CC BY
272Исследование использования нейросетей для анализа данных и принятия бизнес-решений: анализ эффективности использования нейросетей для обработки больших объемов данных и предоставления ценных инсайтов для принятия решений
со см о см
о ш т
X
<
т О X X
Хрищатый Алексей Сергеевич
магистр, РГУ нефти и газа (НИУ) имени И.М. Губкина, khrischatyy@gmail.com
Нейронные сети - это вычислительные модели, которые имитируют работу нервной системы организмов. Они состоят из искусственных нейронов, которые обмениваются и обрабатывают информацию. Основной принцип работы нейронной сети заключается в передаче сигналов между нейронами.
В данной статье раскрываются основы нейронных сетей и их применение для обработки больших объемов данных. Статья охватывает основные принципы работы нейронных сетей, включая передачу сигналов между нейронами для достижения оптимальной точности. Рассматривает преимущества использования нейронных сетей для обработки больших объемов данных.
В статье обсуждаются примеры успешного применения нейронных сетей в различных областях, таких как здравоохранение, финансы, логистика, безопасность, автомобилестроение, страхование, розничная торговля и маркетинг.
Ключевые слова: нейронные сети, бизнес, применение нейросетей, обработка данных, оптимизация, прогнозирование, конкурентоспособность.
Нейронные сети - это вычислительные модели, которые имитируют работу нервной системы организмов. Они состоят из искусственных нейронов, которые обмениваются и обрабатывают информацию.
Основной принцип работы нейронной сети заключается в передаче сигналов между нейронами. Входные данные подаются на входные нейроны, где каждый нейрон умножает значения на соответствующие веса и передает результаты дальше. Затем происходит вычисление активации каждого нейрона с использованием функции активации, которая преобразует взвешенную сумму входных значений в выходной сигнал. Процесс продолжается через все слои нейронной сети, где каждый нейрон связан с нейронами предыдущего и следующего слоев через веса [6].
Обучение нейронной сети заключается в подборе оптимальных весов для минимизации ошибки между выходными значениями и ожидаемыми значениями. Осуществляется данный процесс с использованием метода обратного распространения ошибки, который корректирует веса нейронов на основе градиента ошибки. Данный процесс повторяется на множестве обучающих примеров до достижения приемлемой точности.
Несмотря на свою мощь, нейронные сети имеют некоторые ограничения, такие как переобучение и проблемы интерпретируемости решений. Исследователи постоянно работают над разработкой методов и алгоритмов, чтобы преодолеть эти проблемы и улучшить эффективность нейронных сетей [7].
Так, мы можем заметить, что нейросети представляют собой компьютерные модели, которые эмулируют работу мозга. Они состоят из программных "нейронов", взаимодействующих друг с другом через синапсы - связи для передачи сигналов.
Для работы нейросети необходима подготовка исходных данных, и ее обучение. Отсутствие достаточного объема данных препятствует возможности создания и распознавания информации. Обучение нейросети требует участия специалиста, который подбирает и загружает нужные данные, и корректирует алгоритмы при необходимости.
Обычно нейросеть состоит из трех типов слоев: входного, скрытого и выходного. Входной слой принимает информацию из внешнего мира и передает ее дальше. Скрытые слои обрабатывают информацию и выделяют признаки. Выходной слой предоставляет окончательный результат работы нейросети (Рис. 1).
Существует несколько типов нейронных сетей, включая сверточные, рекуррентные, генеративные, персептроны и трансформеры. Каждый тип сети предназначен для решения определенных задач и имеет свою структуру.
Нейронные сети обладают разнообразными возможностями, включая самоорганизацию, прогнозирование, распознавание символов и изображений, сбор и анализ информации, адаптивное обучение и отказоустойчивость. Они находят
применение в различных сферах бизнеса для решения сложных задач и обработки больших объемов данных.
