Sztuczna inteligencja w ekonomii Wstp

W imponujcym rozwoju technik komputerowych i globalizacji wymiany informacji naley zauway nieadekwatno istniejcych systemw komputerowych do zjawisk zachodzcych w rzeczywistoci gospodarczej. Wyraa si to midzy innymi w stosowaniu logiki dwuwartociowej do opisu zjawisk rozmytych, co ogranicza obszary zastosowa i podnosi koszty wprowadzania komputerw. Konsekwencj rozwoju tradycyjnych systemw komputerowych jest take generowanie ogromnych zbiorw danych, ktrych analiza jest utrudniona ze wzgldu na ich rozmiar. Jedn z dziedzin, ktrej rozwj sta si moliwy dziki rozwojowi technologii komputerowej, jest sztuczna inteligencja. Rozwj wielu narzdzi sztucznej inteligencji umoliwi praktyczne wyeliminowanie wspomnianej wyej nieprzystosowalnoci zbiorw danych. Powszechne stao si zastosowanie narzdzi Sztucznej Inteligencji w takich dziedzinach jak: sterowanie procesami technologicznymi, bankowo, zarzdzanie, handel oraz operacje na giedzie papierw wartociowych. Niestety jest to jeszcze zjawisko praktycznie nieznane na gruncie polskiej gospodarki. Niniejszy artyku ma przybliy tematyk zastosowa narzdzi sztucznej inteligencji w ekonomii. Problemy ekonomiczne, o ktrych bdzie mowa, s problemami trudnymi do rozwizania. Z reguy s to bowiem problemy wielkowymiarowe, ktre cechuje istnienie wielu wzajemnych sprze zwrotnych midzy wystpujcymi w nich zmiennymi. Dlatego niemoliwe wydaje si by skuteczne rozwizywanie tego rodzaju problemw (przynajmniej wielu z nich) przy pomocy matematyki klasycznej. W pierwszej czci niniejszego artykuu przedstawiono podstawowe informacje dotyczce Sztucznej Inteligencji jako dziedziny nauki. Nastpnie omwiono zastosowanie gwnych metod AI (ang. Artificial Intelligence) w problemach ekonomicznych.

Powstanie i rozwj Sztucznej Inteligencji

W cigu kilku ostatnich lat popularne stay si badania w dziedzinie zwanej Sztuczn Inteligencj. Ich celem jest moliwie dokadne imitowanie dziaania ludzkiego umysu, za pomoc elektronicznych maszyn, a w przyszoci zbudowanie maszyn przewyszajcych ludzkie zdolnoci w tym zakresie. Z roku na rok obserwuje si niesychany wzrost szybkoci dziaania komputerw, dziki czemu staj si one wygodnymi i szybkimi maszynami

