Научная статья на тему 'Машинное обучение и нейронные сети в бизнесе'

Машинное обучение и нейронные сети в бизнесе Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
1462
280
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
БИЗНЕС / BUSINESS / ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ / ARTIFICIAL INTELLIGENCE / МАШИННОЕ ОБУЧЕНИЕ / MACHINE LEARNING / МОДЕЛЬ / MODEL / НЕЙРОННЫЕ СЕТИ / NEURAL NETWORKS / ОТРАСЛИ / ПРИМЕНЕНИЕ / APPLICATIONS / ПРИМЕРЫ / EXAMPLES / INDUSTRIES

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Корнина А.Е.

В статье рассмотрены понятия «нейронные сети» и «машинное обучение», их сущность, возможности. Приведены примеры применения нейронных сетей и машинного обучения в различных отраслях бизнеса. Приведен российский опыт использования нейронных сетей. Также отмечены некоторые проблемы и перспективы развития машинного обучения и нейронных сетей.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

MACHINE LEARNING AND NEURAL NETWORKS IN BUSINESS

The article deals with the concepts of "neural networks" and "machine learning", their essence and capabilities. Examples of application of neural networks and machine learning in various branches of business are given. The Russian experience of using neural networks is given. Some problems and prospects of machine learning and neural networks development are also noted.

Текст научной работы на тему «Машинное обучение и нейронные сети в бизнесе»

прошли только 5 из 10 моделей (№3, №5, №7, №8, №10). Из Табл.2 можно заметить, что качество идентификации исследуемых предприятий отличается, поэтому для окончательной классификации показателей были использованы весовые коэффициенты, которые учитывали качество каждой модели. Как показывают данные, операция осреднения показателей выявила достаточно большую долю верно распознанных нейросетями предприятий -она составила 83,3%, что составляет 30 предприятий из 36 в тестовом множестве. Данный результат превзошёл все другие показатели. Таким образом, можно сделать вывод о том, что байесовский подход весьма эффективен на практике.

Применение байесовского моделирования всё больше и больше внедряется в социально-экономическую сферу общества. Поэтому разработанные концепции формализации сравнительной оценки для формирования

математической модели банкротств, основанной на байесовском подходе, позволяют сформировать условия создания эффективной нейросетевой модели банкротств.

Список используемых источников

1. Айвазян С.А. Байесовский подход в эконометрическом анализе. Прикладная эконометрика №1(9), Синергия, 2008. С. 93-130.

2. Беннер В.М., Бронникова Л.М. Основы математической обработки информации / учебно-методическое пособие. - Барнаул: Изд-во «АлтГПА», 2012. - 60с.

3 .Звягин Л.С. Математические методы в эконометрике как средства анализа и исследования социально-экономических систем // Вопросы экономики и управления. 2015. №1. С. 1-6.

4. Звягин Л. С., Данеев О. В. Методы финансовых расчетов: Сборник задач для проведения case-study. Учебное пособие - М.: Финуниверситет, 2016.

===================================== v V ====================================

УДК: 004.89

МАШИННОЕ ОБУЧЕНИЕ И НЕЙРОННЫЕ СЕТИ В БИЗНЕСЕ

Корнина А. Е., студент Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Аннотация. В статье рассмотрены понятия «нейронные сети» и «машинное обучение», их сущность, возможности. Приведены примеры применения нейронных сетей и машинного обучения в различных отраслях бизнеса. Приведен российский опыт использования нейронных сетей. Также отмечены некоторые проблемы и перспективы развития машинного обучения и нейронных сетей.

Ключевые слова: бизнес, искусственный интеллект, машинное обучение, модель, нейронные сети, отрасли, применение, примеры.

MACHINE LEARNING AND NEURAL NETWORKS IN BUSINESS

Kornina A.

Financial University under the Government of the Russian Federation, Moscow, Russia

Abstract. The article deals with the concepts of "neural networks" and "machine learning", their essence and capabilities. Examples of application of neural networks and machine learning in various branches of business are given. The Russian experience of using neural networks is given. Some problems and prospects of machine learning and neural networks development are also noted.

