CC BY
72
Ат ТЕОРИЯ И ТЕХНОЛОГИИ СФЕРЫ УСЛУГ
УДК 368.02 ББК 65.271
НАПРАВЛЕНИЕ РАЗВИТИЯ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В
СТРАХОВОМ ДЕЛЕ
%
Г.Д. Дроздов, А.А. Чужинов
Санкт-Петербургский государственный университет
сервиса и экономики 192171, Санкт-Петербург, ул.Седова, 55/1
В последние несколько лет наблюдается взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях -бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами:
• Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с проблемой размерности, которая не позволяет моделировать линейные зависимости в случае большого числа переменных.
• Простота в использовании. С использованием нейронных сетей рассматриваются конкретные ситуации. Их пользователь подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного их применения, гораздо скромнее, чем, например, при использовании традиционных методов статистики.
Дроздов Геннадий Дмитриевич, доктор экономических наук, профессор; тел.: +7 921 328 63 24; e-mail: [email protected] Чужинов Александр Александрович, аспирант СПбГУСЭ; тел.: 8(911)285-70-87; е-mail:[email protected]
Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже «простые» нейронные сети, которые строит система ST Neural Networks, являются мощным оружием в арсенале специалиста по прикладной статистике.
Разнообразие, большой объем и противоречивость различной информации выводят на передний план проблему поиска физических систем, способных к ее переработке. Решение этой комплексной задачи тесно связано с новыми информационными технологиями, важное место среди которых занимают методы распознавания и идентификации образов, а также их прогноз деятельности. Нейронные сети - мощный и наилучший метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно «зашумлена». Высокая степень параллельности, допускаемая при реализации нейросистем, обеспечивает обработку недоступных оператору объемов информации за время, меньшее или сравнимое с допустимым временем измерений, позволяющих делать достоверный прогноз.
В данной статье рассмотрены основные идеи нейросетевых технологий (опущены математические выкладки), основной уклон сделан на их алгоритм, основные принципы и применение в страховании.
Менеджер страховой организации для эффективной работы должен иметь прогноз количества заключаемых договоров. Это позволяет вести и сопровождать договоры в соответствии с расписанием персонала и работой офисного оборудования.
Решение о разработке нового страхового продукта обычно требует долговременного прогноза и оценки того, каким спросом он будет пользоваться. Этот прогноз очень важен, учитывая определение финансовых вложений, необходимых для его реализации.
В настоящее время фирма California Scientific Software выпускает коммерческий нейропакет Brain Maker для прогнозирования рисков. Используемая конструкция нейросети делает его надежным и удобным в работе. Для его освоения не требуется специальных познаний ни в программировании, ни в математике. Это мощное средство для составления прогнозов, практически незаменимое в случаях, когда правила, по которым изменяется тарифная политика, неизвестны и трудно выявляемы. На нейронных сетях задача прогнозирования формализуется через задачу распознавания образов. Данные о прогнозируемой переменной за некоторый промежуток времени образуют образ, класс которого
определяется ее значением в некоторый момент времени за пределами данного промежутка, т.е. значением переменной через интервал прогнозирования.
Как было сказано выше, результатом прогноза на нейросети является класс, к которому принадлежит переменная, а не ее конкретное значение. Формирование классов должно проводиться в зависимости от того, каковы цели прогнозирования. Общий подход состоит в том, что область определения прогнозируемой переменной разбивается на классы в соответствии с необходимой точностью прогнозирования. Существует удобный способ модифицировать страховую деятельность по мере того, как появляются новые наблюдения.
Модель хорошо работает с временными последовательностями, в которых мал интервал наблюдений, но может быть получена относительно длительная временная последовательность. Благодаря этому модель может быть использована в видах страхования, где страховщика интересуют ежечасовые, ежедневные, еженедельные и ежемесячные наблюдения. Эти модели также используются в ситуациях, когда необходимо анализировать небольшое число временных последовательностей. Как известно, до выдачи полиса страховые организации проводят статистические расчеты. Такие расчеты обычно базируются на оценке истории вида страхования, динамике развития компании, стабильности ее основных финансовых показателей и многих других факторах. Стандартный подход к этой задаче базируется на жестко фиксированном наборе «правил игры», которые со временем теряют свою эффективность из -за изменения условий поведения страхователя.
Кроме того, системы, построенные на основе такого подхода, оказываются слишком медлительными для ситуаций, требующих мгновенного принятия решений. Именно поэтому ведущие страховые компании, работающие на современном страховом рынке, стремятся применить метод нейронных вычислений. В типичную систему на базе нейронной сети вводится информация общим объемом в несколько лет деловой активности разных страховых организаций, включая оборот, предыдущую стоимость акций, уровни дохода, активы и т.д. Самообучаясь на реальных примерах, система нейронной сети показала большую точность предсказания и лучшее быстродействие. Нейросетевые технологии способны принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных, и способны к обучению на примерах с обобщением прежнего опыта и применением его в новых условиях страхового рынка.
