CC BY
30УДК 330.47
Джамалова Н.А.
Магистрант 2 курса кафедры информатики Санкт-Петербургский государственный экономический университет
(г. Санкт-Петербург, Россия)
Ахматов М.С.
Магистрант 2 курса кафедры информатики Санкт-Петербургский государственный экономический университет
(г. Санкт-Петербург, Россия)
ПРИМЕНЕНИЕ ТЕХНОЛОГИИ НЕЙРОННЫХ СЕТЕЙ В БИЗНЕС СРЕДЕ
Аннотация: в статье приводятся основные аспекты технологии нейронных сетей как возможности развития бизнеса. Статья рассматривает цели, планирование, организацию и целесообразность этого вида технологии в бизнесе.
Ключевые слова: нейронные сети, эффективность, предприятия, машинное обучение, нейросети.
Сегодня нейронные сети революционизируют бизнес и повседневную жизнь, выводя нас на новый уровень в области искусственного интеллекта (ИИ). Эмулируя способ функционирования взаимосвязанных клеток мозга, машины с поддержкой нейронных сетей (включая смартфоны и компьютеры, которые мы используем ежедневно) теперь обучаются распознавать закономерности и делать прогнозы гуманоидным способом, а также решать проблемы в каждом конкретном случае бизнес сектора.
Ветвь машинного обучения, нейронные сети, также известные как искусственные нейронные сети, представляют собой вычислительные модели -
по сути, алгоритмы. Нейронные сети обладают уникальной способностью извлекать значение из неточных или сложных данных, чтобы находить закономерности и обнаруживать тенденции, которые слишком запутаны для человеческого мозга или других компьютерных технологий. Нейронные сети предоставили нам большое удобство различными способами, в том числе с помощью приложений для совместного использования, интеллектуальной сортировки Gmail и предложений на Amazon.
Самым новаторским аспектом нейронных сетей является то, что после обучения они обучаются самостоятельно. Таким образом, они подражают человеческому мозгу, который состоит из нейронов - основного строительного блока для передачи информации как человеком, так и нейронными сетями.
Человеческий мозг и искусственные нейронные сети учатся одинаково. В обоих случаях нейроны постоянно корректируют свою реакцию на стимулы. Если что-то сделано правильно, вы получите положительную обратную связь от нейронов, которая с большей вероятностью сработает в аналогичном случае в будущем. И наоборот, если нейроны получат отрицательную обратную связь, каждый из них научится с меньшей вероятностью сработать в будущем.
Атрибуты нейронных сетей, похожие на человеческие, и способность выполнять задачи в бесконечном количестве перестановок и комбинаций делают их уникальными для современных приложений, основанных на больших данных. Поскольку нейронные сети также обладают уникальной способностью (известной как нечеткая логика) разбирать неоднозначные, противоречивые или неполные данные, они могут использовать контролируемые процессы, когда нет точных моделей.
Согласно отчету, опубликованному Statista, в 2017 году глобальные объемы данных достигли почти 100 000 петабайт (то есть одного миллиона гигабайт) в месяц; прогнозируется, что к 2021 году они достигнут 232 655 петабайт. Поскольку предприятия, частные лица и устройства генерируют
огромные объемы информации, все эти большие данные имеют ценность, и нейронные сети могут понять их.
Атрибуты нейронных сетей
Обладая человеческой способностью решать проблемы и применять этот навык к огромным наборам данных, нейронные сети обладают следующими мощными атрибутами:
• Адаптивное обучение: как и люди, нейронные сети моделируют нелинейные и сложные отношения и опираются на предыдущие знания. Например, программное обеспечение использует адаптивное обучение для обучения математике и языковым искусствам.
• Самоорганизация: способность кластеризовать и классифицировать огромные объемы данных делает нейронные сети уникальными для организации сложных визуальных проблем, возникающих при анализе медицинских изображений.
• Работа в реальном времени: нейронные сети могут (иногда) предоставлять ответы в реальном времени, как в случае с беспилотными автомобилями и навигацией с помощью дронов.