automatyzujcymi prac obliczeniowe zwizane z przetwarzaniem informacji. Wspczesne komputery potrafi w cigu zaledwie uamka sekundy policzy skomplikowane zadanie matematyczne czy wyznaczy budet duej firmy. Jednak pozornie proste czynnoci, ktre ludzie wykonuj bez kopotw, takie np. jak rozpoznawanie twarzy czy wychwycenie sowa z rozmowy, s niezmiernie trudne do zaprogramowania. Tym czasem sieci neuronw ludzkiego mzgu maj naturaln atwo wykonywania tego typu zada. Tak wic naukowcy zaczli budowa maszyny o architekturze naladujcej mzg ludzki. Wzrost zainteresowania wynikami bada nad AI wynika przynajmniej z kilku powodw. Po pierwsze: s one istotne dla budowy robotw, czyli maszyn speniajcych praktyczne zapotrzebowanie przemysu na urzdzenia zdolne do wykonywania rnorodnych i skomplikowanych zada, ktre dotychczas wymagay zaangaowania czowieka. Po drugie: interesujcy jest rwnie rozwj systemw eksperckich - programw komputerowych obejmujcych ca istotn wiedz posiadan przez ekspertw w danej dziedzinie. Nasuwa si tu jednak pytanie: czy wiedz i dowiadczenie czowieka mona zastpi programem komputerowym? Po trzecie: Sztuczna Inteligencja moe mie rwnie bezporednie znaczenie dla psychologii. Niektrzy badacze bowiem, maj nadziej, e prbujc imitowa za pomoc urzdze elektronicznych dziaanie ludzkiego mzgu zdoaj si dowiedzie czego istotnego o jego dziaaniu, i to niezalenie od poraki czy sukcesu tych prb. Istnieje rwnie przekonanie, e badania nad AI mog wnie wiele do najwaniejszych zagadnie filozofii. Czowiekiem, ktry wpad na koncepcj wspczesnego komputera (w 1935 r.) by Alan Nathison Turing. Obecnie wszystkie komputery s w istocie maszynami Turinga. Ten brytyjski matematyk by take pionierem Sztucznej Inteligencji. W roku 1950 w swym synnym artykule Maszyny liczce a inteligencja (Computing Machinery and Intelligence) opublikowanym w brytyjskim czasopimie filozoficznym Mind wyrazi pogld mwicy, e aby uzna i komputer myli powinien on potrafi udzieli odpowiedzi na dowolne pytanie, w taki sposb jaki odpowiedziaby na to pytanie czowiek. W artykule tym rwnie Turing po raz pierwszy opisa test zwany obecnie testem Turinga, ktry mia umoliwi rozstrzygnicie, czy mona zasadnie stwierdzi, e dana maszyna myli. Aby podda komputer testowi Turinga naley umieci w jednym pomieszczeniu jakiego czowieka w drugim za komputer. Naley to jednak zrobi tak, by osoba zadajca pytania nie wiedziaa, w ktrym pomieszczeniu jest czowiek, a w ktrym maszyna. Nastpnie osoba przesuchujca zadaje szereg pyta i na podstawie otrzymywanych odpowiedzi, usiuje odrni czowieka od komputera. Zarwno pytania jak i odpowiedzi s przekazywane jedynie za pomoc klawiatury i monitora. Przesuchiwany czowiek ma obowizek mwi

prawd i stara si przekona przesuchujcego, i rzeczywicie jest czowiekiem, natomiast komputer jest zaprogramowany tak aby kamic stara si go przekona, e to wanie on jest czowiekiem. Jeli po przeprowadzeniu serii takich testw przesuchujcy nie jest w stanie zidentyfikowa pomylnie test. Od momentu opublikowania koncepcji testu Turinga bezustannie podejmowane s prby zbudowania maszyny mogcej sprosta wymaganiom testu. Jednym z pierwszych urzdze AI by zbudowany przez W. Greya Waltera w pocztku lat pidziesitych elektroniczny w. Porusza si on po pododze korzystajc z wasnego napdu, dopki napicie w bateriach nie spado do niebezpiecznie niskiego poziomu. Wtedy to rozpoczyna poszukiwania najbliszego kontaktu. Po naadowaniu baterii rusza w dalsz drog po pokoju. W pniejszych czasach skonstruowano wiele podobnych urzdze. Przykadem odmiennego kierunku bada jest stworzony w 1972 roku przez Terryego Winograda program komputerowy, zdolny do sensownej rozmowy na temat rozmaitych kolorowych klockw, ktre podczas symulacji ukada jeden na drugim na rne sposoby. Mimo jednak tych wczesnych sukcesw niezmiernie trudnym problemem okazao si zbudowanie urzdzenia do kontrolowania ruchw prostego, sztucznego ramienia, zdolnego do wykonywania bezkolizyjnych manewrw w pobliu przypadkowo rozmieszczonych przeszkd. Bliszy idei testu Turinga jest program komputerowy napisany w latach szedziesitych przez K. M Colbyego, ktry mia symulowa zachowanie psychoterapeuty. Dziaa on tak dobrze, e niektrzy pacjenci woleli korzysta z jego usug ni z pomocy prawdziwych psychoterapeutw i byli bardzo skonni zwierzy si mu ze swoich problemw. Kolejnymi maszyny urzdzeniami, godny stanowicymi uwagi poziom dobry gry, przykad zbliony maszyn do zdolnych do inteligentnego zachowana s komputery grajce w szachy. W chwili obecnej niektre osigny poziomu mistrzw midzynarodowych. Maszyny grajce w szachy, oprcz zdolnoci wykonywania dokadnych oblicze, korzystaj rwnie z ogromnej wiedzy ksikowej. Jednym z najsawniejszych programw komputerowych do gry w szachy by program napisany przez Dana i Kathe Spracklenw, ktry otrzyma tytu mistrza Federacji Szachowej Stanw Zjednoczonych. Warto wspomnie, e na og komputery radz sobie lepiej w konkurencji z ludmi, jeli stawia si dodatkowe wymaganie, aby gra bardzo szybko. Ludzie radz sobie lepiej, jeli maj do dyspozycji wicej czasu na obmylanie posuni. Wynika to z faktu, e na og komputery podejmuj decyzje na podstawie precyzyjnych i dokadnych oblicze wariantw, rzeczywistego czowieka, to uznajemy, i komputer przeszed

