Файл: Применение нейронных сетей в экономике (Развитие систем искусственного интеллекта).pdf

2.2 Применение нейронных сетей в экономических системах

Интеллектуальные информационные системы применяются для тиражирования профессионального опыта и решения сложных научных, производственных и экономических задач. Примерами, могут служить задачи анализа инвестиций, планирование рекламной кампании, прогнозирование рынка и мн. др.

Использование интеллектуальных технологий в экономических системах позволяет решать многие экономические задачи и задачи, имеющие существенное значение для экономики. Такими задачами являются:

• создание системы юридической помощи работникам экономической сферы; 
• автоматизированный перевод; 
• обработка и восприятие естественного языка и текста; 
• создание систем технического зрения и распознавания образов, основанных на использовании систем оптического чтения текстов; 
• создание распределенных баз знаний и экспертных систем; 
• создание информационно-справочных систем в области транспорта, связи, наличия товаров и т. д.; 
• создание системы заказов товаров на дому. 

Использование интеллектуальных технологий в экономике позволяет фирмам предлагать более широкий спектр информационных услуг в режиме, приближенном к реальному масштабу времени, при привлечении более широкого круга источников. Но самой важной особенностью их использования является снижение себестоимости выпускаемой и обрабатываемой продукции в связи с тем, что удельные издержки в этом случае гораздо ниже, чем при использовании традиционных методов работы с информацией (с привлечением человека, бумаги и т. д.).

Благодаря использованию экспертных систем и доступности международной системы баз данных и знаний существуют значительные возможности повышения квалификации работников фирм и предприятий.

Программные средства, применяемые в экономических информационных системах, можно разделить на следующие группы - рис. 3.

Программные средства применяемые в экономических информационных системах

1. Проблемно-ориентированные пакеты экономико-математического моделирования

2. Пакеты программ статистического анализа данных

3. Программные средства интеллектуализации доступа к базе данных

4. Средства эвристического решения задач анализа диагностики и прогнозирования на основе применения экспертных систем (ЭС)

5. Программы анализа и прогнозирования управленческой деятельности на основе использования аппарата нейронных сетей, а также баз знаний (БЗ) прецедентов

Экспертные системы - это прогрессирующее направление в области искусственного интеллекта. Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения для решения задач из самых различных областей человеческой деятельности.

Экспертные системы трансформируют опыт экспертов, в какой - либо области знаний в форму эвристических правил (эвристик). Эвристики не гарантируют получение оптимального результата с уверенностью, как обычные алгоритмы технологии поддержки принятия решений. Однако часто они дают приемлемые решения для их практики.

Основными компонентами ЭС являются: интерфейс пользователя, база знаний, интерпретатор, модули, созданные системой.

В экономических информационных системах с помощью ЭС возможно решение следующих задач [1, c. 97]:

• анализ финансового состояния предприятия; 
• оценка кредитоспособности предприятия; 
• планирование финансовых ресурсов предприятия; 
• формирование портфеля инвестиций; 
• страхование коммерческих кредитов; 
• выбор стратегии производства; 
• оценка конкурентоспособности продукции; 
• выбор стратегии ценообразования; 
• выбор поставщика продукции; 
• подбор кадров. 

В начале 2000-х годов, человечество шагнуло в новую эпоху обработки и анализа информации на основе машинного обучения. Благодаря техническим прорывам в скорости обработки информации и в огромном количестве генерируемой информации человечеством ежедневно, стало возможным обучать компьютерные алгоритмы выполнять нелинейные задачи. Одним из прорывных алгоритмов машинного обучения, на сегодняшний день, являются искусственные нейронные сети. В 2016 году о нейронных сетях услышал мир благодаря наработкам Google, Microsoft (ряд сервисов для идентификации изображений), стартапы MSQRD, Prisma и другие.

