WO2020068025A1 - A method of operating a system for making difficult decisions using artificial intelligence means - Google Patents
A method of operating a system for making difficult decisions using artificial intelligence means Download PDFInfo
- Publication number
- WO2020068025A1 WO2020068025A1 PCT/UA2019/000030 UA2019000030W WO2020068025A1 WO 2020068025 A1 WO2020068025 A1 WO 2020068025A1 UA 2019000030 W UA2019000030 W UA 2019000030W WO 2020068025 A1 WO2020068025 A1 WO 2020068025A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- vector
- knowledge
- effect
- decision
- artificial intelligence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008133 cognitive development Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Definitions
- the invention relates to the field of cybernetic systems for various purposes, in particular to systems capable of visualizing the display of information data in the presence of processes of the ability to think in technologies of artificial intelligence, machine learning and optimization of complex decisions.
- the invention can be used in Internet things with the display of dynamics and the adoption of complex decisions, as well as in the processing of statistical information in science, economics, industry.
- a known system for the formation of artificial intelligence containing an artificial intelligence cell, consisting of a series-connected receptor block reading with the first analog-to-digital converter (encoder), a device for controlling the choice of genetic knowledge and a read-only memory block that contains blocks of the knowledge base and database with the control system unit, the database unit of the third adder comparator associated with the set of model genetic knowledge, the effector-control unit, digital-to-analog converter (decoder) and its output associated with the second input of the fourth adder, the first input of the actual model unit associated with the input of the second analog-to-digital converter (encoder), and its output - with the second input of the fourth adder, the output of which is connected to the input of the first forecasting unit, and the second input with the output of the first additional block of the decision support system, the first output of the first forecasting unit connected to the second input of the fifth adder, the second output connected with the first input of the second forecasting unit, the second input of which is connected to the input of the time (e
- the closest in technical essence to the claimed utility model is a system for generating knowledge by artificial intelligence in the conditions of uncertainty of input information and its non-repeatability, the way of which is that the mismatch signal is converted to a digital signal, where information is encoded.
- the encoded digital signal enters the database and using the database management system is evaluated by an expert system, where the main properties and characteristics of the object of knowledge are identified, the process of "training" is carried out.
- the signal goes to a set of exemplary solutions in this subject area.
- a vector of comparative characteristics is distinguished, from which the advantages and disadvantages of solutions are distinguished.
- a signal representing a set of alternative solutions is obtained in the form of a code sequence.
- a vector is also formed in the form of a code sequence, which is a solution that should be used by the system, and which is transformed by recommendation attribute solutions, for example, in the form text documents in this proposed field.
- the signal in encoded form through hard feedback is compared with the inconsistency signal. If the set of real solutions in the form of corresponding code sequences does not correspond to the set of input features and restrictions, the linear procedure for generating the ideal from the point of view of setting the task, objective function, then the solutions are repeated.
- the received real signal is digitally encoded and enters the knowledge base, which through feedback controls the arrivals and formation of knowledge arrays in the database.
- the task to which the claimed utility model is directed is to expand the functionality of the way the system operates and the speed of its action by changing technological operations.
- the data arranged in the vertex shader is placed through resonance, synchronization and correlation, namely: , Difference, variety (range) with subsequent check nadativnogo effect ergodicity of the system, as well as focus on the top: the effect of the principles and essence of solutions for further optimization to the existing environment using machine learning wapp parallel calculation to continue the countdown utility boundaries.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Generation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
A method of operating a system for making difficult decisions using artificial intelligence means, which includes a procedure for learning and forming a vector (signal) in the form of a code sequence, and which constitutes decision-making by a system, wherein the system visualizes an image of information data and a machine learning process is used for purposes of learning. Using the system, information data or grouped knowledge are/is accommodated at the vertex (1) of the vector, and their cause-effect links are arranged in space using a command processor and vertex shader.
Description
Способ работы системы принятия сложных решений средствами The way the system of making complex decisions means
искусственного интеллекта artificial intelligence
Изобретение относится к области кибернетических систем различного назначения, в частности к системам способным визуализировать отображение информационных данных в наличии процессов способности мыслить в технологиях искусственного интеллекта, машинного обучения и оптимизации принятия сложных решений. Изобретение может быть использовано в интернет-вещах с отображением динамики и принятием сложных решений, а также при обработке информационных данных статистического характера в науке, экономике, промышленности. The invention relates to the field of cybernetic systems for various purposes, in particular to systems capable of visualizing the display of information data in the presence of processes of the ability to think in technologies of artificial intelligence, machine learning and optimization of complex decisions. The invention can be used in Internet things with the display of dynamics and the adoption of complex decisions, as well as in the processing of statistical information in science, economics, industry.