podczas gdy ludzie korzystaj na og z sdw, wynikajcych ze stosunkowo powolnej, wiadomej oceny pozycji szachownicy. Obecnie, byskawiczny rozwj techniki sprawi, i zaczy rozwija si nowe dziedziny takie jak: systemy ekspertowe, zbiory rozmyte i logika rozmyta, sztuczne sieci neuronowe, algorytmy genetyczne, ktre znalazy rne zastosowania (min w ekonomii).

1. Metody sztucznej inteligencji

Pojciem sztucznej inteligencji okrela si zbir metod, ktre maj na celu opisanie rzeczywistoci w sposb przypominajcy rozumowanie czowieka. Metody te powstay jako przeciwwaga tradycyjnych algorytmw komputerowych, zawodzcych czsto w sytuacjach, ktre czowiek potrafi rozwiza bez wikszych problemw. Z reguy po metody sztucznej inteligencji siga si wtedy gdy brakuje klasycznych metod matematycznych pozwalajcych na rozwizanie rozpatrywanego problemu. Metody te wykorzystywane s te czsto wtedy kiedy dany problem badawczy moe co prawda zosta rozwizany metodami klasycznymi, ale wykorzystanie metod sztucznej inteligencji przyspieszy czas uzyskania rozwizania. Cech charakterystyczn wszystkich metod sztucznej inteligencji jest fakt, e generuj one wyniki w pewnym stopniu przyblione. Nie mona wykorzystywa ich wic w sytuacjach, ktre wymagaj duej precyzji oblicze np. w zastosowaniach inynierskich, czy przy operacjach wykonywanych na kontach bankowych. S one natomiast z powodzeniem stosowane w szerokiej gamie zastosowa ekonomiczno-spoecznych, ktrych i tak w wikszoci przypadkw nie mona rozwiza ze 100% precyzj. Do rodziny metod sztucznej inteligencji zaliczane s w chwili obecnej trzy podstawowe klasy metod. Naley wrd nich wyrni: sieci neuronowe, systemy rozmyte oraz algorytmy genetyczne. Miejsce poszczeglnych metod sztucznej inteligencji na tle ogu metod badawczych mona przedstawi nastpujco:1 (rys. nr 1).

11

Zieliski, Jerzy S. Inteligentne systemy w zarzdzaniu. Teoria i praktyka, PWN, Warszawa 2000, str.172

Rys. 1 Miejsce poszczeglnych klas metod sztucznej inteligencji wrd ogu metod Poznanie ukryte
wnioskowani e indukcyjne regresja nieparametryczna sieci neuronowe adaptacyjne systemy rozmyte algorytmy genetyczne

jawne
wnioskowani e algorytmiczn e

wnioskowani e dedukcyjne systemy ekspertowe regresja parametryczna

precyzyjne

Zoono badawczych. Jak wida na zaprezentowanym wykresie metody sztucznej inteligencji nale do klasy metod indukcyjnych, wykorzystywanych w problemach cechujcych si wysokim stopniem zoonoci oraz niejawnymi powizaniami midzy zmiennymi.

