Разработка модуля конфигурации криохранилища для информаионной системы «Криобанк» с возможностью прогнозирования заполняемости криохолодильников

В ходе статьи будут рассмотрены алгоритмы для прогнозирования в контексте разрабатываемого модуля, после чего будет выбран лучший из приведенных, который лег в основу разработанного модуля конфигурации информационной системы «Криобанк».

Как выбрать правильный алгоритм для решения поставленной задачи. Существует четыре основных типа задач машинного обучения:

• 1.    Обучение с учителем.

• 2.    Обучение без учителя.

• 3.    Обучение с частичным привлечением учителя.

• 4.    Обучение с подкреплением.

Обучение происходит в три этапа:

• •    Анализ данных.

• •    Нахождение шаблонов.

• •    Предсказание на основе шаблонов.

Обучение с учителем строится на основе имеющихся данных. Изначально существует тренировочные данные и путем подгонки результатов находим оптимальную модель для прогнозирования. Такой подход наиболее распространенный, так как легче всего обучать программу с выбранными данными. Существует два типа задач:

• •    Задачи регрессии. При прогнозировании непрерывных значений, таких как цена валюты на бирже, или же как в рамках данной статьи: прогнозирование заполняемости криохолодильников, у таких задач нет конкретного ограничения значений, результатом могут быть любые числа. Визуальный пример регрессии на рисунке 1.

Рисунок 1 – визуализация регрессии

• •    Задачи классификации. Задачи с конечным числом ответов. На вопрос «Забьет ли команда гол» существует два ответа: да или нет, такой тип задач и называется задачами классификации. Визуальный пример классификации на рисунке 2.

рисунок 2 - визуализация классификации

Обучение без учителя . При таком подходе к обучению машинного интеллекта, ключевым является нахождением всевозможных корреляций, а также группировка данных, так как изначально отмеченных и сгруппированных данных нет, как в случае в обучении с учителем. Пример такой постановки задачи: нужно сгруппировать животных в зоопарке исходя из их запахов. В таких задачах есть три способа достичь нужный результат, разберем на примере задачи выше про животных:

• •    Путем кластеризации - группировка животных в кластеры исходя из попарных сходств, рисунок 3.

Рисунок 3 - визуализация кластеризации

• •    Путем поиска ассоциативных правил. Происходит поиск животных с одинаковыми характеристиками - признаками.

• •    Путем снижения размерности. Сутью данного подхода является с помощью математических преобразований отказаться от части признаков, не потеряв при этом нужную информацию.

Обучение с частичным привлечением учителя. В таком подходе в задаче существуют два типа данных: размеченные и неразмеченные. У неразмеченных данных происходит поиск общих признаков, у размеченных в добавок к поиску общих признаков присутствует известный целевой признак. Такого типа задачи считаются чем-то среднем между теми двумя типам задач описанные ранее.

Обучение с подкреплением. Такой подход к обучению искусственного интеллекта считается самым сложным, но самым подающим надежды. Суть такого подхода в обучении на практике, в отличие от выше описанных подходов, в которых обучение происходит в пассивном режиме - передача данных и обнаружение корреляций. В данном подходе необходимо научить машину взаимодействовать с внешней средой, благодаря чему поиск данных и выделение в них нужных признаков будет происходить без участия человека.

В рамках разрабатываемого модуля, задача, которую приходится решать - является задачей обучения с учителем типа регрессии.

В задачах регрессии ключевым является выбрать нужную функцию из всех, которая бы минимизировала потери. У регрессии есть родственные понятия: экстраполяция и интерполяция. Интерполяция - способ выбора функции из множества функций, которая бы проходила через заданные точки, в свою очередь экстраполяция - это предсказание выбранной функции проходящий через заданные точки, только уже вне интервала этих точек, изображено на рисунке 4.

Рисунок 4 - визуализация экстраполяции

Даны две точки x*. Ближайшими к экстраполируемой точке (Х_к-1, Y_k-1), равны и (Х_к, У_к), экстраполяция дает функцию:

Y(x * ) = Y k—i +

Х*-Х к-1

Хк - Хк-1

(У к

- ^У к-1 ),

является идентичной интерполяции, если Х_к-1< X * < Х_к

В рамках задачи разрабатываемого модуля с функцией предсказания заполняемости криохолодильников как нельзя лучше подходит экстраполяция. На основе данных о количестве ранее доноров и сданного ими биоматериале можно прогнозировать в будущем количество сданного биоматериала, взяв за основу алгоритм экстраполяции.

Итак, в рамках данной статьи был выбран алгоритм, который лег за основу программного, отвечающего за предсказания заполнения криохолодильников в криохранилище в НМИЦ ДГОИ им. Дмитрия Рогачева.