Вместо предисловия: Система Лотереи (http://www.proza.ru/2010/11/18/751)
* * *
In English: http://www.proza.ru/2010/12/27/1080
Даже те, кто представляет себе работу Искусственного Интеллекта (ИИ) в расчете выигрышных номеров в лото (а большинство даже не представляют), часто путают методику ИИ со статистической методикой. И это вполне понятно, т.к. любой интеллект вынужден опираться на опыт для дальнейшего развития, а значит в каком-то смысле, оперировать статистическими данными. Однако в чем же разница?
Любая идея метода статистики основывается на базе данных с полученными ранее результатами. Могут меняться требуемые данные и их обработка, но суть будет оставаться той же. ИИ работает несколько иначе, причем в корне могут отличаться даже сами принципы работы таких систем. Например, рассмотрим одну из моделей, требующей интеракции с людьми, что вовсе не требует классический статистический метод.
Для этого рассмотрим семантическую сеть нейронов ИИ в самой простейшей его форме. У нее есть вход, выход и внутренний механизм. На вход подается сигнал: в случае нашего примера это могут быть числа и человек, что их передал. Механизм обрабатывает вход в соответствии со своей базой данных, учитывающей, например, количество переданных чисел различными людьми, их совпадение и «процент удачи» каждого передающего, относительно каждого числа в отдельности. На выход поступает матрица чисел с процентным весом для каждого числа. Разумеется, пример упрощен до максимума – лишь для понимания общей картины на одном из многих примеров принципов работы ИИ.
Итак, 10 тыс. человек в течение года пробуют угадывать числа, передавая данные в такой механизм. И вот приходит день, когда ИИ «решает», что готов к посылке 10 тыс. билетов. Получив от реальных людей числа, идет проверка для каждого человека и каждого из его чисел в отдельности. Люди с идентификационными номерами 600, 700 и 5000 угадывают 4-е число с высокой вероятностью в 40%, и они дали номера 25,26,26 соответственно. Однако большинство (60%) поставило на 4-е число варианты 25, 26, 28. Есть 5%, кто на 4-е число поставил 20, и эти люди не входят в число «счастливчиков», их удача в угадывании для 4-го числа не превышает 1%.
ИИ безразлично как угадывают «счастливчики», но он «помнит», что им нужно больше доверять в выборе конкретных чисел. Однако ИИ не может игнорировать и мнения большинства, поэтому вес у этих чисел тоже велик. В данном случае с четвертым числом, вероятно, что система даст «добро» на 26, т.к. оно дважды присутствует у «профессионалов по 4-ке», а также встречается у большинства. Но и число 20 не будет проигнорировано матрицей, только удельный вес у него будет так мал, что им можно пренебречь при построении 10 тыс. требуемых бланков.
Для еще более упрощенного примера, возьмем матрицу для 3 чисел из 4 возможных. Она может быть такова:
..............место............
число......1......2......3
.....1....75%...0%...0%
.....2....0%...50%...50%
.....3....0%...50%...25%
.....4....0%...0%...75%
Представим, что в системе участвовал лишь один человек, который послал числа 1,2,4. Тогда матрица на выходе будет такой:
..............место............
число......1......2......3
.....1....100%...0%...0%
.....2....0%...100%...0%
.....3....0%...0%...0%
.....4....0%...0%...100%
Т.е. число 3 даже не будет учитываться, т.к. «авторитет» единственного «учителя» системы просто непререкаем. А вот самое интересное будет происходить тогда, когда ИИ начинает учиться сам. Продолжая пример с тремя числами возьмемся предположить, что человек всегда ставил числа 1,2,3, но всегда выпадала 4-ка, которая занимала 3-е место. С каждым розыгрышем процент «доверия» ИИ, к предсказанию человеком числа на 3-м месте, снижался. Пока не дошло до того, что система стала ставить «наоборот», т.е. вопреки своему «учителю», ведь вероятность того, что он НЕ угадает превышает его «удачу».
Возвращаясь к примеру с матрицей из 37, вероятность такого поворота событий практически исключена, т.к. ИИ будет «искать» людей, которым можно «доверять», в процентном отношении. Система будет учиться на их ошибках, и корректировать себя каждый розыгрыш. Однако, именно в случае с лотерей, удельный вес большинства может быть и отрицательным фактором в системе ИИ, т.к. чем больше людей угадают результат, тем меньше приза достается каждому из них. Т.о. ИИ может пойти «нарочно против» большинства, вместе с маленькой группой «счастливчиков», чтобы в случае победы получить больше. «Мотивируясь» тем же, система может вообще пойти «против» всех, посредством метода исключения. Т.е., например, шестое число никто толком угадать не может, и система выбирает числа из наиболее низкого процента, по методу исключения. И вот так, выстраивается свого матрица, где у каждого из чисел есть место в требуемой шестерке, а также удельный вес в каждом из мест. Система решает, какие из чисел выбрать в соответствие с требованиями по количеству бланков и удельному весу из матрицы.
Разумеется, ИИ не обязан работать именно по такой системе (напоминаю также, что рассмотренная система максимально упрощена для общего понимания), и существует множество принципиально различных механизмов и математических моделей ИИ. Но вот что интересно, проработав несколько лет в области лотерейного бизнеса, постоянно общаясь с различными профессионалами в данной сфере, сталкиваясь со многими методиками лото, защитив диссертацию по нейронным сетям ИИ... я никогда не сталкивался с успешными разработками в области методики работы ИИ для предсказания результатов лотереи.
Автор статьи глава отдела программирования и статистики в лотерейной компании Израиля.
Методика "Диапазоны": http://www.proza.ru/2010/11/01/558
Методика "Сетка": http://www.proza.ru/2010/10/31/1175