Key words: business, artificial intelligence, machine learning, model, neural networks, industries, applications, examples.

Актуальность темы обусловлена тем, что искусственные нейронные сети сегодня считаются одной из наиболее интересных и многообещающих сфер знаний. Одна из их главных особенностей - способность обучаться -открывает широкие перспективы для развития искусственного интеллекта и проникновения в различные области жизнедеятельности общества. Так, нейросети используются в медицине, экономике и различных сферах информационных технологий. Машинное обучение применяет алгоритмы ранжирования поисковых алгоритмов, механизмы

распознавания речи и жестов.

Чтобы понять, какое место машинное обучение и нейронные сети занимают в мире искусственного интеллекта и как они связаны с другими технологиями создания

интеллектуальных систем, начнем с определений.

Нейронные сети - принципиально новый подход в решение задач, которые решались алгоритмическим программированием [6, с.185]. Нет необходимости строить алгоритмы под все возможные случаи развития системы или процессов в системе и стремиться предугадать все варианты и описать логику для них. Нейронные сети позволяют на основе большого числа накопленных данных, самостоятельно найти закономерности и связи в заранее не явных аспектах и использовать эту информацию для дальнейшего прогнозирования, классификации и управления данными и процессами.

Основы нейронных сетей зародились в 1943 г., еще до появления термина «искусственный интеллект».

До 2010 г. не было базы данных, достаточно большой для того, чтобы качественно обучить нейросети решать определенные задачи, в основном связанные с распознаванием и классификацией изображений.

Но в 2010 году появилась база ImageNet, содержащая 15 миллионов изображений в 22 тысячах категорий. ImageNet многократно превышала объем существовавших баз данных изображений и была доступна для любого

исследователя. С такими объемами данных нейросети можно было учить принимать практически безошибочные решения [4, с.2647].

Нейронная сеть - это не просто математическая модель. Искусственная нейронная сеть состоит из множества элементов, которые называют нейронами или процессорами, подобно тому, как биологическая нейронная сеть состоит из нервных клеток. Копируя работу мозга человека, она действует не только по строгому алгоритму и формулам, но и накапливает и использует прошлый опыт. Т.е. нейроны способны обучаться.

Нейросеть моделирует работу человеческой нервной системы, особенностью которой является способность к самообучению с учетом предыдущего опыта. Таким образом, с каждым разом система совершает все меньше ошибок.

Как нервная система человека, нейросеть состоит из отдельных вычислительных элементов - нейронов, расположенных на нескольких слоях. Данные, поступающие на вход нейросети, проходят последовательную обработку на каждом слое сети. При этом каждый нейрон имеет определенные параметры, которые могут изменяться в зависимости от полученных результатов - в этом и заключается обучение сети.

Решать сложные задачи, которые зачастую посильны только людям, но при этом исключая риски, связанные с пресловутым человеческим фактором - несомненное преимущество нейронных сетей и причина столь активного их применения в различных сферах.

Поэтому можно примерно так описать процесс работы нейронных сетей: нейронная сеть на входе получает большой объем информации (big data). Затем данная информация анализируется, нейронная сеть обучается (machine learning) на основе положительных и отрицательных примеров. В процессе обучения формируется структура нейронной сети, которая в дальнейшем может решать задачи идентификации, классификации,

прогнозирования [6, с.186].

В основу машинного обучения положено главное преимущество искусственной нейронной сети - самообучение.

Машинное обучение — подраздел искусственного интеллекта на пересечении математики и компьютерных наук. Он изучает методы построения моделей и алгоритмов, основанных на принципе обучения [2]. Машина анализирует скормленные ей примеры, выделяет закономерности, обобщает их и строит правила, с помощью которых решаются разные задачи — например, предсказания дальнейшего развития событий или распознавания и генерации изображений, текста и речи. Помимо нейросетей, здесь также применяются методы линейной регрессии, деревья решений и другие подходы.

Составляющие машинного обучения представлены:

Таблица 1 - Области прим

1. Вычислительным ресурсом.

