроспективного) и пространственного взаиморасположения фрагментов неоднородности сигнатур данных, а также смягчить требования к объему обучающей выборки. Под сигнатурой в данном контексте понимается изображение, поставленное в соответствие, каким-либо взаимооднозначным способом, имеющемуся набору данных, представленному в числовой форме. Новизна предлагаемых решений будет заключаться также в разработанных способах получения обозначенных сигнатур из разноструктурированных и полиформатных данных. В результате исследования будет получена новая система критериев и оценок имеющейся информации о предметной области для осуществления обоснованного выбора модели интеллектуальной обработки данных, позволяющей наиболее эффективно реализовывать требуемые целевые параметры этой обработки. Также будет предложен метод «калейдоскопного» сегментирования данных, под которым понимается перебор решений и выбор наилучшего по заданному критерию при случайном формировании границ сегментов данных для решения задачи выборки признаковых описаний при формировании обучающих наборов для глубоких нейронных сетей. Новизну будут представлять и разработанные алгоритмы реализации attention mechanism для систем обработки данных на основе ансамблей глубоких нейронных сетей различной архитектуры.Применение ансамблированных нейронных сетей глубокого обучения различной архитектуры в СППР позволит устранить ограничения реализуемых в настоящее время математических моделей информационных процессов, связанных с отсутствием комбинированного анализа разноструктурированных и полиформатных данных в едином признаковом пространстве при решении задач оценки состояния объектов и процессов, в том числе, с учетом его динамики.В ходе реализации Проекта будут разработаны новые архитектуры ансамблированных нейронных сетей и методы препроцессинга данных для их обучения и применения с учетом полиформатности и разноструктурированности их исходных представлений. Применение этих архитектур в СППР повысит универсальность их применения и глубину анализа за счет обработки данных разных форматов и структур, а, следовательно, расширит и возможную номенклатуру каналов поступления обрабатываемой информации.В ходе реализации Проекта также планируется практическое применение разработанных методов поддержки принятия решений в алгоритмическом обеспечении программного комплекса прогнозирования пассажиропотока пригородного направления на региональном железнодорожном вокзале.