Нейросети и генетические алгоритмы - примерыпрактических задач
Нейронные сети и генетические алгоритмы в настоящее время находят огромное число разнообразных применений. Действительно, в любой области человеческой деятельности есть плохо алгоритмизуемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети. Разные компании выбирают разные варианты - одни предпочитают тратить деньги на оплату лучших специалистов и их обучение, другие покупают полностью готовые специализированные нейросетевые системы, а третьи комбинируют эти подходы, создавая собственные системы с нуля или на основе готовых коммерческих пакетов. Каждый из вариантов внедрения новых технологий имеет свои достоинства и недостатки
Создание группы экспертов
Достоинства: Возможность словесного общения, возможность учета неформализуемых факторов.
Недостатки: Высокие расходы на зарплату, расходы на повышение квалификации, опасность потери эксперта (переход к конкуренту, эмиграция, болезнь и т.д.), человеческая субъективность, противоречивость мнений различных экспертов.
Покупка готовой заказной системы
Достоинства: Относительно невысокая стоимость эксплуатации, cистема создана лучшими специалистами, cистема сделана с учетом специфики компании.
Недостатки: Очень высокая стоимость разработки, невысокая гибкость, необходимость в разглашении секретов делового процесса компании, необходимость в привлечении специалистов со стороны для исправления ошибок, внесения изменений и т.д.
Создание собственной системы "с нуля"
Достоинства: Управление процессом разработки, легкость внесения изменений и модернизации, полная конфиденциальность.
Недостатки: Необходим штат программистов, необходимы специалисты по нейросетям, занимает много времени, высокая стоимость, необходима настройка системы.
Создание системы на основе готовых нейропакетов
Достоинства: Невысокая стоимость базового пакета и обновлений, готовые архитектуры и алгоритмы обучения, пакет создан профессионалами в области нейросетей, достаточно высокая гибкость, техническая поддержка производителя пакета, полная конфиденциальность, не требуется программирование, от пользователя не требуется глубокого знания нейросетей, более эффективное обнаружение и исправление ошибок за счет большого числа пользователей, возможность приобретения надстроек к пакету у различных производителей, возможность общения с другими пользователями пакета.
Недостатки: Не всегда возможно создавать собственные архитектуры и алгоритмы обучения, необходима настройка системы, необходима подготовка данных.
Из приведенного выше видно, что выбор варианта решения должен определяться исходя из целей и возможностей компании. Первые три варианта больше подойдут очень крупным компаниям, планирующим деятельность на 5-10 лет вперед и не ожидающим быстрой окупаемости вложений в новые технологии. По этому пути идут многие западные фирмы, желающие увеличить прибыльность своего бизнеса в условиях жесткой конкуренции.
Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей. Впрочем, имеется и несколько примеров крупнейших концернов, избравших этот вариант и добившихся успеха. Так, например, компания DuPont разработала новый материал - безопасное стекло, используя нейросетевой пакет NeuroShell. Также этот пакет используется в крупных западных банках, таких, как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и других. Хотя конкретные методики использования пакетов держатся в секрете, формулировки задач и подходы к их решению известны. Ниже будет рассказано об известных нам способах использования нейросетей в различных областях бизнеса и технологий.
Обслуживание кредитных карточек
Способности нейросетей к классификации применяются для отслеживания операций с крадеными кредитными картами и поддельными чеками. Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом. Благодаря этой системе потери банков от таких операций заметно уменьшились. В настоящее время Falcon контролирует более 260 миллионов счетов 16 крупнейших эмитентов кредитных карт. Аналогичная система, разработанная фирмой ITC, используется для обработки операций с кредитными картами Visa. В 1995 году с помощью этой системы были предотвращены нелегальные сделки на сумму более 100 млн долларов.
http://www.hnc.com
Распознавание речи
Распознавание речи - одно из наиболее популярных применений нейросетей. В компании "НейроПроект" сделана демонстрационная система для речевого управления встроенным калькулятором Windows. Система уверенно распознает любое из 36 слов, сказанных в микрофон любым человеком.
Для классификации используется двухкаскадная иерархическая нейросеть, где первый каскад состоит из одного перцептрона (1000 входов, 24 нейрона в скрытом слое, 6 выходов), а второй каскад - из 6 перцептронов с различными параметрами. Первый перцептрон осуществляет грубое распознавание слова, относя его к одному из 6 классов. Роль второго каскада - точно классифицировать слово внутри каждого из классов.
Для построения этой сети использовалась библиотека NeuroWindows, а также разработанный в компании "НейроПроект" алгоритм иерархического обучения. В обучении сети принимали участие 19 дикторов.
Обнаружение фальсификаций
В США введена в действие система обнаружения мошенничеств в области здравоохранения. Подсчитано, что потери бюджета от такого рода фальсификаций составляют около 730 млн долларов в год. Создание нейросетевой специализированной системы заняло у фирмы ITC более года и обошлось в 2.5 млн долларов. Тестирование показало, что нейросеть позволяет обнаруживать 38% мошеннических случаев, в то время как существующая экспертная система - только 14%. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации.
http://www.fcw-civic.com/pubs/may/solutiontx.htm
Анализ потребительского рынка
Несколько лет назад фирма IBM Consulting выполнила заказ на создание нейросетевой системы, прогнозирующей свойства потребительского рынка. Заказчик - один из крупнейших производителей пищевых продуктов, имеющий огромные рынки сбыта. Одним из основных маркетинговых механизмов заказчика является распространение купонов, дающих право покупки определенного товара со скидкой. Так как затраты на рассылку купонов довольно велики, решающим фактором является эффективность рассылки, то есть доля клиентов, воспользовавшихся скидкой.
Для повышения эффективности купонной системы важно было провести предварительную сегментацию рынка, а затем адресовать клиентам каждого сегмента именно те купоны, которыми они с большей вероятностью воспользуются. В терминах анализа данных здесь требовалось решить задачу кластеризации, что и было успешно сделано с помощью сетей Кохонена. На втором этапе для потребителей каждого из кластеров подбирались подходящие коммерческие предложения, а затем строился прогноз объема продаж для каждого сегмента. http://www.db2mag.com/9701eds2.htm
Другой вариант решения этой же задачи избрала компания GoalAssist Corporation, исполняя заказ крупной маркетинговой фирмы. Требовалось исследовать стратегию поощрительных товаров (когда, например, присылая 5 этикеток от чипсов, клиент получает бесплатно футболку) для определенной компании, торгующей пищевыми продуктами. Обычные методы прогнозирования отклика потребителей оказались в данном случае недостаточно точны. В результате спрос на футболки оказался слишком велик и многим покупателям пришлось подолгу ждать получения приза, в то время как другие подарки остались невостребованными. Чтобы повысить точность прогнозирования, было решено использовать исторические данные и нейронные сети.
Компания GoalAssist Corporation построила две нейросети для решения этой задачи. Первая из них - это сеть с адаптивной архитектурой пакета NeuroShell Classifier компании Ward Systems Group, на входы которой подавались различные параметры товаров и рекламной политики. С помощью этой сети, предназначенной специально для классификации, было получено разделение входов на 4 класса, характеризующих отклик потребителей. Те же входы вместе с ответом первой сети подавались далее на вход пакета NeuroShell Predictor, который также содержит сложную самоорганизующуюся сеть, но приспособленную для задач количественного прогнозирования. Средняя ошибка предсказаний составила всего около 4%. Построение этой модели заняло около 120 часов, также потребовалось время на предобработку входных данных. Эксперты GoalAssist Corp. считают, что эта модель и далее будет успешно применяться для решения маркетинговых задач. http://www.wardsystems.com/predconsum.htm
Компания Neural Innovation Ltd. использует при работе с маркетинговыми компаниями конкретную стратегию прямой рассылки. Вначале рассылается 25% от общего числа предложений и собирается информация об откликах потребителей. Затем эта информация поступает на вход нейрокомпьютера, который осуществляет поиск оптимального сегмента потребительского рынка для данного товара. Затем остальные 75% предложений рассылаются в указанный сегмент. При этом эффективность рассылки существенно возрастает.
http://www.neural.co.uk/marketing/mailshot.html
Прогнозирование объема продаж и управление закупками
Изложенные в предыдущем пункте методы хорошо зарекомендовали себя на устойчивых западных рынках. При создании подобных систем на российском рынке необходимо учитывать его нестабильность, а также особенности поведения российских потребителей (например, закупки в период высоких инфляционных ожиданий). В изменчивых условиях для торговых фирм особенно важно иметь прогноз спроса клиентов и дохода компании, чтобы осуществлять оптимальное управление закупками. В настоящее время компания "НейроПроект" совместно с маркетинговой фирмой "Конси" (Нижний Новгород) ведет разработку системы анализа потребительского рынка и прогнозирования спроса на основе российских исторических данных.
