CC BY
91
УДК 336.64 © А. М. Самарин
А. М. Самарин
ИСТОРИЯ НЕЙРОКОМПЬЮТИНГА И ЕГО ПРИМЕНЕНИЕ В БИЗНЕСЕ
В статье рассматривается история зарождения нейрокомпьютинговых технологий. Дается оценка современным нейрокомпьютерам и освещаются основные сферы применения нейронных сетей.
Ключевые слова: бизнес, моделирование, нейронная сеть, нейрокомпьютинг.
В бизнесе невозможно обойтись без планов и прогнозов, каждый день компании сталкиваются с различными экономическими явлениями, такими, как анализ бухгалтерской отчетности, проведение тендеров, оценка финансовой устойчивости, платежеспособности и т.д.
Сегодня существует огромное количество методов анализа в экономике: метод экспертных оценок, метод экстраполяции, финансовое моделирование, экономико-математическое моделирование. Экономико-математическое моделирование позволяет определить количественное выражение взаимосвязей между результативным показателем и факторами, влияющими на его величину. Данная взаимосвязь представляется в виде экономико-математической модели.
Кроме того, сегодня на рынке появляется абсолютно новый и усовершенствованный инструмент анализа - нейронные сети. Нейронная сеть - компьютерный алгоритм, построенный по принципу человеческого мозга и обладающий способностью к обучению [5].
Базовым элементом нейронной сети является нейрон. Сама идея создания искусственных нейронных сетей по образу устройства нервной системы живых существ с целью выработки новых экономических и технологических решений была разработана ещё в 1943 году. К. МакКоллох и А. Питс создали упрощённую модель нейрона. Мозг человека содержит до 1011 нейронов различных видов. Все они сложным образом взаимодействуют между собой и собраны в «популяции» - нейронные сети. Искусственный нейрон, имитируя свойства биологического нейрона, имеет сходное с ним строение [5].
Прототипом для создания нейрона послужил биологический нейрон головного мозга. Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции возбуждения нейронов. Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, мы должны выбрать, каким образом следует соединять нейроны друг с другом, и соответствующим образом подобрать значения весовых параметров на этих связях. Может ли влиять один элемент на другой, зависит от установленных соединений. Вес соединения определяет силу влияния. Общий вид нейрона приведен на рис. 1
Входы Синапсы
¡=1
Аксон Выход -О У
У = Р(Б)
Рис. 1. Общий вид нейрона [8].
Интерес научной общественности к нейрокомпьютингу появился в начале 1980-х гг. В настоящее время существует множество искусственных нейронных сетей разных типов, что связано с различными способами объединения нейронов между собой и организацией или топологией их взаимодействия. Обычно нейронные сети подразделяются на два вида: > статические сети или сети с прямой связью; ^ динамические или рекуррентные сети.
Практически все ныне действующие нейрокомпьютеры используют традиционную элементную базу - микроэлектронную СБИС. Современная электроника опирается на цифровую обработку сигналов. Преимущество нейрокомпьютинга заключается в том, что цифровая обработка устойчива к помехам и технологическим отклонениям в параметрах базовых элементов. Современные нейрокомпьютеры выступают в роли специализированных матричных ускорителей, использующих матричный, послойный характер обработки входящих сигналов [1]. Такие сети позволяют выделять глобальные свойства данных за счёт наличия дополнительных синаптических связей и повышения уровня взаимодействия нейронов. Это существенно, когда размер входного слоя достаточно велик, поскольку скрытые нейроны способствуют выделению статистических зависимостей высокого порядка [4]. Типовая схема нейронной сети с прямой связью с одним скрытым слоем приведена на рис. 2.
Рис. 2. Типовая схема нейронной сети с прямой связью с одним скрытым слоем [4].
Так, в отдельные категории можно выделить задачи прогнозирования, оптимизации, поиска закономерностей, поддержки принятия решений. В целом же понятие экономических задач настолько обширно, что создание их единой и непротиворечивой классификации представляет собой отдельную научную задачу, выходящую за рамки данного исследования. Однако и без этого можно предположить, что количество таких задач, как и классификационных признаков, будет велико, что усложняет выработку рекомендаций по применению инструментария нейронных сетей к решению задач различных классов (табл. 1).
Таблица 1
_Задачи, решаемые искусственными нейронными сетями [5]_
Персептронные Самоорганизующиеся Рекуррентные
искусственные нейронные искусственные нейронные искусственные нейронные
сети сети сети
Классификация Кластеризация
Регрессия Оптимизация
Ассоциативный поиск
Фильтрация
Следующий этап создания нейронных сетей - это обучение. Способность к обучению является основным свойством мозга. Для искусственных нейронных сетей под обучением понимается процесс настройки архитектуры сети (структуры связей между нейронами) и весов синаптических связей (влияющих на сигналы коэффициентов) для эффективного решения поставленной задачи. Обычно обучение нейронной сети осуществляется на некоторой выборке. По мере процесса обучения, который происходит по некоторому алгоритму, сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы.