■ У\
л-1
> Уг
> У„
__ _. выходной
ш^идиии у
/-т™ СЛОЙ
слои скрытые слои
Рис. 1. Схема работы нейросетей (на примере персептрона) Источник: https://proproprogs.ru/neural_network/struktura-i-princip-raboty-polnosvyaznyh-neyronnyh-setey
Нейронные сети обрабатывают большие объемы данных и предоставляют ценные инсайты для принятия решений, используя про цесс, известный как "обратное распространение ошибки" (backpropagation). По данным исследования, опубликованного в журнале PLoS ONE, этот процесс включает несколько этапов [10]:
На этапе предварительной обработки данные очищаются от шума, нормализуются и преобразуются в формат, подходящий для обучения нейросети. Это может включать масштабирование значений и заполнение пропущенных данных. Затем данные используются для обучения нейросети. Нейросеть "учится", подстраивая свои веса и смещения на основе входных данных и ожидаемого ответа. Оптимизация включает в себя методы, такие как стохастический градиентный спуск, для обновления весов в нейронной сети и минимизации ошибки. После обучения нейросети ее предсказания можно анализировать и использовать для принятия бизнес-решений. Это может включать классификацию данных, прогнозирование будущих трендов, выявление аномалий и т.д.
Эффективность использования нейросетей для обработки больших объемов данных
Нейросети превращают большие объемы информации в ключевые инсайты, раскрывая даже самые сложные закономерности. Главная особенность нейросетей в способности адаптироваться к большим объемам информации и изучать ее. В процессе обучения нейросетям предоставляются массивные наборы данных, содержащие многочисленные примеры исходов и паттернов. По мере анализа этих данных, нейросеть выявляет взаимосвязи и закономерности, формируя уникальную модель, которая может применяться для предсказания и обработки новой информации [5].
Их архитектура и обучающие алгоритмы позволяют нейросетям обрабатывать данные автоматически, выделяя из них наиболее нужную информацию. Нейросети способны обнаруживать и анализировать сложные шаблоны, для выявления которых традиционные методы анализа данных оказываются неэффективными.
В качестве примера можно привести использование нейросетей в медицинской диагностике. Анализируя большое количество медицинских данных, включая результаты анализов, медицинские изображения и истории заболеваний пациентов, нейросети могут определить связи между различными факторами и помочь медицинским специалистам установить
вероятность развития определенных заболеваний или выбрать наиболее подходящий курс лечения [2].
Другой пример можно привести из исследования М.П. Соколова, в котором он описывает использование нейросетей Кохонена для обработки больших массивов данных. Автор исследовал использование нейросети для обнаружения момента возникновения опасных вибраций в газотурбинной установке ГТУ55СТ-20 [5]. В процессе исследования, был проведен анализ временного ряда значений контролируемых параметров, используя графическое представление этих временных рядов для оценки отклонений вызванных дефектами или повреждениями конструкции двигателя. Однако такой анализ оказался довольно трудоемким из-за необходимости обработки больших объемов информации и требовал высокой квалификации и опыта эксперта. Именно поэтому, автор решил использовать методы нейросетевого преобразования информации для снижения размерности больших массивов многомерных данных. В ходе исследования было обнаружено резкое ухудшение вибрационных характеристик двигателя, которое привело к его разрушению. Соколов использовал нейросети для выявления момента "зарождения" аномальных вибраций, и для определения характеристик вибросигнала, характеризующих проявление дефекта.
Из этих данных можно сделать вывод о том, что нейросети Кохонена могут быть эффективно использованы для обработки больших объемов данных и выявления сложных зависимостей и аномалий, которые могут быть недоступны при применении традиционных методов анализа.
Другое исследование показывает, что использование нейросетей в электронной коммерции может привести к заметному росту выручки компаний. Например, компания Amazon, лидер в сфере электронной торговли, активно применяет механизм рекомендаций на основе нейросетей. Этот механизм основан на анализе данных о предыдущих покупках, посещениях сайта, поисковых запросах и оценках товаров пользователями (Рис. 2) [9]. На основе этой информации нейронные сети предсказывают предпочтения каждого отдельного пользователя и рекомендуют соответствующие товары. Доля выручки, сгенерированная благодаря этому механизму, может достигать до 35%. В рекомендательных системах нейросети позволяют компаниям улучшить опыт покупателей и увеличить свою прибыль.
