Redes neuronales: aplicación práctica. Lo que enseñan las redes neuronales en rusia Redes neuronales en economía y negocios

inteligencia de red neuronal negocio artificial

Las redes neuronales se pueden implementar en software o hardware.

Variantes hardware las implementaciones son neurocomputadoras, neuroplacas y neuro-LSI (grandes circuitos integrados). Uno de los neuroBIS más simples y baratos es el modelo MD 1220 de Micro Devices, que implementa una red con 8 neuronas y 120 sinapsis. Entre los desarrollos prometedores, se pueden destacar los modelos de Adaptive Solutions (EE. UU.) E Hitachi (Japón). NeuroBIS, desarrollado por Adaptive Solutions, es uno de los más rápidos: la velocidad de procesamiento anunciada es de 1.200 millones de conexiones interneurales por segundo (mseg / s). Los circuitos producidos por Hitachi permiten implementar redes neuronales artificiales que contienen hasta 576 neuronas.

La mayoría de las neurocomputadoras modernas son una computadora personal o una estación de trabajo que incluye una neurocard adicional. Estos incluyen, por ejemplo, las computadoras de la serie Fujitsu FMR. Las capacidades de tales sistemas son suficientes para resolver una gran cantidad de problemas aplicados utilizando los métodos de neuromatemática, así como para desarrollar nuevos algoritmos. De mayor interés son las neurocomputadoras especializadas que implementan los principios de la arquitectura de redes neuronales. Los representantes típicos de tales sistemas son las computadoras de la familia Mark de TRW (la primera implementación del perceptrón, desarrollada por F. Rosenblatt, se llamó Mark I). La TRW Mark III es una estación de trabajo que contiene hasta 15 procesadores Motorola 68000 con coprocesadores matemáticos. Todos los procesadores están interconectados por el bus VME. La arquitectura del sistema, que admite hasta 65.000 elementos de procesamiento virtual con más de 1 millón de conexiones configurables, puede manejar hasta 450.000 ms / s.

Otro ejemplo es el neuroordenador NETSIM, creado por Texas Instruments basado en desarrollos en la Universidad de Cambridge. Su topología es una red tridimensional de nodos informáticos estándar basados ​​en procesadores 80188. La computadora NETSIM se utiliza para simular redes Hopfield-Kohonen. Su productividad alcanza los 450 millones de mseg / s.

En los casos en los que el desarrollo o implementación de implementaciones de hardware de redes neuronales es demasiado costoso, se utilizan otras más económicas. implementaciones de software. Uno de los productos de software más comunes es la familia de programas. BrainMaker por CSS (California Scientific Software). Paquete desarrollado originalmente por Loral Space Systems para la NASA y el Centro Espacial Johnson BrainMaker Ball pronto se adaptó para aplicaciones comerciales y hoy es utilizado por varios miles de empresas financieras e industriales, así como por los departamentos de defensa de Estados Unidos para resolver problemas de pronóstico, optimización y simulación de situaciones.

Propósito del paquete BrainMaker- resolver problemas para los que aún no se han encontrado métodos y algoritmos formales, y los datos de entrada son incompletos, ruidosos y contradictorios. Estas tareas incluyen pronosticar tipos de cambio y acciones en las bolsas de valores, modelar situaciones de crisis, reconocimiento de patrones y muchas otras. BrainMaker resuelve el problema utilizando el aparato matemático de la teoría de redes neuronales (más específicamente, la red de Hopfield con aprendizaje por el método de retropropagación). En RAM se construye un modelo de red neuronal multicapa, que tiene la propiedad de aprender de muchos ejemplos, optimizando su estructura interna. Con la elección correcta de la estructura de la red, después de entrenarla en un número suficientemente grande de ejemplos, es posible lograr una alta confiabilidad de los resultados (97% y más). Hay versiones BrainMaker para MS DOS y MS Windows, así como para Apple Macintosh. Además de la versión básica del paquete, la familia BrainMaker incluye las siguientes adiciones:

Estudiante BrainMaker- versión del paquete para universidades. Es especialmente popular entre las pequeñas empresas especializadas en la creación de aplicaciones y para tareas no muy complejas.

Opción de kit de herramientas- un conjunto de tres programas adicionales que aumentan las posibilidades BrainMaker, binario, que traduce la información de formación a formato binario para acelerar el aprendizaje; Entrenamiento hipersónico, donde se utiliza un algoritmo de aprendizaje de alta velocidad; Graficado, que muestra hechos, estadísticas y otros datos en forma gráfica.

BrainMaker Professional- versión profesional del paquete BrainMaker con funcionalidad avanzada. Incluye todas las opciones Kit de herramientas.

Opción de entrenamiento genético(para paquete BrainMaker Pro)- un programa para la optimización automática de una red neuronal para resolver una determinada clase de problemas, utilizando algoritmos genéticos para seleccionar las mejores soluciones.

Editor de creador de datos- un editor especializado para automatizar la preparación de datos al configurar y usar una red neuronal.

Formación de datos financieros- conjuntos de datos especializados para sintonizar la red neuronal para varios tipos de transacciones analíticas, comerciales y financieras, que incluyen los valores reales de los indicadores macroeconómicos NYSE, NADDAW, ASE, OEX, DOW, etc., índices de inflación, estadísticas de informes bursátiles sobre varios tipos de productos, y también información sobre contratos de futuros y mucho más.

Acelerador BrainMaker- una placa de aceleración especializada basada en procesadores de señal TMS320C25 de Texas Instruments. Conectado a una computadora personal, acelera el paquete varias veces BrainMaker.

BrainMaker Accelerator Pro- Tablero neuronal multiprocesador profesional. Contiene cinco procesadores de señal TMS320C30 y 32 MB de RAM.

Actualmente, el mercado del software tiene una gran cantidad de paquetes diferentes para construir redes neuronales y resolver diversos problemas. Bolsa de plastico BrainMaker se le puede llamar un veterano del mercado. Además de los representantes de esta familia, las herramientas de software conocidas y generalizadas incluyen NeuroShell(Grupo de WardSystem), Neuro funciona(Neural Ware Inc.) y NeuroSoluciones(NeuroDimension Inc.). Programas orientados a objetos del entorno familiar NeuroSoluciones están diseñados para simular una red neuronal artificial de estructura arbitraria. Usuario del sistema NeuroSoluciones Se brindan oportunidades para la investigación y la gestión del diálogo. Todos los datos en la web están disponibles para su visualización durante el entrenamiento a través de una variedad de herramientas de visualización. Diseñar una red neuronal artificial en un sistema NeuroSoluciones se basa en un principio modular que permite simular topologías estándar y nuevas. Una ventaja importante del sistema es la disponibilidad de herramientas especiales que permiten simular procesos dinámicos en una red neuronal artificial.

Es recomendable el uso de tecnologías de redes neuronales a la hora de resolver problemas con las siguientes características:

Falta de algoritmos para resolver problemas en presencia de un número suficientemente grande de parámetros;

La presencia de una gran cantidad de información de entrada que caracteriza el problema en estudio;

Ruidoso, inconsistencia parcial, incompletitud o redundancia de los datos originales.

Las tecnologías de redes neuronales han encontrado una amplia aplicación en áreas tales como reconocimiento de texto impreso, control de calidad de productos en producción, identificación de eventos en aceleradores de partículas, exploración de petróleo, control de drogas, aplicaciones médicas y militares, gestión y optimización, análisis financiero, pronóstico, etc.

En el campo de la economía, las tecnologías de redes neuronales se pueden utilizar para clasificar y analizar series de tiempo mediante la aproximación de funciones complejas no lineales. Se ha establecido experimentalmente que los modelos de redes neuronales proporcionan una mayor precisión en la identificación de patrones no lineales en el mercado de valores en comparación con los modelos de regresión.

Las tecnologías de redes neuronales se utilizan activamente en marketing para modelar el comportamiento del cliente y la distribución de la cuota de mercado. Las tecnologías de redes neuronales permiten encontrar patrones ocultos en las bases de datos de marketing.

Modelar el comportamiento del cliente le permite determinar las características de las personas que responderán de la manera correcta a la publicidad y realizarán compras para un producto o servicio en particular.

La segmentación y modelización de mercados basada en tecnologías de redes neuronales permite construir sistemas de clasificación flexibles capaces de segmentar mercados teniendo en cuenta la variedad de factores y características de cada cliente.

Las tecnologías de redes neuronales artificiales tienen buenas perspectivas para resolver problemas de imitación y predicción de características de comportamiento de los administradores y problemas de predicción de riesgos al emitir préstamos. No menos importante es el uso de redes neuronales artificiales a la hora de elegir clientes para préstamos hipotecarios, predecir la quiebra de los clientes bancarios, identificar transacciones fraudulentas al utilizar tarjetas de crédito, recopilar valoraciones de clientes para préstamos con pagos fijos, etc.

Cabe recordar que el uso de tecnologías de redes neuronales no siempre es posible y está asociado a ciertos problemas y desventajas.

1. Necesita al menos 50, y preferiblemente 100 observaciones para crear un modelo aceptable. Ésta es una cantidad bastante grande de datos y no siempre está disponible. Por ejemplo, al producir un producto de temporada, el historial de temporadas anteriores es insuficiente para pronosticar la temporada actual debido a cambios en el estilo del producto, políticas de ventas, etc. Incluso al pronosticar la demanda de un producto bastante estable basado en datos de ventas mensuales, es difícil acumular datos históricos durante un período de 50 a 100 meses. Para los productos de temporada, el problema es aún más complejo, ya que cada temporada es efectivamente una observación. Con la falta de información, los modelos de redes neuronales artificiales se construyen en condiciones de datos incompletos y luego se refinan secuencialmente.

2. La construcción de redes neuronales requiere una importante inversión de trabajo y tiempo para obtener un modelo satisfactorio. Debe tenerse en cuenta que una precisión excesivamente alta obtenida en la muestra de entrenamiento puede resultar en la inestabilidad de los resultados en la muestra de prueba; en este caso, la red es "reentrenada". Cuanto mejor se adapte el sistema a condiciones específicas, menor será la capacidad de generalización y extrapolación, y antes puede resultar inoperante cuando estas condiciones cambien. Ampliar el volumen de la muestra de entrenamiento te permite lograr una mayor estabilidad, pero a expensas de aumentar el tiempo de entrenamiento.

3. Al entrenar redes neuronales, pueden surgir "trampas" asociadas con caer en mínimos locales. Un algoritmo de aprendizaje determinista es incapaz de detectar un extremo global o dejar un mínimo local. Una de las técnicas que le permite sortear las "trampas" es expandir la dimensión del espacio de pesos aumentando el número de neuronas en capas ocultas. Los métodos de aprendizaje estocásticos abren algunas posibilidades para resolver este problema. Al modificar los pesos de la red solo en base a la información sobre la dirección del vector de gradiente de la función objetivo en el espacio de pesos, es posible alcanzar un mínimo local, pero es imposible salir de él, ya que al punto extremo, la "fuerza motriz" (gradiente) desaparece y la razón del movimiento desaparece. Para salir del extremo local e ir a la búsqueda del extremo global, es necesario crear una fuerza adicional, que dependerá no del gradiente de la función objetivo, sino de algunos otros factores. Uno de los métodos más simples es simplemente crear una fuerza aleatoria y agregarla a la determinista.