Существуют наиболее распространенные программные продукты с возможностью использования в страховом деле. Например:
NeuroShell - программная среда с интуитивно понятным интерфейсом, в которой реализованы наиболее распространенные и эффективные нейросетевые архитектуры. Этот программный продукт удовлетворит новичка и профессионала. Он сопровождается целой серией дополнений, которые могут существенно упростить решение ряда специфических задач.
GeneHunter - использует генетические алгоритмы для решения сложных комбинаторных и оптимизационных задач. GeneHunter является надстройкой Microsoft Excel, т.е. актуарий решает свои задачи непосредственно из рабочего листа, содержащего данные. Кроме того, в состав GeneHunter входит динамическая библиотека функций генетических алгоритмов, совместимая с NeuroWindows, что позволяет пользователю создавать мощные гибридные системы, сочетающие нейронные сети и генетические алгоритмы.
NeuroShell Easy Series - нейросетевые архитектуры, лежащие в основе программ данной серии, являются самыми последними достижениями научного поиска, результатом которого явилось создание алгоритма «самопостроения» нейронной сети, обладающей рекордными скоростями обучения. Поэтому определение «легкий» относится к простоте, с которой пользователь может обрабатывать свои данные. Он должен сосредото-читься только на формулировке задачи, все остальное программы данной серии сделают сами. В состав серии входят: NeuroShell Easy Predictor -предсказатель; NeuroShell Easy Classifier - классификатор; NeuroShell Easy Run-Time Server - генератор автономных файлов. NeuroShell Easy Predictor дает возможность создавать системы для решения задач прогнозирования и предсказания на основе имеющейся базы данных. Это могут быть предсказания следующих значений параметров временного ряда -предсказание тарифа или оценка какой-либо величины, определяемой набором независимых факторов, например, оценка стоимости лекарственных аппаратов или подержанных автомобилей. NeuroShell Easy Classifier предназначен для решения задач распознавания образов, связанных с определением принадлежности предъявляемого образа (ситуации) к той или иной категории. Например, по набору страховых объектов вырабатывать тариф для страхования.
NeuroWindows представляет собой динамическую библиотеку нейросетевых функций, с помощью которых актуарий в состоянии построить нейросетевые структуры практически произвольной архитектуры.
Существуют библиотеки классов C++ и компонентов C++ Builder для реализации среды разработки нейронных сетей, которая обеспечивает:
• разработку приложений, использующих нейронные сети;
• удобную работу нейронной сети с различными источниками данных.
При желании пользователь может сам написать класс для работы с
нужными источниками данных.
Существуют разнообразные аналитические системы, направленные на решение широкого круга задач в различных областях деятельности:
• системы анализа и прогнозирования временных рядов (как универсальные, так и адаптированные к применению для задач менеджмента, маркетинга, управления и принятия решений в страховом деле, для контроля технических резервов);
• системы восстановления скрытых зависимостей и восстановления недостающей информации в базах данных;
• системы медицинской диагностики;
• системы кластеризации данных для выявления перспективных групп страхователей, зон повышенного риска при страховании.
Как правило, указанные системы требуют участия квалифицированных актуариев лишь на этапе настройки и могут использоваться в различных областях страховой деятельности без глубокой специальной подготовки. Программы совместимы и могут использоваться в комплексе. Можно получить систему, совмещающую достоинства системы поддержки принятия решения, основанную на методе анализа иерархий и теории Марковских случайных процессов, и аналитической системы, основанной на нейросетевых технологиях. Нейронные сети применяются для решения задач по трем основным направлениям:
1) восстановление скрытых зависимостей;
2) классификация;
3) распознавание.
Также важно отметить, что для менеджера, который использует готовый программный продукт наиболее важным является сбор данных и информации для нейросети. Нейронные сети могут работать с числовыми данными, лежащими в определенном ограниченном диапазоне. Это создает проблемы в случаях, когда данные имеют нестандартный масштаб, когда в них имеются пропущенные значения и когда данные являются нечисловыми. В используемых в настоящее время пакетах имеются средства, позволяющие справиться со всеми этими трудностями. Числовые данные масштабируются в подходящий для сети диапазон, а пропущенные значения можно заменить
на среднее значение (или на другую статистику) этой переменной по всем имеющимся обучающим примерам (Bishop, 1995).