Гибридная система
Одинаковое медиасмотрение обоих пользователей
О
й
пользователи
О
Сопоставление рекомендаций
Гибридная рекомендация
Похожий по характеристикам
I Рекомендация
Рис. 2. Алгоритмы формирования рекомендательных сервисов Источник: https://telesputnik.ru/materials/tech/article/algoritmy-formirovaniya-rekomendatelnykh-servis
I I
О
ГО
>
JH
I
го m
о
ю
2
О
м со
fO CN О
cs
О Ш
m
X
<
m о x
X
Еще одним примером эффективного использования нейросетей в анализе больших данных является применение метода K-ближайших соседей. Этот метод позволяет предсказывать выбор потребителя на основе его действий на сайте, предыдущих покупках, локации и других признаках. Алгоритм использует пространственное разделение пользователей на координатной плоскости, где каждый пользователь имеет определенную точку. Путем сравнения точек пользователей с ближайшими точками других пользователей делается предсказание о предпочтениях нового пользователя. Это позволяет компаниям электронной торговли предлагать более релевантные и персонализированные товары, улучшая опыт покупателей и повышая вероятность совершения покупки.
В исследовании, опубликованном в журнале PLoS ONE, подробно рассматривается применение искусственных нейронных сетей (ANN) в здравоохранении [10]. ANN - это класс гибких нелинейных моделей регрессии и дискриминант-ных моделей, моделей снижения данных и нелинейных динамических систем. Применения ANN включают клиническую диагностику, прогнозирование рака, распознавание речи, прогнозирование продолжительности пребывания, анализ изображений и интерпретацию (например, автоматическую интерпретацию электрокардиограммы (ЭКГ) для диагностики инфаркта миокарда), и разработку лекарств.
Несмотря на обилие применений и сложность области, существует проблема отсутствия согласованности относительно возможностей ANN и их потенциала для информирования принятия решений на разных уровнях организаций здравоохранения. В этом контексте ANN принадлежат к широкому классу гибких нелинейных регрессионных и дискриминантных моделей, моделей сокращения данных и нелинейных динамических систем, аналогичных статистическим техникам, включая обобщенные линейные модели, непараметрическую регрессию и дискриминантный анализ или кластерный анализ.
Вне клинических приложений они использовались для улучшения управления здравоохранением, прогнозирования ключевых показателей, таких как стоимость или использование объектов. ANN использовались в качестве части моделей поддержки принятия решений для предоставления поставщикам услуг здравоохранения и системе здравоохранения экономически эффективных решений для управления временем и ресурсами [8].
Анализ данных показывает, что использование нейросе-тей в обработке больших данных в электронной торговле приводит к значительным преимуществам. Компании могут более точно анализировать поведение пользователей, предсказывать их предпочтения и настроить свои предложения в соответствии с этими предпочтениями. Это способствует более эффективной сегментации рынка, персонализации товаров и услуг, и увеличению продаж и удовлетворенности клиентов.
Нейросети в принятии бизнес-решений
ИНС широко применяются для прогнозирования сценариев влияния промоакций на объемы продаж товаров. Анализируя историю продаж и ассортимент магазина, алгоритмы, основанные на ИНС, способны предсказывать будущие объемы продаж с высокой точностью. Так компании могут планировать свои акции и рекламные кампании более эффективно [4].
Другим применением нейронных сетей является автоматизация маркетинговых процессов. Нейронные сети могут быть использованы для анализа и классификации данных, планирования и распределения рекламных роликов, определения целевой аудитории и создания персонализированных рекомендаций. Компании улучшают эффективность своих маркетинговых кампаний и достигают лучших результатов.