Выделяют три типа обучения:
• с учителем,
• самообучение
• смешанный.
При обучении нейронных сетей с учителем «правильные ответы» к каждым входным данным, а веса подстраиваются так, чтобы минимизировать ошибку. Обучение без учителя позволяет распределить образцы по категориям за счет раскрытия внутренней структуры и природы данных, выходы искусственных нейронных сетей формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. При смешанном обучении комбинируются два вышеизложенных подхода.
В отличие от обычных ЭВМ, нейрокомпьютеры обладают следующими преимуществами:
1) высокое быстродействие;
2) системы устойчивы к помехам и разрушениям;
3) надежная система может быть создана из элементов, которые имеют большой разброс параметров [8].
Сегодня нейрокомпьютинговые технологии применяются в самых различных сферах. Нейронные сети стали чаще освещаться в различных СМИ:
•S автопилотируемый гиперзвуковой самолет-разведчик;
•S системы безопасности аэропортов;
•S финансовые рынки;
•S распознавание краденных кредитных карт;
•S мониторинг и персонализированная рассылка новостей в сети Интернет и др. [1]
Рынок программного обеспечения нейросетевого моделирования представлен следующими продуктами:
■ STATISTICA Neural Networks;
■ Neuro Forecaster;
■ VisualData 2001T;
■ Forecast Expert 1.03;
■ NeuroStock 2.4;
■ NeuroScalp ver. 1.0;
■ FuzzyTECH 5.54;
■ Neural Analyzer и другие.
В табл. 2 приведены примеры применения нейрокомпьютинговых технологий в различных сферах экономики и бизнеса.
Нейронные сети широко используются при прогнозировании. Например, для любой инвестиционной деятельности, предсказание финансовых временных рядов - это неотъемлемый элемент работы.
Анализ, основанный на нейросетевом моделировании, в отличие от экономического, не предполагает никаких ограничений на характер входной информации. Это могут различные индикаторы данного временного ряда, сведения о поведении других рыночных инструментов и т. д. Поэтому нейрокомпьютинговые технологии активно используют именно институциональные инвесторы, работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.
Таблица 2
Применение аппарата нейронных сетей в различных сферах бизнеса [1]_
Сфера бизнеса Пример
Прогнозирование временных рядов Прогнозирование курса валют, прогнозирование котировок и спроса акций не для долгосрочного вложения
Экономическая эффективность финансирования Анализ реализованных ранее проектов, анализ на соответствия предлагаемого проекта экономической ситуации
Маркетинг Моделирование динамики цен, построение модели структуры расходов, моделирование работы служб
Биржевая деятельность Выделение долгосрочных и краткосрочных скачков курсовой стоимости акций, распознавание биржевой игры, определение соотношения котировок и спроса, формирования портфеля ценных бумаг
Кредитование Оценка риска займа на основе построения нелинейной модели с целью определения возможности кредитования или предоставление кредитов и займов без залога
Страхование Оценка риска страхования инвестиций на основе анализа надежности проекта, оценка риска страхования вложенных средств
Прогнозирование банкротства Анализ величины вероятности банкротства на основе многокритериальной оценки выявляет потенциальные проблемы организаций, используется для оценки ее деятельности и оценки обанкротившихся организаций с цель выявления причин банкротства
Во-вторых, в отличие от экономического анализа, основанного на общих рекомендациях и методиках, нейронные сети способны находить оптимальные для данного инструмента индикаторы и строить по ним оптимальную стратегию предсказания. Кроме того, эти стратегии могут быть адаптивны, т.е. они способны обучаться, меняясь вместе с рынком, а это особенно важно для молодых, активно развивающихся рынков.
Ярким примером успешного применения искусственных нейронных сетей в финансовой деятельности - это управление кредитными рисками. Известно, что перед выдачей кредита банки изучают кредитную историю клиента, проводят сложный статистический анализ по финансовой надежности заемщика. Это делается для того, чтобы оценить вероятность убытков самого банка от несвоевременного возврата выданного кредита и начисленных процентов. Анализ базируется на оценке кредитной истории, динамике развития компании, бухгалтерской отчетности компании-заемщика, а также ведется расчет финансовой устойчивости и платежеспособности и ликвидности организации. Например, один широко известный банк в США уже попробовал применить метод нейронных вычислений. В итоге та же задача по уже проделанным расчетам подобного рода решается гораздо быстрее и точнее. То есть в одном из случаев оценки 100 тыс. банковских счетов новая система, построенная на базе искусственных нейронных сетей, определила свыше 90% потенциальных неплательщиков.