2. Математическими методами.

3. Данными для обучения.

Данные составляющие на сегодняшний день четко сформированы, поэтому сегодня нет препятствий для развития машинного обучения.

Чтобы использовать машинное обучение для решения своих задач или задач бизнеса, требуется учесть множество важных нюансов:

1. Ценность данных и предварительной подготовки.

2. Неравномерность распределения классов в реальных задачах.

3. Интерпретация модели.

Что касается применения машинного обучения и нейронных сетей, то специалисты выделяют пять главных областей (табл. 1).

гния нейронных сетей [2]

Автоиндустрия Системы безопасности Медицина Социальные сети Творчество

Возможность Автомобили с автопилотной системой вождения Распознавание лиц Диагностика заболеваний по снимкам Анализ портрета пользователя Изучение творчества признанных деятелей искусства

Результат Безопасность на дорогах Снижение преступности Раннее предупреждение заболевания Повышение продаж, формирование пользовательских предпочтений Создание арт-объектов

Рассмотрим подробнее применение нейронных сетей, исходя из областей, представленных в табл. 1.

Автопилот Tesla - это известный проект 2016 года. Компания встраивает в свои автомобили искусственные нейронные сети, которые обучаются на опыте всех машин данной марки. «Тренирует» нейросети водитель: он объезжает препятствия, тем самым показывает пример автомобилю правильных действий. Многие специалисты считают, что за ближайшие пять лет, автопилотная система вождения станет такой же привычной, как сейчас автоматическая коробка передач [2].

Также на применение нейронных сетей возложена надежда в распознавании лиц и предметов. Особенно в области систем

безопасности. Специалисты считают, что с помощью применения нейронных сетей в безопасности снизится уровень преступности, т.к. вычислить злоумышленника станет реально даже по голосу и в режиме реального времени. Также с помощью нейронных сетей можно видеть кибератаки. Не останавливаясь на достигнутом, специалисты стремятся расширить возможности нейросети до чтения эмоций.

Принцип накапливания и использования предыдущего опыта может стать весьма полезным в медицине. Так, можно поставить диагноз по снимкам. Например, нейронная сеть анализирует рентгеновские снимки последних 10 лет с верным диагнозом и может определить заболевание с точностью до 98% [1, с.94].

Нейронные сети в социальных сетях применяют с целью составления портрета пользователя и выявления его потребностей. Аккумулирует все наши «цифровые отпечатки» технология Big Data. Психоанализ O.C.E.A.N, таргетированная реклама, сервисы поисковых сетей, поиск музыки по звуковому оттиску Shazam, навигаторы и т.д. - это все нейронные сети.

Компания Medecision использует алгоритмы машинного обучения для выявления рисков возникновения разных заболеваний. Так, например, анализируя восемь переменных, система может определить, нужна ли больному диабетом госпитализация. Также технологии могут создать персонализированную медицину, учитывающую генетику человека и его образ жизни [2].

Как и искусственные нейронные сети в целом, так и машинное обучение в частности активно используются в онлайн-торговле. Например, если запрашивать в поисковой системе информацию о каком-то товаре, то в течение некоторого времени будет появляться его таргетная, персонализированная под запрос реклама. Это стимулирует потребителя к покупке [5, с.35].

Способность машин обрабатывать естественный язык может заменить операторов на «горячих» линиях, при этом более оперативно реагируя на запрос.

В цифровом мире машинное обучение будет использоваться для обеспечения

информационной безопасности, а именно вычисления кибератак, обнаружения

инфицированных программ и построения систем защиты электронных денег. Самообучаемые машины, установленные в аэропортах, на стадионах и в иных местах массового скопления людей, смогут устранять потенциальные угрозы.

Что касается отечественной практики применения нейронных сетей и машинного обучения, то российские разработчики учат нейросети и решению социально-значимых и бизнес-задач.