Также нейронные сети могут быть применены для создания систем поддержки принятия решений и ботов, которые предоставляют клиентам подробную информацию о продуктах или услугах компании. Данный опыт способствуют снижению финансовых и временных издержек на труд операторов колл-центров и обеспечивает клиентам более быстрый и удобный доступ к информации.
Нейронные сети являются мощными инструментами, которые все чаще используются в принятии бизнес-решений. Традиционно выход нейронной сети представляет собой прогноз или распределение вероятностей, и на основе этих данных принимаются решения. Однако одно из исследований указывает на то, что ведутся изучения по прямому использованию нейронных сетей для принятия решений, обходя этап прогнозирования [6]. Эта методология связана с обучением с подкреплением, типом машинного обучения, при котором агент учится принимать решения, взаимодействуя со своей средой и получая награды или штрафы.
Нейронные сети имеют множество практических коммерческих применений. Например, как мы уже выяснили раннее, в области электронной коммерции нейронные сети используются для персонализации опыта покупателя. Amazon и AliExpress используют ИИ для показа связанных и рекомендуемых товаров на основе поведения пользователей [3].
Внедрение нейронных сетей в различные сферы бизнеса может привести к значительным улучшениям и достижению положительных результатов. Например, проведены исследования внедрения искусственного интеллекта в виде ботов в платформу Telegram для блогера с 150 000 подписчиков. После использования нейросетевого бота в Telegram, 6 000 подписчиков стали использовать его функциональность. Помимо этого 653 человека приобрели платную подписку по цене 359 рублей. Эти числа свидетельствуют, что использование нейронных сетей и искусственного интеллекта в бизнесе может привести к значительному росту вовлеченности пользователей и повышению доходности.
Другой пример внедрения нейросети связан с использованием бота для учителя английского языка, который предлагает услуги по подписке. В результате внедрения данного бота можно заметить значительный рост в различных показателях. Например, улучшение общего уровня понимания и использования английского языка учениками, и увеличение общего дохода, получаемого от платных подписок.
Эти примеры демонстрируют, что внедрение нейронных сетей в бизнес может иметь значительный потенциал для улучшения результатов и достижения новых возможностей за счет автоматизации процессов и предоставления более персонализированных услуг для клиентов. Показатели роста, такие как увеличение числа клиентов, улучшение уровня обслуживания и повышение общего дохода, являются ключевыми факторами для оценки успешности внедрения нейронных сетей в бизнес-процессы.
В области здравоохранения IBM Watson, мощная система ИИ, использует нейронные сети для предложения диагнозов и оптимальных планов лечения на основе симптомов пациента и его анамнеза.
В финансовом секторе нейронные сети также используются для персонализированного обслуживания клиентов [1].
В логистике нейронные сети могут обрабатывать маршрутизацию и диспетчеризацию, помогая в планировании, контроле маршрутов и прогнозировании времени доставки.
В области безопасности они нейросети используются для защиты от вирусов, мошенничества и других киберугроз.
В строительстве автомобилей, например, Tesla использует нейронные сети в своих системах автопилотирования для распознавания дорожных знаков и обнаружения препятствий.
В страховании нейронные сети применяются страховыми компаниями для оценки будущих потерь и корректировки страховых премий.
Что касается банковского дела, нейронные сети автоматизируют операции, включая прогнозирование валют, одобрение кредитов, обнаружение мошенничества, одобрение ипотек и оценку риска долга.
В розничной торговле и продажах нейронные сети используются для прогнозирования спроса и продаж.
И последнее, в маркетинге они помогают анализировать большие наборы данных для понимания поведения потребителей, создания прогнозов контента и понимания сложных сегментов покупателей.
Основное преимущество нейронных сетей заключается в их способности обучаться на основе имеющихся данных и адаптироваться к новой информации. Благодаря этому, нейросети могут выявлять скрытые закономерности и предсказывать результаты с высокой точностью.
Применение нейронных сетей в бизнесе широко охватывает различные области. Они могут быть использованы для оптимизации бизнес-процессов, прогнозирования спроса, улучшения качества обслуживания клиентов, автоматизации маркетинговых стратегий и многого другого.
