Применение реккурентных нейронных сетей в страховании Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 336.64© А. М. Самарин

А. М. Самарин

ПРИМЕНЕНИЕ РЕККУРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ В

СТРАХОВАНИИ

В статье рассмотрены основные вопросы автомобильного страхования. Проанализированы доходы и расходы страховых организаций от автострахования. Описана технология построения реккурентных нейронных сетей и их применение в страховом бизнесе.

Ключевые слова: страхование, нейронная сеть, ОСАГО, нейрокомпьютинг, нейрон.

Сегодня страхование является одной из важнейший сфер экономики. Несмотря на то, что в России страхование находится лишь на этапе своего развития, возникло оно достаточно давно. И с тех пор развивалось, имея своим конечным назначением удовлетворение разнообразных потребностей человека через систему страховой защиты от случайных опасностей.

Экономическая сущность страхования состоит в предоставлении страховой защиты. С одной стороны, страховая защита вызывается объективной потребностью физических и юридических лиц в сохранении своих имущественных интересов, связанных с различными сторонами жизнедеятельности. С другой стороны, эта потребность сопровождается соответствующей способностью людей в обеспечении названных интересов.

Имущественное страхование - отрасль страхования, где в качестве объекта страхования выступает имущественный интерес, связанный с владением, пользованием и распоряжением имуществом.

К данной отрасли относится и автострахование. Актуальность изучения вопросов автомобильного страхования в современных российских условиях обусловлена тем, что владение транспортным средством и его эксплуатация связаны с большими рисками, чем владение другим имуществом. Именно с эксплуатацией транспортного средства связаны наибольшие риски утраты и порчи собственного имущества, а также причинения вреда жизни, здоровью и имуществу третьих лиц.

На сегодняшний день все больше и больше людей становятся владельцами собственных автомобилей. Поэтому не удивительно, что автострахование является самым популярным видом страхования в России.

Автомобильное страхование - это вид

страховой защиты, который призван защищать имущественные интересы застрахованных лиц, связанные с затратами на восстановление транспортного средства после аварии, поломки или покупку нового автомобиля после угона или хищения, а также интересы потенциальных потерпевших в дорожно-транспортном происшествии и т. п.

Страхование автомобиля из-за постоянного роста количества угонов, аварий и хулиганства стало практически неотъемлемой частью нашей жизни. Сегодня страхование автомобиля - это не просто прихоть водителя, а суровая необходимость, поскольку количество автомобилей на дорогах постоянно растет, соответственно растет и число различных дорожно-транспортных происшествий. Даже при самом аккуратном вождении ни один владелец транспортного средства не рискнет утверждать, что не попадет в аварию по вине третьих лиц. Многие фирмы, специализирующиеся на продаже автомобилей, сразу предлагают своим клиентам полный пакет автострахования.

Функциями автострахования являются:

◊ страхование гражданской ответственности автовладельцев создаёт источники выплат потерпевшим, которые не зависят от финансового положения виновных лиц;

◊ гарантия возмещения вреда, причинённого жизни или здоровью потерпевших, при эксплуатации транспортного средства;

◊ защита имущественных интересов страхователей, связанных с владением, пользованием и распоряжением транспортным средством и т. д.

Автомобильное страхование является имущественным страхованием и подразделяется на страхование транспорта как имущества (совокупности устройств и механизмов) и страхование гражданской ответственности владельца транспортного средства, так как транспортное средство является источником повышенной опасности.

Как и любая подотрасль автомобильное страхование имеет свои характерные особенности. Объектом страхования являются имущественные интересы страхователя, связанные с:

- повреждением, уничтожением или утратой транспортного средства;

- причинением вреда жизни и здоровью водителя и пассажиров транспортного средства;

- владением, пользованием и распоряжением транспортным средством, дополнительным оборудованием и т. п.

- обязанностью возместить причиненный вред жизни, здоровью или имуществу третьих лиц.

Здесь выделяют следующие виды страхования:

□ страхование автомобиля от угона и ущерба (КАСКО);

□ обязательное страхование автогражданской ответственности (ОСАГО);

□ добровольное страхование автогражданской ответственности (ДСАГО);

□ страхование от механических и электрических поломок;

□ страхование водителей и пассажиров от несчастного случая;

□ страхование автогражданской ответственности выезжающих за рубеж (Зелёная карта).

Нейросетевые технологии в настоящее время являются одними из наиболее динамично развивающихся областей искусственного интеллекта. Они успешно применяются в различных областях науки и техники, и на данный момент как в России, так и за рубежом, накоплен богатый опыт применения отдельных типов нейронных сетей к различным задачам.

Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных или «зашумлен-ных», частично искаженных данных.

Выходные данные сети после обучения могут быть до некоторой степени нечувствительны к некоторым изменениям входных сигналов. Данная особенность позволяет преодолеть требование строгой точности, предъявляемое

обычным компьютером. Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью использования «человеческого интеллекта» в форме специально написанных компьютерных программ.

Использование компьютерных алгоритмических моделей значительно повышает уровень оперативности получения аналитического материала для принятия управленческих решений. Следовательно, выполняются такие основные свойства управления, как эффективность, непрерывность и оперативность. Кроме того, в самой природе нейронных сетей заложена возможность анализа большого объема косвенной и зашумленной информации. Все это дает основание предполагать возможность их эффективного использования для решения различного рода финансовых задач [2].

Нейронные сети все чаще применяются в реальных бизнес приложениях. В некоторых областях таких, как обнаружение фальсификаций и оценка риска, они стали бесспорными лидерами среди используемых методов. Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.

Стоит отметить, что поскольку экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, то является очень сложным (если не невозможным) создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.

В системах подобной сложности является естественным и наиболее эффективным использовать модели, которые напрямую имитируют поведение общества и экономики. А это как раз то, что способна предложить методология нейронных сетей.

Основные области, в которых эффективность применение нейронных сетей доказана на практике:

• Для финансовых операций:

- Прогнозирование поведения клиента

- Прогнозирование и оценка риска предстоящей сделки

- Прогнозирование возможных мошеннических действий

- Прогнозирование остатков средств на корреспондентских счетах банка

- Прогнозирование движения наличности, объемов оборотных средств

- Прогнозирование экономических параметров и фондовых индексов

• Для планирования работы предприятия:

- Прогнозирование объемов продаж

- Прогнозирование загрузки производственных мощностей

- Прогнозирование спроса на новую продукцию

• Для бизнес-аналитики и поддержки принятия решений:

- Выявление тенденций, корреляций, типовых образцов и исключений в больших объемах данных

- Анализ работы филиалов компании

- Сравнительный анализ конкурирующих фирм

• Другие приложения:

- Оценка стоимости недвижимости

- Контроль качества выпускаемой продукции

- Системы слежения за состоянием оборудования

- Проектирование и оптимизация сетей связи, сетей электроснабжения

- Прогнозирование потребления энергии

- Распознавание рукописных символов, в т.ч. автоматическое распознавание и аутентификация подписи

- Распознавание и обработка видео и аудио сигналов

Искусственные нейронные сети в настоящее время находят применение в самых различных областях человеческой деятельности. Среди них прогнозирование экономических показателей, автоматизация производственных задач, медицинская диагностика, распознавание образов, моделирование сложных процессов, оптимизация и многие другие. Теоретическим и практическим особенностям применения аппарата искусственных нейронных сетей посвящено большое количество трудов как отечественных, так и зарубежных исследователей [2]. Среди них можно выделить Ежова, Шумского, МакКаллоха, Питса, Минского, Розенблатта и др.

Несмотря на большое количество работ в данной области, все авторы сходятся в том, что одна и та же задача в некоторых случаях может быть поставлена по-разному. При этом эффективность решения находится в сильной зависимости от постановки. Соответственно, выявление этой зависимости и формализация подходов к решению экономических задач с использованием инструментария искусственных нейронных сетей является актуальной задачей экономико-математического моделирования.

В статье А. Ю. Минца «Общие вопросы постановки задач в нейросетевом моделировании» показаны различные способы, которые используются или могут использоваться при решении задач средствами нейросетевого моделирования (рис. 1).

Последний подход является наиболее

Анализ задачи Решение задачи Инструмент

Анализ задачи Выбор инструмента Решение задачи

Решение задачи

Анализ задачи

Постановка задачи

Постановка задачи

Постановка задачи

Выбор инструмента

Выбор инструмента

Выбор инструмента

Решение задачи

Решение задачи

Решение задачи

Выбор лучшего решения

Рис. 1. Постановка задач в нейросетевом моделировании [2].

трудоемким, но вместе с тем позволяет найти наилучшее решение.

Широкий круг задач, решаемый нейросете-вым моделированием, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные нейронные сети, функционирующие по различным алгоритмам [5].

Нейросетевая методология для обработки сигналов использует явления, аналогичные тем, которые происходят в нейронах живых существ, являющихся одним из основных элементов нервной системы. Важнейшая особенность таких сетей состоит в параллельной обработке информации всеми звеньями, что позволяет значительно ускорить процесс обработки информации. Другим важным свойством нейронных сетей является способность к обучению и обобщению накопленных знаний [1].

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 [1].

Чтобы отразить суть биологических нейронных систем, определение искусственного нейрона дается следующим образом.

Нейрон характеризуется своим текущим состоянием. В модели нейрона на его вход поступает некоторое количество входных сигналов. Каждый входной сигнал хi умножается на соответствующий коэффициент Wi, моделирующий силу синаптической связи. То есть каждый нейрон обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рис. 2.

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:

1) статические сети или сети с прямой связью;

Входы Синапсы

¡=1

Рис. 2. Общий вид нейрона [5].

2) динамические или рекуррентные сети.

Как специфический вариант нейронных сетей рассматривают ещё самоорганизующиеся сети [1].

Для неформализованных задач нейросе-тевые модели могут на порядок превосходить традиционные методы решения. Но применение нейронных сетей целесообразно, если:

□ накоплены достаточные объемы данных о предыдущем поведении системы;

□ не существует традиционных методов или алгоритмов, которые удовлетворительно решают проблему;

□ данные частично искажены, частично противоречивы или не полны и поэтому традиционные методы выдают неудовлетворительный результат.

Чаще других рассматриваются нейронные сети с прямой связью. Нейронные сети с прямой связью состоят из статических нейронов, так что сигнал на выходе сети появляется в тот же момент, когда подаются сигналы на вход. Топология сети может быть различной. Если не все составляющие ее нейроны являются выходными, то сеть содержит скрытые нейроны. Такая сеть позволяет 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. Типовая схема нейронной сети с прямой связью с одним скрытым слоем приведена на рис. 3.

Структура нейронных сетей тесно связана с используемым алгоритмом обучения. При создании искусственных нейронных сетей используют различные правила или методы обучения.

Примерами методов обучения могут служить правила, основанные на коррекции ошибок или

Входные Скрытые элементы элементы

Выходные элементы

Рис. 3. Нейронная сеть с прямой связью и одним скрытым слоем [1].

на основе нейробиологических принципов или идей статистической механики и др.

Нейронная сеть с прямой связью преобразует сигнал с помощью весов, приписанных соединениями нейронов. Процесс выбора значений этих весов называют обучением или тренировкой нейронной сети. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Различают два вида обучения: обучение с учителем (контролируемое обучение) и обучение без учителя (неконтролируемое обучение). Под учителем может пониматься совокупность тренировочных данных - обучающее множество - или внешний наблюдатель, который определяет значения выхода. Большинство нейронных сетей предусматривает присутствие учителя [1].

Существуют также нейронные сети с обратными связями. В сетях с обратными связями информация с последующих слоев передается на предыдущие слои.

Рекуррентные или динамические сети строятся из динамических нейронов, поведение которых описываются дифференциальными или разностными уравнениями, как правило первого порядка. Сети организованы так, что каждый нейрон получает входную информацию от других нейронов (возможно и от самого себя) и из окружающей среды. Применение этого типа сетей позволяет моделировать нелинейные динамические системы. Примером рекуррентных сетей являются сети Хопфилда (рис. 4) [1].

Ещё одним видом нейронных сетей являются самоорганизующиеся сети. Данный вид нейросети был введен Т. Кохоненом. Самоорганизующаяся сеть принципиально отличается от других видов сетей и рассчитана главным образом на неуправляемое обучение. Нейронные сети, обучаемые без учителя, служат

средством для классификации, организации и визуального представления больших объёмов данных. Данный вид сетей можно эффективно использовать для анализа финансовой отчётности компании, инвестиционных возможностей, оценки недвижимости, сегментирования покупателей и клиентов и т. д.

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.

Нейросетевое моделирование широко применяется в страховой деятельности. Ярким

Рис. 4. Нейронная сеть Хопфилда

примером успешного применения нейросетево-го моделирования в финансовой сфере является управление страховыми рисками. Для того чтобы принять объект, страховые организации проводят сложные статистические расчеты по

критерию финансовой надежности страховщика. Это проводится для того, чтобы оценить вероятность убытков страховой организации от несвоевременного возврата финансовых средств.

Библиографический список

1. 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.

2. 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.

3. Родионов, М. Г. Абстракционные свойства и общие закономерности систем в основе новой теории структур [Текст] // Наука о человеке: гуманитарные исследования. - 2013. - № 2 (12). -С. 55-63.

4. Самарин, А. М. История нейрокомпьютинга и его применение в бизнесе [Текст] / А. М. Самарин // Вестник Сибирского института бизнеса и информационных технологий. - 2013. - № 2 (6). - С. 48-54.

5. Экономический журнал [Электронный ресурс]. - Режим доступа: http://www.market-joumal. сот, свободный.

APPLICATION OF RECURRENT NEURAL NETWORKS IN INSURANCE

Alexеу M. Samarin,

assistant, Siberian Institute of Business and Information Technologies

Abstract. The article deals with the basic questions auto insurance. Analyzed the income and expenses of the insurance organizations from auto insurance. Describes the technology of construction of recurrent neural networks and their application in the insurance business.

Keywords: insurance, neural network, OSAGO, neurocomputing, neuron.

Сведения об авторе:

Самарин Алексей Михайлович - ассистент кафедры экономики Сибирского института бизнеса и информационных технологий (г. Омск, Российская Федерация), e-mail: alex23071990@yandex.

Статья поступила в редакцию 17.03.2014.