Использование технологии искусственных нейронных сетей

ИНС – это технология, которая охватывает параллельные, распределенные, адаптивные

системы обработки информации, способные «учиться» обрабатывать информацию, действуя в

информационной среде. Ее можно рассматривать как перспективную альтернативу

программируемым вычислениям. Новый подход не требует готовых алгоритмов и правил обработки –

система должна «уметь» вырабатывать правила и модифицировать их в процессе решения

конкретных задач обработки информации.

Для многих задач, где такие алгоритмы неизвестны, или же известны, но требуют

значительных затрат на разработку программного обеспечения, например, при обработке зрительной

и слуховой информации, распознавании образов, анализе данных, управлении,

нейроинформационные технологии дают эффективные, легко и быстро реализуемые, параллельные

методы решения.

ИНС – это успешно развивающийся класс интеллектуальных систем, ориентированный на

тиражирование опыта высококвалифицированных специалистов-экспертов в слабо формализованных

областях, где качество принятия решений традиционно зависит от качества экспертизы (экономика,

медицина и т.п.).

С каждым годом растет уровень технического и информационного обеспечения человеческой

деятельности, следствием чего является огромный объем информации, с которым приходится

сталкиваться в повседневной работе специалистам различного профиля и уровня компетенции.

Современный уровень информационного потока зачастую не дает возможности для наработки

«опыта» – продукта длительного осмысления полученной информации. В этих условиях ключевое

значение для принятия решений (выживания организации) имеет стратегическое планирование.

Стратегическое планирование, как известно, является единственным способом

прогнозирования будущих проблем и возможностей. Оно обеспечивает человеку, принимающему

решения, средства для разработки долгосрочных планов и создает основу для принятия

обоснованных решений.

В то же время процедуры стратегического планирования и принятия решений, основанные на

анализе окружающей среды, можно отнести к трудноформализуемым проблемным ситуациям

(проблемная ситуация – осознание какого-либо противоречия в процессе деятельности, например,

невозможности выполнить теоретическое или практическое задание с помощью ранее усвоенных

знаний). Отчасти это объясняется тем, что как внешняя по отношению к системе, в которой

функционирует человек, среда, так и присущая системе внутренняя среда характеризуются высокой

степенью неопределенности, динамики и сложности.

Создание и использование в повседневной практике менеджмента систем поддержки

принятия решений является одним из важнейших условий успешного функционирования любой

организаций. Естественно, приоритет в принятии решений принадлежит человеку, обладающему

стратегическим мышлением и способностями предвосхитить появление новых событий. Однако один

из недостатков человеческого интеллекта заключается в том, что он не приспособлен для выполнения

большого объема вычислений в процессе анализа сложных систем, состоящих из цепочек

взаимосвязей. Поэтому на эффективность принятия решений существенно влияет ограниченность

возможностей человека в работе с комплексной и изменяющейся во времени информацией.

Передача знаний, основанных на эвристических решениях и интуиции, которые необходимы

для решения трудноформализуемых задач, в принципе очень сложна. Поэтому человеку необходимо

умение использовать в своей работе системы, аккумулирующие опыт (интуицию), – экспертные

системы (ЭС) на базе искусственного интеллекта (искусственный интеллект – условное обозначение

кибернетических систем и их логико-математического обеспечения, предназначенных для решения

задач, обычно требующих использования интеллектуальных способностей человека), т.е.

интеллектуальные системы (ИС).

Одним из инструментов создания подобных систем служат искусственные нейронные сети.

ИНС – информационная технология, ориентированная на анализ сложных нелинейных задач, в

частности, на работу с образной информацией, удельный вес которой в информационном потоке

постоянно растет.

Принципиальное отличие нейросетевых технологий от традиционных способов обработки

информации состоит в замене строго алгоритмированного пошагового анализа данных на

параллельную обработку всего массива информации и программирования на обучение.

Искусственные нейронные сети применяются для идентификации и классификации

информации в случае ограниченных, неполных и нелинейных источников данных.

ИНС отличаются универсальностью, одна и та же программа обеспечивает возможность

работы в разных областях знаний.

Интеллектуальные системы на базе ИНС, в отличие от классических ЭС, основанных на

жесткой логике, не нуждаются в перепрограммировании при изменении состава обучающей базы.

Важность данной особенности ИНС трудно переоценить в свете постоянно

увеличивающегося объема информации в уже, казалось бы, хорошо изученных областях.

Все перечисленное позволяет говорить о том, что внедрение нейросетевых технологий в

процесс обработки и интерпретации информации является важным и перспективным направлением.

Сферы применения нейросетей:

• экономика и бизнес – предсказание поведения рынков, предсказание банкротств, оценка

стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности,

прогнозирование курса валют;

• медицина – обработка медицинских изображений, диагностика;

• автоматизация производства – оптимизация режимов производственного процесса,

диагностика качества продукции, предупреждение аварийных ситуаций;

• политические технологии – обобщение социологических опросов;

• безопасность и охранные системы – системы идентификации личности, распознавание

автомобильных номеров и аэрокосмических снимков;

• геологоразведка – анализ сейсмических данных, оценка ресурсов месторождений.

Нейросетевые технологии предоставляют сегодня широкие возможности для решения задач

прогнозирования, обработки сигналов и распознавания образов. По сравнению с традиционными

методами математической статистики, классификации и аппроксимации, эти технологии

обеспечивают достаточно высокое качество решений при меньших затратах. Они позволяют

выявлять нелинейные закономерности в сильно зашумленных неоднородных данных, дают хорошие

результаты при большом числе входных параметров и обеспечивают адекватные решения при

относительно небольших объемах данных. Сейчас уже накоплен богатый опыт успешного

использования нейронных сетей в практических приложениях. По количеству реальных приложений

лидируют системы интеллектуального анализа данных в бизнесе и в управлении процессами.

Учитывая высокие темпы роста объемов накопленной в современных хранилищах данных

информации, роль нейронных сетей трудно переоценить. По мнению специалистов,

интеллектуальный анализ данных войдет в десятку важнейших информационных технологий.

В последние годы началось активное внедрение нейросетевой технологии. Ее активно

используют такие крупные корпорации, как American Express, Lockheed и многие другие.

Естественно, в ответ на этот интерес на рынке программных средств стали появляться

соответствующие инструментальные средства.

Особенно широко нейросетевые технологии применяются в бизнес-приложениях

маркетологами – аналитиками и руководителями компаний. Для этих категорий пользователей

разрабатываются инструментальные средства высокого уровня, позволяющие решать достаточно

сложные практические задачи без специальной математической подготовки.

Актуальность использования нейросетей в бизнесе связана с жесткой конкуренцией,

возникшей вследствие перехода от «рынка продавца» к «рынку покупателя». В этих условиях

особенно важно качество и обоснованность принимаемых решений, что требует строгого

количественного анализа имеющихся данных.

При работе с большими объемами накапливаемой информации необходимо постоянно

оперативно отслеживать динамику рынка, а это практически невозможно без автоматизации

аналитической деятельности.

Разнообразие, большой объем и противоречивость различной диагностической 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 категоризации образов.

Нейронные сети – мощный и на сегодня, пожалуй, 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 периоды времени, меньшие или сравнимые с допустимыми

периодами времени измерений.

Самым главным отличием нейронных сетей от других методов, например, таких как

экспертные системы, является то, что нейросети в принципе не нуждаются в заранее известной

модели, а строят ее сами на основе предъявленной информации. Именно поэтому нейронные сети

вошли в практику везде, где нужно решать задачи прогнозирования, классификации, управления,

иными словами, в области человеческой деятельности, где есть плохо алгоритмизуемые задачи, для

решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо

адаптивные системы автоматизации, каковыми являются нейронные сети.