Известна система, предназначенная для формирования искусственного интеллекта, содержащая ячейку искусственного интеллекта, состоящую из последовательно соединенных рецептора-блока считывая с первым аналогово-цифровым преобразователем (кодером), устройства управления выбором генетических знаний и блока постоянной памяти, который содержит блоки базы знаний и базы данных с блоком системы управления блоком базы данных сравнителя третьего сумматора, связанного с блоком набора образцовых генетических знаний, эффектора-блока управления, цифроаналогового преобразователя (декодера) и его выход, связанный со вторым входом четвёртого сумматора, первый вход блока фактической модели, связанный со входом второго аналогово-цифрового преобразователя (кодера), а выход его - со вторым входом четвёртого сумматора, выход которого связан со входом первого блока прогнозирования, а второй вход - с выходом первого дополнительного блока системы поддержки принятия решений, первый выход первого блока прогнозирования соединенный со вторым входом пятого сумматора, второй выход соединенный с первым входом второго блока прогнозирования, второй вход которого связан со входом блока времени (эпохи), а третий его выход - со вторым дополнительным блоком системы поддержки принятия решений, первый
вход пятого сумматора связан с выходом второго цифро-аналогового преобразователя (декодера), выход второго блока прогнозирования связан со вторым входом пятого сумматора, а его первый вход связан с выходом первого блока прогнозирования, выход исполнительного блока соединен с первым входом седьмого сумматора, с первым входом которого связан выход дополнительного блока ограничений, выход седьмого сумматора связан с входом схемы пропускания, первый вход которой соединен с выходом цифроаналогового преобразователя (декодера), выход которого связан со входом исполнительного блока, выход шестого сумматора соединен со входом блока базы знаний, выход которой связан со входом блока базы данных [Патент Украины на полезную модель N° 18880, МПК G06G 7/60, 2006г.]. A known system for the formation of artificial intelligence, containing an artificial intelligence cell, consisting of a series-connected receptor block reading with the first analog-to-digital converter (encoder), a device for controlling the choice of genetic knowledge and a read-only memory block that contains blocks of the knowledge base and database with the control system unit, the database unit of the third adder comparator associated with the set of model genetic knowledge, the effector-control unit, digital-to-analog converter (decoder) and its output associated with the second input of the fourth adder, the first input of the actual model unit associated with the input of the second analog-to-digital converter (encoder), and its output - with the second input of the fourth adder, the output of which is connected to the input of the first forecasting unit, and the second input with the output of the first additional block of the decision support system, the first output of the first forecasting unit connected to the second input of the fifth adder, the second output connected with the first input of the second forecasting unit, the second input of which is connected to the input of the time (epoch) block, and its third output - with the second additional block of the decision support system, the first the input of the fifth adder is connected to the output of the second digital-to-analog converter (decoder), the output of the second prediction unit is connected to the second input of the fifth adder, and its first input is connected to the output of the first prediction unit, the output of the executive unit is connected to the first input of the seventh adder, with the first input which is connected to the output of an additional block of restrictions, the output of the seventh adder is connected to the input of the pass-through circuit, the first input of which is connected to the output of the digital-analog converter (decoder), the output of which connected with the input of the executive unit, the output of the sixth adder is connected to the input of the knowledge base unit, the output of which is connected to the input of the database unit [Patent of Ukraine for utility model N ° 18880, IPC G06G 7/60, 2006].
