 |
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция
Способы внедрения новых аналитических технологий
Нейронные сети 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, которые приведены в таблице 1.
Таблица 1 – Варианты внедрения новых технологий
| 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 · Система создана лучшими специалистами · Система 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 |
| 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 приведенной таблицы 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.
Заключение
В заключении следует сказать, что теория нейронных сетей развивается в течение последних пяти десятилетий, но нашла широкое применение только в последние 20 лет. Поэтому строгая терминология в области нейронных сетей еще не установилась. Этим теория нейронных сетей отличается от теории управления или оптимизации, где терминология, основные математические методы и процедуры проектирования выверены при решении практических задач в течение многих лет.
Несмотря на отсутствие строгой терминологии нейронные сети нашли применение во многих областях техники, где они используются для решения многочисленных прикладных задач:
- в космонавтике и аэронавтике – для построения систем автоматического пилотирования самолетов, имитации траекторий полета, разработки перспективных конструкций автопилотов, моделирования и обнаружения неисправностей агрегатов летательных аппаратов, управления воздушным движением, обработки аэрокосмической информации;
- в автомобилестроении – для проектирования автоматических систем управления;
- в банковском деле – для автоматического чтения документов и их контроля, оценки эффективности кредитных вложений;
- в военном деле – для управления оружием, слежения за целями, выделения и распознавания объектов, построения новых типов датчиков, обработки звуковых, радиолокационных и телевизионных изображений, постановки и подавления помех, идентификации сигналов и изображений;
- в электронике – для управления процессом проектирования и размещения микросхем на плате, нелинейного моделирования и анализа отказа микросхем, для построения систем машинного зрения и синтеза речи;
- в финансовом деле – для анализа кредитных потоков, оцени недвижимости, общего финансового анализа, прогнозирования стоимости валюты;
- в страховом деле – для определения оптимальной стратегии страхования;
- в промышленном производстве – для управления производственными процессами, анализа продукции, диагностики работы машин, контроля качества, тестирования продукции, анализа качества сварочных работ, шлифовальных операций, анализа и синтеза химических веществ, прогнозирования цены продукта;
- в медицине – для анализа раковых клеток, диагностики заболеваний, конструирования протезов, оптимизации времени трансплантации, планирования расходов больницы, консультаций в отсутствие специалистов;
- в нефтегазовой промышленности – для разведки месторождений;
- в робототехнике – для управления роботами, построения контроллеров роботов и манипуляторов и систем технического зрения;
- при передаче данных - для сжатия и отображения данных, распознавания речи, классификации гласных звуков, преобразования текста в речь, для синхронного перевода.
Этот перечень можно продолжить и далее. Широкое применение нейронных сетей, значительные ресурсы, вкладываемые в создание программного обеспечения и аппаратуры для реализации нейронных сетей, показывают, что имеется большая заинтересованность в разработке искусственных нейронных сетей.
Список литературы
1. Галушкин А.И. Теория нейронных сетей. М.:ИПРЖР, 2000. - 416с.
2. Галушкин А.И. Нейрокомпьютеры. М.:ИПРЖР, 2000. - 532с.
3. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина. – М.: ДИАЛОГ-МИФИ, 2002. – 496 с.
4. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинсого. – М.: Финансы и статистика, 2002. – 344с.
5. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. – М.: Мир, 1990. – 240с.
6. Щербаков М.А. Искусственные нейронные сети: Конспект лекций. - Пенза, ИИЦ ПГУ, 2006г. – 45с.
7. Barron A.R. Approximation and estimation bounds for artificial neural networks. Machine learning. – Vol. 14, 1994. – Pp.115-133.
8. Cover T. Geometrical and statistical properties of systems of linear inequalities with applications in pattern recognition // IEEE Trans. Electronic Computers, 1965. – Vol.14. – Pp.326-334.
9. DeSieno D. Adding a conscience to competitive learning // Neural Networks, 1988. – Vol.1. – Pp.117-124.
10. Haykin S. Neural networks, a comprehensive foundation. – N.Y.: Macmillan College Publishing Company, 1994.
11. He Y., Ciringiroglu U. A networks charge based on-chip adaptation Kohonen neural network // Trans. Neural Networks, 1993. – Vol.4. – Pp. 462-469.
12. Hebb D. Organization of behavior. – N.Y.: J.Wiley, 1949.
13. Hertz J., Krogh A., Palmer R. Wstep do teorii obliczen neuronowych. Wyd. II. – Warszawa: WNT, 1995.
14. Kohonen T. The self organizing map // Proc. Of IEEE, 1990. – Vol.78. – Pp. 1464-1479.
15. Kohonen T. Self-organizing maps. – Berlin: Springer Verlag, 1995.
16. McCulloch W.S.. Pitts W.H. A logical calculus of ideas immanent in nervous activity // Bull. Math. Biophysics, 1943. – Vol.5. – Pp. 115-119.
17. Osowski S. Sieci in nervous activity neuronowe in nervous activity w ujeciu algorytmicznym. – Warszawa: WNT, 1996.
18. Ritter H., Schulten K. On the stationary state of the Kohonen self-organizing sensory mapping // Biological Cybernetics. 1986. – Vol.54. – Pp.234-249.
19. Rosenblatt F. Principle of neurodynamics. – N.Y.: Spartan, 1992.
20. Rzesiowski D. Neuronowe metody kwantyzacji wektorowej w zastosowaniu do kompresji obrazyw: Rozprawa doktorska. – Warszawa: Politechnika Warszawska,1995.
21. Tadeusiewicz R. Sieci neuronowe. – Warszawa: Akademicka Oficyna Wydawnicza, 1993.
22. Weymaere N., Martens J.P. On the initialization and optimization of multilayer perception // IEEE Trans. Neural Networks, 1994. – Vol.5. – Pp.738-751.
23. Widrow B., Hoff M. Adaptive switching circuits // Proc. IRE WESCON Convention Record, 1960. – Pp.107-115.
Поиск по сайту: