Нейросетевые технологии в подготовке экономистов Текст научной статьи по специальности «Компьютерные и информационные науки»

НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ПОДГОТОВКЕ ЭКОНОМИСТОВ

И. С. ДЕМИН

Статья посвящена ключевым вопросам обучения студентов-экономистов технологиям искусственных нейронных сетей как части инструментария интеллектуального анализа данных. Нейро-сети - это не что иное, как новый инструмент анализа данных. И лучше других им может воспользоваться именно специалист в этой предметной области. Основные трудности на пути еще более широкого распространения нейротехнологий - в неумении широкого круга профессионалов формулировать свои проблемы в терминах, допускающих простое нейросетевое решение. Именно поэтому и необходимо обучать студентов-экономистов использовать нейронные сети как инструментальные средства в решении множества трудноформализуемых и неформализуемых задач. В частности, ней-ротехнологии могут использоваться при анализе финансовой и банковской деятельности биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов и др. Известно, что точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач уже превысила 95 %. Однако, использование нейронных сетей не отменит традиционные математические и эконометрические методы анализа.

Ключевые слова: интеллектуальный анализ данных, нейросетевые технологии, экономическое образование.

Несмотря на то, что инструментарий искусственных нейронных сетей уже достаточно хорошо разработан, и на то, что появились удобные программные инструменты, поддерживающие нейросе-тевые технологии, использование нейронных сетей для решения практических экономических задач зачастую воспринимается как некоторое новаторство. Причина отчасти в том, что технологии нейронных сетей стали преподавать в вузах сравнительно недавно. Поэтому большинство экономистов имеют о них смутное представление, а выпускники последних лет далеко не всегда способны разъяснить, а главное, показать на реальных примерах преимущества нейросетевых инструментов.

К сожалению, даже после включения дисциплин, изучающих нейросетевые технологии, в программу подготовки ряда экономических специальностей, многие экономисты-практики остаются в плену стереотипных представлений о нейронных сетях. Порой эти стереотипы носят диаметрально противоположный характер. Общим между ними остается лишь то, что все они мешают формированию адекватных умений и навыков использования искусственных нейронных сетей для решения аналитических задач в экономике.

В этой статье автор, основываясь на многолетнем опыте преподавания нейросетевых технологий в экономическом вузе, хотел бы сделать краткий обзор этих ложных представлений и отметить те ключевые моменты, на которые важно

обратить внимание при обучении студентов-экономистов инструментарию искусственных нейронных сетей.

Один из распространенных стереотипов, присущих не только экономистам, заключается в расхожем мнении, что нейросетевые технологии -нечто невообразимо сложное, нацеленное исключительно на будущее. Сам термин «искусственный интеллект» вызывает у молодых людей ассоциацию с голливудскими фантастическими фильмами, представляющими роботов, равных или даже превосходящих людей по своим умственным способностям.

Это представление - первое, что нужно разрушить. Часто рассказ о теории искусственных нейронных сетей начинают с биологического аналога - нервной системы человека. При этом трудно обойтись без упоминания о сложнейшем строении биологической нейросети и о немыслимом количестве нервных соединений в мозге человека. У студентов неизбежно возникает ощущение того, что и искусственные нейронные сети представляют собой нечто невероятно сложное. Поэтому крайне важно уже на этапе первоначального ознакомления сформировать два ключевых представления.

Первое: искусственный нейрон представляет собой достаточно простую модель, которую вполне можно описать в понятных функциях. Полезно в качестве задания предложить студентам

12

СОЦИАЛЬНО-ЭКОНОМИЧЕСКИЕ ЯВЛЕНИЯ И ПРОЦЕССЫ

реализовать модель нейрона Маккалока-Питтса в табличном процессоре (вначале без механизма обучения). При этом столбец из нескольких ячеек будет представлять входные сигналы, второй столбец - веса связей, одна ячейка будет выполнять роль сумматора, и, наконец, еще одна ячейка будет формировать значение активационной функции. Учащиеся смогут убедиться, что рабочую модель можно построить за несколько минут и при помощи весьма ограниченного набора функций. Небольшие изменения в формулах превратят пороговый нейрон в сигмоидальный или в нейрон с радиальной базисной функцией. Далее в ходе задания студенты могут размножить модель на рабочем листе так, чтобы выходы нескольких нейронов стали входами еще одного нейрона. Таким образом, будет получена простейшая модель многослойной сети. Столь наглядная демонстрация способна изменить взгляд на искусственную нейронную сеть как на нечто необъяснимое.

Второе: число нейронов в искусственной нейронной сети в миллиарды раз меньше, чем в мозге человека. Можно решить реальную экономическую задачу с помощью многослойной сети, в которой будет десять или даже меньше нейронов. Решение подобной задачи на практике призвано показать студентам, что и модель нейронной сети в целом не представляет собой что-то, лежащее за пределами понимания [2].