• Прогноз: способность нейросетей прогнозировать на основе моделей имеет широкий спектр применений, в том числе для погоды и дорожного движения.
• Отказоустойчивость: когда значительная часть сети потеряна или отсутствует, нейронные сети могут заполнить пробелы. Эта способность особенно полезна при освоении космоса, где всегда возможен выход из строя электронных устройств.
Задачи, которые выполняют нейронные сети
Нейронные сети очень ценны, потому что они могут выполнять задачи по анализу данных, сохраняя при этом все свои другие атрибуты. Вот основные задачи, которые выполняют нейронные сети:
• Классификация: сетевые сети организуют шаблоны или наборы данных в заранее определенные классы.
• Прогноз: они производят ожидаемый результат на основе заданного
ввода.
• Кластеризация: они идентифицируют уникальную особенность данных и классифицируют ее, не зная предшествующих данных.
• Связывание: вы можете обучить нейронные сети «запоминать» шаблоны. Когда вы показываете незнакомую версию паттерна, сеть связывает ее с наиболее сопоставимой версией в своей памяти и возвращается к последней.
В инженерии важны приложения нейронных сетей, особенно в высоконадежных системах, которые появились в различных областях, включая управление полетом, химическую инженерию, электростанции, автомобильное управление, медицинские системы и другие системы, требующие автономности.
Примеры бизнес-применений нейросетей:
• Банковское дело: оценка кредитных, оценка мошенничества и рисков, а также просроченных задолженностей по кредитам.
• Бизнес-аналитика: моделирование поведения клиентов, сегментация клиентов, склонность к мошенничеству, исследования рынка, состав рынка, структура рынка.
• Финансы: рейтинги корпоративных облигаций, корпоративный финансовый анализ, анализ использования кредитной линии, прогноз цен на валюту, консультирование по кредитам, проверка ипотечных кредитов, оценка недвижимости и торговля портфелями.
• Ценные бумаги: автоматический рейтинг облигаций, анализ рынка и консультационные системы по торговле акциями.
Алгоритм обучения находит хорошее применение для множества реальных задач. Приложения варьируются от цифрового маркетинга до торговли, от управления финансами до производства и т. д. Эта технология обладает огромным потенциалом для внедрения новых средств ускорения роста
бизнеса. Прогрессивные программные системы могут сэкономить время, снизить затраты, оценить риски, повысить прибыльность, улучшить взаимодействие, конверсию и удержание клиентов, помочь обеспечить качество, повысить безопасность, улучшить производственные системы, дать компании конкурентное преимущество и помочь увеличить продажи.
СПИСОК ЛИТЕРАТУРЫ:
Барский, А. Б. Логические нейронные сети: Учебное пособие / А. Б. Барский. — М.: БИНОМ. ЛЗ, ИНТУИТ.РУ, 2012. — 352 а
Галушкин, А. И. Нейронные сети: основы теории / А. И. Галушкин. — М.: ГЛТ, 2012. — 496 а
Ширяев, В. И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика: Учебное пособие / В. И. Ширяев. — М.: ЛИБРОКОМ, 2013. — 232 а Интеллектуальные задачи в экономике: Электронный доступ // http://www.intuit.ru/studies/courses/3735/977/lecture/14689?page=2
Dzhamalova N.A.
2nd year undergraduate student of the Department of Informatics Saint Petersburg State University of Economics (St. Petersburg, Russia)
Akhmatov M.S.
2nd year undergraduate student of the Department of Informatics Saint Petersburg State University of Economics (St. Petersburg, Russia)
APPLICATION OF NEURAL TECHNOLOGY NETWORKS IN BUSINESS ENVIRONMENT
Abstract: the article describes the main aspects of neural network technology as an opportunity for business development. The article examines the goals, planning, organization and feasibility of this type of technology in business.
Keywords: neural networks, efficiency, enterprises, machine learning, neural networks.