4. La naturaleza sigmoidea de la función de transferencia de la neurona es la razón por la que si durante el proceso de aprendizaje varios coeficientes de peso se vuelven demasiado grandes, entonces la neurona cae en la sección horizontal de la función en la región de saturación. Al mismo tiempo, los cambios en otros pesos, incluso los bastante grandes, no tienen prácticamente ningún efecto sobre el valor de la señal de salida de dicha neurona y, por lo tanto, sobre el valor de la función objetivo.

5. La selección fallida del rango de variables de entrada es bastante elemental, pero a menudo se comete un error. Si es una variable binaria con los valores 0 y 1, entonces en aproximadamente la mitad de los casos tendrá un valor cero: = 0. Dado que está incluida en la expresión para modificar el peso como factor, el efecto será lo mismo que en saturación: se bloqueará la modificación de los pesos correspondientes. El rango correcto para las variables de entrada debe ser simétrico, como +1 a -1.

6. El proceso de resolución de problemas mediante una red neuronal es "opaco" para el usuario, lo que puede generar desconfianza por parte del usuario en las capacidades predictivas de la red.

7. La capacidad predictiva de la red se reduce significativamente si los hechos de entrada (datos) tienen diferencias significativas con los ejemplos en los que se entrenó la red. Este inconveniente se manifiesta claramente al resolver problemas de previsión económica, en particular al determinar las tendencias en las cotizaciones de valores y el valor de las divisas en los mercados bursátiles y financieros.

8. No existen reglas fundamentadas teóricamente para el diseño y entrenamiento efectivo de redes neuronales. Esta desventaja conduce, en particular, a la pérdida de la capacidad de las redes neuronales para generalizar los datos del área temática en los estados de sobreentrenamiento (sobreentrenamiento).

Enviar tu buen trabajo en la base de conocimientos es sencillo. Utilice el siguiente formulario

Los estudiantes, estudiantes de posgrado, jóvenes científicos que utilizan la base de conocimientos en sus estudios y trabajos le estarán muy agradecidos.

• Introducción
• Conclusión
• Introducción
• La creación de métodos para el procesamiento paralelo de información tuvo un efecto beneficioso en el desarrollo de tecnologías de redes neuronales.
• Es necesario agradecer al notable cirujano, filósofo y cibernético N.M. Amosov, quien, junto con sus alumnos, sistematizó el enfoque para crear herramientas de inteligencia artificial (IA). Este enfoque es el siguiente.
• Las estrategias de IA se basan en el concepto de paradigma: una visión (representación conceptual) de la esencia de un problema o tarea y el principio de su solución. Considere dos paradigmas de inteligencia artificial.
• 1. El paradigma experto asume los siguientes objetos, así como las etapas de desarrollo y funcionamiento del sistema de IA:
• * formateo del conocimiento: la transformación del conocimiento problemático por parte del experto en la forma prescrita por el modelo de representación del conocimiento elegido;
• * formación de una base de conocimientos<БЗ) - вложение формализованных знаний в программную систему;
• * deducción: resolver el problema de la inferencia lógica basada en la base de conocimientos.
• Este paradigma subyace en el uso de sistemas expertos, sistemas de inferencia lógica, incluso en el lenguaje de programación lógica PROLOGUE. Se cree que los sistemas basados ​​en este paradigma están más estudiados.
• 2. El paradigma del alumno, que incluye las siguientes disposiciones y secuencia de acciones:
• * procesamiento de observaciones, estudio de la experiencia de ejemplos privados - la formación de una base de datos<БД>Sistemas de inteligencia artificial;
• * aprendizaje inductivo: la transformación de una base de datos en una base de conocimientos basada en la generalización del conocimiento acumulado en la base de datos. y justificación del procedimiento para extraer conocimientos de la base de conocimientos. Esto significa que a partir de los datos se llega a una conclusión sobre la generalidad de la dependencia entre los objetos que observamos. El enfoque principal aquí es el estudio de los mecanismos aproximados, probabilísticos y lógicos para obtener conclusiones generales de enunciados particulares. Entonces podemos justificar, por ejemplo, la suficiencia del procedimiento de interpolación generalizada (extrapolación), o el procedimiento de búsqueda asociativa, con la ayuda del cual daremos respuesta a consultas a la base de conocimiento;
• * deducción: de acuerdo con un procedimiento justificado o asumido, seleccionamos información de la base de conocimiento a pedido (por ejemplo, la estrategia de control óptima para un vector que caracteriza la situación actual).
• Las investigaciones en el marco de este paradigma y su desarrollo son aún débiles, aunque subyacen en la construcción de sistemas de control de autoaprendizaje (a continuación se muestra un maravilloso ejemplo de un sistema de control de autoaprendizaje: las reglas de disparo en artillería).
• ¿En qué se diferencia una base de conocimientos, un elemento común e indispensable de un sistema de IA, de una base de datos? ¡Posibilidad de inferencia lógica!
• Pasemos ahora a la inteligencia "natural". La naturaleza no ha creado nada mejor que el cerebro humano. Esto significa que el cerebro es tanto el portador de la base de conocimientos como el medio de inferencia lógica basada en ella, independientemente del paradigma en el que hayamos organizado nuestro pensamiento, es decir, de qué manera llenamos la base de conocimientos. - ¡aprendiendo!
• SI. Pospelov, en un trabajo extraordinario y único, ilumina las esferas más elevadas de la inteligencia artificial: la lógica del pensamiento. El propósito de este libro es diseccionar, al menos parcialmente, la red neuronal como un medio de pensamiento, llamando así la atención sobre el eslabón inicial inferior de toda la cadena de métodos de inteligencia artificial.
• Al rechazar el misticismo, reconocemos que el cerebro es una red neuronal, una red neuronal: neuronas interconectadas, con muchas entradas y una única salida cada una. La neurona implementa una función de transferencia bastante simple que permite convertir las excitaciones en las entradas, teniendo en cuenta los pesos de las entradas, en el valor de la excitación en la salida de la neurona. El fragmento funcionalmente completo del cerebro tiene una capa de entrada de neuronas: receptores, excitados desde el exterior, y una capa de salida, cuyas neuronas se excitan según la configuración y la magnitud de la excitación de las neuronas en la capa de entrada. Se supone que es una red neuronal. imitando el trabajo del cerebro, no procesa los datos en sí, sino su fiabilidad o, en el sentido convencional, el peso, la valoración de estos datos. Para la mayoría de los datos continuos o discretos, su asignación se reduce a indicar la probabilidad de los rangos a los que pertenecen sus valores. Para una gran clase de datos discretos, elementos de conjuntos, es aconsejable fijar rígidamente las neuronas de la capa de entrada.

1. Experiencia en el uso de redes neuronales en problemas económicos.

Con la ayuda de redes neuronales, resolvemos el problema de desarrollar algoritmos para encontrar una descripción analítica de los patrones de funcionamiento de los objetos económicos (empresa, industria, región). Estos algoritmos se aplican para pronosticar algunos de los indicadores de "salida" de los objetos. Se está resolviendo el problema de la implementación de algoritmos en redes neuronales. El uso de métodos de reconocimiento de patrones o los correspondientes métodos de redes neuronales permite resolver algunos problemas urgentes de modelización económica y estadística, aumentando la adecuación de los modelos matemáticos, acercándolos a la realidad económica. El uso del reconocimiento de patrones en combinación con el análisis de regresión ha dado lugar a nuevos tipos de modelos: clasificación y lineal por partes. Encontrar dependencias ocultas en bases de datos es la base para las tareas de modelado y procesamiento del conocimiento, incluso para un objeto con patrones que son difíciles de formalizar.

La elección del modelo más preferible de un determinado conjunto de ellos puede entenderse como un problema de clasificación o como un problema de selección basado en un conjunto de reglas. La práctica ha demostrado que los métodos basados ​​en el uso de ponderaciones a priori de factores y La búsqueda de un modelo que corresponda a la suma máxima ponderada de factores conduce a resultados sesgados. Los pesos son lo que debe determinarse y ese es el desafío. Además, los conjuntos de pesos son locales: cada uno de ellos es adecuado solo para una tarea específica dada y un objeto dado (grupo de objetos).

Consideremos el problema de elegir el modelo requerido con más detalle. Supongamos que existe un conjunto de objetos M, cuya actividad está dirigida a lograr un determinado objetivo. El funcionamiento de cada objeto se caracteriza por los valores de n características, es decir, existe un mapeo φ: M -> Rn. Por tanto, nuestro punto de partida es el vector del estado del objeto económico: x =. Indicadores de desempeño de un objeto económico: f0 (x), f1 (x),…, fm (x). Estos indicadores deben estar dentro de ciertos límites, y nos esforzamos por hacer que algunos de ellos sean mínimos o máximos.

Tal formulación general puede ser contradictoria, y es necesario utilizar un aparato para resolver contradicciones y llevar el enunciado del problema a la forma correcta consistente con el significado económico.

Ordenamos los objetos en términos de alguna función de criterio, pero el criterio suele estar mal definido, vago y posiblemente contradictorio.

Consideremos el problema de modelar patrones empíricos basados ​​en un número limitado de datos experimentales y observados. El modelo matemático puede ser una ecuación de regresión o una regla de diagnóstico o una regla de predicción. Con una muestra pequeña, los métodos de reconocimiento son más efectivos. En este caso, la influencia de la gestión de factores se tiene en cuenta variando los valores de los factores cuando se sustituyen en la ecuación de regularidad o en la regla de decisión de diagnóstico y pronóstico. Además, aplicamos la selección de características esenciales y la generación de características útiles (parámetros secundarios). Este aparato matemático es necesario para predecir y diagnosticar el estado de los objetos económicos.

Considere una red neuronal desde el punto de vista de la teoría de las construcciones de comités, como un grupo de neuronas (individuos. Una red neuronal como mecanismo para optimizar el trabajo de las neuronas en las decisiones colectivas es una forma de consensuar opiniones individuales, en la que la La opinión colectiva es la respuesta correcta al input, es decir, la necesaria dependencia empírica.

Por tanto, se sigue que el uso de estructuras de comité en los problemas de selección y diagnóstico está justificado. La idea es buscar un colectivo de reglas de decisión en lugar de una sola regla de decisión, este colectivo desarrolla una decisión colectiva en virtud de un procedimiento que procesa las decisiones individuales de los miembros del colectivo. Los modelos de elección y diagnóstico suelen conducir a sistemas de desigualdades inconsistentes, para lo cual, en lugar de soluciones, es necesario buscar generalizaciones del concepto de solución. Esta generalización es la decisión colectiva.

Entonces, por ejemplo, un comité de un sistema de desigualdades es un conjunto de elementos tal que cada desigualdad es satisfecha por la mayoría de los elementos de este conjunto. Las construcciones de comités son una cierta clase de generalizaciones del concepto de una solución para problemas que pueden ser tanto compatibles como inconsistentes. Esta es una clase de aproximaciones discretas para problemas inconsistentes; también pueden correlacionarse con soluciones difusas. El método de los comités determina actualmente una de las áreas de análisis y solución de problemas de elección efectiva de opciones, optimización, diagnóstico y clasificación. Por ejemplo, démosle la definición de una de las construcciones del comité principal, a saber: para 0< p < 1: p - комитетом системы включений называется такой набор элементов, что каждому включению удовлетворяет более чем р - я часть этого набора.

