5. ПРАКТИКА ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

5.1. Обоснование применения нейросетевых технологий

Методологические вопросы применения нейросетей рас­ смотрены в [9], нижеприведенное изложение основано на работе Д. Кальченко.

Как правило, нейронные сети и основанные на них технологии применяют там, где обычные алгоритмические решения оказыва­ ются неэффективны или вовсе невозможны. Например, как было отмечено в разделе 4, это относится к задачам, решение которых на основе статистических методов невозможно из-за нестационар­ ное™ или неэргодичности случайных процессов.

В области искусственного интеллекта (ИИ) следует различать два концептуально отличных друг от друга подхода: логикосемантичесую обработку, которая носит последовательных харак­ тер, и параллельную обработку сигналов. Проблема размерности и сложность работы достаточно специфичны, в зависимости оттого, какой подход был выбран.

Необходимо отметить, что аналогичный принцип заметен при попытке сравнения работы человека и компьютера. ФонНеймановский компьютер ориентирован на последовательную обработку, однако, скорость выполнения операций велика. Клетка человеческого мозга работает значительно медленнее, однако, за счет распараллеливания результат во многих случаях впечатляет - легко и свободно решаются сложные задачи распо­ знавания.

Впрочем, нейросетевые структуры могут быть эмулированы на традиционной вычислительной технике, а основанные на них технологии - являться составной частью информационных тех­ нологий общего назначения.

Вэтом (втором) случае преимущества нейросетевого подхода заключаются в следующем:

•унификация обучения;

•надежность работы;

•возможность решать сложные задачи, не формализуемые иным путем.

Вчастности, в области автоматизации управления примене­ ние таких технологий допустимо и рекомендуется при обработ­ ке информации, не удовлетворяющей в статистическом смысле требованиям стационарности, эргодичности, случайных процес­ сов с неизвестным законом распределения и т.д.

5.2.Использование нейросетевых технологий по отраслям

Внастоящее время нейронные сети используются во многих областях, однако, применение их целесообразно лишь тогда, когда они удовлетворяют требованиям точности, особенно это касается

управления потенциально опасными объектами на транспорте и в промышленности.

Поэтому при решении сложных задач нейронные сети не должны выступать в роли единственных моделей принятия решений, следует иметь в виду, что они, несмотря на очевидные достоинства, конечно, не являются панацеей.

Методическая сложность использования сетей заключается в том, что традиционные нейронные сети как правило не спо­ собны представить объяснений полученных результатов, по­ скольку в нейросетевой модели не используют ни логических цепочек, ни каких-либо других формализмов «традиционных» моделей знаний. Возможно включение нейросетевых интеллек­ туальных моделей в гибридные технологии и системы там, где это обосновано.

В [9] представлены некоторые интересные примеры использо­ вания нейросетей в разных отраслях экономики и сферах научнотехнической деятельности.

Применение нейросетей в технике. В 1996 году фирмой Accurate Automation Corp (http://www.accurate-automation.com), Chattanooga, TN по заказу NASA и Air Force был разработан экспериментальный автопилотируемый гиперзвуковой самолет LoFLYTE. Он использовал нейронные сети, которые давали возможность автопилоту обучаться на основе копирования дей­ ствий летчика.

Применение нейросетей в телекоммуникациях. Значимой задачей в области телекоммуникаций является определение оп­ тимального пути для трафика между узлами. Задача довольно успешно решалась посредством нейронных сетей. Учитывались различные дополнительные факторы, например, существование сбойных участков, кроме того, задача носила оптимизационный характер.

Применение нейронных сетей в информационных технологиях.

Интересным примером является опыт работы сервера новостей Convectis, осуществлявшего персонализированные доставки ново­ стей в Интернете, нейронные сети в данном случае применялись для автоматической рубрикации сведений по категориям. Значения ключевых слов определялось по контексту, кроме того, работа осуществлялась в реальном времени, на огромных текстовых пото­ ках. Проведенные исследования установили эффективность примя­ той технологии, которая привела по меньшей мере к двукратному повышению отклика на рекламу.

В компании «НейроПроект» была создана экспериментальная демон система речевого управления Windows-калькулятором. Ис­ пользовалась иерархическая двукаскадная нейронная сеть. Первый каскад предназначался для примерного распознавания слова, а второй проводил точную классификацию.

Применение нейронных сетей в экономике и финансах.

В первую очередь следует упомянуть системы предсказания, например, в области обработки транзакций на валютных биржах, целью в этом случае является отслеживание подозрительных сде­ лок. Следует также упомянуть нейросетевую автоматизированную систему ведения портфелей, которая находится на вооружении и у Deere & Со LBS Capital и, видимо, имеет гибридный характер.

Следует упомянуть также фирму Angoss, она разработала программу KnowledgeSeeker, предназначенную для управления рисками. Целью являлось отслеживание «забывчивых» клиен­ тов, у которых вероятность задержек выплат достаточно велика.

Применение нейросетей в здравоохранении.

В медицинской диагностике нейронные сети довольно часто применяются наряду и даже в комплексе с экспертными систе­ мами. К таким системам относится, например, система диагно­ стики слуха у маленьких детей компании «НейроПроект», кото­ рая позволяла сократить количество тестов и время, затраченное на диагностику.

5.3. Краткий обзор программного обеспечения

Neuro Builder 2001 - принадлежит к категории наукоемких высокотехнологичных узкопрофессиональных инструментов, является специализированным программным решением для фи­ нансовых аналитиков. Neuro Builder может быть использована как самостоятельный продукт, может выступать составной ча­ стью сложного аналитического комплекса, может служить осно­ вой для построения сложных заказных аналитических комплек­ сов. Программа содержит модуль исследования данных до оп­ ределения архитектуры нейросети Best Builder, позволяющий автоматизировать определение входного вектора параметров задачи, с учетом влияния каждого параметра входного вектора на предполагаемый результат.

N euroShellнейросетевой пакет, создает модели для пред­ сказаний. Алгоритмы предсказаний используют нейронную сеть и статистические оценки с помощью генетических алгоритмов.

Neuro Office - программа, ориентированная на проектиро­ вание нейронных сетей с ядерной организацией и включающая в себя средства генерации, моделирования и обучения нейрон­ ных сетей.

N euroP ro - свободно распространяемый нейросимулятор, для работы с искусственными нейронными сетями и производ­ ства знаний из таблиц данных с помощью нейронных сетей.

N eurolnterator - нейросимулятор. Основное назначение программы - исследование нейронных сетей, однако, она может найти свое применение и в качестве нейросетевого классифика­ тора или нейросетевой системы прогнозирования.

Вопросы по материалам раздела 5

1.В каких отраслях науки, техники и экономики применя­ ются нейросетевые технологии?

2.Какие факторы являются критичными при принятии ре­ шения об использовании нейросетевой технологии?

3.Какие предметные области представляются вам наиболее перспективными для использования нейросетей и почему?