И самое главное, люди (эксперты и неэксперты) обладают здравым смыслом или общими знаниями. Это широкий спектр знаний о мире, о действующих в нем законах. Из-за огромного объема знаний, образующих здравый смысл, не существует пока способа, встроить их в интеллектуальную систему, тем более специализированную, какой является любая экспертная система.
Исторически развитие нейросетей складывалось как попытки смоделировать те или иные способности и свойства человеческого мышления. После сложных исследований была выяснена роль нейронов как элементов, накапливающих и передающих информацию. Разработка соответствующих математических методов позволила создать обученные системы, обладающие следующими свойствами:
- способностью обучаться на множестве предъявляемых примеров;
- с высокой точностью распознавать новые входные значения;
- сохранять устойчивость работы и точность распознавания в случаях, когда входные данные противоречивы, искажены или содержат шумовые помехи.
Нейронные сети — это обобщенное название нескольких групп алгоритмов, обладающих свойством уметь обучаться на примерах, извлекая скрытые закономерности из потока данных. 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.
С середины 80-х годов нейронные сети начали использоваться на Западе — преимущественно в финансовых и военных приложениях. Однако, несмотря на успехи первых экспериментов, поначалу это были единичные заказные системы — слишком сложен был инструмент и слишком дорога его разработка. Ситуация коренным образом изменилась в начале 90-х годов, когда на рынке появилось новое поколение нейросетевых пакетов — мощных, недорогих и простых в использовании. Практически сразу одним из лидеров рынка стал неиросетевои пакет Brain Maker (1990 г.) американской фирмы California Sientific Software. Первоначально разработанный по заказу военных пакет был адаптирован для бизнес-приложений. Надо отметить, что при решении аналитических задач нейронные сети используются в комбинации с каким-либо мощным пакетом традиционного технического анализа (например пакетом MetaStock for Windows). Маркетологи хорошо знают цену качественной аналитической обработке данных, и поэтому можно спрогнозировать, что в ближайшее время на рынке появится новая (вероятно, весьма доходная) услуга — поставка аналитической информации, прошедшей первичную обработку.
Применение нейронных сетей в прогнозировании началось с появления на рынке коммерческого нейропакета Brain Maker. Используемая конструкция нейросети делает его надежным и удобным в работе. Для его освоения от аналитика не требуется специальных познаний ни в программировании, ни в математике. Этот пакет до сегодняшнего дня остается самым продаваемым в своем классе. Специалисты-аналитики получили мощное средство для составления прогнозов, практически незаменимое в случаях, когда правила, по которым изменяется цена, неизвестны и трудновыявляемы.
Метод, положенный в основу создания нейросистем, основан на том, что подавляющее число рассматриваемых явлений непрерывно меняется с течением времени. Описывая эти явления, чаще всего невозможно указать их точных характеристик, поэтому необходимо прибегать к приближенным оценкам. Нечеткая логика («нечеткое представление») дает инструмент для решения задач с динамически изменяющимися данными, что достаточно важно в маркетинговой деятельности.
Отличительные свойства указанного метода:
- любой процесс можно описать в категориях «больше — меньше», «лучше — хуже» и т.д.;
- над нечетко заданными переменными можно производить вычисления и получать ответ с заданной степенью точности;
- по сравнению с классическими инструментами данный метод сильно сокращает количество промежуточных вычислений, что существенно, когда принятие решения ограничено жесткими временными рамками;
- при нечетком описании процесса предоставляется возможность не только количественного, но и качественного анализа данных.
Системы, реализующие механизмы нечеткой логики, в коммерческом применении появились сравнительно недавно, но быстро нашли применение в задачах управления и планирования.
По оценкам западных специалистов, современный аналитик до 80% времени тратит не на подготовку, а на поиск и извлечение необходимых данных из разнообразных потоков деловой информации. Нейронные системы в этом случае предоставляют экспертно-консультативные и вычислительные услуги по снижению фактора неопределенности входных данных, в том числе путем автоматической «подгонки» их к наиболее близкому и подходящему закону вероятностных решений.
Программное обеспечение нейронных систем предназначено для исследования и экспертной оценки ситуаций, содержащих неопределенность, что помогает в разработке разнообразных моделей принятия решений в сфере деловой и финансовой активности.
Внедрение нейронных систем в маркетинговой деятельности предприятия, фирмы позволит повысить фактор успеха при получении прибыли.
Список литературы
1. Титоренко Г.А. Автоматизированные информационные технологии в экономике. М.: ЮНИТИ, 2008.
2. Быкова Е.В., Стоянова Е.С. Финансовое искусство коммерции. М.: Перспектива, 2009.
3. Тихомиров В.П., Хорошилов А.В. Введение в информационный выбор. М.: Финансы и статистика, 2009.
4. Ковальков В.П. Эффективные технологии в маркетинге. Спб.: Экономическое образование, 2008.
5. Глазьев В.П. Операционные технологии межбанковского финансового рынка. М.: ЮНИТИ, 2009.