Наиболее близким по технической сущности к заявляемой полезной модели является система для формирования знаний средствами исскуственного интеллекта в условиях неопределенности входной информации и её неповторяемости, способ работы которой состоит в том, что сигнал рассогласования преобразуется в цифровой сигнал, где происходит кодирование информации. Закодированный цифровой сигнал поступает в базу данных и с помощью системы управления базами данных оценивается экспертной системой, где выявляются основные свойства и характеристики объекта знаний, производится процесс «обучения». Дальше сигнал поступает к набору образцовых решений в данной предметной области. При этом, выделяется вектор сравнительных характеристик, из которого выделяются преимущества и недостатки решений. В результате в виде кодовой последовательности получают сигнал, представляющий собой набор альтернативных решений. Из него формируется вектор (сигнал) также в виде кодовой последовательности, представляющий собой решение, которое должно быть использовано системой, и которая преобразуется рекомендационными атрибутивными решениями, например, в виде
текстовых документов в данной предложенной области. Сигнал в закодированном виде через жёсткую обратную связь сравнивается с сигналом несогласованности. Если набор реальных решений в виде соответственных кодовых последовательностей не отвечает набору входных признаков и ограничений, линейная процедура формирования идеального с точки зрения постановки задачи, целевой функции, то решения повторяются. Полученный реальный сигнал кодируется в цифровой и поступает в базу знаний, которая через обратную связь контролирует приходы и формирования массивы знаний в базе данных. На нём происходит сравнения полученного отфильтрованного в соответствии с постановкой задачи сигнала с сигналом цели, и, если цель достигнута, тогда это и есть истинным решением. Далее, с помощью экспертной системы находят преимущество, недостатки и различные противоречия в знаниях об объектах в предметной области какой либо отрасли знаний. Система принятия решений формирует ряд альтернативных решений на основе решения выявленных противоречий. Ускорение нахождения и принятия решений достигают с помощью использованных программных средств системы поддержки принятия решений [Патент Украины на полезную модель N° 23645, МПК G06G 7/60, 2007г.]. The closest in technical essence to the claimed utility model is a system for generating knowledge by artificial intelligence in the conditions of uncertainty of input information and its non-repeatability, the way of which is that the mismatch signal is converted to a digital signal, where information is encoded. The encoded digital signal enters the database and using the database management system is evaluated by an expert system, where the main properties and characteristics of the object of knowledge are identified, the process of "training" is carried out. Next, the signal goes to a set of exemplary solutions in this subject area. At the same time, a vector of comparative characteristics is distinguished, from which the advantages and disadvantages of solutions are distinguished. As a result, a signal representing a set of alternative solutions is obtained in the form of a code sequence. From it, a vector (signal) is also formed in the form of a code sequence, which is a solution that should be used by the system, and which is transformed by recommendation attribute solutions, for example, in the form text documents in this proposed field. The signal in encoded form through hard feedback is compared with the inconsistency signal. If the set of real solutions in the form of corresponding code sequences does not correspond to the set of input features and restrictions, the linear procedure for generating the ideal from the point of view of setting the task, objective function, then the solutions are repeated. The received real signal is digitally encoded and enters the knowledge base, which through feedback controls the arrivals and formation of knowledge arrays in the database. It compares the received signal filtered in accordance with the statement of the problem with the target signal, and if the goal is achieved, then this is the true solution. Further, with the help of an expert system, they find the advantages, disadvantages and various contradictions in the knowledge about objects in the subject area of any branch of knowledge. The decision-making system forms a number of alternative decisions based on the solution of identified contradictions. Acceleration of finding and decision making is achieved using the used software of the decision support system [Patent of Ukraine for utility model N ° 23645, IPC G06G 7/60, 2007].
