Использование нейронных сетей в бизнес-приложениях



Скачать 20.67 Kb.
Дата16.02.2017
Размер20.67 Kb.
Просмотров123
Скачиваний0

Использование нейронных сетей в бизнес-приложениях

Один из подходов к созданию искусственного интеллекта состоит в проектировании механизмов имитации процесса передачи сигналов в биологическом мозге.

Нейронные сети состоят из компьютерных аппаратных и программных средств, с помощью которых предпринимаются попытки копировать модели обработки информации биологическим мозгом. Теория построения нейронных сетей включает в себя структуру сети (т. е. топологию нейронной сети), обучающий алгоритм и представление знаний.

Искусственные нейронные сети используются при решении проблем, которые не могут быть точно сформулированы [1].

На сегодняшний день традиционные методы организации вычислительного процесса в ЭВМ оказываются неэффективными при решении ряда задач, относящихся к классам, не формализуемых или случайных, которые требуют обработки больших массивов информации, проверки множества альтернативных гипотез, поиска их в базах данных. Применение ИНС позволяет привлечь в вычислительную технику методы обработки информации, характерные для высокоорганизованных биологических систем, в частности принцип параллелизма.

Нейронные сети можно рассматривать как черный ящик с некоторым количеством входов и выходов, причем точный вид связей между входами и выходами неизвестен, иначе связь можно было бы моделировать непосредственно. Значения входных переменных обрабатываются внутри сети, результат отображается на выходе. В процессе обработки входной информации происходит внутреннее изменение структуры сети, т.е. алгоритма преобразования. Этот процесс называется обучением. В процессе обучения сети предъявляют примеры входных данных, а полученные выходные данные сравнивают с эталонными. Если ответы не совпадают, структура сети меняется, чтобы уменьшить ошибку. Процесс обучения заканчивается по достижению некоторого приемлемого результата (уровня ошибки). Для обучения нейронных сетей применяются алгоритмы двух типов (разные типы сетей используют разные типы обучения): управляемое ("обучение с учителем") и не управляемое ("без учителя"). Чаще всего применяется обучение с учителем.

Для управляемого обучения сети пользователь должен подготовить набор обучающих данных. Эти данные представляют собой примеры входных данных и соответствующих им выходов. Сеть учится устанавливать связь между первыми и вторыми. Обычно обучающие данные берутся из исторических сведений. Затем нейронная сеть обучается с помощью того или иного алгоритма управляемого обучения. Если сеть обучена хорошо, она приобретает способность моделировать (неизвестную) функцию, связывающую значения входных и выходных переменных, и впоследствии такую сеть можно использовать для прогнозирования в ситуации, когда выходные значения неизвестны [2].

В силу своей универсальности и способности к обобщению ИНС применимы практически во всех областях человеческой деятельности.

Многие финансовые структуры уже используют нейронные сети.

Нейронные сети все чаще применяют в реальных бизнес- приложениях Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.

Поскольку экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, очень сложно (если вообще реально) создать полную математическую модель с учетом всех возможных действий, противодействий и существующих ограничений.

Большинство задач, решаемых с помощью нейросетей в менеджменте, аналогичны и другим сферам деятельности человека. Этими задачами являются классификация, прогнозирование, кластеризация и оптимизация.



Классификация. Классифицировать можно предприятия, организации, контрагентов, продукцию, рынки сбыта, заемщиков — физических или юридических лиц при оценке их кредитоспособности, активы и обязательства. Способности нейронных сетей к классификации используют при мониторинге транзакций в целях выявления краденых кредитных карт и поддельных банковских чеков. Система Falcon фирмы HNC39, позволяет по частоте сделок и характеру покупок выделить подозрительные из их числа и оповестить об этом. Благодаря внедрению системы, потери банков от мошеннических операций заметно уменьшились. В настоящее время система Falcon контролирует более 260 миллионов счетов 16 крупнейших эмитентов кредитных карт.

Аналогичная система, разработанная фирмой ITC, используется для отслеживания операций с картами системы Visa.

Фирмой Neural Innovation Ltd. создана нейросетевая система Claim Fraud Analyser, позволяющая мгновенно выявлять подо зрительные страховые иски, относящиеся к поврежденным автомобилям.

Прогнозирование. К этому типу относятся задачи прогнозирования финансовых и нефинансовых показателей работы предприятия: остатков средств на корреспондентских счетах, движения денежных средств, объемов оборотных средств, объемов продаж, загрузки производственных мощностей, спроса на новую продукцию, курсов акций, обменных курсов, поведения клиентов, прогнозирование и оценка риска предстоящей сделки (задачи риск-менеджмента), прогнозирование возможных мошеннических действий. Многие финансовые учреждения используют нейронные сети для финансового прогноза и управления инвестициями, а также для прогнозирования экономических параметров и фондовых индексов.

Финансовая корпорация Citicorp применяет крупный специализированный нейрокомпьютер для анализа и краткосрочного предсказания колебаний курсов валют. Другая компания, LBS Capital Management, установив в своем аналитическом отделе небольшой нейрокомпьютер, добилась существенного повышения точности предсказания биржевых индексов S&P 500 по сравнению с использовавшимися до этого пакетами статистического анализа.



Кластеризация. Такая задача возникает при необходимости разделить объекты на ряд групп (кластеров). При этом менеджер не обладает достаточными сведениями об объектах, чтобы сформировать требуемый выходной вектор.

Оптимизация — поскольку процесс обучения в нейронных сетях должен минимизировать заранее определенную ошибку, нейронные сети могут использоваться для решения задач оптимизации, таких, как задачи логистики, оптимального планирования работы и минимизации издержек. Уже существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.

Также с помощью нейронных сетей решаются другие комплексные задачи бизнес-аналитики – анализ работы филиалов компании, сравнительный анализ конкурирующих фирм, оценка стоимости недвижимости, сложные исследования факторов спроса [3].

Приведенные примеры показывают, что технологии нейронных сетей применимы практически в любой области. В некоторых задачах, таких, как прогнозирование котировок или распознавание образов, нейронные сети стали уже привычным инструментом.

Тем не менее, нейронные сети никогда не смогут полностью заменить людей в процессе решения задачи. Нейронные сети должны использоваться для обобщения данных, а не для определения, атрибуты и критерии которого весьма важны при сборе данных. Нейронные сети могут подражать решению проблемы человеком, но они не сообщат, какой из критериев решения задачи должен быть принят во внимание перед сбором данных. Кроме того, обучающиеся машины часто используются при формализации знаний из данных реального мира, но сами обучающиеся машины не могут генерировать принципы формализации.

При создании систем на основе нейронных сетей на относительно устойчивых западных рынках особых проблем у разработчиков не возникает. Российский рынок имеет свои специфические черты: изменчивость, особенности поведения потребителей, воспитанных в условиях дефицита и дефицитных ожиданий (например, закупки в период высоких инфляционных ожиданий). В изменчивых условиях для отечественных предприятий особенно важно иметь прогноз спроса на товары и соответственно дохода компании, чтобы осуществлять оптимальное управление закупками.

Несмотря на то, что у моделей на основе нейронных сетей очень гибкие теоретические требования и, кроме того, им необходимы совсем небольшие объемы предварительных знаний относительно формирования задачи, внедрение таких технологий в организации требует, кроме денег и времени, еще и перемены психологии. Однако практика показывает, что, если это осуществляется, вложения окупаются и выводят компанию на качественно новый уровень развития.



Литература

  1. Лапыгин Ю. Н.. Экономическое прогнозирование : учеб. пособие / Ю. Н. Лапыгин, В. Е. Крылов, А. П. Чернявский. — М. : Эксмо. — 256 с. — (Высшее экономическое образование)., 2009

  2. Интеллектуальный Портал Знаний statistica.ru // [Электронный ресурс] / Режим доступа: http://www.statistica.ru/textbook/neyronnye-seti/#using
  3. Типичные примеры применения нейронных сетей в менеджменте // [Электронный ресурс] / Режим доступа: http://md-it.ru/articles/html/article18.html



Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©nethash.ru 2017
обратиться к администрации

войти | регистрация
    Главная страница


загрузить материал