Las construcciones de comités pueden verse como una cierta clase de generalizaciones del concepto de una solución al caso de sistemas incompatibles de ecuaciones, desigualdades e inclusiones, y como un medio de paralelización en la resolución de problemas de elección, diagnóstico y pronóstico. Como generalización del concepto de resolución de un problema, las construcciones de comités son conjuntos de elementos que tienen algunas (pero, por regla general, no todas) propiedades de una solución; este es un tipo de soluciones difusas.

Como medio de paralelización, las construcciones de comités aparecen directamente en redes neuronales multicapa. Hemos demostrado que para entrenar la red neuronal para resolver con precisión el problema de clasificación, podemos aplicar el método de construir un comité de un cierto sistema de desigualdades afines.

Con base en lo anterior, podemos concluir que el método de los comités está asociado con una de las áreas importantes de investigación y la solución numérica tanto de los problemas de diagnóstico como de la elección de opciones, y las tareas de configuración de redes neuronales con el fin de obtener la respuesta requerida para ingresar información sobre un problema particular de la persona que recibe las soluciones.

Durante la operación del método del comité, se revelaron propiedades tan importantes para problemas aplicados como la heuristicidad, la interpretabilidad, la flexibilidad - la posibilidad de entrenamiento adicional y reajuste, la posibilidad de usar la clase más natural de funciones - afín por partes, y para el formulación del problema de clasificación, diagnóstico y pronóstico, solo se requiere corrección, entonces es, para que el mismo objeto no se asigne a diferentes clases.

El otro lado del tema de las estructuras de los comités está asociado con el concepto de coaliciones en el desarrollo de decisiones colectivas, mientras que las situaciones difieren marcadamente en el caso de las preferencias colectivas (hay muchos escollos) y en el caso de las reglas de clasificación colectiva, en En este caso, los procedimientos pueden estar estrictamente justificados y tienen posibilidades más amplias. ... Por lo tanto, es importante poder reducir la toma de decisiones y los problemas de pronóstico a problemas de clasificación.

2. Método tabular: la base de la inteligencia artificial

En general, los principios de la actividad cerebral se conocen y se utilizan activamente. Usamos mesas invisibles en nuestra memoria, llenas a la fuerza y ​​libremente en un escritorio, al volante, con y sin maletín ministerial, torciendo la cabeza en una calle ruidosa, en un libro, en un banco y en un caballete. Estudiamos, estudiamos toda nuestra vida: tanto un escolar que pasa noches sin dormir en el libro ABC, como un profesor competente. Porque con las mismas mesas asociamos no solo la toma de decisiones, sino también movernos, caminar, jugar a la pelota.

Si oponemos los cálculos matemáticos al pensamiento asociativo, ¿cuál es su peso en la vida de una persona? ¿Cómo se desarrolló una persona cuando no sabía nada de contar? Utilizando el pensamiento asociativo, siendo capaz de interpolar y extrapolar, una persona acumula experiencia. (Por cierto, recordemos la tesis de D. Mendeleev: La ciencia comienza cuando comienzan a contar). Puedes preguntarle al lector: ¿Cuántas veces has contado hoy? Conducía un automóvil, jugaba al tenis, se apresuraba al autobús y planeaba sus acciones. ¿Te imaginas cuánto tendrías que calcular (y dónde puedes conseguir el algoritmo) para poder levantar el pie en la acera, sin pasar por la acera? No, no calculamos nada cada minuto, y esto es quizás lo principal en nuestra vida intelectual, incluso en la ciencia y los negocios. Los mecanismos de las sensaciones, la intuición, el automatismo, que nosotros, incapaces de explicar, abordan el pensamiento subcortical, son en realidad mecanismos normales del pensamiento asociativo utilizando tablas de la base de conocimiento.

Y lo más importante, ¡lo hacemos rápido! Cómo no pensar, tratando de comprender y reproducir el desarrollo de la memoria figurativa, producto del crecimiento en el proceso de Desarrollo. Creemos que esto está completamente materializado y, por lo tanto, realizable artificialmente, sujeto a modelado y reproducción.

Formulemos ahora un principio suficiente y actual de construir una red neuronal como un elemento de la IA:

1. Debe admitirse que la base para la imitación de la neuroestructura del cerebro es el método de interpolación tabular.

2. Las tablas se rellenan de acuerdo con algoritmos de cálculo conocidos o de forma experimental o por expertos.

3. La red neuronal proporciona una alta velocidad de procesamiento de tablas debido a la posibilidad de una paralelización similar a una avalancha.

4. Además, la red neuronal permite ingresar a la tabla con datos inexactos e incompletos, proporcionando una respuesta aproximada basada en el principio de similitud máxima o promedio.

5. La tarea de la imitación de la red neuronal del cerebro es transformar no la información inicial en sí misma, sino las estimaciones de esta información, en la sustitución de información por los valores de excitación de los receptores, hábilmente distribuidos entre especies, tipos, parámetros. , rangos de su cambio o valores individuales.

6. Las neuronas de la capa de salida de cada subestructura por su excitación indican las soluciones correspondientes. Al mismo tiempo, estas señales de excitación como la información mediada original se pueden utilizar en el siguiente eslabón de la cadena lógica sin interferencias externas en el modo de funcionamiento.

3. Seguimiento del sistema bancario

Se da un ejemplo de la brillante aplicación de mapas autoorganizados de Kohonen (SOM - Self-Organizing Map) para el estudio del sistema bancario de Rusia en 1999-2000.

El seguimiento se basa en una evaluación de la calificación basada en la ejecución automática de un procedimiento: se muestra en la pantalla de la computadora de acuerdo con el vector multidimensional de los parámetros bancarios. Se llama la atención sobre el hecho de que las tecnologías de redes neuronales permiten construir funciones visuales de muchas variables, como si se transformara un espacio multidimensional en unidimensional, bidimensional o tridimensional. Para cada estudio individual de varios factores, debe crear sus propios MOS. El pronóstico solo es posible en base al análisis de la serie temporal de estimaciones de SOM. También se necesitan nuevas MOS para extender la cadena de retirada, con la conexión de datos del exterior, por ejemplo, de carácter político.

Este enfoque es sin duda eficaz y eficiente. Pero parece que, en comparación con el potencial de las neuroestructuras cerebrales, restringe el alcance y la valentía del pensamiento, no permite tirar de largas cadenas de efecto premisa, combinar análisis con pronóstico, tomar en cuenta rápidamente la situación emergente e introducir nuevos factores. y experiencia experta en consideración. Hay que acordar que todo esto está sujeto al cerebro, y volvemos a pasar a sus estructuras, proponiendo un proyecto para el software del sistema de monitorización.

La estructura de la red neuronal y los métodos de entrenamiento. Las funciones lógicas subyacentes al seguimiento se basan principalmente en la conjunción de valores lógicos de variables que reflejan los rangos de cambios en los parámetros o indicadores de los bancos.

Se presentan los siguientes indicadores:

* capital;

* activos equilibrados;

* activos líquidos;

* pasivos a la vista;

* depósitos de la población;

* índice de liquidez;

* recursos presupuestarios.

Puede expandir el cuadro de mando:

* el volumen de inversiones en la era de una economía en auge;

* volumen de beneficios;

* clasificación pasada e importancia de la migración;

* deducciones al fondo de apoyo a la ciencia y la educación;

* deducciones fiscales;

* contribuciones al fondo de pensiones;

* deducciones a un fondo caritativo y cultural;

* participación en programas de la UNESCO, etc.

Una forma tan simple de la función lógica cuando se pasa al ámbito de las variables reales indica la suficiencia de una red neuronal de una sola capa que contiene una capa de entrada de receptores y una capa de salida en la que se forman los resultados del monitoreo.

Al construir la capa de entrada, es necesario tener en cuenta no solo los indicadores actuales, sino también la dinámica del cambio de calificación durante los últimos períodos de tiempo. La capa de salida debe reflejar no solo la calificación, sino también el asesoramiento de expertos y otras decisiones y conclusiones.

El tipo más simple de entrenamiento es conveniente: construir una base de conocimientos que corresponda al concepto de crear una red neuronal para una tarea: introducción directa de conexiones por parte de un operador-investigador manualmente, desde los receptores hasta las neuronas de la capa de salida de acuerdo con las relaciones causales. . Así, la red se crea ya entrenada.

Entonces la función de transferencia también será la más simple y se basará en la suma de los valores de excitación a la entrada de la neurona, multiplicado por el peso de la conexión:

La asignación del peso de las conexiones ha, en comparación con la asignación aproximada de todos los pesos iguales a uno, es más conveniente en relación con el posible deseo de un operador o un experto de tener en cuenta la influencia de varios indicadores en diversos grados.

El umbral h corta conclusiones obviamente inaceptables, simplificando el procesamiento posterior (por ejemplo, encontrar la media). El coeficiente de reducción a se debe a las siguientes consideraciones.

El valor máximo de V puede llegar a N. Para que el valor nominal esté en un cierto rango aceptable, por ejemplo, en, los valores de excitación deben transformarse poniendo k = Yn.

Los supuestos anteriores permiten introducir rápidamente cambios y aclaraciones por parte del operador - experto - usuario, desarrollar la red introduciendo nuevos factores y teniendo en cuenta la experiencia. Para hacer esto, el operador solo necesita seleccionar el receptor haciendo clic con el mouse, y luego se establece la neurona de la capa de salida y la conexión. Solo queda asignar aproximadamente el peso de la conexión ingresada del rango.

Aquí se debe hacer un Aviso muy importante (EIS) con respecto a todo el material del libro y destinado a un lector muy atento.

Anteriormente, al considerar el entrenamiento, clasificamos claramente las situaciones de referencia iniciales, considerando que la confianza de cada componente es igual a uno. Cuando luego trazamos y diseñamos caminos dinámicos de excitación, también establecemos los pesos de los enlaces para que sean iguales a uno (o algún valor constante máximo). ¡Pero el profesor puede obtener inmediatamente un grado adicional de libertad, teniendo en cuenta los factores en la medida y con los pesos que establece! Supongamos que diferentes factores influyen en el resultado en diversos grados, y estableceremos con fuerza tal influencia en la etapa de entrenamiento.

Por ejemplo, se sabe que en vísperas de la guerra la población compra enormes cantidades de jabón, fósforos y sal. De ahí que, al observar este factor, se pueda predecir el inminente inicio de la guerra.

Al crear una red neuronal para el análisis de eventos históricos o sociales, se debe identificar uno o más receptores, cuya excitación corresponde a diferentes niveles de compras de jabón, sal y fósforos al mismo tiempo. La excitación de estos receptores debe ser transmitida, afectar (junto con otros factores) el grado de excitación de la neurona de la capa de salida, correspondiente al enunciado War is Coming!