Существенным недостатком способа работы такой системы являются неопределённая начальная сущность обьектов и процессов: A significant drawback of the way this system works is the indefinite initial essence of objects and processes:
- закодированный цифровой сигнал, поступающий в базу данных с помощью системы управления этой базы данных оценивается экспертной системой, где выявляются основные свойства и характеристики объекта знаний, проводится процесс «обучения». Учитывая, что сущность обьектов и процессов является категорией относительной, для их восприятия необходимы именно образы, а не сравнения признаков и характеристик сущности;
- использование массива только заранее известных решений «после этого сигнал поступает в набор образцовых решений в данной предметной области»; - the encoded digital signal entering the database using the management system of this database is evaluated by an expert system, where the main properties and characteristics of the knowledge object are identified, the process of "training" is carried out. Considering that the essence of objects and processes is a relative category, their perception requires precisely images, and not comparison of signs and characteristics of the essence; - the use of an array of only previously known solutions “after which the signal enters a set of model solutions in this subject area”;
- использование весомых коэффициентов и ранжирование данных «использование весомых коэффициентов в системе, улучшающих адаптивность отображений среды и выработка в ней поведения интеллектуальной системы, которая в соответствии со сформированными представлениями о необходимом решении выбирает в соответствии с ограничениями наиболее оптимальное решение». Неизвестно кто или что задаёт эти ограничения и с какой целью; - the use of weighted coefficients and ranking of data “the use of weighted coefficients in a system that improves the adaptability of environmental mappings and the development of the behavior of an intelligent system in it, which, in accordance with the formed ideas about the necessary solution, selects the most optimal solution in accordance with the constraints”. It is not known who or what sets these restrictions and for what purpose;
- отсутствие формирования решения «в результате поступает в виде кодовой последовательности сигнал, представляющий собой набор альтернативных решений. Из него формируется вектор (сигнал) также в виде кодовой последовательности, представляющий собой решение, которое должно быть реализовано системой и которое преобразуется рекомендационными атрибутивными решениями, например, в виде текстовых документов в данной предметной области»; - lack of formation of a solution “as a result, a signal is presented in the form of a code sequence, which is a set of alternative solutions. From it, a vector (signal) is also formed in the form of a code sequence, which is a solution that must be implemented by the system and which is transformed by recommendatory attributive solutions, for example, in the form of text documents in this subject area;
- отсутствие истинности решения «сигнал в закодированном виде через жёсткую обратную связь сравнивается с сигналом соответствия. Если набор реальных решений в виде соответствующих кодовых последовательностей не отвечает набору входных признаков и ограничений, линейная процедура формирования идеального с точки зрения постановки задачи, целевой функции, решения повторяются»; - the lack of the truth of the decision “the signal in encoded form through hard feedback is compared with the correspondence signal. If the set of real solutions in the form of corresponding code sequences does not meet the set of input features and limitations, the linear procedure for generating the ideal from the point of view of setting the task, objective function, solutions are repeated ”;
- отсутствие адаптивного эффекта «закодированный цифровой сигнал поступает в базу данных и с помощью системы управления базами данных оценивается экспертной системой, где выявляются основные свойства и характеристики объекта знаний, проводится процесс «обучения»»;
- использование сравнительного способа принятий решений «при этом выделяется вектор сравнительных характеристик, из которого выделяются преимущества и недостатки решений»; - lack of adaptive effect “the encoded digital signal enters the database and using the database management system is evaluated by an expert system, where the main properties and characteristics of the knowledge object are identified, the process of“ training ”is carried out”; - the use of a comparative method of decision-making “in this case, the vector of comparative characteristics stands out, from which the advantages and disadvantages of decisions are distinguished”;
- неопределенность истинности эффективности решений «полученный реальный сигнал кодируется в цифровой и поступает в базу знаний, которая через обратную связь контролирует поступление и формирование массива знаний в базе данных. На ней происходит сравнение полученного отфильтрованного в соответствии с постановкой задачи сигнала с сигналом цели и, если цель достигнута, тогда и есть истинное решение», то есть неизвестно с какой целью формируется база знаний и кто или что устанавливает цель и для чего она нужна (цели системы); - the uncertainty of the truth of the effectiveness of decisions “the received real signal is digitally encoded and enters the knowledge base, which through feedback controls the flow and formation of the knowledge array in the database. It compares the received signal filtered in accordance with the statement of the problem with the target signal and, if the goal is achieved, then there is a true solution ”, that is, it is not known for what purpose the knowledge base is formed and who or what sets the goal and why it is needed (goals systems);
- невозможность использование способа при квантовых расчётах: «ускорение нахождения и принятие решений достигают с помощью использования программных средств системы поддержки принятия решений». - the impossibility of using the method in quantum calculations: "the acceleration of finding and decision-making is achieved by using the software of the decision support system."
Задачей, на решение которой направлена заявляемая полезная модель, является расширение функциональных возможностей способа работы системы и скорость её действия путём изменения технологических операций. The task to which the claimed utility model is directed is to expand the functionality of the way the system operates and the speed of its action by changing technological operations.
Поставленная задача решается таким образом The problem is solved in this way.
