Статья опубликована в рамках: XXII Международной научно-практической конференции «Научное сообщество студентов: МЕЖДИСЦИПЛИНАРНЫЕ ИССЛЕДОВАНИЯ» (Россия, г. Новосибирск, 01 июня 2017 г.)

Наука: Экономика

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Красюк О.И., Вуйчиков А.В., Макаров А.Р. [и др.] ОПЫТ ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В РЕШЕНИИ ЗАДАЧ ЭКОНОМИКИ // Научное сообщество студентов: МЕЖДИСЦИПЛИНАРНЫЕ ИССЛЕДОВАНИЯ: сб. ст. по мат. XXII междунар. студ. науч.-практ. конф. № 11(22). URL: https://sibac.info/archive/meghdis/11(22).pdf (дата обращения: 18.09.2019)
Проголосовать за статью
Конференция завершена
Эта статья набрала 16 голосов
Дипломы участников
У данной статьи нет
дипломов

ОПЫТ ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В РЕШЕНИИ ЗАДАЧ ЭКОНОМИКИ

Красюк Олег Игоревич

студент, кафедра САПР Южный федеральный университет,

РФ, г.Таганрог

Вуйчиков Александр Витальевич

студент, кафедра САПР Южный федеральный университет,

РФ, г.Таганрог

Макаров Андрей Романович

студент, кафедра САПР Южный федеральный университет,

РФ, г.Таганрог

Матиев Тимур Юрьевич

студент, кафедра САПР Южный федеральный университет,

РФ, г.Таганрог

Научный руководитель Шаронина Людмила Валерьевна

канд. экон. наук, доц. каф. инженерной экономики, Южный федеральный университет,

РФ,  г. Таганрог

Целью данной работы является исследование возможностей практики применения искусственных нейронных сетей в экономике на примерах различных зарубежных и российских компаний.

Искусственные нейронные сети – вычислительная модель, основанная на большом количестве нейронов, моделирующих работу человеческого мозга для решения различных задач. Основной особенностью нейронных сетей является возможность их самообучения, в процессе которого сеть самопроизвольно меняет свою структуру, приспосабливаясь для решения определенной проблемы.

При сравнении производительности компьютера и человеческого мозга, можно отметить, что ряд задач решается с помощью компьютерных вычислений гораздо быстрее, чем «вручную». С другой стороны, существуют проблемы, такие, как распознавание образов, которые решаются человеком за миллисекунды, тогда как традиционным алгоритмам на это понадобилось бы несколько дней [5]. Применение нейронных сетей позволяет комбинировать преимущества модели работы человеческого мозга и скорости компьютера.

К основным направлениям применения нейронных сетей относятся следующие: прогнозирование каких-либо событий на основе имеющихся данных; принятие решений; распознавание образов; анализ данных [8].

В настоящее время искусственные нейронные сети (ИНС) получают все большее распространение во всех сферах деятельности человека, и в том числе – в экономике. В условиях постоянной изменчивости экономической и социальной ситуации, процессы прогнозирования и планирования играют все более важную роль. С постоянным ростом объемов данных, их анализ и управление человеком становятся малоэффективными и затратными, что обусловливает применение информационных технологий для их обработки. Поскольку какие-либо традиционные методы далеко не всегда способны предложить удовлетворительное решение, естественным видится применение интеллектуальных методов, в частности – нейросетевых [1].

Нейросети используются для оптимизации товарных и денежных потоков, анализа и обобщения социологических опросов, оптимизации производственного процесса, комплексной диагностики качества продукции, при прогнозировании, для проведения маркетинговых исследований, при оценке рисков [3].

Применение нейронных сетей предприятиями. Использование ИНС налагает существенные требования на вычислительные возможности компании – для адекватной работы такой модели необходимо большое количество статистических данных и проведение значительного объема вычислений как для начальной «тренировки» сети, так и для непосредственного решения задачи. К тому же, нейронные сети могут быть весьма сложными в разработке. Эти два обстоятельства предопределяют использование ИНС главным образом крупными корпорациями [4].

Компания Google использует нейронную сеть в Переводчике для распознавания человеческой речи, что существенно ускоряет процесс ввода текста и соответственно упрощает процесс перевода текста для пользователя. Еще одним примером использования нейросети для предоставления услуг является Snapchat – мобильное приложение для обмена сообщениями с прикрепленными фото и видео, где сеть используется для распознавания образов, например, человеческого лица.

Еще одним примером, иллюстрирующим успешное применение ИНС, является американская финансовая корпорация Citicorp, которая использует нейрокомпьютер для анализа и краткосрочного предсказания колебаний курсов валют. Совокупная точность прогнозов, сделанных нейронной сетью, превзошла результаты самых опытных брокеров корпорации [5].

В России разработка и внедрение нейронных сетей происходит в нескольких фирмах [8]. Так, Mail.Ru Group и «Яндекс» применяют нейросети для обработки и классификации текстов в «Поиске», анализа изображений. Это позволяет повысить качество работы предоставляемых ими сервисов, и, как следствие – повысить интерес к ним. Нейронная сеть, как и другие алгоритмы машинного обучения, как полагают эксперты – следующий шаг в автоматизации любых процессов, поэтому ИНС в будущем будут не только применяться для замены человека в конкретных процессах и действиях, а смогут заменить целые профессии.