Algorytmy genetyczne
Algorytmy genetyczne s wykorzystywane do rozwizywania zada optymalizacyjnych, z ktrymi bardzo czsto mamy do czynienia w naukach ekonomicznych. Przykadem moe tu by dobrze znany problem poszukiwania najkrtszej drogi (problem komiwojaera) czy te problem znalezienia optymalnej wielkoci zapasw, ktre naley utrzymywa w przedsibiorstwie. Problemy optymalizacyjne wystpujce w ekonomi bardzo czsto mona zaliczy do problemw NP-trudnych. Oznacza to, e do ich optymalizacji nie wystarcz klasyczne metody penego przeszukiwania przestrzeni moliwych rozwiza. Rozpatrzmy dokadniej problem komiwojaera. W skrcie polega on na znalezieniu najkrtszej drogi pomidzy okrelon iloci miast, przy spenieniu zaoenia, e kade z miast jest odwiedzane tylko raz, a miasto startowe jest jednoczenie koczcym. W przypadku 5 miast problem ten moe zosta rozwizany poprzez wygenerowanie i porwnanie wszystkich moliwych rozwiza (12). Jednake nawet nieznaczne zwikszenie iloci miast powoduje wprost kolosalny wzrost liczby moliwych rozwiza dla 10 miast jest ich ju 181440, dla 30 4*1030! Istnienie tak duej iloci koniecznych do rozpatrzenia przypadkw sprawia, e rozwizywanie tego typu problemw trzeba oprze na przyblionych metodach poszukiwania rozwizania optymalnego2. Do metod takich nale wzorowane na naturalnej ewolucji algorytmy genetyczne. Ich dziaanie oparte jest na mechanizmach doboru naturalnego i dziedziczenia, a podstawow zasada, ktr si kieruj w doborze rozwiza optymalnych jest ewolucyjna zasada przeycia osobnikw jak najlepiej przystosowanych. Wynika z tego, e dokonuj one w pewien sposb ukierunkowanego przeszukiwania przestrzeni moliwych rozwiza. Poza wymienionym wczeniej problemem komiwojaera i problemem optymalizacji zapasw w przedsibiorstwie, algorytmy genetyczne s wykorzystywane w optymalizacji sieci dystrybucyjnej, analizie bankructw przedsibiorstw, ustalaniu harmonogramw zarzdzania produkcj i innych podobnych zagadnieniach.

1.1 Sieci neuronowe

Podstawow zalet sieci neuronowych decydujcych o ich coraz powszechniejszym wykorzystaniu w rnych dziedzinach nauki jest moliwo rozwizania postawionego zadania bez wczeniejszej znajomoci metody jego rozwizywania. Ta cecha sieci neuronowych jest przydatna szczeglnie wtedy kiedy metoda taka nie istnieje. W dziedzinie nauk ekonomicznych czsto mona spotyka si z problemami cechujcymi si tak wysokim
22

Korbicz J., Obuchowski A., Uciski D. Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994, str. 137-138

stopniem zoonoci, e stworzenie matematycznych modeli na podstawie ktrych mona by je rozwizywa jest praktycznie niemoliwe. Sie neuronowa potrafi natomiast poradzi sobie z dowolnie skomplikowanymi problemami przy zaoeniu e s one rozwizywalne i e istnieje odpowiedni zbir danych, ktre mog zosta wykorzystane w procesie uczenia sieci. Sie neuronowa dziaa bowiem na podobnych zasadach jak mzg ludzki. Uczy si ona rozwizywa postawiony przed ni problem w oparciu o prezentowane jej przykady uczce. Jeeli przykadw tych jest zbyt mao, to bdzie zachowywaa si jak niedouczone dziecko, jeeli jest ich zbyt duo, to podczas prb rozwizania problemu zagubi si w gszczu szczegw. Jedn z ciekawszych cech sieci neuronowych jest ich zdolno do generalizacji, czyli uoglniania wiedzy prezentowanej w trakcie uczenia. Zdolno ta przejawia si poprawnym zachowaniem sieci w przypadku wprowadzenia do niej informacji w pewnym stopniu rnicej si wszystkich informacji, ktre zostay zaprezentowane podczas procesu uczenia. Dwie inne cechy sieci neuronowych otwierajce przed nimi pole zastosowa ekonomicznych to umiejtno radzenia sobie z niekompletnymi i zaszumionymi danymi oraz umiejtno aproksymacji systemw nawet bardzo silnie nieliniowych. Do podstawowych klas problemw ekonomicznych, ktre z powodzeniem s rozwizywane przy pomocy sieci neuronowych naley zaliczy predykcj, optymalizacj, klasyfikacj oraz analiz danych. Istota zagadnie optymalizacyjnych zostaa ju omwiona przy okazji algorytmw genetycznych, a wic w punkcie tym bdzie ona pominita. Naley tylko nadmieni, e sieci neuronowe najczciej wykorzystywane do rozwizywania problemw optymalizacyjnych to sieci ze sprzeniami zwrotnymi, gwnie sieci Hopfielda. Zdolnoci aproksymacyjne sieci neuronowych s ostatnio szczeglnie czsto wykorzystywane do przewidywania zachowa rynkw finansowych. Badana jest tutaj zarwno moliwo zmiany, czy kontynuacji trendu cenowego poszczeglnych instrumentw finansowych, jak i ich konkretne ceny. Innymi ekonomicznymi zadaniami prognostycznymi stawianymi przed sieciami neuronowymi s prognozy: bankructw przedsibiorstw, wskanikw ekonomicznych, zapotrzebowania na pracownikw, przepyww gotwkowych oraz zjawisk i wskanikw makroekonomicznych takich jak: bezrobocie, inflacja, PKB i innych. Wan zalet sieci neuronowych wykorzystywanych do celw prognostycznych jest fakt, e w wyniku uczenia sie moe naby zdolnoci przewidywania wyjciowych sygnaw wycznie na podstawie obserwacji, bez koniecznoci stawiania w sposb jasny hipotez o naturze zwizku pomidzy wejciowymi danymi, a przewidywanymi wynikami.3 Bardzo czsto w celach prognostycznych wykorzystuje si najprostsze sieci perceptronowe o
33

Tadeusiewicz R. Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa, 1993, str. 16

jednokierunkowym przepywie sygnaw i nieliniowych, cigych funkcjach aktywacji, wyposaone z reguy w jedn warstw ukryt. Wrd bardziej specjalistycznych sieci zajmujcych si tego typu zagadnieniami naley wymieni sieci realizujce regresj uoglnion (GRNN). Innym, czsto przytaczanym ekonomicznym zastosowaniem sieci neuronowych s zagadnienia klasyfikacyjne. Zagadnienia te polegaj na wyodrbnieniu w przestrzeni rozwaa rozpatrywanego problemu szeregu rozcznych klas, identyfikujcych jego poszczeglne charakterystyczne obszary. Zadaniem sieci neuronowych, wykorzystywanych w zagadnieniach klasyfikacyjnych jest wytworzenie w trakcie nauki pl decyzyjnych odpowiadajcych zdefiniowanym przez uytkownika klasom. Prawidowo nauczona sie cechuje si tym, e podanie jej dowolnego wzorca wejciowego powoduje wygenerowanie identyfikatora klasy, do ktrej prezentowany wzorzec jest w najwikszym stopniu podobny. Do rozwizywania zagadnie klasyfikacyjnych wykorzystuje si z reguy zwyke jednokierunkowe sieci z cigymi, nieliniowymi funkcjami aktywacji. Identyfikacja klas jest w nich zorganizowana najczciej poprzez przypisanie jednego neuronu wyjciowego sieci jednej konkretnej klasie. Sieci tego typu maj wic tyle neuronw wyjciowych, na ile klas zosta podzielony rozpatrywany problem. Sztandarowym, bardzo czsto spotykanym, ekonomicznym zastosowaniem klasyfikacyjnych sieci neuronowych jest badanie zdolnoci kredytowej przedsibiorstw. Sie realizujca tego typu zadanie uczona jest w oparciu o dane zawarte w zgromadzonych wczeniej wnioskach kredytowych. Na podstawie danych tych sie identyfikuje obszary odpowiadajce np. klientom wypacalnym, niewypacalnym oraz pozostaym. Oczywicie ilo klas moe by dowolna, zalena od uytkownika. Kolejnym ciekawym zagadnieniem rozwizywanym przy pomocy sieci klasyfikacyjnych s prby identyfikacji formacji cenowych informujcych, zgodnie z teori analizy technicznej, o moliwoci zmiany bd kontynuacji aktualnego trendu cenowego danego instrumentu finansowego. Innymi czsto spotykanymi ekonomicznymi zastosowaniami sieci klasyfikacyjnych s zagadnienia zwizane: z klasyfikacj obligacji, ocen stopnia opacalnoci przedsiwzi inwestycyjnych, wyborem funduszu powierniczego, wyborem strategii sprzeday i inne. Zagadnienia zwizane z analiz danych s w pewien sposb podobne do zagadnie klasyfikacyjnych. W zasadzie cel ich jest taki sam. Jest nim podzia rozpatrywanego problemu na szereg klas. Podstawow rnic odrniajc od siebie te dwa rodzaje zagadnie jest znajomo kryteriw decyzyjnych. W zagadnieniach klasyfikacyjnych kryteria te s dokadnie zdefiniowane, co oznacza, e ilo klas jest cile znana. Zadaniem sieci