Sin embargo, la compra intensiva de jabón, fósforos y sal es una condición necesaria, pero no suficiente, para el estallido de la guerra. Puede indicar, por ejemplo, una rápida reactivación del turismo en la región de la Cordillera Principal del Cáucaso. Las palabras realmente no contienen el significado de la lógica difusa, lo que permite tener en cuenta no la inmutabilidad de un evento, ni una variable booleana sí - no, sino algún estado intermedio, indefinido, ponderado del tipo "afecta, pero no tan directamente, que es necesario ... ". Por lo tanto, las conexiones (todas o algunas) que emanan de un receptor (de datos) dado se igualan a algún valor supuesto, menor que uno y posteriormente se corrigen, lo que refleja el efecto de la excitación del receptor en la salida.

Por lo tanto, la compra simultánea de jabón, sal y fósforos se cuenta dos veces: el nivel de compra se mostrará en el grado de excitación de los receptores correspondientes y la naturaleza de la influencia de la compra en el retiro. ¡La guerra viene pronto! - utilizando los pesos de las conexiones sinápticas.

Acuerde que al construir redes de un solo nivel, este enfoque se sugiere y se implementa de manera muy simple.

Estructura de la pantalla del receptor. La parte principal es una ventana de desplazamiento, en la que puede ver y establecer el estado de la capa receptora, que sin duda no cabe en una pantalla estática.

La ventana de desplazamiento muestra los indicadores y sus valores estimados en el rango de los receptores correspondientes. Estos son valores probabilísticos basados ​​en la confiabilidad, la intuición y el juicio de expertos. Las estimaciones asumen la cobertura de múltiples receptores. Por ejemplo, una estimación de que el capital social es 24, 34 o 42 mil. Es decir, pero de todos modos 24, puede conducir a una estimación aproximada de los valores establecidos de excitación de 0,6, 0,2 y 0,2 receptores correspondientes a los rangos (20 - 25], (30 - 35], (40 - 45]. La pantalla muestra valores establecidos estáticamente, como la calificación como resultado de mediciones pasadas, indicadores selectivos encontrados previamente, así como indicadores de la situación política, social y económica (su abundancia y desarrollo aún pueden requerir desplazamiento).

También debe mostrar los controles de desplazamiento y el menú principal de acciones:

* transición a la pantalla de la capa de salida;

* procesamiento estadístico de los resultados (asume la transición a la pantalla de salida);

* introducción de una nueva conexión;

* introducción de un nuevo receptor;

* introducción de una nueva neurona de la capa de salida (asume el cambio de pantalla);

* introducción de un nuevo indicador, etc.

Estructura de la pantalla de la capa de salida. La pantalla Capa de salida (Figura 8.3) muestra un sistema de rectángulos concéntricos (anidados) u otras formas planas que representan una extensión descendente de la clasificación. En el centro de la pantalla, puntos brillantes marcan los bancos más exitosos o supuestas imágenes ideales. Cada elemento de la pantalla está asociado rígidamente con una neurona de la capa de salida. Como resultado de la monitorización, una neurona correspondiente al estándar puede excitarse al máximo, sin embargo, lo más probable es que se muestre un punto de pantalla que no coincide con ningún estándar, que sea intermedio o promediado.

Arroz. - 8.3. Pantalla de capa de salida

Sin duda, se debe proporcionar un menú para la operación de una evaluación de calificación promedio, demostración de la categoría de éxito, emisión de señales de advertencia, textos de conclusiones, estrategias de desarrollo recomendadas, almacenamiento de datos para un mayor desarrollo, etc.

Entrenamiento de redes neuronales. Para entrenar una red neuronal en base a evaluaciones de expertos, es necesario establecer los rangos de parámetros admisibles que permitan que el banco sea considerado idealmente exitoso con la máxima calificación. Al fijar varios puntos, cuyas coordenadas (conjuntos de valores de parámetros) satisfacen los valores de calificación admisibles para bancos conocidos o supuestos (teniendo en cuenta las opciones posibles), se pueden obtener varios representantes ideales. Las neuronas correspondientes, es decir los elementos de pantalla de la capa de salida se seleccionan aleatoriamente, esparcidos por el área de la pantalla. Es deseable que los estándares con una calificación más alta estén ubicados más cerca del centro.

A continuación, proceda a un llenado similar del rectángulo adjunto, según la siguiente categoría de calificación, etc. a bancos externos.

Para llevar a cabo dicho trabajo, los expertos forman preliminarmente una mesa (Tabla 1).

Las neuronas que muestran los bancos en la pantalla corresponden a la magnitud de sus índices de excitación.

Metodología de seguimiento. El sistema capacitado, que está a disposición del usuario después de la experiencia altamente calificada de economistas y políticos, está listo para su uso en el marco de la tecnología CASE CASE - Ingeniería de software asistida por computadora.

Tabla 1 - Estimaciones de expertos para entrenar una red neuronal

En este caso, el usuario ejerce su derecho a capacitación adicional, aclaración (por ejemplo, pesos de conexiones, para mejorar o debilitar la influencia de algunos indicadores basados ​​en su propia experiencia), la introducción de indicadores adicionales para el experimento bajo su propio riesgo. etc.

Suponga que el usuario está investigando la situación en torno al banco Invest-There-and-Back. Naturalmente, no tiene ninguna información satisfactoria sobre la idoneidad de sus propias inversiones y, por lo tanto, comienza una recopilación escrupulosa de datos, como resultado de lo cual recibe características aproximadas, probables y contradictorias para modelar.

Con la ayuda de la pantalla del receptor, el usuario establece los valores de su excitación en base a datos bastante confiables, pero a veces teniendo en cuenta las opciones o (excitando parcialmente diferentes receptores), a veces por capricho, a veces simplemente saltándose la indicadores. Los indicadores como la clasificación en el pasado y la migración aún se desconocen, pero se espera que el resultado se utilice en el futuro.

Después de ingresar datos en la pantalla de la capa de salida, un punto brillante cerca del área ajena atestigua elocuentemente la protección de la ley civil de una elección no violenta de una decisión sobre la conveniencia de invertir el capital acumulado correctamente.

Las coordenadas de este punto en la pantalla están determinadas por la conocida fórmula para encontrar el promedio de las coordenadas de las neuronas emitidas de aquellos bancos que están cerca del banco controlado, y por la magnitud de su excitación. Pero de acuerdo con las mismas fórmulas, sobre la base de las calificaciones de los bancos resaltados, ¡se encuentra la calificación del banco estudiado!

El usuario puede optar por complementar la base de conocimientos y, en consecuencia, la red neuronal con información sobre el nuevo banco, lo que es aconsejable si el asesoramiento de expertos ha criticado significativamente el resultado resultante y por tanto indica un error en la red neuronal. Solo necesitas usar la opción. Agregue, como resultado de lo cual se inicia un diálogo entre la computadora y el usuario:

- Quiere cambiar la calificación - Sí.

- Nuevo valor de calificación --...

- ¡Ahorrar!

Luego, la neurona de la capa de salida con las coordenadas encontradas se asigna al nuevo banco. Sus conexiones se forman con aquellos receptores que se transmitieron con entusiasmo al ingresar información sobre el banco. Se supone que el peso de cada conexión es igual al valor de la excitación del receptor neuronal correspondiente introducido por el usuario. Ahora, la base de conocimientos se ha complementado de la misma manera que la lista de instalaciones montadas en baterías de artillería después de alcanzar el siguiente objetivo.

Sin embargo, un cambio de calificación forzado significativo puede requerir mover el punto resaltado al área de bancos con el nivel de calificación correspondiente, es decir, es necesario asignar otra neurona de la capa de salida a este banco, en otra zona de la pantalla. También se instala como resultado del diálogo entre la computadora y el usuario.

Corrección y desarrollo. Anteriormente, ya hemos mencionado la necesidad y posibilidad de un constante perfeccionamiento y desarrollo de la red neuronal. Puede cambiar la idea del avance del banco de referencia (real o ideal) y complementar la base de conocimientos, es decir, esta red neuronal. Puede ajustar los pesos de los enlaces como una medida del impacto de los indicadores individuales en la salida.

Puede ingresar nuevos indicadores con sus ponderaciones, considerar nuevas soluciones y establecer el grado de influencia sobre ellos de los mismos o nuevos indicadores. Es posible adaptar la red neuronal para resolver problemas relacionados, teniendo en cuenta la influencia de los indicadores individuales en la migración de los bancos (transición de un nivel de calificación a otro), etc.

Finalmente, al comprar este producto de software con una interfaz amigable y un servicio excelente, con un conjunto desarrollado de funciones para transformar una red neuronal, puede rehacerlo para una tarea completamente diferente, por ejemplo, para un emocionante juego de ruleta ferroviaria, que nosotros tengo la intención de centrarme en lo que sigue.

En conclusión, observamos que en la economía y los negocios, así como en la gestión de objetos complejos, prevalecen los sistemas de toma de decisiones, donde cada situación se configura en base a un número invariable de factores. Cada factor está representado por una variante o valor de un conjunto exhaustivo, es decir cada situación está representada por una conjunción, en la que están necesariamente involucradas declaraciones sobre todos los factores por los que se forma la red neuronal. Entonces todas las conjunciones (situaciones) tienen el mismo número de declaraciones. Si, en este caso, dos situaciones diferentes conducen a decisiones diferentes, la red neuronal correspondiente es perfecta. El atractivo de tales redes neuronales radica en su reducibilidad a redes de una sola capa. Si realizamos la multiplicación de soluciones (ver Sección 5.2), obtenemos una red neuronal perfecta (sin retroalimentaciones).

La tarea de esta sección, subsección 1, se puede reducir a la construcción de una red neuronal perfecta. 6.2, así como, por ejemplo, la tarea de evaluar el riesgo país, etc.

Conclusión

La distribución de los valores de excitación de las neuronas en la capa de salida, y más a menudo la neurona con el valor máximo de excitación, le permite establecer una correspondencia entre la combinación y los valores de excitaciones en la capa de entrada (imagen en la retina) y la respuesta recibida (qué es). Así, esta dependencia determina la posibilidad de una inferencia lógica de la forma "si - entonces", es decir, sirven para vincular y memorizar las relaciones "premisa - efecto". La conexión de las subestructuras de la red neuronal permite obtener cadenas lógicas “largas” basadas en tales relaciones.

De ello se deduce que la red funciona en dos modos: en el modo de aprendizaje y en el modo de reconocimiento (modo de funcionamiento).

En el modo de entrenamiento, se forman cadenas lógicas.

En el modo de reconocimiento, la red neuronal, basada en la imagen presentada, determina con alta certeza a qué tipo pertenece, qué acciones se deben tomar, etc.

Se cree que hay hasta 100 mil millones de neuronas en el cerebro humano. Pero ahora no nos interesa cómo funciona una neurona, en la que hay hasta 240 reacciones químicas. Nos interesa cómo funciona la neurona a nivel lógico, cómo realiza funciones lógicas. La implementación de solo estas funciones debería convertirse en la base y el medio de la inteligencia artificial. Al incorporar estas funciones lógicas, estamos dispuestos a violar las leyes básicas de la física, por ejemplo, la ley de conservación de la energía. Después de todo, no confiamos en el modelado físico, sino en una computadora universal accesible.

Entonces, nos enfocamos en el uso "(directo" de redes neuronales en tareas de inteligencia artificial. Sin embargo, su aplicación se extiende a la solución de otras tareas. Función de transferencia (las llamadas conexiones sigmoil basadas en la participación de lo exponencial en la formación de la función de transferencia se utilizan a menudo), pesos especialmente seleccionados y actualizados dinámicamente. En este caso, se utilizan las propiedades de convergencia de los valores de excitación de las neuronas, autooptimización. Cuando el vector de entrada de excitaciones se suministra después de un cierto número de ciclos de reloj de la red neuronal, los valores de excitación de las neuronas de la capa de salida (en algunos modelos, todas las neuronas de la capa de entrada son neuronas de la capa de salida y otros no) convergen a ciertos valores. Pueden indicar, por ejemplo, qué referencia es más parecida a "ruidoso". imagen de entrada no válida, o algo así. cómo encontrar una solución a un problema. Por ejemplo, la famosa red Hopfield. aunque limitado, puede resolver el problema del viajante, un problema de complejidad exponencial. La red Hamming implementa con éxito la memoria asociativa. Redes de Kohonen (mapas de Kohonen), añadido el 27/06/2011

La tarea de analizar la actividad empresarial, factores que influyen en la toma de decisiones. Tecnologías de la información modernas y redes neuronales: principios de su trabajo. Investigación del uso de redes neuronales en las tareas de previsión de situaciones financieras y toma de decisiones.

tesis, agregada el 11/06/2011

Descripción del proceso tecnológico de llenado de papel. Diseño de máquinas de papel. Justificación del uso de redes neuronales en el control de la formación de la red de papel. Modelo matemático de una neurona. Modelado de dos estructuras de redes neuronales.

trabajo de término, agregado 15/10/2012

Formas de utilizar tecnologías de redes neuronales en sistemas de detección de intrusos. Sistemas expertos para la detección de ataques a la red. Redes artificiales, algoritmos genéticos. Ventajas y desventajas de los sistemas de detección de intrusos basados ​​en redes neuronales.

prueba, agregada 30/11/2015

El concepto de inteligencia artificial como propiedad de los sistemas automáticos para asumir funciones individuales de la inteligencia humana. Sistemas expertos en el campo de la medicina. Varios enfoques para construir sistemas de inteligencia artificial. Creación de redes neuronales.

presentación agregada el 28/05/2015

Estudio del problema y las perspectivas de utilizar redes neuronales en funciones de base radial para predecir los principales indicadores económicos: producto interior bruto, renta nacional de Ucrania e índice de precios al consumidor. Evaluación de resultados.

trabajo de término agregado 14/12/2014

El concepto y las propiedades de las redes neuronales artificiales, su similitud funcional con el cerebro humano, el principio de su trabajo, áreas de uso. Sistema experto y confiabilidad de redes neuronales. Modelo de neurona artificial con función de activación.

resumen, agregado 16/03/2011

La esencia y funciones de las redes neuronales artificiales (ANN), su clasificación. Elementos estructurales de una neurona artificial. Diferencias entre máquinas de arquitectura ANN y von Neumann. Construcción y capacitación de estas redes, áreas y perspectivas para su aplicación.

presentación agregada el 14/10/2013

El uso de neurocomputadoras en el mercado financiero ruso. Pronóstico de series de tiempo basado en métodos de procesamiento de redes neuronales. Determinación de tipos de bonos y acciones de empresas. Aplicación de las redes neuronales a las tareas de análisis de la actividad bursátil.

trabajo de término agregado el 28/05/2009

La historia de la creación y las principales direcciones en el modelado de inteligencia artificial. Problemas de aprendizaje para la percepción y el reconocimiento visual. Desarrollo de elementos de inteligencia de robots. Investigación en el campo de las redes neuronales. Principio de retroalimentación de Wiener.

UDC 004.38.032.26

O. V. KONYUKHOVA, K. S. LAPOCHKINA

O. V. KONUKHOVA, K. S. LAPOCHKINA

LA APLICACIÓN DE LAS REDES NEURALES EN LA ECONOMÍA Y LA RELEVANCIA DE SU USO EN LA CREACIÓN DE UNA PRONÓSTICA PRESUPUESTARIA A CORTO PLAZO

APLICACIÓN DE LAS REDES NEURALES EN LA ECONOMÍA Y URGENCIA DE SU UTILIZACIÓN POR ELABORACIÓN DE UNA PRONÓSTICA A CORTO PLAZO DEL PRESUPUESTO

Este artículo describe la aplicación de las redes neuronales en economía. Se considera el proceso de previsión del presupuesto de la Federación de Rusia y la relevancia del uso de redes neuronales para elaborar un presupuesto a corto plazo.

Palabras clave: economía, presupuesto de la Federación de Rusia, previsión presupuestaria, redes neuronales, algoritmos genéticos.

En este artículo se describe la aplicación de las redes neuronales en la economía. Se considera el proceso de la previsión del presupuesto de la Federación de Rusia y la urgencia de la aplicación de las redes neuronales para la elaboración del presupuesto a corto plazo.

Palabras clave: economía, presupuesto de la Federación de Rusia, previsión presupuestaria, redes neuronales, algoritmos genéticos.

4) agrupación automática de objetos.

Uno de los interesantes intentos de crear un mecanismo para la gestión racional de una economía deprimida es el del cibernético inglés Stafford Beer. Propuso los principios del manejo, que se hicieron ampliamente conocidos, basados ​​en mecanismos neurofisiológicos. Para él, los modelos de sistemas de producción eran una relación muy compleja entre insumos (flujos de recursos), elementos internos invisibles y productos (resultados). Los insumos de los modelos eran índices bastante generalizados, el principal de los cuales reflejaba rápidamente el resultado de una producción particular, la necesidad sentida de recursos y productividad. Las soluciones propuestas para el funcionamiento eficaz de dichos sistemas se realizaron luego de que se encontraran y discutieran todas las opciones posibles en esta situación. La mejor decisión se tomó por mayoría de votos de los gerentes y expertos que participaron en la discusión. Para ello, se dispuso en el sistema una sala de situación equipada con los medios técnicos adecuados. El enfoque propuesto por S. Beer para la creación de un sistema de gestión resultó eficaz para gestionar no solo las grandes asociaciones industriales, como una siderúrgica, sino también la economía chilena de los años 70.

Un cibernético ucraniano utilizó principios similares en el método de contabilidad grupal de argumentos (MGHA) para modelar la economía de una Inglaterra próspera. Junto con economistas (Parks et al.), Quienes propusieron más de doscientas variables independientes que afectan el ingreso bruto, identificó varios (cinco a seis) factores principales que determinan el valor de la variable de salida con un alto grado de precisión. Sobre la base de estos modelos, se desarrollaron varias opciones para influir en la economía con el fin de aumentar el crecimiento económico a diferentes tasas de ahorro, inflación y desempleo.

El método propuesto de consideración grupal de argumentos se basa en el principio de autoorganización de modelos de sistemas complejos, en particular económicos, y permite determinar dependencias ocultas complejas en datos que no son detectados por métodos estadísticos estándar. Este método fue utilizado con éxito por A. e Ivakhnenko para evaluar el estado de la economía y pronosticar su desarrollo en países como Estados Unidos, Gran Bretaña, Bulgaria y Alemania. utilizó una gran cantidad de variables independientes (de cincuenta a doscientas) que describen el estado de la economía y afectan el ingreso bruto en los países estudiados. A partir del análisis de estas variables mediante el método de contabilidad grupal de argumentos, se identificaron los principales factores significativos que, con un alto grado de precisión, determinan el valor de la variable de salida (ingreso bruto).

La investigación en esta dirección ha tenido un efecto estimulante en el desarrollo de métodos de redes neuronales, que se han utilizado intensamente recientemente debido a su capacidad para extraer experiencia y conocimiento de una pequeña secuencia clasificada. Después de entrenar en tales secuencias, las redes neuronales pueden resolver problemas complejos no formalizables de la misma manera que lo hacen los expertos sobre la base de su conocimiento e intuición. Estas ventajas se vuelven especialmente significativas en las condiciones de una economía en transición, que se caracteriza por tasas de desarrollo desiguales, diferentes tasas de inflación, corta duración, así como incompletitud e inconsistencia en el conocimiento sobre los fenómenos económicos en curso.

Es ampliamente conocido que aplicó con éxito los principios de autoorganización de modelos de sistemas económicos complejos para construir una red neuronal en la resolución de problemas de análisis y modelado del desarrollo económico en Mordovia y la región de Penza.

Un ejemplo típico de la aplicación exitosa de la computación neuronal en el sector financiero es la gestión del riesgo crediticio. Como sabe, antes de emitir un préstamo, los bancos realizan cálculos estadísticos complejos sobre la confiabilidad financiera del prestatario para evaluar la probabilidad de sus propias pérdidas por la devolución prematura de fondos. Dichos cálculos generalmente se basan en una evaluación del historial crediticio, la dinámica del desarrollo de la empresa, la estabilidad de sus principales indicadores financieros y muchos otros factores. Un conocido banco estadounidense probó un método de cálculo neuronal y llegó a la conclusión de que el mismo problema se resuelve de forma más rápida y precisa utilizando cálculos de este tipo que ya se han realizado. Por ejemplo, en uno de los casos de evaluación de 100 mil cuentas bancarias, un nuevo sistema basado en cálculos neuronales identificó más del 90% de los potenciales morosos.

Otra área de aplicación muy importante de la computación neuronal en el campo financiero es la predicción de la situación en el mercado de valores. El enfoque estándar de este problema se basa en un conjunto rígidamente fijo de "reglas del juego", que eventualmente pierden su efectividad debido a cambios en las condiciones de negociación en la bolsa de valores. Además, los sistemas construidos sobre la base de este enfoque resultan demasiado lentos para situaciones que requieren una toma de decisiones instantánea. Es por ello que las principales empresas japonesas que operan en el mercado de valores decidieron aplicar el método de computación neuronal. En un sistema típico basado en una red neuronal, se ingresó información con un volumen total de 33 años de actividad comercial de varias organizaciones, incluida la facturación, cotizaciones anteriores de acciones, niveles de ingresos, etc. en comparación con el enfoque estadístico que dio una mejora en el desempeño general en un 19%.

Una de las técnicas de computación neuronal más avanzadas son los algoritmos genéticos que imitan la evolución de los organismos vivos. Por lo tanto, se pueden utilizar como optimizadores de parámetros de redes neuronales. Se desarrolló e instaló un sistema similar para predecir el desempeño de contratos de valores a largo plazo de alta seguridad en una estación de trabajo Sun en Hill Samuel Investment Management. Al simular varias estrategias comerciales, logró una precisión del 57% en la predicción de la dirección del movimiento del mercado. La empresa de seguros TSB General Insurance (Newport) utiliza una metodología similar para predecir el nivel de riesgo en los seguros de préstamos privados. Esta red neuronal se autoaprende a partir de datos estadísticos sobre el estado del desempleo en el país.

A pesar de que el mercado financiero en Rusia aún no se ha estabilizado y, argumentando desde un punto de vista matemático, su modelo está cambiando, lo que está relacionado, por un lado, con la expectativa de un colapso gradual del mercado de valores y una aumento de la participación del mercado de valores asociado al flujo de inversiones, tanto de capital nacional como extranjero, y por otro lado, con la inestabilidad del curso político, se puede notar, sin embargo, la aparición de empresas que necesitan utilizar métodos estadísticos diferentes de los tradicionales, así como la aparición en el mercado de productos software y ordenadores de paquetes neuronales para emular redes neuronales en ordenadores de la serie IBM e incluso neuro-placas especializadas basadas en neurochips a medida.

En particular, uno de los primeros neurocomputadores potentes para uso financiero, CNAPS PC / 128, basado en 4 neuroBIS de Alaptive Solutions, ya está operando con éxito en Rusia. Según la empresa Tora-Center, la cantidad de organizaciones que utilizan redes neuronales para resolver sus problemas ya incluye al Banco Central, el Ministerio de Situaciones de Emergencia, la Inspección Fiscal, más de 30 bancos y más de 60 empresas financieras. Algunas de estas organizaciones ya han publicado los resultados de sus actividades en el campo del uso de la neurocomputación.

De lo anterior se desprende que en la actualidad, el uso de redes neuronales en la previsión de un presupuesto a corto plazo es un tema urgente de investigación.

En conclusión, cabe señalar que el uso de redes neuronales en todos los ámbitos de la actividad humana, incluso en el campo de las aplicaciones financieras, está aumentando, en parte por necesidad y por las amplias oportunidades para unos, por el prestigio de otros. y por interesantes aplicaciones para terceros.

BIBLIOGRAFÍA

1. Ley Federal de la Federación de Rusia de 01.01.2001 (modificada el 01.01.2001) "Sobre la previsión estatal y los programas de desarrollo social y económico de la Federación de Rusia" [Texto]

2. Beer S. Brain de la firma [Texto] / S. Beer. - M.: Radio y comunicación, 1993 .-- 524 p.

3. Galushkin, neurocomputadoras en actividades financieras [Texto] /. - Novosibirsk: Nauka, 2002 .-- 215p.

4., Modelos predictivos de Muller [Texto] /, - Kiev: Technics, 1985. - 225 p.

5. Kleshchinsky, métodos de previsión en el proceso presupuestario [Texto] / // Revista electrónica Corporate finance, 2011. - № 3 (19) - págs. 71 - 78.

6. Rutkovskaya M., Plinsky L. Redes neuronales, algoritmos genéticos y sistemas difusos: Per. del polaco [Texto] / M. Rutkovskaya, L. Plinsky -: Hotline - Telecom, años 20.

7., Soluciones Kostyunin sobre redes neuronales de complejidad óptima [Texto] /, // Automatización y tecnologías modernas, 1998. - No. 4. - P. 38-43.

Institución Educativa del Estado Federal de Educación Superior Profesional "Universidad Estatal - Complejo Educativo, Científico y Productivo", Orel

Candidato de Ciencias Técnicas, Profesor Asociado, Profesor Asociado del Departamento de "Sistemas de Información"

Correo electrónico: ***** @ *** ru

Lapochkin Kristina Sergeevna

Institución Educativa del Estado Federal de Educación Superior Profesional "Universidad Estatal - Complejo Educativo, Científico y Productivo", Orel

Alumno del grupo 11-PI (m)

Pero también para resolver tareas más importantes, por ejemplo, buscar nuevos medicamentos. The Village recurrió a expertos para averiguar cómo es la tecnología y cómo la utilizan las empresas y universidades nacionales.

¿Qué son las redes neuronales?

Para comprender el lugar de las redes neuronales en el mundo de la inteligencia artificial y cómo se relacionan con otras tecnologías para crear sistemas inteligentes, comencemos con las definiciones.

Redes neuronales- uno de los métodos de aprendizaje automático, cuyos cimientos se originaron en 1943, incluso antes de la aparición del término "inteligencia artificial". Son un modelo matemático que se asemeja vagamente al trabajo del sistema nervioso de los animales.

Según Stanislav Protasov, investigador principal de la Universidad de Innopolis, el análogo más cercano del cerebro humano son las redes neuronales convolucionales, inventadas por el matemático Jan Lekun. "Están en el corazón de muchas aplicaciones que afirman ser inteligencia artificial, como FindFace o Prisma", señala.

Aprendizaje automático- una subsección de inteligencia artificial en la intersección de las matemáticas y la informática. Estudia métodos de construcción de modelos y algoritmos basados ​​en el principio de aprendizaje. La máquina analiza los ejemplos que se le suministran, identifica patrones, los generaliza y construye reglas con la ayuda de las cuales se resuelven varias tareas, por ejemplo, predecir el desarrollo posterior de eventos o reconocer y generar imágenes, texto y habla. Además de las redes neuronales, aquí también se utilizan métodos de regresión lineal, árboles de decisión y otros enfoques.

Inteligencia artificial- una sección de informática sobre la creación de medios tecnológicos para la realización de tareas por máquinas que antes se consideraban prerrogativa exclusiva de una persona, así como la designación de tales desarrollos. La dirección se formó oficialmente en 1956.

Alexander Krainov

Lo que se puede y no se puede llamar inteligencia artificial es cuestión de acuerdo. En general, la humanidad no ha llegado a una formulación inequívoca de lo que es la inteligencia en general, y mucho menos artificial. Pero si generalizamos lo que está sucediendo, entonces podemos decir que la inteligencia artificial son redes neuronales profundas que resuelven problemas complejos en un nivel cercano al nivel de una persona, y son de autoaprendizaje en un grado u otro. En este caso, el autoaprendizaje significa aquí la capacidad de extraer de forma independiente una señal útil a partir de datos sin procesar.

¿Cuál es el estado actual de la industria?

Según la agencia de analistas Gartner, el aprendizaje automático está ahora a la altura de las expectativas infladas. El entusiasmo por la nueva tecnología característica de esta etapa conduce a un entusiasmo excesivo, que se traduce en intentos fallidos de utilizarla en todas partes. Se estima que se necesitarán de dos a cinco años para deshacerse de las ilusiones de la industria. Según los expertos rusos, las redes neuronales pronto tendrán que pasar una prueba de fuerza.

Sergey Negodyaev

Gestor de cartera del Fondo de Desarrollo de Iniciativas de Internet

Aunque los científicos han formalizado y desarrollado redes neuronales durante 70 años, hay dos puntos de inflexión en el desarrollo de esta tecnología. El primero fue en 2007, cuando la Universidad de Toronto creó algoritmos de aprendizaje profundo para redes neuronales multicapa. El segundo momento que provocó el boom de hoy es 2012, cuando investigadores de la misma universidad aplicaron redes neuronales profundas y ganaron el concurso ImageNet, aprendiendo a reconocer objetos en fotos y videos con un mínimo de errores.

Hoy en día existe suficiente potencia informática para resolver, si no alguna, entonces la gran mayoría de tareas basadas en redes neuronales. Ahora, el principal obstáculo es la falta de datos etiquetados. En términos relativos, para que el sistema aprenda a reconocer la puesta de sol en videos o fotografías, necesita alimentar un millón de imágenes de la puesta de sol, indicando exactamente dónde se encuentra en el cuadro. Por ejemplo, cuando subes una foto a Facebook, tus amigos reconocerán un gato en los rayos del sol poniente y la red social verá un conjunto de etiquetas en ella: "animal", "gato", "de madera", " piso ”,“ tarde ”,“ Naranja ”. El que tenga más datos para entrenar, la red neuronal será más inteligente.

Andrey Kalinin

Jefe de Búsqueda de Mail.Ru

Las aplicaciones de entretenimiento basadas en redes neuronales, por ejemplo, Artisto o Vinci, son solo la punta del iceberg y, al mismo tiempo, una excelente manera de demostrar sus capacidades a una amplia audiencia. De hecho, las redes neuronales son capaces de resolver una serie de problemas complejos. Las áreas más calientes ahora son los pilotos automáticos, los asistentes de voz, los bots de chat y la medicina.

Alexander Krainov

Jefe del Servicio de Visión por Computadora de Yandex

Podemos decir que el boom de las redes neuronales ya ha llegado, pero aún no ha llegado a su punto máximo. Solo se volverá más interesante aún más. Las áreas más prometedoras en la actualidad son, quizás, la visión por computadora, los sistemas de diálogo, el análisis de texto, la robótica, los vehículos no tripulados y la generación de contenido: textos, imágenes, música.

Áreas prometedoras para la implementación de redes neuronales

Transporte

Robótica

Biotecnología

Agricultura

Internet de las Cosas

Medios de comunicación y entretenimiento

Lingüística

Seguridad

Vlad Shershulsky

Director de Programas de Cooperación Tecnológica de Microsoft en Rusia

Hoy ya ha ocurrido una revolución neuronal. A veces incluso es difícil distinguir la fantasía de la realidad. Imagínese una cosechadora automática con varias cámaras. Toma 5 mil fotografías por minuto y, a través de una red neuronal, analiza si una maleza frente a él o una planta infectada con plagas, y luego decide qué hacer a continuación. ¿Fantástico? Ya no.

Boris Wolfson

Director de desarrollo HeadHunter

Hay un cierto revuelo en torno a las redes neuronales y, en mi opinión, expectativas ligeramente sobreestimadas. Pasaremos por la etapa de frustración un poco más antes de aprender a usarlos de manera efectiva. Muchos de los resultados de las investigaciones revolucionarias aún no son muy aplicables en los negocios. En la práctica, a menudo es más prudente utilizar otros métodos de aprendizaje automático, por ejemplo, varios algoritmos basados ​​en árboles de decisión. Probablemente no parezca tan emocionante y futurista, pero estos enfoques son muy comunes.

¿Qué enseñan las redes neuronales en Rusia?

Los participantes del mercado están de acuerdo en que muchos de los logros de las redes neuronales todavía son aplicables solo en el campo académico. Fuera de ella, la tecnología se utiliza principalmente en aplicaciones de entretenimiento, lo que genera interés en el tema. Sin embargo, los desarrolladores rusos enseñan redes neuronales y cómo resolver problemas empresariales y de importancia social. Detengámonos con más detalle en algunas áreas.

Ciencia y medicina

La Escuela de Análisis de Datos Yandex participa en el experimento CRAYFIS junto con representantes de Skolkovo, MIPT, HSE y las universidades estadounidenses UCI y NYU. Su esencia radica en la búsqueda de partículas cósmicas de ultra alta energía utilizando teléfonos inteligentes. Los datos de las cámaras se transmiten a redes neuronales aceleradas capaces de capturar rastros de partículas que interactúan débilmente en imágenes.

Este no es el único experimento internacional en el que participan especialistas rusos. Los científicos de la Universidad Innopolis Manuel Mazzara y Leonard Yohard están participando en el proyecto BioDynaMo. Con el apoyo de Intel y CERN, quieren crear un prototipo que pueda reproducir una simulación a gran escala de la corteza cerebral. Con su ayuda, se planea aumentar la eficiencia y la economía de los experimentos que requieren la presencia de un cerebro humano vivo.

El profesor de Innopolis Yaroslav Kholodov participó en el desarrollo de un modelo informático capaz de predecir la formación de enlaces de proteínas diez veces más rápido. Este algoritmo puede acelerar el desarrollo de vacunas y medicamentos. Los desarrolladores de Mail.Ru Group, Insilico Medicine y el Instituto de Física y Tecnología de Moscú también han destacado en esta área. Utilizaron redes generativas adversarias capacitadas para crear estructuras moleculares para buscar sustancias que pudieran ser útiles en enfermedades que van desde el cáncer hasta las enfermedades cardiovasculares.

salud y Belleza

En 2015, la empresa rusa Youth Laboratories lanzó el primer concurso de belleza internacional Beauty.AI. Las fotografías de los participantes en él fueron evaluadas por redes neuronales. En la determinación de los ganadores se tuvo en cuenta el sexo, la edad, la nacionalidad, el color de piel, la simetría facial y la presencia o ausencia de arrugas en los usuarios. Este último factor también llevó a los organizadores a crear el servicio RYNKL, que le permite rastrear cómo el envejecimiento afecta la piel y cómo varios medicamentos lo combaten.

Además, las redes neuronales se utilizan en telemedicina. La empresa rusa Mobile Medical Technologies, que gestiona los proyectos Online Doctor and Pediatrician 24/7, está probando un bot de diagnóstico que será útil tanto para pacientes como para médicos. Al primero le dirá a qué especialista contactar con ciertos síntomas, y al segundo le ayudará a determinar con qué está enfermo exactamente el visitante.

Optimización de procesos comerciales y publicidad

La startup rusa Leadza ha logrado utilizar redes neuronales para asignar presupuestos publicitarios de manera más eficiente en Facebook e Instagram. El algoritmo analiza los resultados de campañas pasadas, crea un pronóstico de métricas clave y, basándose en ellas, reasigna automáticamente los costos para que las tiendas en línea puedan obtener más clientes por un costo menor.

El equipo de GuaranaCam utilizó tecnologías de aprendizaje automático para evaluar la efectividad de la colocación fuera de línea de productos y materiales publicitarios. El sistema funciona sobre la base de la nube de Microsoft Azure y analiza el comportamiento del consumidor mediante cámaras CCTV. Los propietarios de negocios reciben un informe de estado comercial en tiempo real. El proyecto ya se está aplicando en el centro comercial Mega Belaya Dacha.

Los ejemplos nacionales exitosos del uso de redes neuronales en los negocios no terminan ahí. LogistiX, que ha estado experimentando con tecnologías de inteligencia artificial desde 2006, ha desarrollado un sistema de optimización de almacenes. Se basa en una red neuronal de aprendizaje que analiza los datos sobre los empleados recibidos de los rastreadores de actividad física y redistribuye la carga entre ellos. Ahora el equipo está enseñando a la red neuronal a distinguir entre matrimonio.

Mantener a Belfingrupp fue aún más lejos. Su filial, BFG-soft, ha creado la plataforma en la nube BFG-IS, que permite gestionar una empresa utilizando su modelo virtual. Este último se crea automáticamente sobre la base de los datos de producción recopilados por el sistema y no solo muestra la mejor manera de organizar los procesos teniendo en cuenta los objetivos establecidos, sino que también predice las consecuencias de cualquier cambio, desde la sustitución de equipos hasta la introducción de turnos adicionales. A finales de 2016, el Fondo de Desarrollo de Iniciativas de Internet decidió invertir 125 millones de rublos en la empresa.

Reclutamiento y gestión de personal

El agregador de reclutadores ruso Stafory está terminando de entrenar una red neuronal recurrente capaz no solo de dar respuestas monosilábicas a las preguntas de los candidatos, sino también de llevar a cabo una conversación completa con ellos sobre la vacante de interés. Y el equipo del portal SuperJob está probando un servicio que predice cuál de los cientos de currículums similares será demandado por un empleador en particular.

Transporte

El desarrollador ruso de sistemas inteligentes Cognitive Technologies utiliza redes neuronales para reconocer vehículos, peatones, señales de tráfico, semáforos y otros objetos en el marco. La compañía también recopila datos para entrenar una red neuronal para un vehículo no tripulado. Estamos hablando de decenas de miles de episodios que describen la reacción de los conductores ante determinadas situaciones críticas en las carreteras. Como resultado, el sistema debe formular los escenarios óptimos para el comportamiento del autorobot. Se están utilizando las mismas tecnologías para crear un transporte agrícola inteligente.

Además, las redes neuronales se pueden utilizar en el transporte y de otras formas. En el verano de 2016, Yandex agregó a su tablero de anuncios Auto.ru la función de detectar automáticamente un modelo de automóvil a partir de su foto. En ese momento, el sistema sabía 100 puntos.

Psicología y seguridad

La startup rusa NTechLab, que venció a Google en la competencia internacional de algoritmos de reconocimiento facial The MegaFace Benchmark, utilizó tecnologías de aprendizaje automático en la aplicación FindFace. Te permite encontrar una persona en las redes sociales por fotografía. A menudo, los usuarios recurren al servicio para identificar falsificaciones, pero también puede ser útil para los agentes del orden. Con su ayuda, ya se han identificado varios delincuentes, incluido el secuestrador de Citibank en Moscú. La versión comercial de FindFace.Pro se proporciona a las empresas interesadas en la identificación del cliente. Ahora se está enseñando al sistema a determinar el género, la edad y las emociones de los demás, lo que puede ser útil no solo a la hora de comunicarse con los clientes, sino también a la hora de gestionar el personal.

Del mismo modo, las redes neuronales son utilizadas por otra empresa rusa, VisionLabs. Utiliza tecnologías de reconocimiento facial para garantizar la seguridad bancaria y crear ofertas especiales para los clientes más leales de varios puntos de venta.

La startup "Emotian" está trabajando en una dirección similar. Está finalizando un sistema para determinar el estado emocional de las ciudades. Hasta el momento, la red neuronal calcula las áreas más felices en base a publicaciones en redes sociales, pero en el futuro, la empresa va a tener en cuenta los datos biométricos de las cámaras.

Medios y creatividad

Yandex es uno de los principales actores del mercado ruso de redes neuronales. La empresa utiliza el aprendizaje automático no solo en sus servicios de búsqueda, sino también en otros productos. En 2015, lanzó el sistema de recomendación Zen, que genera un feed de noticias, artículos, fotos y videos en función de los intereses de un usuario en particular. Cuanto más a menudo se refiere a los materiales seleccionados por el algoritmo, con mayor precisión determina la red neuronal qué más podría gustarle.

Además, Yandex está experimentando con la creatividad. Los empleados de la empresa ya han logrado aplicar un enfoque de red neuronal a la poesía, y luego

Departamento de Educación de Moscú

Gimnasio GBOU №1503

"REDES NEURONALES. SU APLICACIÓN, PAPEL Y SIGNIFICADO

EN LA ECONOMÍA MODERNA Y FUTURA "

(investigar)
Terminado

estudiante de grado 10

Brazhenko Dmitry

Supervisor:

Kuprikov Alexander Vasilievich

Moscú

Año 2013

Redes neuronales. Su aplicación, papel e importancia en la economía moderna y futura.
Plan:

Introducción ………………………………………………………………………………………… Metas y metas …………………………………………………………………………………………… El concepto de redes neuronales, su significado ……………………………………………………… La tecnología analítica más simple ………………………………………………… Problema no lineal …………………………………………………………………… .. Beneficios del uso de redes neuronales …………………………………………… El principio de funcionamiento de las redes neuronales …………………………………………………… Implementaciones de software ………………………………………………………………… Aplicación de redes neuronales …………………………………………………………… Pronóstico de cambios en cotizaciones …………………………………………… ... Gestión de precios y producción ………………………………………………… Investigación sobre factores de demanda ……………………………………………………… .. Valoración de la propiedad…………………………………………………………………. Análisis del mercado de consumo ……………………………………………………… Anti fraude ……………………………………………………………… Reconocimiento de texto …………………………………………………………………… La parte empírica …………………………………………………………………………… Pronóstico de cambios en la tasa USD / RUR ………………………………………… Valoración de inmuebles …………………………………………………… .. Desventajas de usar redes neuronales ……………………………………………… Conclusión ……………………………………………………………………………………… Bibliografía……………………………………………………………………………… Apéndices ……………………………………………………………………………. …… ...

3

El peligro no es que una computadora algún día empiece a pensar como una persona, sino que una persona algún día empezará a pensar como una computadora.

(Sydney J. Harris)

Introducción

En el mundo moderno, los cálculos económicos deben ser muy precisos, basándose en la experiencia previa. Los métodos tradicionales, como pronosticar la demanda de nuevos productos a través de una encuesta pública, analizar manualmente los datos obtenidos, analizar la calidad del producto probando muestras individuales y gestionar los riesgos potenciales de manera estándar, se están desvaneciendo lenta pero seguramente en un segundo plano debido a la relativa Baja exactitud.

Las redes neuronales representan una tecnología computacional nueva y muy prometedora que proporciona enfoques completamente nuevos para el estudio de problemas dinámicos en el campo económico. Inicialmente, las redes neuronales abrieron nuevas oportunidades en el campo del reconocimiento de patrones, luego se agregaron estadísticas y basadas en el método de búsqueda de relaciones complejas (inteligencia artificial) para apoyar la toma de decisiones y la resolución de problemas en el campo de la economía.

La capacidad de modelar procesos no lineales, trabajar con datos ruidosos y la adaptabilidad permite utilizar redes neuronales para resolver una amplia clase de problemas que cubren una amplia variedad de áreas de interés. Reconocimiento de patrones, procesamiento de datos ruidosos o incompletos, búsqueda asociativa, clasificación, optimización, pronóstico, diagnóstico, control de procesos, segmentación de datos, compresión de información, visualizaciones complejas, modelado de procesos no estándar, reconocimiento de voz.

En los últimos años, se han desarrollado muchos sistemas de software sobre la base de redes neuronales para su uso en cuestiones tales como operaciones en el mercado de productos básicos, evaluación de la probabilidad de quiebra, evaluación de la solvencia, control de inversiones y colocación de préstamos.

El objetivo de utilizar redes neuronales en economía no es en absoluto suplantar los métodos tradicionales o reinventar la rueda, pero esta es otra herramienta posible para resolver problemas.

La creación de métodos para el procesamiento paralelo de información tuvo un efecto beneficioso en el desarrollo de tecnologías de redes neuronales.

La hipótesis es que las redes neuronales se consideran una herramienta capaz de identificar las dependencias más complejas. En mi trabajo, quiero probar esto.

La importancia práctica de mi investigación está relacionada con el hecho de que hoy en día no un gran número de empresas utilizan las redes neuronales como herramienta principal. Por lo tanto, en el cálculo "normal", pueden cometer errores que pueden identificarse utilizando el enfoque de "red neuronal".

He dividido mi trabajo en 5 capítulos. En el primer capítulo, revelo los conceptos generales de redes neuronales, su significado. En el segundo capítulo, proporciono implementaciones de software, es decir programas diseñados para trabajar con redes neuronales. En el capítulo 3, proporciono ejemplos detallados del uso de redes neuronales en la práctica. En el cuarto capítulo, selecciono dos ejemplos y, utilizando la tecnología de redes neuronales, realizo una investigación, cuyos resultados describo en mi trabajo.

Propósito de escribir el trabajo:

• 
  Revelar la necesidad de utilizar redes neuronales en economía.

Tareas:

1. 
   Comprender el sistema de redes neuronales, comprender qué son.
2. 
   Definir problemas económicos que se pueden resolver utilizando redes neuronales.
3. 
   Simule una red neuronal utilizando un paquete neuronal de software y utilícelo para crear un ejemplo práctico
4. 
   Evaluar la efectividad del uso de redes neuronales en problemas económicos.

1. El concepto de redes neuronales, su significado.

Las redes neuronales son sistemas adaptativos para procesar y analizar datos, que son una estructura matemática que imita algunos aspectos del cerebro humano y demuestra sus capacidades como la capacidad de aprendizaje no formal, la capacidad de generalizar y agrupar información no clasificada, la capacidad de hacer predicciones de forma independiente sobre la base de series de tiempo ya presentadas, la capacidad de encontrar relaciones analíticas complejas.

Su principal diferencia con otros métodos, por ejemplo, los sistemas expertos, es que las redes neuronales no necesitan un modelo predeterminado, predeterminado, sino que lo forman en función de la información de entrada. Por tanto, las redes neuronales y los algoritmos genéticos se han puesto en práctica allí donde es necesario para resolver problemas de pronóstico, clasificación, control, es decir, en el campo de la actividad humana, donde existen problemas pobremente algorítmicos, para cuya solución o el Se requiere el trabajo constante de un grupo de expertos calificados o sistemas de automatización adaptativa., que son redes neuronales. Por lo tanto, las redes neuronales pueden considerarse una tecnología analítica compleja, es decir una técnica que, sobre la base de algoritmos conocidos, permite derivar los valores de parámetros desconocidos a partir de datos dados.

1.1. La tecnología analítica más sencilla

Para aclararlo, daré un ejemplo clásico de la tecnología analítica más simple: el teorema de Pitágoras, que permite determinar la longitud de la hipotenusa por la longitud de los catetos.

c 2 = a 2 + segundo 2.

Conociendo los parámetros ayb, no es nada difícil calcular c [hipotenusa].

1.2. "Problema no lineal"

Una variación completamente diferente de la tecnología analítica es la forma en que el cerebro humano procesa la información. Ejemplos de dicha tecnología analítica son el reconocimiento de rostros que conocemos en una multitud o el manejo efectivo de múltiples músculos en los deportes. Estas tareas, que incluso el cerebro de un niño puede resolver, aún no están sujetas a las computadoras modernas.

La singularidad del cerebro humano radica en el hecho de que puede aprender a resolver nuevos problemas, por ejemplo, conducir un automóvil, aprender idiomas extranjeros, etc. A pesar de esto, el cerebro no está equipado para procesar grandes cantidades de información; una persona no puede calcular ni siquiera la raíz cuadrada de un gran número en su cabeza sin usar papel o una calculadora. En la práctica, es muy común encontrar problemas numéricos mucho más complejos que la extracción de raíces. Para resolver tales problemas, se necesitan herramientas adicionales.

La red neuronal toma la información de entrada y la analiza de una manera similar a la que usa nuestro cerebro. La red es capaz de aprender. Los resultados posteriores se emiten en base a la experiencia previa.

La principal tarea de un especialista que utiliza redes neuronales para resolver un determinado problema es la necesidad de elegir la arquitectura de red neuronal más eficiente, es decir. Elija el tipo correcto de red neuronal, el algoritmo para su entrenamiento, la cantidad de neuronas y los tipos de conexiones entre ellas. Desafortunadamente, este trabajo no tiene un algoritmo riguroso, requiere una comprensión profunda de varios tipos de arquitecturas de redes neuronales, implica mucha investigación y puede llevar mucho tiempo.

Se recomienda el uso de redes neuronales si:

Se han acumulado suficientes datos sobre el comportamiento anterior del sistema.

No existen métodos o algoritmos tradicionales para resolver satisfactoriamente el problema

Los datos están parcialmente distorsionados, incompletos o inconsistentes, como resultado de lo cual los métodos tradicionales dan un resultado insatisfactorio.

Las redes neuronales funcionan mejor cuando hay una gran cantidad de datos de entrada, entre los cuales existen relaciones y patrones implícitos. En este caso, las redes neuronales ayudarán a tener en cuenta automáticamente varias dependencias no lineales ocultas en los datos. Esto es especialmente importante en los sistemas de apoyo a la toma de decisiones y los sistemas de previsión.

1.3. Beneficios de usar redes neuronales

Las redes neuronales son indispensables en el análisis de datos, por ejemplo, para el análisis preliminar o la selección, para detectar errores humanos graves. Es recomendable utilizar métodos de redes neuronales en problemas con información incompleta, en problemas donde se puede encontrar una solución de manera intuitiva, y al mismo tiempo los modelos matemáticos tradicionales no dan el resultado deseado.

Los métodos de redes neuronales son una excelente adición a los métodos tradicionales de análisis estadístico, la mayoría de los cuales están asociados con la construcción de modelos basados ​​en ciertos supuestos y conclusiones teóricas (por ejemplo, que la dependencia deseada es lineal o que alguna variable tiene una distribución normal). El enfoque de la red neuronal no está asociado con tales suposiciones; es igualmente adecuado para dependencias lineales y no lineales complejas, pero es especialmente eficaz en el análisis de datos exploratorios cuando el objetivo es averiguar si existen dependencias entre variables. Al mismo tiempo, los datos pueden ser incompletos, contradictorios e incluso distorsionados a sabiendas. Si existe algún tipo de conexión entre los datos de entrada y salida, que ni siquiera es detectado por los métodos de correlación tradicionales, entonces la red neuronal puede sintonizarlo automáticamente con un determinado grado de precisión. Además, las redes neuronales modernas tienen capacidades adicionales: permiten evaluar la importancia relativa de varios tipos de información de entrada, reducir su volumen sin perder datos esenciales, reconocer síntomas de acercamiento a situaciones críticas, etc.

1.4. Cómo funcionan las redes neuronales

La velocidad de las computadoras modernas es de aproximadamente 100 Mflops (10 ^ 8 flops) (flops es una unidad de punto flotante de la velocidad de la computadora) El cerebro contiene aproximadamente 10 ^ 11 neuronas. El tiempo de tránsito de un impulso nervioso es de 1 ms, se considera que el rendimiento de una neurona es del orden de 10 flops. La velocidad cerebral equivalente es 10 ^ 11 * 10 = 10 ^ 12 flops. Si consideramos los problemas resueltos por el cerebro y calculamos el número requerido de operaciones para resolverlos en computadoras ordinarias, obtendremos una estimación de la velocidad de hasta 10 ^ 12 flops. ¡La diferencia de rendimiento entre una computadora ordinaria y el cerebro es de 4 órdenes de magnitud! Esta ganancia se debe en gran parte al procesamiento paralelo de información en el cerebro. En consecuencia, para mejorar el rendimiento de una computadora, es necesario pasar de los principios de von Neumann al procesamiento de información en paralelo. Sin embargo, las computadoras paralelas aún no se han generalizado por varias razones, que se deben a las dificultades técnicas de implementación.

Una red neuronal artificial es un modelo muy simplificado de una red neuronal biológica, es decir, elemento del sistema nervioso. Las ideas y principios fundamentales se toman prestados de la biología:

• 
  Una neurona es un interruptor que recibe y transmite impulsos o señales. Si una neurona recibe un impulso suficientemente fuerte, entonces dicen que la neurona está activada, es decir, transmite impulsos a las neuronas asociadas a ella. Una neurona inactivada permanece en reposo y no transmite un impulso.
• 
  Una neurona consta de varios componentes: sinapsis que conectan una neurona con otras neuronas y reciben impulsos de neuronas vecinas, un axón que transmite impulsos a otras neuronas y una dendrita que recibe señales de diversas fuentes, incl. de las sinapsis.
• 
  Cuando una neurona recibe un impulso que supera un cierto umbral, transmite el impulso a las neuronas posteriores (activa el impulso).
• 
  La sinapsis consta de dos partes: la presináptica, conectada al axón de la célula transmisora ​​de impulsos, y la postsináptica, conectada a la dendrita de la célula receptora de impulsos. Ambas partes de la sinapsis están conectadas por una hendidura sináptica.

La señal de una neurona a otras neuronas se transmite a través de un axón, que no está conectado directamente a las neuronas receptoras. El impulso cambia varias veces en la sinapsis: antes de enviar - en la parte presináptica y al recibirlo - en la parte postsináptica.

El impulso de transmisión se forma en la neurona dependiendo de uno o más impulsos recibidos. En el caso de varios impulsos, la neurona los acumula. Que transmita un impulso o no depende de la naturaleza de los impulsos recibidos, por quién fueron transmitidos, etc. Por tanto, la relación entre pulsos transmitidos y recibidos no es lineal. Si una neurona transmite un impulso, entonces se activa.

El modelo matemático de una neurona se construye de la siguiente manera:

Arroz. 1. Modelo de neurona artificial

• 
  La entrada del modelo de neurona X es un vector que consta de un gran número (N) de componentes. Cada uno de los componentes del vector de entrada Xi es uno de los impulsos que recibe la neurona.
• 
  La salida del modelo de neurona es un número X *. Esto significa que dentro del modelo, el vector de entrada debe transformarse y agregarse a un escalar. En el futuro, este impulso se transmitirá a otras neuronas.
• 
  Se sabe que cuando se recibe un impulso, la sinapsis de una neurona lo cambia. Matemáticamente, este proceso de cambio se puede describir de la siguiente manera: para cada uno de los componentes de la entrada Xi, se establece un peso. El impulso que atraviesa la sinapsis toma la forma de WiXi. Tenga en cuenta que los pesos se pueden asignar durante la inicialización del modelo, o pueden ser variables y medidos durante los cálculos. Los pesos son los parámetros internos de la red, que se discutieron anteriormente. Cuando hablamos de entrenamiento en red, nos referimos a encontrar los pesos de las sinapsis.
• 
  Suma de los pulsos recibidos. La agregación de los pulsos recibidos es el cálculo de su suma ∑WiXi.

Arroz. 2. Un ejemplo de una red neuronal con una capa oculta.

Por lo general, las neuronas están ubicadas en la red a niveles. La ilustración muestra un ejemplo de una red neuronal de tres niveles:

1. 
   En el primer nivel, hay neuronas de entrada (marcadas en azul) que reciben datos del exterior y transmiten impulsos a las neuronas del siguiente nivel a través de sinapsis.
2. 
   Las neuronas en el nivel oculto (segundo, rojo) procesan los impulsos recibidos y los transmiten a las neuronas en el nivel de salida (tercero, verde).
3. 
   Los nerones en el nivel de salida producen el análisis final y la salida de los datos.

Por supuesto, la arquitectura de la red puede ser más compleja, por ejemplo, con un gran número de capas ocultas o con un número variable de neuronas. Los modelos de redes neuronales se clasifican según tres dimensiones principales:

• 
  El tipo de conexión entre los niveles de neuronas en la red.
• 
  Tipo de función de transferencia;
• 
  El algoritmo de aprendizaje en red utilizado

Además, la etapa más importante es entrenar la red neuronal. Una vez entrenada la red, podemos asumir que está lista para usarse.

Arroz. 3. El proceso de aprendizaje de la red neuronal