Более трудной задачей является работа с данными нечислового характера. Чаще всего нечисловые данные бывают представлены в виде номинальных переменных типа: Пол = {Муж, Жен}. Переменные с номинальными значениями можно представить в числовом виде, и в системе нейросети имеются средства для работы с такими данными. Однако нейронные сети не дают хороших результатов при работе с номинальными переменными, которые могут принимать много разных значений.
Одно из важных ограничений возможностей применения нейронных сетей состоит в том, что для их работы требуется только количественная информация. Однако часто такой информации нет, но имеется качественная информация (типа «хуже - лучше», «сильно - слабо» и т.п.). Применение нейросетей, в частности, позволяет эффективно работать и с нечисловыми (качественными) переменными. Предлагается совмещать возможности современных нейросетевых технологий с достоинствами метода анализа иерархий для повышения эффективности применения и расширения возможностей. Например, появляется возможность использования экспертной информации для организации процессов предварительной обработки данных и настройки параметров и структуры сети при решении различных конкретных задач страхования. В настоящее время эксплуатируется не менее 50 нейросистем в самых различных областях.
Во многих реальных задачах приходится иметь дело с не вполне достоверными данными. Значения некоторых переменных могут быть искажены шумом или частично отсутствовать. Пакет нейросистемы имеет специальные средства работы с пропущенными значениями: они могут быть заменены на среднее значение этой переменной или на другие ее данные. Кроме того, нейронные сети в целом устойчивы к шумам, однако у этой устойчивости есть предел. Например, выбросы, т.е. значения, лежащие очень далеко от области нормальных значений некоторой переменной, могут исказить результат обучения. В таких случаях лучше всего постараться обнаружить и удалить эти выбросы или воспользоваться системой, более устойчивой к ним. Это накладывает большую ответственность на менеджера и оператора: они должны вовремя реагировать на изменения, происходящие в нейросети, например, удалить соответствующие данные или преобразовать выбросы в пропущенные значения.
Нейронные сети - это обобщенное название нескольких групп математических алгоритмов, объединенных одним общим свойством -умением обучаться на группе примеров, «узнавая» впоследствии черты ранее встреченных образов и ситуаций при страховой деятельности.
Основные задачи применения нейронных сетей в страховом деле -прогнозирование тарифных ставок, а также основных параметров (страховых событий, инвестиций, технических резервов и др.) и распознавание определенных ситуаций (например, подозрительных операций с полисами страхования). Это автоматизация процессов распознавания страховщиков, адаптивное управление, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью нейросети можно, например, предсказывать показатели страховых резервов на конец года, выполнять распознавание страховых событий, создавать самообучающиеся системы, способные управлять резервами при проведении страховочных операций, или синтезировать убытки.
Широкий круг задач, решаемый нейросетью, позволяет в настоящее время создавать универсальные мощные сети, вынуждая разрабатывать специализированные нейросети, функционирующие по различным алгоритмам страховой деятельности. Переход к нейрокомпьютерам здесь связан с необходимостью реализации эффективного управления страховой организацией в реальном масштабе времени. Нейронные сети представляют собой приоритетные направления российского страхового рынка и, при соответствующей поддержке, в ближайшее время станут интенсивно развиваться в страховом деле.
ЛИТЕРАТУРА
1. Каллан, Роберт. Осноные концепции нейронных сетей/Роберт Каллан. - М.: Издательский дом «Вильямс», 2001.
2. Горбань, А.Н. Нейроинформатика / А.Н.Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. - Новосибирск: Наука. Сибирское отд-ние РАН, 1998.
3. Проблемы построения и обучения нейронных сетей / Под ред. А.И.Галушкина и В.А.Шахнова. Вып.1. - М. Изд-во «Машиностроение». 1999. - (Библиотечка журнала «Информационные технологии»).
4. Горбань, А.Н. Обучение нейронных сетей/А.Н.Горбань. - М.: СП «ParaGraph», 1990. Авазян, С.А. Классификация многомерных наблюдений/С.А.Авазян, З.И.Бежаев, О.В.Староверов. - М.: Статистика, 1974.
5. Дуда, Р. Распознавание образов и анализа сцен/Р.Дуда, П.Харт. - М.: Мир, 1976.
6. Сидняев, Н.И. О страховании опасных объектов наземной космической инфраструктуры/Н.И.Сидняев, О.А.Очур, В.И.Кузнецов//Финансы. - 2000. - №9. - С.40-43.
7. Сидняев, Н.И. Об использовании критерия согласия х Пирсона в принятии решений при страховании гражданской ответственности владельцев автотранспортных средств/Финансы. - 2003, №1. - С. 47-49.
8. Сидняева, О.Н., Сидняев Н.И. Исследование влияния различных параметров на нетто-ставку по массовым рисковым видам страхования/Страховое дело. - 2004, №9. - С. 55-64.