Кроме банковской сферы аппарат искусственных нейронных сетей зарекомендовал себя и в другой финансовой сфере - предсказания на фондовой бирже.
Стандартные подходы в прогнозировании на фондовом рынке базируются на жестко фиксированном наборе «правил игры». Однако со временем они теряют свою эффективность, в связи с тем, что изменяются условия торгов на фондовой бирже. Также, системы, построенные на основе таких подходов, чаще всего оказываются слишком медленными для ситуаций, требующих мгновенного принятия решений. Стоит отметить, что на сегодняшний день таких ситуаций становится все больше и больше. Первыми применить аппарат искусственных нейронных сетей решились японские компании, работающие на рынке ценных бумаг. В архитектуру на базе нейронной сети ввели информацию общим
объемом в 33 года деловой активности нескольких организаций. Входными параметрами для нейронной сети служили:
■ оборот компании;
■ предыдущая стоимость акций;
■ уровни дохода и т. д.
Когда нейронная сеть сама обучается на реальных примерах, ее система показывает большую точность предсказания и лучшее быстродействие. Например, если сравнивать статистический анализ и применение нейронных сетей, то последние показали результат лучше почти на 20% [ 1].
Быстрыми темпами сегодня развивается рынок недвижимости. Следующим примером применения нейросетей можно считать оценку стоимости недвижимости. Решение данной задачи зависит в основном от опыта сотрудника риэлтерской фирмы, который должен учитывать множество таких неравноценных факторов, как доля собственности, качество постройки, окружающая обстановка и т.д. Группа исследователей из университета города Портсмут (Великобритания) заложила в архитектуру искусственных нейронных сетей входные данные по оценке недвижимости из обзоров риэлтерских фирм и списков аукционных цен. Результаты показали, что система, обучившись на реальных примерах, делает оценки стоимости, хорошо коррелируемые с экспертными заключениями специалистов этого профиля [1].
Аппарат искусственных нейронных сетей зарекомендовал себя и в маркетинговой деятельности. В условиях рыночной экономики и конкуренции компаниям необходимо поддерживать постоянную связь с клиентами, а также обеспечивать обратную связь. В маркетинге применяются следующие методы поддержки связи:
• опрос;
• наблюдение;
• эксперимент;
• имитационное моделирование.
Анализ результатов опроса - непростая задача, поскольку необходимо исследовать большое количество связанных между собой параметров и выявить факторы, оказывающие наибольшее влияние на спрос. Существующие нейросетевые методы позволяют выяснить это и прогнозировать поведение потребителей при изменении маркетинговой политики, а значит, находить оптимальные стратегии работы компании.
Еще одним примером применения нейронных сетей маркетинге можно считать то, что несколько лет назад компания GoalAssist Corporation выполнила заказ крупной маркетинговой фирмы, которой требовалось исследовать стратегию поощрительных товаров (когда, например, присылая несколько этикеток с покупок, покупатель получает бесплатный сувенир). Обычные методы прогнозирования «отклика потребителей» в данном случае оказались неточными, в результате чего спрос на некоторые поощрительные товары оказался слишком высоким и многим покупателям пришлось подолгу ждать получения приза, в то время как другие подарки остались невостребованными. Чтобы повысить точность прогнозирования поведения потребителей, были использованы нейронные сети, обучающиеся на основе накопленной статистики [3].
В 2008 году Ю. А. Кузнецовым и В. И. Перовой с помощью построения нейросетевой модели был проведен анализ деятельности крупнейших компаний Российской Федерации. В качестве базы для анализа был использован ежегодный рейтинг 400 крупных компаний Российской Федерации по объёму реализации продукции, составленный согласно экономическим показателям за определенный период времени равный четырём годам [7]. В данный список вошли такие компании, как ОАО «АвтВАЗ», ОАО «Вимм-Билль-Данн», ОАО «АКБарс» Банк, ЗАО «Аптеки 36,6», ОАО «РЖД», ОАО «Холдинговая компания «Металлоинвест», ОАО «Татнефть», Сбербанк России ОАО, ОАО «Газпром», ОАО «Магнитогорский металлургический комбинат», ОАО «Первый канал» и другие. В качестве
инструментария исследования были использованы самоорганизующиеся нейронные сети, разработанные Кохоненом.