В известном способе работы системы принятия сложных решений средствами искусственного интеллекта, включающем процедуру обучения и формирования вектора (сигнала) в виде кодовой последовательности, представляющем собой принятие системой решения, в соответствии с заявляемой полезной моделью, системой визуализируют отображение информационных данных архитектуры о наличии способности мышления, а в качестве обучения используют процесс машинного обучения, при этом информационные данные источника интернет-вещей или агрегатированные и сгруппированные знания с помощью системы размещают на вершине вектора, а их причинно-следственные связи размещают в пространстве до определённого времени, когда манипуляцией информацией или знаниями
продуцируют всякий раз новый онтологический образ, выстраиваемый через аддитивный эффект флуктуации образов с продолжением границ полезности, с помощью командного процессора и вершинного шейдера, кроме того вершина вектора содержит комбинаторику данных о количестве, разнице и их разновидности с последующей проверкой надативного эффекта и эргодичности системы, а также фокусируют на вершине вектора эффект, принципы и сущность решений на основе латентной сингулярности эвристики, которую выявляют с помощью сопоставления идентичных векторов. In the known method of operation of a complex decision-making system using artificial intelligence, including the training and vector (signal) generation process in the form of a code sequence, which is a decision making system, in accordance with the claimed utility model, the system visualizes the display of architecture information about the presence of thinking ability, and the machine learning process is used as training, while the information data of the source of Internet things or aggregated and aggregated ppirovannye knowledge by the system is placed on top of the vector, and their causal relationships placed in the space until a certain time, when the manipulation of information or knowledge each time they produce a new ontological image, built through the additive effect of fluctuation of images with the continuation of utility boundaries, using the command processor and vertex shader, in addition, the vertex of the vector contains combinatorics of data on the quantity, difference and their type, followed by verification of the native effect and ergodicity of the system, they also focus on the top of the vector the effect, principles and essence of decisions based on the latent singularity of the heuristic, which is revealed by matching identical eyelids Hur.
Систему принятия сложных решений реализуют таким образом The complex decision-making system is implemented in this way
Учитывая постоянное изменение среды, а также и вероятность того, что используемые для манипуляций информацией или знаниями имитаций антологии, отображаются в определённый момент времени в определённом пространстве, расстояние и направление составляют основу для формирования вектора знаний его желаемая адаптивное положение в среде - то есть цель как желаемую точку процесса, при этом как алгоритм работы на вершине вектора размещают скомпонованные в вершинном шейдере через резонанс, синхронизацию и корреляцию данные, а именно: количество, разницу, разновидность (ассортимент) с последующей проверкой надативного эффекта, эргодичности системы, а также фокусируют на вершине: эффект, принципы и сущность решения с последующей оптимизацией под существующую среду машинного обучения применяя wapp параллельные исчисления для продолжения отсчета границ полезности. Given the constant change in the environment, as well as the likelihood that the anthologies used for manipulating information or knowledge of imitations are displayed at a certain point in time in a certain space, distance and direction form the basis for the formation of the knowledge vector, its desired adaptive position in the environment - that is, the goal as the desired process point, while as an algorithm for working on the top of the vector, the data arranged in the vertex shader is placed through resonance, synchronization and correlation, namely: , Difference, variety (range) with subsequent check nadativnogo effect ergodicity of the system, as well as focus on the top: the effect of the principles and essence of solutions for further optimization to the existing environment using machine learning wapp parallel calculation to continue the countdown utility boundaries.
Способ работы системы принятия сложных решений средствами исскуственного интеллекта можно пояснить схемой её работы наданом в прилагаемом изображении. The way the complex decision-making system works by artificial intelligence can be explained by the scheme of its work on the nadan in the attached image.
Компелированные и агрегатированные данные независимо от их формы, вида, функциональности, относительности, количества, качества и связей по определённому алгоритму и критериям выстраиваются графически
на вершину вектора 1 , изображаемого целой или прерывистой полоской, любого цвета или формы с указанием направления на вершине 1 или другим подобным графическим объектам, равной ему формы. Из-за структурного изменения вектора в зависимости от изменения данных, изменения вышеуказанных их критериев, но не ограничиваясь только этим перечислением, в среде происходит построение образа 2. При наличии эффекта синергии производная образа данных 3 осуществляют процесс абстракции образа 4 принятия решений. Compiled and aggregated data regardless of their form, type, functionality, relativity, quantity, quality and relationships according to a certain algorithm and criteria are built graphically to the top of vector 1, represented by a whole or intermittent strip, of any color or shape, indicating the direction on top of 1 or other similar graphic objects, equal in shape to it. Due to the structural change in the vector depending on the change in the data, changes in the above criteria, but not limited to this enumeration, the image 2 is built in the environment. If there is a synergy effect, the derivative of the image 3 carries out the process of abstraction of the decision decision image 4.