Нейронные сети (далее нейросети) являются одним из направлений в разработке систем искусственного интеллекта. Суть их работы заключается в моделировании работы нервной системы живых организмов, а именно в человеческой нервной системы, её способности к обучению и исправлению ошибок. Главная особенность любой нейронной сети состоит в том, что она способна самостоятельно обучаться и действовать на основании предыдущего опыта, при этом делая всё меньше ошибок [17].

Стоит понимать, что создание человеческого мозга по образу и подобию на основе нейросетей, на сегодняшний день невозможно, и не нужно, т.к. важна сама идея обучения и принятия решений машинами на основе полученного опыта. Здесь можно провести аналогию с птицей. Человек сегодня не может создать точную копию птицы, однако будучи вдохновленным идеей полета, человек создал воздушный шар, дирижабль, самолет, ракеты. При этом птица не может полететь в космос или перевезти сотню человек через океан [20].

Рассмотрим часть достижений в области нейросетей:

1. Распознавание естественного языка (письменного и голосового). Примеры: голосовой ассистент Siri от Apple; распознавание текста с помощью программы Fine Reader от Abby и другие. 
2. Распознавание образов из изображений. Благодаря большому массиву изображений в сети Интернет, машины уже умеют распознавать что нарисовано на изображении и может обработать его в соответствии с определенным стилем. Примеры: встроенная система Яндекса на сайт Авто.ру, которая распознает модели и марки автомобиля по фотографии; подбор похожих товаров по фото в сервисе Яндекс.Маркет. 
3. Распознавание диагноза пациента на основе истории болезни и симптомов. Пример: когнитивная облачная система Doctor Watson от IBM. 
4. Выдача релевантных и персонифицированных поисковых запросов по смыслу. Пример: поисковая система Google, Yandex. 

Алгоритмы искусственных нейронных сетей нашли широкое применение в экономике. С помощью нейронных сетей решается задача разработки алгоритмов нахождения аналитического описания закономерностей функционирования экономических объектов (предприятие, отрасль, регион). Эти алгоритмы применяются к прогнозированию некоторых «выходных» показателей объектов. Применение нейросетевых методов позволяет решить некоторые проблемы экономико-статистического моделирования, повысить адекватность математических моделей, приблизить их к экономической реальности. Поскольку экономические, финансовые и социальные системы очень сложны и являются результатом человеческих действий и противодействий, создание полной математической модели с учётом всех возможных действий и противодействий является очень сложной (если разрешимой) задачей. В системах подобной сложности естественным и наиболее эффективным является использование моделей, которые напрямую имитируют поведение общества и экономики. Именно это способна предложить методология нейронных сетей [18].

К основным игрокам рынка нейросетей можно отнести Google и её подразделение Google (DeepMind, AlphaGo, и Google Brain). Собственные разработки в этой области есть у Microsoft (Microsoft Research). Созданием нейронных сетей занимаются в IBM, Facebook (подразделение Facebook AI Research) и другие. Стоит отметить, что сейчас наблюдается отсутствие барьеров для использования нейронных сетей в малом и среднем бизнесах. Поскольку наработки в этой области открыты крупными игроками в связи с тем, что необходимо дать развитие этой области среди большого числа сфер человеческой деятельности.

Нейронные сети особенно эффективны в случаях, когда нужно проанализировать большое количество данных для оценивания ситуации. Например, при принятии решения о выдаче кредита нужно просмотреть случаи из прошлого опыта с ответами да/нет.

Области применения нейронных сетей в сфере экономической деятельности [13]:

• обнаружение нарушений при уплате налогов; 
• анализ рынка ценных бумаг, предсказание курсов валют; 
• выдача кредитов; 
• предсказание последствий того или иного решения; 
• предсказание результатов продвижения на рынке новых товаров; 
• управление аэролиниями - заполнение мест и составление расписания; 
• оценивание кандидатов на должность; 
• оптимальное распределение ресурсов; 
• установление подлинности подписи и др. 

Для более полного понимания применения интеллектуальных технологий в экономике рассмотрим пример применения экспертной системы для анализа эффективности результатов финансово-хозяйственной деятельности предприятия.

Для детального внутреннего анализа результатов финансово-хозяйственной деятельности предприятия предназначена экспертная система, последовательно анализирующая факторы, влияющие на рентабельность предприятия [16, c. 77].

Рентабельность предприятия, являющаяся интегральной оценивающей характеристикой эффективности его финансово-хозяйственной деятельности, рассчитывается как отношение полученного дохода (прибыли) к средней величине использования ресурсов. Существуют множество показателей рентабельности, среди которых следует перечислить такие, как показатели рентабельности активов, текущих активов, реализованной продукции, собственного капитала, инвестиций. Рентабельность текущих активов тесно связана с такими экономическими показателями, как оборачиваемость средств и себестоимость продукции. Поэтому этот показатель выбран в качестве корневого в экспертной системе анализа результатов финансово-хозяйственной деятельности предприятия.

Общая схема оценки различных показателей в процессе анализа рентабельности, оборачиваемости средств и себестоимости продукции предприятия, реализованная в структуре базы знаний экспертной системы, представлена в виде дерева взаимосвязи показателей (агрегации «целое - часть») на рис. 4, которое отражает последовательность диагностики результатов финансово-хозяйственной деятельности предприятия [16, c. 82].

Рентабельность текущих активов

Оборачиваемость текущих активов

Рентабельность реализованной продукции

Оборачиваемость товарно-материальных запасов

Оборачиваемость дебиторской задолженности

Прибыль в распоряжении организации

Выручка от реализации продукции

Оборачиваемость производственных запасов

Затраты на производство реализованной продукции

Результат от реализации

Переменные затраты

Постоянные затраты

Сырье и материалы

Оплата труда рабочих

Брак в производстве

Общехозяйственные расходы

Общепроизводственные расходы

Коммерческие расходы

Оборачиваемость готовой продукции 

Рассмотрим взаимосвязи представленных в дереве показателей.

Показатель рентабельности текущих активов (Рта), отражающий получение чистой прибыли (ЧП) на один рубль оборотных средств (ОбС):  (1) 

может быть выведен через показатели оборачиваемости текущих активов (Ота) и рентабельности реализованной продукции (Ррп):  (2) Оборачиваемость текущих активов определяется отношением выручки от реализации продукции к величине оборотных средств:  (3) 

В дальнейшем анализ оборачиваемости текущих активов детализируется по составным элементам оборотных средств. Для этого рассчитываются показатели оборачиваемости товарно-материальных запасов (готовой продукции и производственных запасов) и дебиторской задолженности.

Рентабельность реализованной продукции рассчитывается как отношение чистой прибыли к выручке от реализации продукции (Врп):
 (4) 
Выручка от реализации продукции в стоимостном выражении складывается из затрат на производство реализованной продукции (Зпр), или себестоимости, и результата от реализации, или прибыли

(Пр):  (5) 

Затраты на производство продукции включают прямые затраты (сырье и материалы, оплату труда рабочих, отчисления на социальные нужды, брак в производстве и прочие расходы) и постоянные затраты (общехозяйственные, общепроизводственные и коммерческие расходы).

Диагностика результатов финансово-хозяйственной деятельности предприятия осуществляется путем просмотра описанного дерева целей по принципу сверху-вниз и слева-направо. Каждому уровню дерева соответствует правило, сопоставляющее значение показателя с требуемым уровнем. Для сопоставления рассчитанных показателей со среднеотраслевыми значениями такие абсолютные показатели, как прямые и постоянные затраты, переводятся в относительные посредством отнесения их к объему реализации продукции в рублях. Значения рассчитанных показателей оцениваются также путем сравнения с аналогичными значениями за предшествующий период, обеспечивая тем самым динамический анализ.