neuronowej jest jedynie nauczenie si poprawnego klasyfikowania nowych obiektw do zdefiniowanych wczeniej klas. W zadaniach zwizanych z analiz danych kryteria decyzyjne pozwalajce na zakwalifikowanie danego obiektu do okrelonej klasy nie s znane. Co wicej nieznane s rwnie same klasy. Zadaniem stawianym przed sieciami neuronowymi wykorzystywanymi w procesie analizy danych jest wanie wyszukanie tych klas, czyli podzia caego zbioru danych na szereg jednorodnych podzbiorw. Oczywicie podzia ten powinien by przeprowadzony w taki sposb aby elementy tego samego podzbioru byy jak najbardziej podobne do siebie, za elementy rnych podzbiorw - jak najbardziej odmienne4. Do rozwizywania tego typu problemw wykorzystuje si rne odmiany sieci samouczcych, spord ktrych do najbardziej znanych nale chyba sieci Kohonena. Sieci pozwalajce na dokonywanie analizy duych zbiorw danych s obecnie coraz czciej wykorzystywane w zagadnieniach ekonomicznych. Przykadem moe by analiza trendw cenowych instrumentw finansowych pod wzgldem wystpujcych w nich prawidowoci. Analiza taka pozwala np. na wyodrbnienie ze zbioru prbek formacji cenowych charakterystycznych dla danego waloru, ktre nastpnie mona wykorzysta do prognozy przyszej wartoci tego waloru przy pomocy przeznaczonej do rozwizywania tego rodzaju zada sieci neuronowej.

1.2 Logika rozmyta

Otaczajca nas rzeczywisto gospodarcza charakteryzuje si bardzo wysokim stopniem zoonoci. Z tego powodu trudno jest j opisa uywajc dokadnych, precyzyjnych poj. Najczciej do opisu zjawisk wystpujcych w rzeczywistoci gospodarczej uywa si wic poj nie precyzyjnych, lecz rozmytych. Odwrotn zaleno wystpujc midzy precyzj opisu problemw wystpujcych w otaczajcym nas wiecie, a ich zoonoci najlepiej oddaje zasada niespjnoci sformuowana przez twrc logiki rozmytej Lofti Zadeha. Brzmi ona nastpujco: w miar wzrostu zoonoci systemu nasza zdolno do formuowania istotnych stwierdze dotyczcych jego zachowania maleje, osigajc w kocu prg poza ktrym precyzja i istotno staj si cechami wzajemnie prawie si wykluczajcymi5. Niemono formuowania precyzyjnych stwierdze na temat opisywanego systemu staa si gwnym motorem rozwoju nowej dziedziny wiedzy zwanej logik rozmyt. W coraz wikszej iloci wyrobw (szczeglnie japoskich) wykorzystuje si logik rozmyt. W roku 1980 firma F.L Smidth & Company z Kopenhagi jako pierwsza zastosowaa system oparty na
44 55