Так, например, в 2015 г. российская компания Youth Laboratories запустила первый международный конкурс красоты Beauty.AI. Фотографии участников в нем оценивались нейросетями. При определении победителей они учитывали пол, возраст, национальность, цвет кожи, симметричность лица и наличие или отсутствие у пользователей морщин. Последний фактор также подтолкнул организаторов к созданию сервиса RYNKL, позволяющего отследить, как старение влияет на кожу и как с ним борются различные препараты [1, с.95].

Российский стартап Leadza сумел применить нейросети для более эффективного распределения бюджета на рекламу в Facebook и Instagram. Алгоритм анализирует результаты прошедших кампаний, строит прогноз ключевых метрик и на их основе автоматически перераспределяет расходы таким образом, чтобы интернет-магазины смогли получить больше клиентов за меньшую стоимость.

Российский разработчик интеллектуальных систем Cognitive Technologies применяет нейронные сети для распознавания транспортных средств, пешеходов, дорожных знаков, светофоров и других объектов, попадающих в кадр. Также компания собирает данные для обучения нейросети для беспилотного автомобиля. Речь идет о десятках тысяч эпизодов, описывающих реакцию водителей на те или иные критические ситуации на дорогах. В итоге система должна сформулировать оптимальные сценарии поведения авторобота. Такие же технологии применяются и для создания умного сельскохозяйственного транспорта [3].

Российский стартап NTechLab, обошедший Google в международном конкурсе алгоритмов распознавания лиц The MegaFace Benchmark, использовал технологии машинного обучения в приложении FindFace. Оно позволяет найти человека в социальных сетях по фотографии. Зачастую пользователи обращаются к сервису для выявления фейков, но он может быть полезен и правоохранителям. С его помощью уже установили личность нескольких преступников,

в том числе захватчика Ситибанка в Москве. Бизнес-версия FmdFace.Pro предоставляется компаниям, заинтересованным в идентификации клиентов. Сейчас систему доучивают определять пол, возраст и эмоции окружающих, что может быть полезно не только при общении с клиентами, но и при управлении персоналом [3].

Итак, нейронные сети целесообразно использовать в бизнес-задачах, в таких ситуациях [2]:

1. Накопленное огромное количество различных данных;

2. Пока не существует рабочих методов по обработке и систематизации этих данных;

3. Данные искажены, повреждены, неполны или не систематизированы;

4. Существует большое разнообразие данных и на первый взгляд сложно установить между ними связи и закономерности.

Варианты и примеры возможного применения нейронных сетей и машинного обучения для бизнес-задач [4, с.2649]:

1. Прогнозирование, оценка рисков. (Прогнозирование спроса, объема продаж, среднего чека, частоты продаж, загрузки оборудования для оптимизации количества наличных денежных средств, складских мест и прочих ресурсов);

2. Поиск трендов, корреляций, тенденций. Прогнозирование дальнейшего развития системы и предсказание возможных изменений;

3. Распознавание фото, видео, аудио контента. Различные сервисы и онлайн приложения с применением технология распознавания. Пример проекта <^агёсап» для распознавания лжи;

4. Машинное обучение для ведения диалогов компьютерными системами. Для автоматизации деятельности операторов в онлайн-чатах, телефонных операторов и мессенджеров. Разработка чат-ботов.

Появление новых технологий создает новые сложности в развитии и применении нейронных сетей и машинного обучения. Основная сложность заключается в нормативном регулировании области. В общем доступе размещено открытое письмо, подписанное

всемирно известными специалистами в сфере искусственного интеллекта и смежных областей, призывающее не медлить с принятием общих правил, регулирующих работу искусственного интеллекта.

Еще одной сложностью является вероятность роста безработицы по причине вымирания некоторых специальностей и передачи ряда функций машинам и искусственному интеллекту. Не стоит забывать, что роботехника - это также перспективное направление ИТ-сектора. Вместе данные технологии решают многие задачи эффективнее и быстрее, чем человек. He Future of Jobs прогнозирует, что в течение пяти лет цифровые системы лишат работы порядка 5 млн. человек во всем мире [2].

