Содержание

Введение

1. Нейронные сети: варианты использования

2. Диагностика и прогнозирование экономических объектов

3. Применение нейронных сетей в экономике и бизнесе

4. Нейросетевые модели бизнес-прогнозирования

• Заключение
• Список использованной литературы

Введение

В моменты принятия сложных решений человек старается «заглянуть в себя» и постичь, каким образом он справляется с трудными и порой не решаемыми формальной логикой задачами. Естественное беспокойство и жажда познания обуревают его наряду со смутным сознанием того, что математический, алгоритмический подход к построению сложных кибернетических систем искусственно абсолютизирован. Все должно быть к месту, все должно быть взвешено, И обращаясь к себе, он раз за разом проводит мозговую атаку на то таинственное, созданное природой -- на собственный мозг...

Итак, мы вступаем в самую сокровенную область искусственного интеллекта.

Мы смелы и безапелляционны. Долго и систематически насаждаемая духовная нищета заставила нас позабыть о превалирующем духовном начале в человеке. Все больше людей понимают, что мозг -- лишь инструмент духа, души. И как любой инструмент, он производится, тупится и приходит в негодность -- умирает. Бессмертной остается душа -- продукт тонкого мира, мира сверхвысоких частот и. по мнению некоторых философов, настойчиво проявляющейся психической энергии.

А раз мозг -- инструмент, его надо тренировать, заполнять, совершенствовать. В природе царит принцип целесообразности, полезности в борьбе за главную установку -- установку на развитие. Нужное существует и утверждается, ненужное отмирает, как отмирают неиспользованные, «лишние» нейроны, порождая склеротическую ткань и разъедающую интоксикацию. И человека ленивого, праздного, недеятельного охватывает преждевременное старческое слабоумие. «Душа обязана трудиться». -- сказал поэт Н. Заболоцкий. Эту истину мы открываем вновь, с другой, неожиданной стороны...

Мы принимаем сказанное и успокаиваемся. Не вторгаемся мы в то, что для нас сейчас непостижимо, что пока нам не дано. Но кто знает? И на всякий случай мы вооружаемся иронией, преодолевая «сопротивление материала». Ирония позволяет и сказать, и не сказать, предположить, но тотчас, прикрываясь шуткой, трусливо отступить. Только иронией можно защитить себя от мистических страхов, возникающих на трудном пути познания.

Внимание ученых к логическому моделированию процессов головного мозга обусловили следующие причины:

* высокая скорость выполнения сложных логических конструкций -- преликатов с высоким параллелизмом действий;

* простота алгоритмов логических действий мозга, основанная неначисленном манипулировании, а на принципах ассоциативного мышления;

* возможность решения трудно формализуемых задач, в которых совместно используются данные логически несовместимой природы, противоречивые, неполные, «зашумленные». некорректные;

* устойчивость работы, совместимая с расширением, трансформированием и совершенствованием знаний;

* надежность, обеспечиваемая наличием многих путей логического вывода и способностью восстановления утраченных данных;

* возможность построения самообучающихся и самонастраивающихся систем;

* прекрасная сочетаемость с традиционными «вычислительными» алгоритмами обработки информации, позволяющая строить сложные системы управления, - с максимальной надежностью, адаптивностью и с минимумом расходуемых ресурсов;

* отсутствие требований к «традиционно» развиваемым вычислительным средствам. Единственный стимулируемый принцип -- параллелизм. Для реализации параллельной системы -- нейросети -- необходима параллельная вычислительная система. Ведь для выявления параллелизма, в частности, мы и обращаемся к модели мозга! Наряду с разработкой параллельных вычислительных устройств -- нейрокомпьютеров -- стимул к развитию получают сети ЭВМ для реализации в них «больших» нейросетей.

Особый интерес ученых и разработчиков сложных управляющих систем к нейросетевым технологиям, как и к другим технологиям искусственного интеллекта, возник в начале 1980-х годов (известный «японский вызов» [7]), когда остро встала проблема сверхвысокой производительности вычислительных средств.

1. Нейронные сети: варианты использования

Нейронные сети - это адаптивные системы для обработки и анализа данных, которые представляют собой математическую структуру, имитирующую некоторые аспекты работы человеческого мозга и демонстрирующие такие его возможности, как способность к неформальному обучению, способность к обобщению и кластеризации неклассифицированной информации, способность самостоятельно строить прогнозы на основе уже предъявленных временных рядов. Главным их отличием от других методов, например таких, как экспертные системы, является то, что нейросети в принципе не нуждаются в заранее известной модели, а строят ее сами только на основе предъявляемой информации. Именно поэтому нейронные сети и генетические алгоритмы вошли в практику всюду, где нужно решать задачи прогнозирования, классификации, управления - иными словами, в области человеческой деятельности, где есть плохо алгоритмизуемые задачи, для решения которых необходимы либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми и являются нейронные сети.

Особенности

Нейронная сеть принимает входную информацию и анализирует ее способом, аналогичным тому, что использует наш мозг. Во время анализа сеть обучается (приобретает опыт и знания) и выдает выходную информацию на основе приобретенного ранее опыта.

Основная задача аналитика, использующего нейронные сети для решения какой-либо проблемы, - создать наиболее эффективную архитектуру нейронной сети, т.е. правильно выбрать вид нейронной сети, алгоритм ее обучения, количество нейронов и виды связей между ними. Эта работа не имеет формализованных процедур, она требует глубокого понимания различных видов архитектур нейронных сетей, включает в себя много исследовательской и аналитической работы, и может занять достаточно много времени.

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

1. накоплены достаточные объемы данных о предыдущем поведении системы

2. не существует традиционных методов или алгоритмов, которые удовлетворительно решают проблему

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

Нейронные сети наилучшим образом проявляют себя там, где имеется большое количество входных данных, между которыми существуют неявные взаимосвязи и закономерности. В этом случае нейросети помогут автоматически учесть различные нелинейные зависимости, скрытые в данных. Это особенно важно в системах поддержки принятия решений и системах прогнозирования.

Преимущества

Нейросети являются незаменимыми при анализе данных, в частности, для предварительного анализа или отбора, выявления "выпадающих фактов" или грубых ошибок человека, принимающего решения. Целесообразно использовать нейросетевые методы в задачах с неполной или "зашумленной" информацией, особенно в задачах, где решение можно найти интуитивно, и при этом традиционные математические модели не дают желаемого результата.

Методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа, большинство из которых связаны с построением моделей, основанных на тех или иных предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение). Нейросетевой подход не связан с такими предположениями - он одинаково пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в разведочном анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д.

Применение

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.

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

Для финансовых операций:

1. Прогнозирование поведения клиента

2. Прогнозирование и оценка риска предстоящей сделки

3. Прогнозирование возможных мошеннических действий

4. Прогнозирование остатков средств на корреспондентских счетах банка

5. Прогнозирование движения наличности, объемов оборотных средств

6. Прогнозирование экономических параметров и фондовых индексов

Для планирования работы предприятия:

1. Прогнозирование объемов продаж

2. Прогнозирование загрузки производственных мощностей

3. Прогнозирование спроса на новую продукцию

Для бизнес-аналитики и поддержки принятия решений:

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

2. Анализ работы филиалов компании

3. Сравнительный анализ конкурирующих фирм

Другие приложения:

1. Оценка стоимости недвижимости

2. Контроль качества выпускаемой продукции

3. Системы слежения за состоянием оборудования

4. Проектирование и оптимизация сетей связи, сетей электроснабжения

5. Прогнозирование потребления энергии

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

7. Распознавание и обработка видео и аудио сигналов

Нейронные сети могут быть использованы и в других задачах. Основными предопределяющими условиями их использования являются наличие «исторических данных», используя которые нейронная сеть сможет обучиться, а также невозможность или неэффективность использования других, более формальных, методов.

2. Диагностика и прогнозирование экономических объектов

При диагностике и прогнозировании экономических объектов часто используются веса факторов, которые даются экспертами, а далее проводится голосование мнений экспертов. Однако такие процедуры могут быть некорректными, и существующий аппарат построения корректных процедур достаточно трудно использовать для получения практически значимых решений. Поясним это. Рассмотрим задачу диагностики объектов коллективами экспертов, используя коалиции в задаче коллективного предпочтения. Пусть Х - множество вариантов, из которых нам надо выбрать - по некоторым критериям - определённый вариант х. Пусть проблемой такого выбора занимается набор экспертов или лиц, принимающих решения, набор С. В случае, когда выбор осуществляется на основе предпочтений, каждый член f набора С - это фактически бинарное отношение предпочтения r(f). Это значит, что для некоторых х,у из Х может иметь место утверждение х r(f) y, это значит: для f будет х предпочтительнее, чем у. Коллективное предпочтение r = r ( C ) можно считать некоторой функцией от индивидуальных предпочтений : r = ф( r(f): f пробегает набор С). На первый взгляд такое предположение кажется естественным, но именно оно является источником дальнейших противоречий. Оказалось, что коллективное предпочтение не может быть универсальным правилом, оно зависит от конкретных вариантов х,у и от предпочтений r(f). Иными словами, правило ф не может быть универсальным, оно должно быть локальным.

Нами показано, что при сведении задачи к классификационной можно строить коллективы экспертов (комитеты), корректно решающие задачу диагностики методы обучения нейросетей в двух слоях, а затем метод комитетов позволил получить точные результаты и обоснованные процедуры обучения, которые позволяют решать широкий класс задач, сводимых к разделению конечных множеств с единственным требованием непустоты их пересечения.

Одно важное направление связано с процедурами голосования при оценке состояний объектов. В сфере голосования ситуация крайне сложна, и здесь на каждом шагу встречаются парадоксы. Нами показано, что противоречий удаётся избежать в случае, когда решение задачи выбора сведено к серии задач классификации, и в этом случае метод комитетов даёт хорошие результаты. Методу комитетов отвечает трёхслойная нейронная сеть, и из теорем существования комитетов следует, что такую сеть можно обучить по прецедентам решению любой задачи, решение которой выражается словом в каком-либо конечном алфавите.

Приведём аргументы в пользу сведения принятия решений к сериям задач классификации. Близкая многокритериальной оптимизации процедура коллективных решений является важнейшей в задачах выбора вариантов. Проблема принятия согласованных решений коллективом людей или коллективом решающих правил возникает постоянно в задачах прогнозирования. Однако оказалось, что нельзя априори предложить наиболее эффективную процедуру голосования. Она всегда зависит от конкретной ситуации и фактически при грамотном подходе превращается в процесс согласования интересов сторон - процесс, требующий большой аккуратности, чтобы не попасть в одну из многочисленных формальных ловушек. Это важно для диагностики коллективами экспертов. Фактически, это игра нескольких лиц, где выигрывает тот, кто хорошо считает и использует малейшие просчёты партнёров. Изучение задачи согласования индивидуальных мнений экспертов и лиц, принимающих решения (ЛПР) сегодня перешло на качественно новый математический уровень.

Решение почти любой задачи можно представить в виде схемы:

Задача Z -> параметризатор S -> x = [x1,…,xn] -> решатель -> arg Z = f(x). Решатель - это компьютер того или иного вида. Вместо того, чтобы говорить об алгоритме решения задачи Z из класса З, будем говорить об алгоритме, позволяющем с помощью программы П восстанавливать по последовательности (коду) х из Х последовательность ( код) y = argZ, y - из Y.

Собственно говоря, этот круг вопросов связан с идеей расщепления сложной задачи в сеть простых задач. Эта идея реализована в разных разделах математики под разными названиями: модульный принцип в пакетах программ (Н.Н. Яненко), принцип расщепления в математической физике (Г.И. Марчук), метод декомпозициии в оптимизации, метод конечных элементов в вычислительной физике и т.д. Спрашивается, можно ли синтезировать решение большой сложной задачи из множества решений подзадач?

Итак, мы решаем следующую конкретную задачу.

Требуется по данным наблюдений (таблица объект\признак) выявить закономерности вида y = f(x), где у - целевой показатель, х - вектор входных признаков (факторов). На основании этой информации провести прогноз параметров деятельности экономических объектов. Зависимость требуется получить в нейросетевой форме.

С этим подходом связана задача управления признаками. Эта задача распадается на ряд этапов: селекция признаков, преобразование признаков (построение спрямляющего пространства), оценка отдельных признаков и их совокупностей, оценка влияния вариаций признаков на результат классификации.

Настройка нейронной сети на моделирование зависимости y = f(x) сводится к дискриминантному анализу.

Итак, для моделирования эмпирических закономерностей мы рассматриваем задачу дискриминантного анализа - задачу построения функции f из функционального класса F, разделяющую прецедентные множества А и В. Эту задачу обозначим DA(A,B,F): найти f из F: f(x)>0 для х из А, f(x)<0 для х из В.

Разделяющий комитет: C = [ f1,…,fq], причем каждому неравенству нашей задачи удовлетворяет более половины элементов из С.

Эти задачи решаются на основе накопленных наблюдений по динамике показателей. Распознавание образов и регрессионный анализ используются для нахождения эмпирических зависимостей между показателями. Далее на этой основе рассматриваются оценки признаков и систем признаков, отбор полезных признаков и их отбор. А именно, пусть f = arg DA(A,B,F), то есть f - разделяющая функция для множеств А и В. Если имеется вектор состояния объекта: x = [x1,…,xn], который мы хотим перевести в класс А, то мы решаем задачу управления признаками: найти y = [y1,…,yn], чтобы f(x+y) > 0. В более общей модели u - оператор управления, действующий на вектор состояния х так, чтобы в результате х можно было перевести в нужный класс.

Это связано с оценкой факторов: ценность фактора ( входного показателя) xi -это эластичность критериальных (целевых) функций f1,…,fp по отношению к фактору xi, val(x) = матрица, составленная из векторов gradfj(x).

Для детализации содержательной схемы моделирования работы экономического объекта мы должны учесть тот факт. что построение адекватной математической модели экономических показателей требует разработки содержательной концепции экономического и производственного процесса на промышленном объекте и его формализации. Результат - выделение входных и выходных показателей.

3. Применение нейронных сетей в экономике и бизнесе

Применение нейронных сетей в экономике и бизнесе основывается на возможности сетей прогнозировать тенденции развития тех или иных показателей. Известны применения нейронных сетей для прогнозирования изменения биржевых цен, стоимости акций и т.п. В таких задачах к входным параметрам предъявляются следующие требования: 1) входные данные должны быть представлены в числовом виде; 2) обучающие выборки должны быть большими. Но в рыночной экономике числовые показатели важны так же, как и психологические факторы, политика, которые могут хоть и кратковременно, но значительно изменять рыночные цены. Поэтому часто используют экспертные оценки ситуаций и выражают их числами, которые тоже учитываются как входные параметры нейронных сетей.

Известно, что риск инвестиций в экономику высок, если изменение рыночных цен большое. Чтобы оценить этот риск, применяют нейронные сети. Это основано на том факте, что нейронные сети могут представлять сложные нелинейные отношения в таких областях, в которых обычные статистические методы не работают хорошо.

В рыночной экономике высока вероятность банкротства предприятий, фирм, целых корпораций, банков. Банкротство - самая значительная угроза для фирм. Но это не только ликвидация самой фирмы, этот процесс оказывает влияние на экономику в целом. Опыт последних даух десятилетий показывает, что бизнесмены терпят крах своих предприятий чаще, чем в любые другие годы, начиная с 30-х годов. Особенно страдают от банкротства инвесторы, кредиторы, управленцы и сотрудники. Поскольку экономическая цена банкротств высока, существует необходимость в моделях, которые предсказали бы подобные события. Предупреждение о несостоятельности предприятий можно получить на основе моделирования с помощью нейронных сетей.

В банковской деятельности важной задачей работы с клиентами является подтверждение подписи клиента на чеках. Задача верификации подписи клиента может быть решена с помощью нейронных сетей.

4. Нейросетевые модели бизнес-прогнозирования

В настоящее время, на наш взгляд, самым перспективным количественным методом прогнозирования является использование нейронных сетей. Можно назвать много преимуществ нейронных сетей над остальными алгоритмами, ниже приведены два основных.

При использовании нейронных сетей легко исследовать зависимость прогнозируемой величины от независимых переменных. Например, есть предположение, что продажи на следующей неделе каким-то образом зависят от следующих параметров:

1. продаж в последнюю неделю

2. продаж в предпоследнюю неделю

3. времени прокрутки рекламных роликов (TRP)

4. количества рабочих дней

5. температуры

Кроме того, продажи носят сезонный характер, имеют тренд и как-то зависят от активности конкурентов.

Хотелось бы построить систему, которая бы все это естесственным образом учитывала и строила бы краткосрочные прогнозы.

В такой постановке задачи большая часть классических методов прогнозирования будет просто несостоятельной. Можно попробовать построить систему на основе нелинейной множественной регрессии, или вариации сезонного алгоритма ARIMA, позволяющей учитывать внешние параметры, но это будут модели, скорее всего, малоэффективные (за счет субъективного выбора модели) и крайне негибкие.

Используя же даже самую простую нейросетевую архитектуру (персептрон с одним скрытым слоем) и базу данных (с продажами и всеми параметрами) легко получить работающую систему прогнозирования. Причем учет, или не учет системой внешних параметров будет определяться включением, или исключением соответствующего входа в нейронную сеть.

Более искушенный эксперт может с самого начала воспользоваться каким-либо алгоритмом определения важности (например, используя Нейронную сеть с общей регрессией и генетической подстройкой) и сразу определить значимость входных переменных, чтобы потом исключить из рассмотрения мало влияющие параметры.

Еще одно серьезное преимущество нейронных сетей состоит в том, что эксперт не является заложником выбора математической модели поведения временного ряда. Построение нейросетевой модели происходит адаптивно во время обучения, без участия эксперта. При этом нейронной сети предъявляются примеры из базы данных, и она сама подстраивается под эти данные.

Недостатком нейронных сетей является их недетерминированность. Имеется в виду то, что после обучения имеется "черный ящик", который каким-то образом работает, но логика принятия решений нейросетью совершенно скрыта от эксперта. В принципе, существуют алгоритмы "извлечения знаний из нейронной сети", которые формализуют обученную нейронную сеть до списка логических правил, тем самым создавая на основе сети экспертную систему. К сожалению, эти алгоритмы не встраиваются в нейросетевые пакеты, к тому же наборы правил, которые генерируются такими алгоритмами достаточно объемные. Подробнее об этом можно почитать в книге А.А. Ежова, С.А. Шумского "Нейрокомпьютинг и его применения в экономике и бизнесе".

Тем не менее, для людей, умеющих работать с нейронными сетями и знающими нюансы настройки, обучения и применения, в практических задачах непрозрачность нейронных сетей не является сколь-нибудь серьезным недостатком.

Использование многослойных персептронов

Самый простой вариант применения искусственных нейронных сетей в задачах бизнес-прогнозирования - использование обычного персептрона с одним, двумя, или (в крайнем случае) тремя скрытыми слоями. При этом на входы нейронной сети обычно подается набор параметров, на основе которого (по мнению эксперта) можно успешно прогнозировать. Выходом обычно является прогноз сети на будущий момент времени.

Рассмотрим пример прогнозирования продаж. На рисунке представлен график, отражающий историю продаж некого продукта по неделям. В данных явно заметна выраженная сезонность. Для простоты предположим, что никаких других нужных данных у нас нет. Тогда сеть логично строить следующим образом. Для прогнозирования на будущую неделю надо подавать данные о продажах за последние недели, а также данные о продажах в течении нескольких недель подряд год назад, чтобы сеть видела динамику продаж один сезон назад, когда эта динамика была похожа на настоящую за счет сезонности.

Если входных параметров много, крайне рекомендуется не сбрасывать их сразу в нейронную сеть, а попытаться вначале провести предобработку данных, для того чтобы понизить их размерность, или представить в правильном виде. Вообще, предобработка данных - отдельная большая тема, которой следует уделить достаточно много времени, так как это ключевой этап в работе с нейронной сетью. В большинстве практических задач по прогнозированию продаж предобработка состоит из разных частей. Вот лишь один пример.

Пусть в предыдущем примере у нас есть не только историческая база данных о продажах продукта, которые мы прогнозируем, но и данные о его рекламе на телевидении. Эти данные могут выглядеть следующим образом

По оси времени отложены номера недель и рекламные индексы для каждой недели. Видно, что в шестнадцатую и семнадцатую недели рекламы не было вообще. Очевидно, что неправильно данные о рекламе подавать в сеть (если это не рекуррентная нейронная сеть) в таком виде, поскольку определяет продажи не сама реклама как таковая, а образы и впечатления в сознании покупателя, которые эта реклама создает.

И такая реклама имеет продолжительное действие - даже через несколько месяцев после окончания рекламы на телевидении люди будут помнить продукт и покупать его, хотя, скорее всего, продажи будут постепенно падать.

Поэтому пытаясь подавать в сеть такие данные о рекламе, мы делаем неправильную постановку задачи и, как минимум, усложним сети процесс обучения.

При использовании многослойных нейронных сетей в бизнес-прогнозировании в общем и прогнозировании продаж в частности полезно также помнить о том, что нужно аккуратно делать нормировку и что для выходного нейрона лучше использовать линейную передаточную функцию. Обобщающие свойства от этого немного ухудшаются, но сеть будет намного лучше работать с данными, содержащими тренд.

Использование нейронных сетей с общей регрессией GRNN и GRNN-GA

Еще одной часто используемой нейросетевой архитектурой, используемой в бизнес-прогнозировании является нейронная сеть с общей регрессией.

Несмотря на то, что принцип обучения и применения таких сетей в корне отличается от обычных персептронов, внешне сеть используется таким же образом, как и обычный персептрон.

Говоря другими словами, это совместимые архитектуры в том смысле, что в работающей системе прогнозирования можно заменить работающий персептрон на сеть с общей регрессией и все будет работать. Не потребуется проводить никаких дополнительных манипуляций с данными.

Если персептрон во время обучения запоминал предъявляемые примеры постепенно подстраивая свои внутренние параметры, то сети с общей регрессией запоминают примеры в буквальном смысле.

Каждому примеру - отдельный нейрон в скрытом слое сети, а затем, во время применения сеть сравнивает предъявляемый пример с примерами, которые она помнит. Смотрит, на какие из них текущий пример похож, и в какой степени и на основе этого сравнения выдаст ответ.

Отсюда следует первый недостаток такой архитектуры - когда база данных о продажах, или других величинах, которые мы прогнозируем велика, сеть станет слишком большой и будет медленно работать. С этим можно бороться предварительной кластеризацией базы данных.

Второй недостаток таких сетей особенно заметен в задачах бизнес-прогнозирования - они совсем не способны "продлевать" тренд. Поэтому такие сети можно использовать только в случаях, когда рынок устойчивый, либо, после декомпозиции данных, тренд прогнозировать другими архитектурами нейронных сетей, или любыми классическими методами.

Заключение

Все чаше появляются научные работы, посвященных нейро-сетевым моделям, которые порождают все больше интересных, эффективных технологий для решения задач управления, планирования, распознавания образов и принятия решений. В этом разнообразии мы выделили лишь то направление, которое непосредственно связано с принципами человеческого интеллекта, с ассоциативным мышлением. Фактически это -- построение таблиц, фиксирующих опыт и реализующих принцип «если -- то», «посылка -- следствие». Важным достоинством этих таблиц является то, что они позволяют наглядно воспроизводить функции многих переменных, не совместимых по типам и по физической природе. Эти функции не имеют формального математического описания и потому отображают трудно формализуемые задачи. Автоматическая интерполяция опыта является неотъемлемым свойством нейронной сети. Она позволяет делать вывод «на что больше всего это похоже и что следует предпринять», а также производить необходимое усреднение.

Важнейшее значение нейронные сети приобретают при построении систем управления и принятия решений. Технологии, основанные на применении «вычислительных» алгоритмов, приводят к тупиковой ситуации, когда традиционно развиваемая элементно-конструкторская база не обеспечивает требуемой производительности компьютеров. Нейросетевые технологии, использующие нетрудоемкий принцип ассоциативного мышления и высокий параллелизм, порождают прорыв в достижении необходимой реальной производительности вычислительных средств.

Конечно, статистические исследования накопленного опыта, моделирование и обработка нужны для обучения или построения обученной нейросети. Однако эти исследования проводятся вне рабочего режима, могут быть совместимы с ним, а также допускать корректирование, модификацию и развитие нейросети в процессе и эксплуатации.

Благодаря логическому методу построения математический аппарат нейронных сетей прост и доходчив, разработка нейросети не дорога, она не требует специальных знаний пользователя. В то же время нейросеть легко допускает включение в рассмотрение новых факторов, изменение решений и т.д.

Воспроизведение принципов работы мозга позволяет создавать действительно универсальные, помехозащищенные, адаптивные, несложные и развиваемые информационные технологии в экономике, в бизнесе, в управлении сложными системами, в том числе и социальными, в искусстве, туризме и т.д.

Однако мы осознаем, что Природа действует в соответствии с законами своего развития. Для того чтобы реализовать примитивную логическую передаточную функцию, в нейроне происходит до 240 химических реакций. Создавая интеллект искусственный на принципиальном, логическом уровне, бессмысленно слепо и многотрудно воспроизводить существующие в природе методы, хотя такое моделирование может быть полезно для биологии и медицины. На пути логического создания разума мы не связаны с проблемами энергетики и надежности. Искусственная нейросеть не требует кровоснабжения и не подвергается огню на поражение. И потому мы смело идем по пути абстракции, сублимации и условной имитации, пользуясь богатыми возможностями современного компьютера и логического мышления.

Мы убеждены в необходимости создания студий Computer An Studio, клубов по интересам и артелей, объединяющих все слои населения, всех возрастов и профессий, для реализации принципов искусственного интеллекта: это и искусство, и наука, и бизнес!

Список использованной литературы

1. Галушкин Л.И. Сфера применения нейрокомпьютеров расширяется. Приложение к журналу «Информационные технологии... - 2001. - № 10.

2. Галушкин Л.И. Теория нейронных сетей. Сер. «Нейрокомпьютеры и их применение... Кн. 1. - М.: ИПРЖР, 2000.

3. Стеру О., Марзуки X., Рубин Ю. Нейроуправление и его приложения / Полрел. А.И. Галушкина. Сер. «Нейрокомпьютеры и их применение*. Кн. 2. - М.: ИПРЖР, 2000.

4. Комашинский В.И., Смирнов МЛ. Введение в нейроинформационные технологии. -- СПб.: Тема, 1999.

5. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. -- М.: Горячая линия -- Телеком, 2001.

6. Уоссерман Ф. Нейрокомпьютерная техника. -- М.: Мир, 1992.

7. ЭВМ пятого поколения. Концепции, проблемы, перспективы. -- М.: Финансы и статистика, 1984.

8. Игнатущенко В.В. Организация структур управляющих многопроцессорных вычислительных систем. -- М.: Энергоатом-иэдат, 1984.

9. Барский Л.Б. Параллельные процессы в вычислительных системах: Планирование и организация. -- М.: Радио и связь, 1990.

10. Нейрокомпьютеры и интеллектуальные роботы / Н .М. Амосов, Т.Н. Байлык, А.Д. Гольцов и др. -- Киев: Наукова думка, 1991.

11. Поспелов ДА. Моделирование рассуждений: Опыт анализа мыслительных актов. - М.: Радио и связь, 1989.

12. HopfieldJ., Tank D. Neurel computation of decision in optimization problems. Biol. Cybernet., 1985, vol. 52.

13. Kohorten Т. Self-Organizing Maps. Springer-Verlag, 2nd ed., 1997.

14. Шеннон P. Имитационное моделирование систем. Искусство и наука. -- М.: Мир, 1978.

15. Поспелов Д.А. Большие системы. Ситуационное управление. - М.: Знание, 1975.

16. Поспелов Д.А. Ситуационное управление. Теория и практика. - М.: Наука, 1986.

17. Головкин Б.А. Параллельные вычислительные системы. -- М.: Наука, 19S0.

18. Барский Л.Б., Шилов В.В. SPMD-архитектура и параллельная обработка структур данных. -- Приложение к журналу "Информационные технологии». -- 1999. -- № 6.

19. Барский Л.Б., Шилов В.В. SPMD-архитектура и параллельный логический вывод. -- Приложение к журналу «Информационные технологии». - 1999. - № 12.

20. Барский А.Б. Параллельные технологии решения оптимизационных задач. -- Приложение к журналу "Информационные технологии». - 2001. - № 2.

21. Барский А.Б. Обучение нейросети методом трассировки. Труды VIII Всеросс. конф. «Нейрокомпьютеры и их применение», 2002.

22. Фролов Ю.В. Интеллектуальные системы и управленческие решения. - М.: МГЛУ, 2000.

23. Фролов Ю.В., Паспухов Е.С. Мониторинг изменений в банковском сообществе России с применением самоорганизующихся карт Кохонена// Банковские технологии. -- 2000. -- № 11.

24. Deboeck С, Kohonen Т. Visual Exploration in Finance with Self-Organizing Maps. Springer-Verlag. 1998.

25. Нейронныесети: История развития теории / Под ред. А.И. Галушкина. Я.3. Цыпкина. Науч. сер. «Нейрокомпьютеры и их применение. Кн. 5. - М: ИПРЖР, 2001.

26. Головко ВЛ. Нейронные сети: обучение, организация и применение/ Пол ред. А.И. Галушкина. Науч. сер. "Нейрокомпьютеры и их применение». Кн. 4. - М.: ИПРЖР, 2001.

27. Галушкин А.И. Нейрокомпьютеры. Науч. сер. «Нейрокомпьютеры и их применение». Кн. 3. - М.: ИПРЖР, 2000.

28. Горбань А.Н. Обучение нейронных сетей. -- М.: СП «ParaGraf». 1990.

29. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. и др. Нейросетевые системы управления. - СПб.: СПбГУ, 1999.