Математика/2. Перспективы информационных систем

Павлов С.В.

Казанский (Приволжский) Федеральный Университет

Перспективы развития искусственных нейронных сетей

В современных условиях информатизации общества, когда объем используемых данных стремительно растет вместе с их разнообразием, как в содержательном, так и в эмпирическом аспекте, традиционные методы обработки данных и прогнозирования уже не всегда способны обеспечить получение удовлетворительного результата. В качестве оптимального метода можно рассматривать программные продукты, основанные на использовании искусственных нейронных сетей (ИНС).

Нейронные сети – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека в части ее способности обучаться и исправлять ошибки. Данное свойство позволит приближенно моделировать работу человеческого мозга. ИНС представлены в качестве математических моделей, а также их программных реализаций. Как правило, ИНС – это система соединенных, взаимодействующих процессоров, подобно искусственным нейронам, простыми в сравнении с процессорами, используемыми в персональных компьютерах, однако, каждый процессор подобной сети имеет дело с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам, состоящим в ИНС. Будучи соединенными в обширную сеть с управляемым взаимодействием, такие процессоры вместе способны выполнять сложные задачи.

Совершенно очевидно, что свою силу ИНС черпают, во-первых, из распараллеливания обработки информации и, во-вторых, из способности самообучаться, т.е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют ИНС решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми. Однако на практике, при автономной работе, ИНС не могут обеспечить готовые решения. Их необходимо интегрировать в сложные системы. В частности, комплексную задачу можно разбить на последовательность относительно простых задач, часть из которых может решаться нейронными сетями.

В качестве преимуществ использования ИНС, в сравнении с традиционными вычислительными системами можно привести следующие.

Во-первых, возможность решения задач при неизвестных закономерностях, что особенно актуально в условиях современной турбулентной внешней среды. Существующие традиционные математические методы и экспертные системы оценки здесь не применимы.

Во-вторых, ИНС устойчива к шумам во входных данных, т.е. способны работать при наличии большого числа неинформативных, шумовых входных сигналов, что освобождает пользователя от необходимости предварительного их отсева, так как ИНС способна самостоятельно определить уровень пригодности данных для решения задачи и отбросит их.

В-третьих, ИНС способна адаптироваться к изменениям окружающей среды. ИНС, обученная действовать в определенной среде, может быть легко переучена для работы в условиях незначительных колебаний параметров среды. Более того, для работы в нестационарной среде возможно создать ИНС, обучающуюся в реальном времени.

В-четвертых, ИНС обладают потенциальным сверхвысоким быстродействием за счет использования массового параллелизма обработки информации.

В-пятых, ИНС потенциально отказоустойчивы, т.е. при неблагоприятных условиях их производительность падает незначительно. Так, если поврежден какой-то нейрон или его связи, извлечение сохраненной информации затрудняется, но в силу распределенного характера хранения информации в ИНС, можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на ее работоспособность. Поэтому снижение качества работы нейронной сети происходит медленно.

Появляются и готовые программные решения, в виде универсальных и специализированных экспертных систем и нейропакетов для решения многих, зачастую сложных, и трудно формализуемых задач, например в сфере управления крупным бизнесом, в частности Neuro Shell, GeneHunter и другие [1].

Например, опыт использования ИНС имеет IBM Consulting, которая выполнила заказ на создание ИНС, прогнозирующей свойства потребительского рынка. Заказчик - один из крупнейших производителей пищевых продуктов. В терминах анализа данных здесь требовалось решить задачу кластеризации, что и было успешно сделано с помощью сетей Кохонена. На втором этапе для потребителей каждого из кластеров подбирались подходящие коммерческие предложения, а затем строился прогноз объема продаж для каждого сегмента[2].

Также GoalAssist Corporation, исполняя заказ крупной маркетинговой фирмы, исследовала стратегию поощрительных товаров (футболки) для определенной компании. Обычные методы прогнозирования отклика потребителей оказались в данном случае недостаточно точны. В результате спрос на футболки оказался слишком велик и покупателям пришлось долго ждать получения приза, в то время как другие подарки остались невостребованными. GoalAssist Corporation построила две нейросети: первая из них - сеть с адаптивной архитектурой пакета NeuroShell Classifier, на входы которой подавались различные параметры товаров и рекламной политики. С помощью этой сети, 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, приспособленную для задач количественного прогнозирования. Средняя ошибка предсказаний составила всего около 4%. [3].

На наш взгляд, все это свидетельствует о том, что в ближайшие годы процесс обработки информации претерпит значительные изменения, во всех сферах человеческой деятельности.

Литература

1. «НейроПроект» - URL: www.neuroproject.ru/pricelist.php

2. IBM Data Management magazine - URL: www.db2mag.com/9701eds2.htm

3. Ward Systems Group, Inc – URL: www.wardsystems.com/predconsum.htm