Таким образом, нейронные сети, технология середины прошлого века, сейчас меняет работу целых отраслей. Реакция общества неоднозначна: одних возможности нейросетей приводят в восторг, а других - заставляют усомниться в их пользе как специалистов.

Однако не везде, куда приходит машинное обучение, оно вытесняет людей. Если нейросеть ставит диагнозы лучше живого врача, это не значит, что в будущем людей будут лечить исключительно роботы. Вероятнее, врач будет работать вместе с нейросетью. Аналогично, суперкомпьютер IBM Deep Blue выиграл в шахматы у Гарри Каспарова еще в 1997 году, однако люди из шахмат никуда не делись, а именитые гроссмейстеры до сих пор попадают на обложки глянцевых журналов. Поэтому кооперация с машинами принесет гораздо больше пользы, чем конфронтация.

Список используемых источников

1. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. - 2017. - №3. - С. 92-105.

2. Искусственные нейронные сети и машинное обучение: направления развития, области применения и угрозы для человека -URL: http:// 1234g.ru/novosti/iskusstvennaya-

nej ronnaya-set-i-machine-leaming (дата

обращения: 09.04.2018).

3. Квасников В. Чему в России обучают нейронные сети. - URL: http://www.the-village.ru/village/business/newprof/256956-neural-networks (дата обращения: 09.04.2018).

4. Кулянин Е. М. Нейронные сети: история развития и перспективы применения // Научно-методический электронный журнал «Концепт». -2015. - Т. 13. - С. 2646-2650.

5. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ.

Серия: Вычислительная математика и информатика. - 2017. - №3. - С. 28-59.

6. Степанов П.П. Искусственные нейронные сети // Молодой ученый. - 2017. - №4. - С. 185187.

7. Математическое моделирование в экономике и менеджменте на языке R. Учебное пособие / Хрипунова Балджы А.С., Хрипунова М.Б., Шмелева Л.А. / - М.: Издательство «Научный консультант», 2016 - 59 с.

V V

УДК: 339.972

ПРОБЛЕМЫ, РИСКИ И ПРОТИВОРЕЧИЯ В ПРОЦЕССЕ ПРОДВИЖЕНИЯ И

ИНТЕГРАЦИИ РОССИИ В АТР

КуманинаМ.О., магистрант Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Аннотация. В рамках «продвижения на Восток» Россия сталкивается с рядом вызовов и проблем, решение которых будет способствовать усилению инвестиционных связей РФ и стран АТР.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Ключевые слова: геополитическая напряженность, Китай, конкуренция Шелкового пути и ЕАЭС, санкции, инвестиции, развитие Сибири и Дальнего Востока, территории опережающего развития, инфраструктурная доступность, интеграционные соглашения, ТТП.

PROBLEMS, RISKS AND CONTRADICTIONS IN THE PROCESS OF RUSSIAN INTEGRATION IN THE ASIAN-PACIFIC REGION

Kumanina M.O.

Financial University under the Government of the Russian Federation, Moscow

Abstract. As part of the Russian «turn to the East» our country faces a variety of challenges, the solution of which would boost the investing activities between the Russian Federation and APR countries.

Key words: geopolitical tension, China, competition of the Silk Road and EEU, sanctions, investments, development of the Siberia and Far East, advanced development zones, infrastructure availability, integration agreements, TransPacific Partnership.

Рассматривая «поворот России на Восток» как стратегически выверенный и перспективный, нельзя исключить, что ожидания быстро достижимого масштабного экономического сотрудничества со странами Азиатско-региона могут оказаться завышенными. Для

движения в данном своевременного разрешения

Тихоокеанского неоправданно поступательного направлении и возникающих

противоречий необходимо

понимание рисков и вызовов, стоящих перед Россией на этом пути.

Ключевая проблема состоит в том, что сегодня условия в экономике жестко диктует политика и геостратегия, все чаще политические мотивы вплетаются и в сферу конкуренции. Это также проявляется в вопросах экономических санкций в отношении России,

провозглашенными отдельными странами. Долгосрочным следствием обострения отношений между Россией и странами Запада

i Надоели баннеры? Вы всегда можете отключить рекламу.