Системы в экономике (стр. 18 из 135)

Общие приложения нейронных сетей – это применение нейронных сетей в задачах маркетинга и розничной торговли. Одно из самых «модных» применений нейрокомпьютеров в финансовой области:

· установление цены на новый вид товара на основе многокритериальной оценки;

· моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий;

· моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа;

· построение модели структуры расходов семьи.

Управление ценами и производством с помощью нейросетевых технологий является перспективным направлением на Западе. Существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.

Анализ потребительского рынка является частью маркетингового анализа. На основе нейросетевых технологий решает огромное множество задач, начиная от необходимости рассылки купонов для повышения рентабельности продаж и заканчивая стратегией смещения конкурентов. Например, несколько лет назад фирма IBM Consulting выполнила заказ крупнейшего производителя пищевых продуктов на создание нейросетевой системы, прогнозирующей свойства потребительского рынка. Одним из основных маркетинговых механизмов заказчика является распространение купонов, дающих право покупки определенного товара со скидкой. Так как затраты на рассылку купонов довольно велики, решающим фактором является эффективность рассылки, то есть доля клиентов, воспользовавшихся скидкой.

Исследование факторов спроса - альфа и омега работы маркетинговой службы. В условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. Анализ результатов опроса клиентов - достаточно сложная задача, так как здесь участвует большое количество связанных между собой параметров и НС идеально подходят для ее решения. Существующие нейросетевые методы позволяют вывлять сложные зависимости между факторами спроса, ч 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.

Примеры успешного использования нейросетевых технологий для построения эффективной маркетинговой политики являются маркетинговая кампания "Tango Orange Man", исследование предпочтений потребителей различных сортов пива в зависимости от их возраста, дохода, семейного положения и других параметров, проведенное фирмой Neural Technologies.

Приведенные выше примеры показывают, что технологии нейронных сетей и генетических алгоритмов применимы практически в любой области финансов. 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 подобласти - только вопрос времени.

Расширяется сфера коммерческой деятельности в области нейрокомпьютеров или подобных им систем, в частности: нейропакеты; нейроплаты (CNAPS и другие); нейрокомпьютеры (Sinapse и другие); видеокурсы; охранные системы с нейросетевыми алгоритмами выделения движущихся объектов; системы "электронного ключа" с распознаванием отпечатков пальцев, рисунка радужной оболочки глаза; экспертная система G2.

Все это свидетельствует о том, что нейрокомпьютинг занимает все более прочные позиции в нашей повседневной жизни. Конечно, было бы преждевременно утверждать, что в ближайшем будущем нейрокомпьютеры заменят собой обычные компьютеры. Этого не произойдет ни сейчас, ни потом, поскольку "нейроподход" эффективен не для всех задач. Но там, где нейротехнологии имеют неоспоримые преимущества перед другими алгоритмическими методами неизбежно постепенно произойдет замена существующих аппаратных средств и программ на нейрокомпьютеры и нейросетевое программное обеспечение.

Реальные результаты практического применения нейросетевых технологий в России пока немногочисленны. Отчасти это объясняется следующими причинами:

использование аппарата ИНС имеет свои особенности, которые несвойственны традиционным методам;

путь от теории нейронных сетей к их практическому использованию требует соответствующей адаптации методологий, отработанных первоначально на модельных задачах;

вычислительная техника с традиционной архитектурой не лучшим образом приспособлена для реализации нейросетевых методов.

Несмотря на вышеупомянутые причины, проведенная акция стала громадным шагом на пути нейрокомпъютеризации страны, ибо массовый разработчик узнал, что существует новый класс алгоритмов под названием "нейронные сети" и что с их помощью можно эффективно решать различные задачи.

Сегодня исследования в области искусственных нейронных сетей (ИНС) обрели заметную динамику. Подтверждением тому служит факт финансирования этих работ в США, Японии и Европе, объем которого исчисляется сотнями миллионов долларов. Растет число публикаций по тематике ИНС, широк и их спектр: от монографий и статей, единодушно признанных основополагающими в данной области, до обзоров, посвященных прикладным вопросам. Издается несколько журналов, посвященных тематике ИНС, таких, например, как ШЕЕ Transaction on NeuralNetworks, Neural Networks, Neural Computing & Applications. В нашей стране периодически выходят в свет тематические выпуски журнала «Нейрокомпьютер», а также статьи журналах «Chip», «Компьютерлэнд», "Uprade» и «Компьютера».

3.5 Информационная технология экспертных систем

Экспертные системы дают возможность получать менеджеру необходимую информацию для принятия решений по любым проблемам при наличии соответствующей базы знаний.

Экспертные системы имеют непосредственное отношение к области «искусственного интеллекта». Но сюда относится также и создание роботов, систем, моделирующих интеллектуальные способности человека.

На рис. 3.4 приводится классификация информационных интеллектуальных систем по решению трудноформализуемых задач [10].

Рис. 3.4 Классификация информационных интеллектуальных систем

Экспертные системы (ЭС) возникли как теоретический и практический результат в применении и развитии методов искусственного интллекта с использованием ЭВМ.

ЭС – это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов.

Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. при решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала.

Основными отличиями ЭС от других программных продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Более того, алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических правил. Решение задачи в ЭС сопровождается понятными пользователю объяснениями, качество получаемых решений обычно не хуже, а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила, по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов.

Качество ЭС определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоения новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

В любой момент времени в системе существуют три типа знаний:

– Структурированные знания – статистические знания о предметной области. После того как эти знания выявлены, они уже не изменяются.

– Структурированные динамические знания – изменяемые знания о предметной области. Они обновляются по мере выявления новой информации.

– рабочие знания – знания, применяемые для решения конкретной задачи или проведения консультации.