Чтобы сформировать у студентов понимание пользы и действенности искусственных нейронных сетей, нужно показать, что сети успешно решают некоторые экономические задачи. Для этого преподавателю приходится подбирать такой набор учебных заданий и соответствующих им исходных данных, которые «сработают» наверняка. Обратной стороной подобного подбора становится создающееся представление о том, что нейро-сетевые технологии эффективны всегда, что, разумеется, неверно. Если же исходные данные подбирать случайно, то велика вероятность того, что обучаемый будет получать весьма посредственные результаты. Как следствие, он либо заподозрит инструмент в неэффективности, либо решит, что он никак не может освоить чересчур сложную методику работы ним; в обоих случаях падение интереса к нейросетевым технологиям почти неизбежно [3]. Интересно отметить, что представленная образовательная проблема имеет полный аналог в теории искусственных нейронных сетей: если входной массив содержит нерепрезентативную выборку, то и результат обучения не будет соответствовать действительности. К счастью, человек намного сложнее тех моделей

искусственной нейронной сети, что применяются в экономической практике, и ему необязательно обучаться исключительно на примерах. Данный вопрос следует проработать теоретически. Также, по мнению автора, следует иногда предлагать студентам такие задачи, которые нейронная сеть решить неспособна. Наконец, какую бы задачу не решали студенты, в высшей степени полезно сравнивать нейронные сети с другими инструментами интеллектуального анализа данных, такими, как деревья решений или регрессионные модели. Высока вероятность, что если нейронная сеть не может решить какую-либо задачу, то ее нельзя решить и другими методами. И наоборот, если, например, регрессионными методами удается достичь определенных результатов, то, весьма вероятно, у нейронной сети результаты будут еще лучше. Таким образом можно сформировать верное представление о возможностях и ограничениях нейросетей.

В качестве достаточно популярного стереотипа выступает также представление о нечувствительности нейронных сетей к качеству входных данных. Очевидно, это не вполне верное утверждение восходит к важному положению о нечувствительности сетей к малым изменениям входных сигналов при их применении - свойстве, необходимом для реализации обобщения. Какую-то роль играет и представление о том, что сеть сама отбрасывает ненужные для решения входные факторы - утверждение, верное лишь частично, и только в отношении нейронных сетей, обучаемых «с учителем». Вкупе с уже отмеченным стремлением преподавателей предлагать студентам «удобные» качественные данные для учебных заданий, это может выработать у студентов поверхностное отношение к подготовке исходных данных. Современные аналитические пакеты, поддерживающие нейросетевые технологии, предоставляют богатые возможности предобработки и «исправления» данных, включая заполнение пустых значений, что также не способствует выработке ответственного подхода к данным. На самом деле, нейросетевые инструменты весьма чувствительны к качеству данных для обучения, которое является единственным способом их настройки. Выработка навыков отбора, оценки и подготовки данных для обучения должна быть неотъемлемой частью обучения студентов-экономистов [1].

Наконец, распространенным является представление о том, что искусственные нейронные сети применяются при решении ограниченной сферы экономических задач, таких как, например,

скоринг, оценка стоимости или же кластеризация. В результате молодые специалисты склонны игнорировать возможности искусственных нейронных сетей, если их профессиональная деятельность лежит вне этих освоенных в процессе обучения областей. Вместе с тем, потенциал нейросе-тевых методов весьма широк, и охватывает огромный спектр разнообразных аналитических задач. Полезно посоветовать студентам в ходе их самостоятельной работы поискать в литературе те экономические задачи, в которых нейросетевые технологии успешно применяются. Но еще полезнее научить их отыскивать такие задачи, где нейронные сети не применяются, но могли быть применены. Лишь в этом случае мы сможем не только обогатить выпускника необходимыми теоретическими знаниями и сформировать у него необходимые умения работы с нейросетевыми инструментами, но и привить исключительно важный навык использования этих инструментов в любой области, где они могут оказаться эффективными.

Литература

1. Демин И. С. Технологии кластеризации данных в подготовке экономистов // Человеческий капитал. 2012. № 12 (48).

2. Осовский С. Нейронные сети для обработки информации / пер. с польского И. Д. Рудинского. М., 2002.

3. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям: учеб. пособие. СПб., 2010.

* * *

NEURONETWORK TECHNOLOGIES IN TRAINING OF ECONOMISTS

I. S. Demin

Article is devoted to key questions of training of students-economists to technologies of artificial neural networks as parts of tools of the intellectual analysis of data. Neuronets is no other than the new tool of the analysis of data. Better than others the expert in this subject domain can use it. The main difficulties on a way of wider circulation of neurotechnologies are in inability of a wide range of professionals to formulate the problems in the terms allowing the simple neuronetwork decision. For this reason also it is necessary to train students-economists to use neural networks as tools in the solution of a set of hardly formalizable and non-formalizable tasks. In particular neurotechnologies can be used in the analysis of financial and bank activity, the exchange, stock and currency markets connected with high risks of models of behaviour of clients, etc. It is known that the accuracy of the forecast which is steadily reached by neuronetwork technologies at the solution of real tasks already exceeded 95%. However, use of neural networks won't cancel traditional mathematical and econometric methods of the analysis.

Key words: intellectual analysis of data, neuronetwork technologies, economic education.