Таким образом, путём сопоставления векторов в пространстве и во времени по определённым правилам и константам происходит формирование абстракции образа 4 для спонтанного создания новых локальных состояний изменений на системном уровне, появление новых свойств системы, этапов создания самоорганизации системы и фиксации новых качеств (свойств) системы благодаря флуктуации образа 3 и переработки признаков их сущности игнорирования одних и принятия других. И так, сущность предложенной системы состоит в антологической осознанности когнитивного развития вышеизложенным технологиям путём создания образов познания для отображения принятия решений, а также для отображения различных свойств на основе констант, анализаторов для осуществления процесса обобщения в зависимости действительности.
Thus, by comparing vectors in space and time according to certain rules and constants, an abstraction of image 4 is formed for the spontaneous creation of new local states of changes at the system level, the emergence of new system properties, the stages of creating the system’s self-organization and fixing new qualities (properties) of the system due to fluctuations of image 3 and the processing of signs of their essence ignoring some and accepting others. And so, the essence of the proposed system consists in the anthological awareness of cognitive development of the above technologies by creating images of knowledge for displaying decision-making, as well as for displaying various properties based on constants, analyzers for implementing the process of generalization depending on reality.
Claims
Формула изобретения Claim
Способ работы системы принятия сложных решений средствами искусственного интеллекта, включающий процедуру обучения и формирования вектора (сигнала) в виде кодовой последовательности, представляющий собой принятие системой решения, отличающийся тем, что системой визуализируют отображение информационных данных архитектуры о наличии способности мышления, а в качестве обучения используют процесс машинного обучения, при этом информационные данные источника интернет-вещей или агрегатированные и сгруппированные знания с помощью системы размещают на вершине вектора, а их причинно- следственные связи размещают в пространстве до определённого времени, когда манипуляцией информацией или знаниями продуцируют всякий раз новый онтологический образ, выстраиваемый через аддитивный эффект флуктуации образов с продолжением границ полезности, с помощью командного процессора и вершинного шейдера, кроме того вершина вектора содержит комбинаторику данных о количестве, разнице и их разновидности с последующей проверкой надативного эффекта и эргодичности системы, а также фокусируют на вершине вектора эффект, принципы и сущность решений на основе латентной сингулярности эвристики, которую выявляют с помощью сопоставления идентичных векторов.
The way the complex decision-making system works using artificial intelligence, including the training and vector (signal) generation process in the form of a code sequence, which is a decision-making system, characterized in that the system visualizes the display of architecture information about the presence of thinking ability, and use as training machine learning process, while the information source of the Internet of things or aggregated and grouped knowledge using the system placed at the top of the vector, and their cause-effect relationships are placed in space until a certain time, when each time a new ontological image is produced by manipulating information or knowledge, built through the additive effect of image fluctuations with the continuation of utility boundaries, using a command processor and vertex shader, except the top of the vector contains the combinatorics of data on the quantity, difference and their variety, followed by verification of the native effect and ergodicity of the system, as well as focus added on top of the effect of the vector, the principles and spirit of the latent singularity based heuristic decisions, which is detected by comparing identical vectors.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| UAU201809705U UA132430U (en) | 2018-09-27 | 2018-09-27 | METHOD OF WORK OF THE SYSTEM OF MAKING COMPLEX DECISIONS BY ARTIFICIAL INTELLIGENCE |
| UAU201809705 | 2018-09-27 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020068025A1 true WO2020068025A1 (en) | 2020-04-02 |
Family
ID=65494872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/UA2019/000030 WO2020068025A1 (en) | 2018-09-27 | 2019-03-11 | A method of operating a system for making difficult decisions using artificial intelligence means |