http://www.konsi.nnov.ru:8002/
Проектирование и оптимизация сетей связи
Одна из важнейших задач в области телекоммуникаций - нахождение оптимального пути пересылки трафика между узлами - может быть успешно решена с помощью нейронных сетей. В данном случае важны две особенности: во-первых, решение должно быть адаптивным, то есть учитывать текущее состояние сети связи и наличие сбойных участков, а во-вторых, найти оптимальное решение нужно очень быстро, в реальном времени. Нейросети прекрасно приспособлены для такого рода задач.
Кроме управления маршрутизацией потоков, нейросети используются и для проектирования новых телекоммуникационных сетей. При этом удается получить очень эффективные решения. http://www.cbu.edu/~pong/624kep2.htm
Прогнозирование изменений котировок
Компания Alela Corp. занимается прогнозированием изменения биржевых индексов. Для предсказания знаков изменения индексов применяется нейронная сеть, использующая РБФ (радиальные базисные функции).
На сайте компании можно бесплатно получить прогнозы изменения индексов Dow Jones, S&P500 и Merval, а также убедиться, что доля верных предсказаний составляет не менее 80%. Создатели сайта предлагают всем желающим использовать эти прогнозы в качестве дополнительных индикаторов.
http://www.netverk.com.ar/~alela/index.htm
Управление ценами и производством
Руководители предприятий часто недооценивают потери от неоптимального планирования производства. Так как спрос и условия реализации зависят от времени, сезона, курсов валют и многих других факторов, то и объем производства следует гибко варьировать с целью оптимального использования ресурсов. Уже существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.
http://www.cbu.edu/~pong/624twg2.htm
Крупное английское издательство, выпускающее газеты, приобрело у фирмы Neural Innovation Ltd. систему планирования цен и затрат, основанную на нейросети с использованием генетических алгоритмов. На основе исторических данных система обнаруживает сложные зависимости между затратами на рекламу, объемом продаж, ценой газеты, ценами конкурентов, днем недели, сезоном и т.д. После этого возможен подбор оптимальной стратегии с точки зрения максимизации объема продаж или прибыли.
http://www.neural.co.uk/marketing/news.html
Исследование факторов спроса
Для увеличения прибыльности бизнеса в условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. В частности, для этого солидные компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются для потребителя решающими при покупке данного товара или услуги, почему в некоторых случаях предпочтение отдается конкурентам и какие улучшения товара потребитель хотел бы увидеть в будущем. Анализ результатов такого опроса - достаточно сложная задача, так как здесь участвует большое количество связанных между собой параметров.
Нейронные сети идеально подходят для решения этой задачи. Существующие нейросетевые методы позволяют выявлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара.
http://www.zsolutions.com/examples.htm
http://www.neuralt.com/Marketing/marketingpaper.htm
Анализ страховых исков
Фирмой Neural Innovation Ltd. создана нейросетевая система Claim Fraud Analyser, позволяющая мгновенно выявлять подозрительные страховые иски, относящиеся к поврежденным автомобилям. На входы системы подаются такие параметры, как возраст и опыт водителя, стоимость автомобиля, наличие подобных происшествий в прошлом и другие. В результате обработки выдается число - вероятность того, что данный иск связан с мошенничеством. Такая система позволяет не только сэкономить за счет выявления фальсификаций, но и улучшить отношения с клиентами за счет более быстрого удовлетворения честных исков. http://www.neural.co.uk/finance/fraud.html
Как нейросети могут помочь в работе?
Приведенные выше примеры показывают, что технологии нейронных сетей и генетических алгоритмов применимы практически в любой области. В некоторых задачах, таких, как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом.
Нет сомнений, что повсеместное проникновение новых технологий и в другие области - только вопрос времени. Аналогичный процесс уже произошел с компьютерами, которые в течение всего 20 лет распространились из военных вычислительных центров в каждый офис и во многие квартиры.
Внедрение новых наукоемких технологий в коммерческой фирме - достаточно непростое дело, требующее, кроме денег и времени, еще и некоторой перемены психологии. Однако, практика показывает, что эти вложения окупаются и выводят компанию на качественно новый уровень. Автор благодарит компанию "НейроПроект" ( ) за предоставленную информацию.
Максим Круглов
Создание группы экспертов
Достоинства: Возможность словесного общения, возможность учета неформализуемых факторов.
Недостатки: Высокие расходы на зарплату, расходы на повышение квалификации, опасность потери эксперта (переход к конкуренту, эмиграция, болезнь и т.д.), человеческая субъективность, противоречивость мнений различных экспертов.
Покупка готовой заказной системы
Достоинства: Относительно невысокая стоимость эксплуатации, cистема создана лучшими специалистами, cистема сделана с учетом специфики компании.
Недостатки: Очень высокая стоимость разработки, невысокая гибкость, необходимость в разглашении секретов делового процесса компании, необходимость в привлечении специалистов со стороны для исправления ошибок, внесения изменений и т.д.
Создание собственной системы "с нуля"
Достоинства: Управление процессом разработки, легкость внесения изменений и модернизации, полная конфиденциальность.
Недостатки: Необходим штат программистов, необходимы специалисты по нейросетям, занимает много времени, высокая стоимость, необходима настройка системы.
Создание системы на основе готовых нейропакетов
Достоинства: Невысокая стоимость базового пакета и обновлений, готовые архитектуры и алгоритмы обучения, пакет создан профессионалами в области нейросетей, достаточно высокая гибкость, техническая поддержка производителя пакета, полная конфиденциальность, не требуется программирование, от пользователя не требуется глубокого знания нейросетей, более эффективное обнаружение и исправление ошибок за счет большого числа пользователей, возможность приобретения надстроек к пакету у различных производителей, возможность общения с другими пользователями пакета.
Недостатки: Не всегда возможно создавать собственные архитектуры и алгоритмы обучения, необходима настройка системы, необходима подготовка данных.
Из приведенного выше видно, что выбор варианта решения должен определяться исходя из целей и возможностей компании. Первые три варианта больше подойдут очень крупным компаниям, планирующим деятельность на 5-10 лет вперед и не ожидающим быстрой окупаемости вложений в новые технологии. По этому пути идут многие западные фирмы, желающие увеличить прибыльность своего бизнеса в условиях жесткой конкуренции.
Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей. Впрочем, имеется и несколько примеров крупнейших концернов, избравших этот вариант и добившихся успеха. Так, например, компания DuPont разработала новый материал - безопасное стекло, используя нейросетевой пакет NeuroShell. Также этот пакет используется в крупных западных банках, таких, как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и других. Хотя конкретные методики использования пакетов держатся в секрете, формулировки задач и подходы к их решению известны. Ниже будет рассказано об известных нам способах использования нейросетей в различных областях бизнеса и технологий.
Обслуживание кредитных карточек
Способности нейросетей к классификации применяются для отслеживания операций с крадеными кредитными картами и поддельными чеками. Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом. Благодаря этой системе потери банков от таких операций заметно уменьшились. В настоящее время Falcon контролирует более 260 миллионов счетов 16 крупнейших эмитентов кредитных карт. Аналогичная система, разработанная фирмой ITC, используется для обработки операций с кредитными картами Visa. В 1995 году с помощью этой системы были предотвращены нелегальные сделки на сумму более 100 млн долларов.
http://www.hnc.com
Распознавание речи
Распознавание речи - одно из наиболее популярных применений нейросетей. В компании "НейроПроект" сделана демонстрационная система для речевого управления встроенным калькулятором Windows. Система уверенно распознает любое из 36 слов, сказанных в микрофон любым человеком.
Для классификации используется двухкаскадная иерархическая нейросеть, где первый каскад состоит из одного перцептрона (1000 входов, 24 нейрона в скрытом слое, 6 выходов), а второй каскад - из 6 перцептронов с различными параметрами. Первый перцептрон осуществляет грубое распознавание слова, относя его к одному из 6 классов. Роль второго каскада - точно классифицировать слово внутри каждого из классов.
Для построения этой сети использовалась библиотека NeuroWindows, а также разработанный в компании "НейроПроект" алгоритм иерархического обучения. В обучении сети принимали участие 19 дикторов.
Обнаружение фальсификаций
В США введена в действие система обнаружения мошенничеств в области здравоохранения. Подсчитано, что потери бюджета от такого рода фальсификаций составляют около 730 млн долларов в год. Создание нейросетевой специализированной системы заняло у фирмы ITC более года и обошлось в 2.5 млн долларов. Тестирование показало, что нейросеть позволяет обнаруживать 38% мошеннических случаев, в то время как существующая экспертная система - только 14%. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации.
http://www.fcw-civic.com/pubs/may/solutiontx.htm
Анализ потребительского рынка
Несколько лет назад фирма IBM Consulting выполнила заказ на создание нейросетевой системы, прогнозирующей свойства потребительского рынка. Заказчик - один из крупнейших производителей пищевых продуктов, имеющий огромные рынки сбыта. Одним из основных маркетинговых механизмов заказчика является распространение купонов, дающих право покупки определенного товара со скидкой. Так как затраты на рассылку купонов довольно велики, решающим фактором является эффективность рассылки, то есть доля клиентов, воспользовавшихся скидкой.
Для повышения эффективности купонной системы важно было провести предварительную сегментацию рынка, а затем адресовать клиентам каждого сегмента именно те купоны, которыми они с большей вероятностью воспользуются. В терминах анализа данных здесь требовалось решить задачу кластеризации, что и было успешно сделано с помощью сетей Кохонена. На втором этапе для потребителей каждого из кластеров подбирались подходящие коммерческие предложения, а затем строился прогноз объема продаж для каждого сегмента. http://www.db2mag.com/9701eds2.htm
Другой вариант решения этой же задачи избрала компания GoalAssist Corporation, исполняя заказ крупной маркетинговой фирмы. Требовалось исследовать стратегию поощрительных товаров (когда, например, присылая 5 этикеток от чипсов, клиент получает бесплатно футболку) для определенной компании, торгующей пищевыми продуктами. Обычные методы прогнозирования отклика потребителей оказались в данном случае недостаточно точны. В результате спрос на футболки оказался слишком велик и многим покупателям пришлось подолгу ждать получения приза, в то время как другие подарки остались невостребованными. Чтобы повысить точность прогнозирования, было решено использовать исторические данные и нейронные сети.
Компания GoalAssist Corporation построила две нейросети для решения этой задачи. Первая из них - это сеть с адаптивной архитектурой пакета NeuroShell Classifier компании Ward Systems Group, на входы которой подавались различные параметры товаров и рекламной политики. С помощью этой сети, предназначенной специально для классификации, было получено разделение входов на 4 класса, характеризующих отклик потребителей. Те же входы вместе с ответом первой сети подавались далее на вход пакета NeuroShell Predictor, который также содержит сложную самоорганизующуюся сеть, но приспособленную для задач количественного прогнозирования. Средняя ошибка предсказаний составила всего около 4%. Построение этой модели заняло около 120 часов, также потребовалось время на предобработку входных данных. Эксперты GoalAssist Corp. считают, что эта модель и далее будет успешно применяться для решения маркетинговых задач. http://www.wardsystems.com/predconsum.htm
Компания Neural Innovation Ltd. использует при работе с маркетинговыми компаниями конкретную стратегию прямой рассылки. Вначале рассылается 25% от общего числа предложений и собирается информация об откликах потребителей. Затем эта информация поступает на вход нейрокомпьютера, который осуществляет поиск оптимального сегмента потребительского рынка для данного товара. Затем остальные 75% предложений рассылаются в указанный сегмент. При этом эффективность рассылки существенно возрастает.
http://www.neural.co.uk/marketing/mailshot.html
Прогнозирование объема продаж и управление закупками
Изложенные в предыдущем пункте методы хорошо зарекомендовали себя на устойчивых западных рынках. При создании подобных систем на российском рынке необходимо учитывать его нестабильность, а также особенности поведения российских потребителей (например, закупки в период высоких инфляционных ожиданий). В изменчивых условиях для торговых фирм особенно важно иметь прогноз спроса клиентов и дохода компании, чтобы осуществлять оптимальное управление закупками. В настоящее время компания "НейроПроект" совместно с маркетинговой фирмой "Конси" (Нижний Новгород) ведет разработку системы анализа потребительского рынка и прогнозирования спроса на основе российских исторических данных.
http://www.konsi.nnov.ru:8002/
Проектирование и оптимизация сетей связи
Одна из важнейших задач в области телекоммуникаций - нахождение оптимального пути пересылки трафика между узлами - может быть успешно решена с помощью нейронных сетей. В данном случае важны две особенности: во-первых, решение должно быть адаптивным, то есть учитывать текущее состояние сети связи и наличие сбойных участков, а во-вторых, найти оптимальное решение нужно очень быстро, в реальном времени. Нейросети прекрасно приспособлены для такого рода задач.
Кроме управления маршрутизацией потоков, нейросети используются и для проектирования новых телекоммуникационных сетей. При этом удается получить очень эффективные решения. http://www.cbu.edu/~pong/624kep2.htm
Прогнозирование изменений котировок
Компания Alela Corp. занимается прогнозированием изменения биржевых индексов. Для предсказания знаков изменения индексов применяется нейронная сеть, использующая РБФ (радиальные базисные функции).
На сайте компании можно бесплатно получить прогнозы изменения индексов Dow Jones, S&P500 и Merval, а также убедиться, что доля верных предсказаний составляет не менее 80%. Создатели сайта предлагают всем желающим использовать эти прогнозы в качестве дополнительных индикаторов.
http://www.netverk.com.ar/~alela/index.htm
Управление ценами и производством
Руководители предприятий часто недооценивают потери от неоптимального планирования производства. Так как спрос и условия реализации зависят от времени, сезона, курсов валют и многих других факторов, то и объем производства следует гибко варьировать с целью оптимального использования ресурсов. Уже существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.
http://www.cbu.edu/~pong/624twg2.htm
Крупное английское издательство, выпускающее газеты, приобрело у фирмы Neural Innovation Ltd. систему планирования цен и затрат, основанную на нейросети с использованием генетических алгоритмов. На основе исторических данных система обнаруживает сложные зависимости между затратами на рекламу, объемом продаж, ценой газеты, ценами конкурентов, днем недели, сезоном и т.д. После этого возможен подбор оптимальной стратегии с точки зрения максимизации объема продаж или прибыли.
http://www.neural.co.uk/marketing/news.html
Исследование факторов спроса
Для увеличения прибыльности бизнеса в условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. В частности, для этого солидные компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются для потребителя решающими при покупке данного товара или услуги, почему в некоторых случаях предпочтение отдается конкурентам и какие улучшения товара потребитель хотел бы увидеть в будущем. Анализ результатов такого опроса - достаточно сложная задача, так как здесь участвует большое количество связанных между собой параметров.
Нейронные сети идеально подходят для решения этой задачи. Существующие нейросетевые методы позволяют выявлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара.
http://www.zsolutions.com/examples.htm
http://www.neuralt.com/Marketing/marketingpaper.htm
Анализ страховых исков
Фирмой Neural Innovation Ltd. создана нейросетевая система Claim Fraud Analyser, позволяющая мгновенно выявлять подозрительные страховые иски, относящиеся к поврежденным автомобилям. На входы системы подаются такие параметры, как возраст и опыт водителя, стоимость автомобиля, наличие подобных происшествий в прошлом и другие. В результате обработки выдается число - вероятность того, что данный иск связан с мошенничеством. Такая система позволяет не только сэкономить за счет выявления фальсификаций, но и улучшить отношения с клиентами за счет более быстрого удовлетворения честных исков. http://www.neural.co.uk/finance/fraud.html
Как нейросети могут помочь в работе?
Приведенные выше примеры показывают, что технологии нейронных сетей и генетических алгоритмов применимы практически в любой области. В некоторых задачах, таких, как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом.
Нет сомнений, что повсеместное проникновение новых технологий и в другие области - только вопрос времени. Аналогичный процесс уже произошел с компьютерами, которые в течение всего 20 лет распространились из военных вычислительных центров в каждый офис и во многие квартиры.
Внедрение новых наукоемких технологий в коммерческой фирме - достаточно непростое дело, требующее, кроме денег и времени, еще и некоторой перемены психологии. Однако, практика показывает, что эти вложения окупаются и выводят компанию на качественно новый уровень. Автор благодарит компанию "НейроПроект" ( ) за предоставленную информацию.
Максим Круглов
Компьютерная газета. Статья была опубликована в номере 29 за 1999 год в рубрике hard :: технологии
