Нейронные сети: спектр применения и перспективы развития

В зависимости от поставленной задачи и необходимого результата, применяют различные стандартные конфигурации нейронных сетей. Однако существует проблема с точной настройкой нейронной сети под конкретную задачу, в результате необходимо использовать несколько типов нейросети одновременно. Совмещение вносит дополнительные трудности в работе разных моделей.

При выборе типа нейронной сети требуется решить следующие задачи: структурирование применяемых в работе типов нейронных сетей, проведения анализа существующих нейронных сетей и выделение ключевых критериев, описывающих качество модели.

Нейронные сети охарактеризовывают с точки зрения используемой модели. Модели сетей различают по видам используемых нейронов, структуре, способу обучения, конечному результату. Имеется обширный спектр проблем, которые позволяют решить нейронные сети. К примеру, в обработки данных: определение образов с последующей классификацией, прогноз, замена сведения, сжатие крупных объемов сведений для упрощения анализа [1].

В последние несколько лет наблюдается взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях – бизнесе, медицине, технике, геологии, физике и других сферах деятельности. Нейронные сети вошли в практику везде, где необходимо решать задачи прогнозирования, классификации или автоматизации.

Использование искусственных нейронных сетей в экономической и финансовой сфере, которые предназначены для решения широкого круга задач и могут дать самые невероятные результаты.

На основе данных нейронных сетей было разработано много программных систем для применения в таких вопросах, как:

• –    прогнозирование временных рядов на основе нейросетевых методов обработки (валютный курс, спрос и котировки акций и др.);

• –    страховая деятельность банков;

• –    прогнозирование банкротств на основе нейросетевой системы;

• –    определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия;

• –    применение нейронных сетей к задачам биржевой деятельности;

• –    прогнозирование экономической эффективности финансирования экономических и инновационных проектов.

Для полного понимания нейронных сетей в экономической и финансовой сфере можно привести несколько примеров.

Пример применения нейронных сетей в экономической сфере для оценки банкротства. Входные параметры: X1 – работающий капитал; X2 – сохраняемая прибыль; X3 – прибыль до капиталовложений и налога; X4 – рыночная стоимость акции и X5 – величина продаж.

В качестве тестовой коллекции можно выбрать две группы фирм, одна из которых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества, обучить сеть давать ответ «банкрот» или «не банкрот».

После этого можно брать любую фирму, предъявлять ее показатели сети и сеть будет оценивать фирму как «банкрот» или «не банкрот». Может быть, фирма еще не обанкротилась, но давать кредиты такой фирме опасно. Вероятность правильного ответа может достигать 80%-97% [3].

В качестве примера успешного использование аппарата нейронных сетей в финансовой сфере можно привести управление кредитными рисками. Так, например, перед тем как выдать кредит, каждый банк проводит статистические расчёты по финансовой надёжности заёмщика, с целью оценить вероятность убытков которые понесёт банк в случае если заёмщик несвоевременно вернёт финансовые средства. В качестве базы для выполнения таких расчётов обычно используют кредитную историю заёмщика, учитывают динамику развития компании в случае, когда заёмщиком выступает юридические лица, стабильность основных финансовых показателей и другие факторы. Исследование в области применения нейронных сетей в банковской сфере показали, что расчеты, выполняемые на базе нейронных сетей, выполняются точнее и на порядок быстрее. Так, например, при оценке банковских счетов система, которая была выполнена на основе нейронных вычислений, смогла определить 90% потенциальных неплательщиков.

Рассмотрим еще один пример на применения нейрокомпьютеров в финансовой деятельности. Финансовый рынок в России не стабилен и его модель постоянно меняется, что связано с одной стороны с ожиданием постепенного сворачивания рынка ценных бумаг и увеличения доли фондового рынка, связанного с потоком инвестиций как отечественного, так и зарубежного капитала, а с другой - с нестабильностью политического курса, все-таки можно заметить появление фирм, нуждающихся в использовании статистических методов, отличных от традиционных, а также появление на рынке программных продуктов и вычислительной техники нейропакетов для эмуляции нейронных сетей на компьютерах серии IBM и даже специализированных нейроплат на базе заказных нейрочипов. В частности, в России уже успешно функционирует один из первых мощных нейрокомпьютеров для финансового применения – CNAPS PC/128 на базе 4-х нейроБИС фирмы Alaptive Solutions. По данным фирмы «Тора-центр» в число организаций, использующих нейронные сети для решения своих задач, уже вошли - Центробанк, МЧС, Налоговая Инспекция, более 30 банков и более 60 финансовых компаний. Некоторые из этих организаций уже опубликовали результаты своей деятельности в области использования нейрокомпьютинга [4].

Сети данного вида успешно применяются так же и в технологиях. Нейросетевые технологии в 2016 году стали реальностью. Всё чаще алгоритмы машинного обучения внедряются в массовые программные продукты и не только в серьезные, но и в развлекательные. Хотелось бы рассказать о небольшой коллекции сервисов, которые позволят любому желающему прикоснуться передовым идеям ИТ.

Рассмотрим некоторую новейшую коллекцию сервисов:

• 1.    Algorithmia – Компания Algorithmia предоставила доступ разработчикам к алгоритмам машинного обучения, которые можно с лёгкостью использовать в своих приложения.

• 2.     What-Dog.net – Сервис от Microsoft определяет породу собаки по фотографии. Правда, не всегда удачно, но попробуйте загрузить своё фото или фото друга – получите массу приятных эмоций.

• 3.    Deep Dream – Год назад Google представил инцепционизм, который рисует нейросеть. Основная задача заключается в определении

• 4.     The Emojini 3000 – Загружаете фотографию – получаете набор эмодзи, которые лучше всего (по мнению нейросети) описывают эмоциональное состояние субъектов на снимке. Свой выбор алгоритм, к сожалению, не объясняет [2].

содержимого на изображении. Программа делает из фотографий очень странные иллюстрации и называется Deep Dream.

Google не стал делать онлайн-инструменты для обработки фотографий в Deep Dream, за них эту работу выполнили энтузиасты.

Подводя итог можно сказать, что применение искусственных нейронных сетей в системах является очень перспективным и интересным, поскольку работа таких сетей обладает большей гибкостью. Если говорить в целом, то нейронные сети – система, состоящая из многих простых вычислительных элементов, работающих параллельно, функция которых определяется структурой сети, силой взаимосвязанных связей, а вычисления производятся в самих элементах или узлах.