Добавлен: 03.07.2023
Просмотров: 177
Скачиваний: 6
СОДЕРЖАНИЕ
ПОНЯТИЕ "СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА"
1.1. Понятие и классификация систем искусственного интеллекта
2. Использование нейронных сетей в финансах и бизнесе
2.1. Применение нейронных сетей при распознавании объектов
2.2. Прогнозирование на основе нейросетей
2.3. Преимущества и недостатки прогнозирования на нейросетях
2.4. Обзор программных продуктов
3. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ НА ПРАКТИКЕ
Нейронные сети и генетические алгоритмы в настоящее время находят огромное число разнообразных применений. Действительно, в любой области человеческой деятельности есть плохо алгоритмизуемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети. Разные компании выбирают разные варианты - одни предпочитают тратить деньги на оплату лучших специалистов и их обучение, другие покупают полностью готовые специализированные нейросетевые системы, а третьи комбинируют эти подходы, создавая собственные системы с нуля или на основе готовых коммерческих пакетов. Каждый из вариантов внедрения новых технологий имеет свои достоинства и недостатки (таб.3.1, 3.2, 3.3, 3.4):
Таблица 3.1 - Создание группы экспертов
|
Достоинства |
Возможность словесного общения Возможность учета неформализуемых факторов |
|
Недостатки |
Высокие расходы на зарплату Расходы на повышение квалификации Опасность потери эксперта (переход к конкуренту, эмиграция, болезнь и т.д.) Человеческая субъективность Противоречивость мнений различных экспертов |
Таблица 2 - Покупка готовой заказной системы
|
Достоинства |
Относительно невысокая стоимость эксплуатации Система создана лучшими специалистами Система сделана с учетом специфики компании |
|
Недостатки |
Очень высокая стоимость разработки Невысокая гибкость Необходимость в разглашении секретов делового процесса компании Необходимость в привлечении специалистов со стороны для исправления ошибок, внесения изменений и т.д. |
Таблица 3.3 - Создание собственной системы «с нуля»
|
Достоинства |
Управление процессом разработки Легкость внесения изменений и модернизации Полная конфиденциальность |
|
Недостатки |
Необходим штат программистов Необходимы специалисты по нейросетям Занимает много времени Высокая стоимость Необходима настройка системы |
Таблица 3.4 - Создание системы на основе готовых «нейропакетов»
|
Достоинства |
Невысокая стоимость базового пакета и обновлений Готовые архитектуры и алгоритмы обучения Пакет создан профессионалами в области нейросетей Достаточно высокая гибкость Техническая поддержка производителя пакета Полная конфиденциальность Не требуется программирование От пользователя не требуется глубокого знания нейросетей Более эффективное обнаружение и исправление ошибок за счет большого числа пользователей Возможность приобретения надстроек к пакету у различных производителей Возможность общения с другими пользователями пакета |
|
Недостатки |
Не всегда возможно создавать собственные архитектуры и алгоритмы обучения Необходима настройка системы Необходима подготовка данных |
Из приведенной таблицы видно, что выбор варианта решения должен определяться исходя из целей и возможностей компании. Первые три варианта больше подойдут очень крупным компаниям, планирующим деятельность на 5-10 лет вперед и не ожидающим быстрой окупаемости вложений в новые технологии. По этому пути идут многие западные фирмы, желающие увеличить прибыльность своего бизнеса в условиях жесткой конкуренции.
Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей. Впрочем, имеется и несколько примеров крупнейших концернов, избравших этот вариант и добившихся успеха. Так, например, компания DuPont разработала новый материал - безопасное стекло, используя нейросетевой пакет NeuroShell. Также этот пакет используется в крупных западных банках, таких как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и других. Ниже будет рассказано об некоторых способах использования нейросетей в различных областях бизнеса и технологий (таблица 3.5):[29]
Таблица 3.5 - Использование нейросетей в различных областях бизнеса и технологий
|
Функции |
До применения нейросетей |
После применения нейросетей |
|
1. Отслеживание операций с краденными и поддельными кредитными картами |
Отслеживание операций по картам с помощью специальных программ и операторов |
Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом. |
|
2.Медицинская диагностика |
Общепринятая методика объективной диагностики состоит в том, что в процессе обследования регистрируются "вызванные потенциалы" (отклики мозга) в ответ на звуковой раздражитель, проявляющиеся в виде всплесков на электроэнцефалограмме. Для диагностики слуха у детей врачу необходимо провести около 2000 тестов, что занимает около часа. |
Компанией "НейроПроект" создана система объективной диагностики слуха у грудных детей. Нейросеть способна с той же достоверностью определить уровень слуха уже по 200 наблюдениям в течение всего нескольких минут, причем без участия квалифицированного персонала. |
|
3. Обнаружение фальсификаций |
Применение специальной экспертной системы с 14% эффективностью. |
Нейросеть позволяет обнаруживать 38% мошеннических случаев. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации. |
|
4. Анализ потребительского рынка |
Обычные методы прогнозирования отклика потребителей маркетинговой службой и группой аналитиков. |
Компания GoalAssist Corporation построила две нейросети для решения этой задачи. Первая из них - это сеть с адаптивной архитектурой пакета NeuroShell Classifier компании Ward Systems Group, на входы которой подавались различные параметры товаров и рекламной политики. С помощью этой сети, предназначенной специально для классификации, было получено разделение входов на 4 класса, характеризующих отклик потребителей. Те же входы вместе с ответом первой сети подавались далее на вход пакета NeuroShell Predictor, который также содержит сложную самоорганизующуюся сеть, но приспособленную для задач количественного прогнозирования. Средняя ошибка предсказаний составила всего около 4%. Построение этой модели заняло около 120 часов, также потребовалось время на предобработку входных данных. |
|
5. Исследование факторов спроса |
Проведение маркетинговых и социологических исследований. для этого компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются для потребителя решающими при покупке данного товара или услуги, почему в некоторых случаях предпочтение отдается конкурентам, и какие улучшения товара потребитель хотел бы увидеть в будущем. |
Нейросетевые методы позволяют вывлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара. |
|
6.Прогнозирова-ние потребления энергии |
Эти данные получают в результате измерений потребляемой энергии для каждого клиента. Измерения проводятся каждые 15 минут, причем известно, что некоторые из них - ошибочны. |
С помощью нейросетей была построена система выявления ошибочных измерений, а также система прогнозирования потребления энергии в каждый момент времени. Знание точного прогноза позволило энергетической компании использовать гибкую тарифную политику и увеличить свою прибыль. |
|
7. Оценка недвижимости |
Стоимость недвижимости зависит от большого числа факторов. Так как вид этой зависимости неизвестен, то стандартные методы анализа неэффективны в задаче оценки стоимости квартиры. Как правило, эта задача решается экспертами-оценщиками, работающими в агентстве по недвижимости. Недостатком такого подхода является субъективность оценщика, а также возможные разногласия между различными экспертами. |
Существуют успешные примеры решения задачи объективной оценки с помощью нейросети. |
Приведенные выше примеры показывают, что технологии нейронных сетей применимы практически в любой области. В некоторых задачах, таких как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом. Нет сомнений, что повсеместное проникновение новых технологий и в другие области - только вопрос времени.
Внедрение новых наукоемких технологий в коммерческой фирме - достаточно непростое дело, требующее, кроме денег и времени, еще и некоторой перемены психологии. Однако, практика показывает, что эти вложения окупаются и выводят компанию на качественно новый уровень.
ЗАКЛЮЧЕНИЕ
Нейронные сети - это обобщенное название нескольких групп математических алгоритмов, объединенных одним общим свойством - умением обучаться на группе примеров, “узнавая” впоследствии черты ранее встреченных образов и ситуаций.
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. Для того, чтобы сеть можно было применять в дальнейшем, ее прежде надо "натренировать" на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. Нейросеть может "научиться" даже на массиве сгенерированных случайных чисел.
Нейросетевые технологии, применяемые в финансовом и других методах анализа, давно перестали быть модной экзотикой и вызывать недоумение специалистов. В мире накоплен громадный опыт применения нейросетей, сто из ста западных финансовых и промышленных компаний применяют нейротехнологии в том или ином виде. В России же еще недавно найти приличный нейропакет было весьма непросто. Однако к настоящему времени барьер недоверия сломлен, появились обнадеживающие результаты решения различных аналитических задач с элементами нейротехнологий в условиях суровой российской действительности. Сегодня аналитики могут выбрать себе систему построения прогнозов соответственно своему вкусу, кругу решаемых задач.
В данной курсовой работе исследована тема использования нейронных сетей в финансах и бизнесе, показано применение нейросетевых технологий на практике, их достоинства и недостатки в зависимости от параметров внедрения.
Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд "интеллектуальных" задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейросети и нейрокомпьютеры представляют собой принципиально новый подход к описанным проблемам.
иллюстрирует рисунок 3.3
Рисунок 3.3 – Алгоритм распознавания объекта
На рисунке видно, что выбран прямой вид на здание. В общем случае положение камеры может этого не обеспечивать, потому становится понятно не только, почему выше сказано про необходимость предварительной подготовки изображения, это основная сложность по сравнению с распознаванием простых символов. Возможно, целесообразно будет задействовать присутствующую в большинстве современных устройств, для определения угла зрения. Также понятно, что хотя разность углов зрения на объект при движении небольшая, можно как минимум немного «довернуть» трехмерную реконструкцию на нужный угол перед распознаванием. Дополнительное преимущество нейронной сети ещё и в том, что при наличии достаточного количества образцов распознавание будет лучше, чем при других методах – так, каскады Хоара потребуют набора очень большого количества признаков на сложных фотографиях зданий.
Будем считать достаточным топологическое описание без дополнительных уточнений, т.к. простые геометрические деформации сохранят подобие с эталоном. Выбор классов (простых образов), для которых верна гипотеза компактности по сути является аналогом отдельного распознавания частей здания, что опять же подтверждает удачный выбор нейронной сети как инструмента в данной задаче.
Основная проблема подхода будет связана с выбором удовлетворительных процедур распознавания, этот вопрос отчасти остается открытым. Понятно только, что исходить следует из выделения опорных точек и контуров в силуэте здания, а также к их формализации таким образом, чтобы получившиеся признаки были. Даже несмотря на присутствие вероятностных описаний в хорошей признаки необходимо выделять продуманно. Эти дискриминантные функции пространства признаков можно попытаться изыскать из общих соображений аналитической геометрии.
Заключение
В данной курсовой работе был проведен анализ возможности использования нейронных сетей для разработки автоматизированной системы дополнительной реальности, позволяющей получать пользователю дополнительную информацию о известных туристических объектах.
В ходе выполнения работы было произведено рассмотрение концепции автоматизированной системы, описаны как предпочтительные технологические составляющие, так и математические основы наиболее сложной части такой системы. Были освещены существующие аналоги такой системы, возможные проблемы различных подходов к её реализации, а также рассмотрена возможная структура нейронной сети и алгоритм ее функционирования.
Список использованных источников
- Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 2013 г., №4.
- Виноградова, М.М. Интеллектуальные информационные технологии в экономике и управлении/М.М. Виноградова//Стратегический маркетинг гражданской продукции оборонной промышленности: доклад научно-практических семинаров. – М., 2011.
- Грабауров, В.А. Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с.
- Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с.
- NeuroProject [Электронный ресурс]. –Al&Data Analysis. Электрон. Дан. – М NeuroProjec Al&Data Analysis, 2012 – 2006. - Режим доступа: http// www.neuroproject.ru, свободный. – Заглавие с экрана.
- Финн В.К. Искусственный интеллект: Идейная база и основной продукт, 9-я национальная конференция по искусственному интеллекту, Труды конференции, Т.1, М., Физматлит, 2014, с.11-20.
- Финн В.К. Об интеллектуальном анализе данных //Новости искусственного интеллекта №3, 2014.
- Карпов В.Э. Эволюционное моделирование. Проблемы формы и содержания // Новости искусственного интеллекта №5, 2013.
- Барсуков А.П. Кто есть кто в робототехнике. Справочник. Вып.1., ДМК-Пресс, 2015, -125 с.
- Добрынин Д.А., Карпов В.Э. Моделирование некоторых простейших форм поведения: от условных рефлексов к индуктивной адаптации //Сб. научных трудов I Международной конференции «Системный анализ и информационные технологии САИТ-2015», М.: КомКнига, Т.1, стр. 188-193.
- Ф.Уоссермен, Нейрокомпьютерная техника, М., Мир, 2012.
- Кохонен Т. Самоорганизация и ассоциативная память. Springer. 2014. 187 с.
- Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений. - // Открытые системы, 2014, N1, с. 30-35.
- Продукты для интеллектуального анализа данных. - программных средств. 2012, N14-15, с.32-39.
- Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. - Харьков: Телетех, 2014. - 369 с.: ил.
- Кречетов Н.. Продукты для интеллектуального анализа данных. — Рынок программных средств. № 14-15, 2009. с. 32-39.
- Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с.
- Губарев В В., Альсова O.K., Беленький А.И., Гаврилов А.В., Голованскнй А.П., Давыдова Т.Н., Канглер В.М. Управление Новосибирским водохранилищем на основе прогнозирования притока. - // Водное хозяйство России. Проблемы, технологии, управление, Екатеринбург. Изд-во РосНИИВХ, 2015, т. 2, № 5. - С. 484-499.
- Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.
- Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных. - // Сб. научи, трудов НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63.
- Гаврилов А.В.. Губарев В В. Применение модели Хопфилда для решения задачи прогнозирования на примере анализа притока реки Обь. // 2-я Всероссийская научно-техн. конф. "Нейроинформатика-2010", М., - С. 33-38.