Применение нейрокомпьютинга
На практике нейросети используются в двух ипостасях – как программные продукты, выполняемые на обычных компьютерах, и как специализированные аппаратно-программные комплексы.
В первом случае не используется встроенный параллелизм нейросетевых алгоритмов. Для многих задач при анализе и обобщении баз данных, особенного быстродействия и не требуется: для них вполне хватает производительности современных универсальных процессоров. В этих приложениях используется исключительно способность нейросетей к извлечению скрытых в больших массивах информации закономерностей, а также к обучению, важной особенности, связанной с наличием внутренних адаптивных параметров нейронов и своей структуры, меняя которые, она может менять свое поведение. Обученная нейронная сеть может быть представлена в виде явного алгоритма решения задачи, например, в виде набора правил «если ..., то ...». Для такой сети не требуется начинать решение однотипных задач «с нуля». Для них характерно накопление «опыта» и его дальнейшее использование.
Для второй группы приложений – обработки сигналов в реальном времени, параллелизм нейро-вычислений является наиболее важным фактором.
Рассмотрим несколько примеров, иллюстрирующих возможные области применений искусственных нейросетей. В наше время нейромашины применяются практически во всех областях деятельности. Нейросеть незаменима при решении задач, в которых отсутствует алгоритм или не известны принципы решения, но накоплено достаточное количество примеров. Также при неполных или противоречивых данных, либо просто при большом количестве входной информации. Таким образом, технологию используют при проверке достоверности подписей, документов, отпечатков пальцев1и1т.д. Так же способности нейросетей к классификации применяются для отслеживания операций с крадеными кредитными картами и поддельными чеками. Благодаря этой системе потери банков от таких операций заметно уменьшились. Не менее важной целью использования нейромашин является распознавание человеческой речи. Как правило, это нужно для голосового управления какими-либо процессами машин.
Хорошей иллюстрацией являются задачи оценки коммерческих рисков, в частном случае – оценка стоимости недвижимости, цена которой зависит множества факторов. Построить теоретическую модель такой зависимости обычно не представляется возможным, и единственным способом построения объективной системы оценки является обобщение имеющихся примеров. Подобная модель, основанная на простейшем двухслойном персептроне, была построена для оценки стоимости московских квартир. Она обобщает примерно 10,000 примеров взятых из базы данных московского риэлтерского агентства. На вход нейросети подаются 11 параметров, которыми обычно описывают квартиру в газетных объявлениях – район Москвы, удаленность от метро, тип дома, общая и жилая площадь квартиры, площадь кухни и т.д., а выходом является цена квартиры. На современном персональном компьютере соответствующий персептрон обучается на этой базе данных всего за несколько секунд. Обученная нейросеть способна по описанию квартиры определить ее рыночную средневзвешенную стоимость.
Прогноз поведения сложных динамических систем, особенно в экономике и социальной сфере, где существующие законы еще далеки от понимания, должен опираться почти исключительно на выявлении скрытых закономерностей в накопленных данных. Предсказанние финансовых временных рядов – типичный пример такого рода задач. Не удивительно, что такой прогноз является одним из наиболее популярных нейро-приложений. Существуют полностью автоматические торговые системы, использующие нейросети. Некоторые из них «выставлены» в Интернете, где они проходят публичную апробацию на реальных финансовых инструментах и демонстрируют как правило очень неплохие результаты.