Успешное использование нейронных сетей требует хорошо подготовленных данных и экспертного управления процессом обучения. Правильный выбор архитектуры сети, оптимизация параметров и постоянное обновление моделей являются ключевыми факторами для достижения оптимальных результатов.
Исходя из проведенного анализа, можно сделать следующие выводы:
1. Нейронные сети представляют собой мощные инструменты для обработки больших объемов данных в различных областях, включая электронную коммерцию, медицину, финансы и маркетинг. Они способны автоматически извлекать ценную информацию из данных и обнаруживать сложные зависимости и паттерны, которые могут оставаться незамеченными при использовании традиционных методов анализа данных.
2. Применение нейронных сетей в бизнес-принятии решений демонстрирует значительные преимущества. Они могут быть использованы для прогнозирования продаж, персона-лизации клиентского опыта, автоматизации маркетинговых процессов и создания систем поддержки принятия решений. Внедрение нейронных сетей в бизнес может привести к улучшению результатов и достижению новых возможностей.
3. Успешное использование нейронных сетей требует грамотной подготовки данных и экспертного управления процессом обучения. Выбор подходящей архитектуры сети, оптимизация параметров и постоянное обновление моделей - факторы для достижения оптимальных результатов.
Литература
1. Балашов М.К. Будущее маркетинга: нейронные сети как инструмент обслуживания клиентов // Наука и образование сегодня. 2017. № 11. С. 52-55.
2. Киселев А.В. Влияние технологий обработки больших данных на развитие сферы электронной торговли // StudNet. 2020. №10. URL: https://cyberleninka.ru/artide/n/vNyanie-tehnologiy-obrabotki-bolshih-dannyh-na-razvitie-sfery-elektronnoy-torgovli (дата обращения: 27.05.2023).
3. Масюк Н.Н., Васюкова Л.К., Бушуева М.Ал., Диденко П.С. Нейроные сети как прорывная цифровая технология в инновационном бизнесе // ани: экономика и управление. 2019. №4 (29). URL: https://cyberleninka.ru/article/n/neyronye-seti-kak-
proryvnaya-tsifrovaya-tehnologiya-v-innovatsionnom-biznese (дата обращения: 18.05.2023).
4. Методология развития экономики, промышленности и сферы услуг в условиях цифровизации / Под ред. д-ра экон. наук, проф. А.В.Бабкина. - СПб: Политех-Пресс, 2018. - 756 с. DOI.10.18720/IEP/2018.6.
5. Соколов М.П. Обработка больших объемов параметрической информации с помощью нейронной сети Кохонена // Научный вестник МГТУ ГА. 2006. №100. URL: https://cyberleninka.ru/article/n/obrabotka-bolshih-obemov-parametricheskoy-informatsii-s-pomoschyu-neyronnoy-seti-kohonena (дата обращения: 28.05.2023).
6. Язханова Х.Д., Бердиева М. Нейронные сети для оптимизации управленческих решений // Вопросы науки и образования. 2022. №8 (164). URL: https://cyberleninka.ru/article/n/neyronnye-seti-dlya-optimizatsii-upravlencheskih-resheniy (дата обращения: 28.05.2023).
7. Aksen E. Direct Use of Neural Networks for Decision Making. ScienceOpen Preprints. 2020. DOI: 10.14293/S2199-1006.1.S0R-.PPD0PZQ.v1
8. Obianyo, J.I., Udeala, R.C. & Alaneme, G.U. Application of neural networks and neuro-fuzzy models in construction scheduling. Sci Rep 13, 8199 (2023). https://doi.org/10.1038/s41598-023-35445-5
9. Roettgers, J. How Amazon Recommends Movies on Prime Video [Электронный ресурс] // Variety. - 2019. - URL: https://variety.com/2019/digital/news/amazon-prime-video-algorithms-1203233844/ (дата обращения: 17.05.2023).