Country Status (2)
| Country | Link |
|---|---|
| UA (1) | UA132430U (en) |
| WO (1) | WO2020068025A1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100094800A1 (en) * | 2008-10-09 | 2010-04-15 | Microsoft Corporation | Evaluating Decision Trees on a GPU |
| US20140046696A1 (en) * | 2012-08-10 | 2014-02-13 | Assurerx Health, Inc. | Systems and Methods for Pharmacogenomic Decision Support in Psychiatry |
| US20170061290A1 (en) * | 2015-08-28 | 2017-03-02 | James D. Harlow | Axiomatic Control of Automorphic Dynamical Systems |
| US20180121826A1 (en) * | 2016-10-28 | 2018-05-03 | Knowm Inc | Compositional Learning Through Decision Tree Growth Processes and A Communication Protocol |
| WO2018112833A1 (en) * | 2016-12-22 | 2018-06-28 | Intel Corporation | Efficient transferring of human experiences to robots and other autonomous machines |
-
2018
- 2018-09-27 UA UAU201809705U patent/UA132430U/en unknown
-
2019
- 2019-03-11 WO PCT/UA2019/000030 patent/WO2020068025A1/en active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100094800A1 (en) * | 2008-10-09 | 2010-04-15 | Microsoft Corporation | Evaluating Decision Trees on a GPU |
| US20140046696A1 (en) * | 2012-08-10 | 2014-02-13 | Assurerx Health, Inc. | Systems and Methods for Pharmacogenomic Decision Support in Psychiatry |
| US20170061290A1 (en) * | 2015-08-28 | 2017-03-02 | James D. Harlow | Axiomatic Control of Automorphic Dynamical Systems |
| US20180121826A1 (en) * | 2016-10-28 | 2018-05-03 | Knowm Inc | Compositional Learning Through Decision Tree Growth Processes and A Communication Protocol |
| WO2018112833A1 (en) * | 2016-12-22 | 2018-06-28 | Intel Corporation | Efficient transferring of human experiences to robots and other autonomous machines |
Also Published As
| Publication number | Publication date |
|---|---|
| UA132430U (en) | 2019-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dike et al. | Unsupervised learning based on artificial neural network: A review | |
| Riza et al. | frbs: Fuzzy rule-based systems for classification and regression in R | |
| US8160978B2 (en) | Method for computer-aided control or regulation of a technical system | |
| CN111506036B (en) | Multivariate Hammerstein model identification method and system under heavy tail noise interference | |
| EP3502978A1 (en) | Meta-learning system | |
| CN109934422A (en) | Neural network wind speed prediction method based on time series data analysis | |
| Monostori et al. | Adaptation and learning in distributed production control | |
| Kargin et al. | Method of using data from intelligent machine short-term memory in Fuzzy Logic System | |
| JP4146610B2 (en) | Turbidity prediction system, turbidity control system and turbidity management system | |
| Parsapoor et al. | Neuro-fuzzy models, BELRFS and LoLiMoT, for prediction of chaotic time series | |
| WO2020068025A1 (en) | A method of operating a system for making difficult decisions using artificial intelligence means | |
| Gross et al. | Sensory-based Robot Navigation using Self-organizing Networks and Q-learning | |
| Budhraja et al. | Dataset selection for controlling swarms by visual demonstration | |
| Saen | The use of artificial neural networks for technology selection in the presence of both continuous and categorical data | |
| Allen | Evolved Artificial Intelligence for Stochastic Clustering Unsupervised Learning | |
| White | Guided policy search for a lightweight industrial robot arm | |
| Averkin et al. | Time series and data analysis based on hybrid models of deep neural networks and Neuro-Fuzzy networks | |
| Tiwari et al. | Neural Network and Genetic Algorithm based Hybrid Data Mining Algorithm (Hybrid Data Mining Algorithm) | |
| Chu et al. | Least Angle Regression Adaptive Incremental Broad Learning System | |
| KR20240017901A (en) | Monitoring and/or control of plants with machine learning regressors | |
| Yarushev et al. | Modular Neural Networks in Time Series Modelling | |
| Shen et al. | A model-free stability-based adaptive control method for unknown nonlinear systems | |
| CN116307609A (en) | Deep learning-based power system economic dispatching method, equipment and medium | |
| Balseca et al. | Design and simulation of a path decision algorithm for a labyrinth robot using neural networks | |
| Jay et al. | Deep Learning Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19864996 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19864996 Country of ref document: EP Kind code of ref document: A1 |