Zieliski, Jerzy S. Inteligentne systemy w zarzdzaniu. Teoria i praktyka, PWN, Warszawa 2000, str.191 Piegat A. Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 1999, str. 18

logice rozmytej do sterowania piecem cementowni. W roku 1988 firma Hitachi powierzya nadzr nad metrem w Sendai (Japonia) programowi opartemu na logice rozmytej. Od tego czasu przedsibiorstwa Japoskie zaczy wykorzystywa to podejcie w produkcji setek wyrobw sprztu gospodarstwa domowego i elektroniki uytkowej. Zastosowania logiki rozmytej nie ograniczaj si tylko do systemw sterowania. Za pomoc tej nowej dziedziny ycia mona w zasadzie opisa kady system o cigych parametrach, niezalenie od tego, czy bdzie to zagadnienie z fizyki, biologii, czy te ekonomii. Przykadem problemu ekonomicznego, do rozwizania ktrego to mona wykorzysta logik rozmyt moe by problem odpowiedniego ukierunkowanie dziaalnoci przedsibiorstwa. Jasne okrelenie cech klientw ma istotne znaczenie zwaszcza przy zastosowaniu metod marketingu bezporedniego. Jeli firma planuje np. rozesanie materiaw reklamowych okrelonego towaru, to w celu ograniczenia kosztw oferta ta powinna by skierowana tylko do tych klientw, ktrzy prawdopodobnie byliby skonni dany produkt kupi. Kryteriami definiujcymi potencjalnych nabywcw mog by: wiek, dane o dochodach, dane demograficzne, dane geograficzne, historia poprzednich zakupw itp. Firma prowadzca dane badania marketingowe gromadzi uzyskane informacje w bazach danych, obejmujcych czsto dane dotyczce nawet kilkudziesiciu tysicy osb. Problemem jest oczywicie wybr waciwych cech klientw, ktrzy mog sta si celem podejmowanych akcji marketingowych. Innymi problemami, ktre mona rozwiza przy pomocy logiki rozmytej s problemy zwizane z podejmowaniem decyzji dotyczcych aktywnoci giedowej. Problemy te nale do najbardziej skomplikowanych zagadnie zwizanych z inynieri finansow. Czsto wykazuj one cechy nieliniowych zachowa o charakterze chaotycznym i maj zwykle skomplikowana dynamik. Jedna z najistotniejszych kwestii jest waciwe wykorzystanie rozpoznawalnych trendw oraz zbudowanie strategii rynkowej, ktra bdzie przynosi zyski w czasie dugotrwaych i silnych trendw, za minimalizowa straty w czasie chwilowych waha koniunktury. Strategie te bazuj na intuicyjnych reguach, ktre w sposb naturalny mog by modelowane przy wykorzystaniu logiki rozmytej.

Zakoczenie
Sztuczna inteligencja jest dziedzin nauki stosunkowo mod, ale bardzo prnie si rozwijajc. Cigle wzrasta ilo metod badawczych oraz rozszerzane s obszary jej wykorzystania w ekonomii. Ostatnio pojawiaj si nowe metody np. analiza danych przy

wykorzystaniu zbiorw przyblionych. Zaprezentowane powyej zalety poszczeglnych metod sztucznej inteligencji powoduj, e stanowi one coraz czciej wykorzystywane przeciwwag dla klasycznych metod matematycznych. Coraz czciej mona take obserwowa czenie poszczeglnych metod w metody hybrydowe czce w sobie zalety poszczeglnych narzdzi.

Bibliografia
1. Inteligentne systemy w zarzdzaniu teoria i praktyka, praca napisana pod redakcja Jerzego S. Zieliskiego; 2. Penrose R.: Nowy umys cesarza o komputerach, umyle i prawach fizyki, Wydawnictwo Naukowe PWN, Warszawa 2000; 3. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999 r.; 4. Logika rozmyta, wiat Nauki, wrzesie 1993 r.; 5. Rozmyty wiat, Wiedza i ycie, luty 1997 r.; 6. Czy maszyna moe si uczy cakiem sama?, Wiedza i ycie, sierpie 1998 r.; 7. Sztuczna inteligencja w realnym wiecie zastosowa, Computerworld, nr 41, 1994 r.; 8. Zapomniane pomysy Alana Turinga, wiat Nauki, czerwiec 1999 r.; 9. Mistrz duchowy sztucznej inteligencji, wiat Nauki, stycze 1994 r.; 10. Sztuczna inteligencja, wiat Nauki, listopad 1995 r.; 11. Rutkowska D., Piliski M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, d 1999 r.; 12. Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa, 1993 r.; 13. Korbicz J., Obuchowski A., Uciski D.: Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994 r.