10. Shahid N., Rappon T., Berta W. (2019) Applications of artificial neural networks in health care organizational decision-making: A scoping review. PLoS ONE 14(2): e0212356. https://doi.org/10.1371/journal.pone.0212356
Research on the use of neural networks for data analysis and business decision making: analysis of the effectiveness of the use of neural networks for processing large amounts of data and providing valuable insights for decision making Khrishchaty A.S.
Russian State University of Oil and Gas (NRU) named after I.M. Gubkin
JEL classification: C01, C02, C1, C4, C5, C6, C8_
Neural networks are computational models that mimic how the nervous system of organisms works. They are made up of artificial neurons that exchange and process information. The basic principle of the neural network is to transmit signals between neurons. This article reveals the basics of neural networks and their application for processing large amounts of data. The article covers the basic principles of how neural networks work, including signaling between neurons to achieve optimal accuracy. Considers the benefits of using neural networks for processing large amounts of data.
The article discusses examples of successful applications of neural networks in various fields such as healthcare, finance, logistics, security, automotive, insurance, retail and marketing. Keywords: neural networks, business, application of neural networks, data processing,
optimization, forecasting, competitiveness. References
1. Balashov M.K. The Future of Marketing: Neural Networks as a Customer Service
Tool // Science and Education Today. 2017. No. 11. S. 52-55.
2. Kiselev A.V. The impact of big data processing technologies on the development of
e-commerce // StudNet. 2020. No. 10. URL: https://cyberleninka.ru/article/n/vliyanie-tehnologiy-obrabotki-bolshih-dannyh-na-razvitie-sfery-elektronnoy-torgovli (date of access: 05/27/2023).
3. Masyuk N.N., Vasyukova L.K., Bushueva M.Al., Didenko P.S. Neural networks as
a breakthrough digital technology in innovative business // ani: economics and management. 2019. No. 4 (29). URL: https://cyberlen¡nka.ru/art¡cle/n/neyronye-seti-kak-proryvnaya-tsifrovaya-tehnologiya-v-innovatsionnom-biznese (Date of access: 05/18/2023).
4. Methodology for the development of the economy, industry and services in the
context of digitalization / Ed. Dr. Econ. sciences, prof. A.V. Babkina. - St. Petersburg: Polytech-Press, 2018. - 756 p. DOI.10.18720/IEP/2018.6.
5. Sokolov M.P. Processing of large volumes of parametric information using the
Kohonen neural network // Scientific Bulletin of MSTU GA. 2006. No. 100. URL: https://cyberleninka.ru/article/n/obrabotka-bolshih-obemov-parametricheskoy-informatsii-s-pomoschyu-neyronnoy-seti-kohonena (date of access: 05/28/2023).
X X О го А С.
X
го m
о
to о to
M
6. Yazhanova Kh.D., Berdieva M. Neural networks for optimizing managerial decisions
// Problems of science and education. 2022. No. 8 (164). URL: https://cyberleninka.ru/article/n/neyronnye-seti-dlya-optimizatsii-upravlencheskih-resheniy (date of access: 05/28/2023).
7. Aksen E. Direct Use of Neural Networks for Decision Making. ScienceOpen
Preprints. 2020. DOI: 10.14293/S2199-1006.1.SOR-.PPDOPZQ.v1
8. Obianyo, J.I., Udeala, R.C. & Alaneme, G.U. Application of neural networks and
neuro-fuzzy models in construction scheduling. Sci Rep 13, 8199 (2023). https://doi.org/10.1038/s41598-023-35445-5
9. Roettgers, J. How Amazon Recommends Movies on Prime Video [Electronic
resource] // Variety. - 2019. - URL: https://variety.com/2019/digital/news/amazon-prime-video-algorithms-1203233844/ (date of access: 05/17/2023).
10. Shahid N., Rappon T., Berta W. (2019) Applications of artificial neural networks in
health care organizational decision-making: A scoping review. PLoS ONE 14(2): e0212356. https://doi.org/10.1371/journal.pone.0212356
CO CS
o
CS
o
HI
m
X
<
m
o
X X