Для каждого года таблица рейтинга содержит следующие показатели:
- места в рейтинге текущего и предыдущего годов;
- название компании;
- регион;
- отрасль;
- объёмы реализации в денежном выражении в текущем и предыдущем годах;
- темп прироста;
- прибыль до налогообложения;
- чистая прибыль.
В качестве исходных данных были выбраны последние четыре показателя. Среди выбранных показателей три являются абсолютными, и один соответственно относительным. Относительный показатель даёт качественную оценку ситуации, учитывает динамику развития компаний. Подобное одновременное использование абсолютных и относительных показателей позволяет объединить статистические и динамические оценки.
Результатом моделирования стало разбиение исходных данных на кластеры [4].
Также нейросетевое моделирование применяется в трейдинге. Для трейдинга наиболее простой является задача предсказания цен активов и их анализ. Как известно, существуют два основных подхода к анализу рынка - технический и фундаментальный. Первый из них базируется на теории Доу, который выдвинул еще в начале ХХ века лозунг: «Цены учитывают все», и, соответственно, технический аналитик использует только цены актива и различные индикаторы (функции цен). Фундаментальный анализ, наоборот, ищет взаимосвязь цен актива и внешних событий и данных типа макроэкономических показателей и финансовой отчетности корпораций и т. д. [6].
Итак, сегодня можно увидеть, как быстро развиваются методы нейросетевого моделирования. Применение нейронных сетей можно встретить в любых сферах деятельности человека. Не является исключением и экономика и бизнес.
К основным преимуществам нейронных сетей можно отнести:
^ способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными;
^ способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;
> эксплуатация обученной нейронной сети по силам любым пользователям;
^ нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;
> внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы, т. е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;
^ толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;
^ способность к распознаванию образов в условиях сильных помех и искажений.
Необходимо отметить, что помимо преимуществ, нейронные сети имеют и ряд недостатков:
1) неопределенность в выборе числа слоев и количества нейронных элементов в слое;
2) медленная сходимость градиентного метода с постоянным шагом обучения;
3) сложность выбора подходящей скорости обучения;
4) невозможность определения точек локального и глобального минимума, так как градиентный метод их не различает;
5) влияние случайной инициализации весовых коэффициентов нейронных сетей на поиск минимума функции среднеквадратической ошибки.
Однако, несмотря на эти недостатки нейронные сети уже смогли зарекомендовать себя на российском рынке.
Библиографический список
1. Горбань, А. Н. Нейроинформатика [Текст] / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. - Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296 с.
2. Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе [Текст] / А. А. Ежов, С. А. Шумский. - М.: 1998. - 222 с.
3. Кальченко, Д. Нейронные сети на пороге будущего [Электронный ресурс] / Д. Кальченко. - Режим доступа: http://www.compress.ru/Article.aspx?id=9663, свободный.
4. Кузнецов, Ю. А. Использование нейросетевого моделирования в анализе деятельности крупнейших компаний Российской Федерации [Текст] / Ю. А. Кузнецов, В. И. Перова // Экономический анализ: теория и практика. - 2010. - №31. - С. 32-42.
5. Минц, А. Ю. Общие вопросы постановки задач в нейросетевом моделировании [Текст] / А. Ю. Минц // Нейро-нечёткие технологии моделирования в экономике. - 2012. -№1. - С. 190-206.
6. Нейрокомпьютеры: от разработки до применения [Электронный ресурс]. - URL: http://www.neurocomp. ru, свободный.
7. Самарин, А. М. Использование нейросетевого моделирования при анализе деятельности и финансового положения компаний [Текст] / А. М. Самарин // Отчет по НИР НОУ ВПО «Омская гуманитарная академия» «Диагностика финансово-хозяйственной деятельности и мониторинг субъектов предпринимательской деятельности». - Омск: Изд-во НОУ ВПО «Омская гуманитарная академия», 2012. - С. 139-151.
8. Экономический журнал [Электронный ресурс]. - URL: http://www.market-journal.com, свободный.
HISTORY OF NEUROCOMPUTING AND ITS APPLICATION IN BUSINESS
Alexey M. Samarin
assistant, Siberian Institute of Business and Information Technologies
Abstract. The article discusses the history of the origin neurocomputing technologies. Assesses the modern neurocomputers and highlights the main areas of application of neural networks. Keywords: business, modeling, neural network, neurocomputing.
Сведения об авторе:
Самарин Алексей Михайлович - ассистент кафедры экономки Сибирского института бизнеса и информационных технологий (г. Омск, Российская Федерация), e-mail: alex23 071990@yandex.ru. Статья поступила в редакцию 03.06.2013.