При этом следует отметить, что структура ИНС не позволяет «проследить» за ее работой на каждом этапе, как следствие – отсутствует возможность исследовать, почему нейронная сеть приняла то или иное решение, а значит, и проверить правильность ее выводов, не решая проблему самостоятельно, что может вызывать определенный скепсис в некоторых областях, например – в медицине [9]. Ситуацию усугубляет предрасположенность сетей к ложной классификации объекта при «зашумленности» исходных данных, незаметной для человеческого глаза.

Практические результаты использования ИНС. В работе [2] описано применение ИНС для прогнозирования финансового состояния российских предприятий. Как следует из результатов эксперимента, представленных в таблице 1, правильно выбранная модель ИНС демонстрирует высокую степень точности в решении выбранной задачи.

Таблица 1.

Результат применения ИНС для прогнозирования

Наблюдаемое банкротство

Предсказанное банкротство

Процент корректных предсказаний

нет

да

нет

228

36

86,4

да

34

172

83,1

Общий процент

85,1

 

В статье [6] рассматривается использование ИНС для прогнозирования финансовых рынков, в частности – для предсказания индекса ММВБ. Самая оптимальная модель сети при этом сумела осуществить прогноз направления тренда, несмотря на непростую экономическую ситуацию в выбранное время, усложняющую решение задачи.

Различные модели нейронных сетей применены для прогнозирования поведения экономических процессов предприятий. Исследование показало высокую точность аппроксимации временного ряда, данную обоими рассматриваемыми моделями за очень короткое время. Полученные результаты свидетельствуют о возможности получения значительного экономического эффекта хозяйствующими субъектами [7].

Заключение.

Проведенное в данное работе исследование возможностей применения нейронных сетей в решении реальных экономических задач позволяет утверждать, что ИНС обладают большим потенциалом в решении широкого спектра проблем, так или иначе связанных с применением человеческого мышления и эвристик, позволяя компаниям как повышать качество услуг, так и легко адаптироваться к постоянно меняющейся экономической ситуации, одновременно снижая расходы на заменяемый нейронными сетями человеческий труд. На текущий момент ИНС обладают рядом недостатков, ограничивающих их применение в определенных сферах деятельности, но с учетом их быстрого развития, осуществляемого целым рядом крупных корпораций, можно ожидать их устранения в ближайшем будущем. Благодаря быстрому темпу совершенствования нейронных сетей, объем инвестиций в сферу искусственного интеллекта с 2011 года вырос в 15 раз.

 

Список литературы:

  1. Бирюков А.Н. Нейросетевое моделирование в бюджетно-налоговой системе регионального и муниципального уровней: автореферат диссертации на соискателя ученой степени доктора экономических наук. Пермь, 2011. – 48 с.
  2. Богданова Т.К., Шевгунов Т.Я., Уварова О.М. Применение нейронных сетей для прогнозирования платежеспособности российских предприятий обрабатывающих отраслей // Бизнес-информатика. 2013. №2 (24). [Электронный ресурс] — Режим доступа. – URL: http://cyberleninka.ru/article/n/primenenie-neyronnyh-setey-dlya-prognozirovaniya-platezhesposobnosti-rossiyskih-predpriyatiy-obrabatyvayuschih-otrasley (дата обращения: 21.05.2017).
  3. Головицына М.В. Информационные технологии в экономике: учебное пособие. – М.: ИНТУИТ, 2012. — 403 с.
  4. Деменко А.Е., Исламутдинов В.Ф. Предпосылки формирования в Российской Федерации социально-экономического прогнозирования на основе аппарата искусственных нейронных сетей // УЭкС. 2013. №11 (59). [Электронный ресурс] — Режим доступа. – URL: http://cyberleninka.ru/article/n/predposylki-formirovaniya-v-rossiyskoy-federatsii-sotsialno-ekonomicheskogo-prognozirovaniya-na-osnove-apparata-iskusstvennyh-1 (дата обращения: 21.05.2017).
  5. Насибуллина З.З. О применении нейронных сетей в экономике и перспективы их развития // Материалы VIII Межд. студ. электронной науч. конф. «Студенческий научный форум». [Электронный ресурс] — Режим доступа. – URL: http://www.scienceforum.ru/2017/2484/32073 (дата обращения: 21.05.2017).
  6. Смирнов М. Прогнозирование фондового рынка с использованием нейронных сетей. — [Электронный ресурс] — Режим доступа. – URL: https://geektimes.ru/post/279170 (дата обращения: 21.05.2017).
  7. Соловьева Ю.С., Грекова Т.И. Моделирование экономических процессов с применением нейросетевых технологий // Вестн. Том. гос. ун-та. Управление, вычислительная техника и информатика. 2009. №1 (6). [Электронный ресурс] — Режим доступа. – URL: http://cyberleninka.ru/article/n/modelirovanie-ekonomicheskih-protsessov-s-primeneniem-neyrosetevyh-tehnologiy (дата обращения: 30.05.2017).
  8. Хохлова Д. Бум нейросетей: Кто делает нейронные сети, зачем они нужны и сколько денег могут приносить. — [Электронный ресурс] — Режим доступа. – URL: https://vc.ru/p/neural-networks/ (дата обращения: 21.05.2017).
  9. Caruana, R., et. al: Intelligible models for healthcare: Predicting pneumonia risk and hospital 30-day readmission. In: Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1721-1730. ACM (2015).
Проголосовать за статью
Конференция завершена
Эта статья набрала 16 голосов
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий