Компьютер-Информ || Архив || Рубрики || Поиск || Подписка || Работа || О "КИ" || Карта

Новые технологии

Зачем нужны нейронные сети?

Сергей Колесников author@ci.ru

В прошлом номере мы обратились к истории развития ИНС, рассмотрели некоторые теоретические основы их построения, указали ряд типовых применений. В этой части предлагается рассмотреть конкретные, практически реализованные приложения и варианты внедрения ПО и различного типа устройств, основанных на ИНС.

Особенности внедрения новых технологий

Развитие новых технологий, появление новых типов задач, в том числе и трудноформализуемых, требует от ряда фирм внедрения новых технологий, использования новых типов ПО, привлечения квалифицированных специалистов. Естественно, у каждой организации будет своя модификация процесса обновления, однако она будет базироваться (с теми или иными изменениями) на нижеприведенных методах, у каждого из которых есть свои преимущества и недостатки.
Одним из способов является набор группы специалистов-экспертов. К преимуществам этого способа необходимо отнести возможность человеческого общения непосредственно с конечным «обработчиком информации», учет факторов, которые невозможно формализовать или представить в понятной для ПО форме. Однако к недостаткам этого метода следует отнести не менее важные особенности, среди которых высокие материальные расходы на эксперта, связанные с необходимостью периодического повышения квалификации работника, высоким уровнем оплаты его труда. А человеческую субъективность, противоречия и конфликты в группе также нельзя отнести к плюсам, вкупе с отсутствием гарантий постоянной работы специалиста, связанных с различными факторами.
К другому способу отнесем заказ готовой системы специализированной фирме. В этом случае заказчик получает готовый продукт, созданный с учетом специфики работы компании (учтем, что только на время создания), при невысокой стоимости эксплуатации. Среди минусов следует отметить достаточно высокую стоимость разработки таких продуктов, а также невысокую гибкость их использования в дальнейшем, связанную с необходимостью привлечения сторонних специалистов для модернизации и исправления системы. А все эти факторы означают разглашение специфики работы и коммерческих секретов компании, ведь иначе невозможно создать более или менее адекватную систему. Также существует возможность недопонимания программистами необходимых особенностей или субъективность их восприятия, что скажется на конечной эффективности продукта.
Теперь рассмотрим следующий способ, который обладает практически всеми достоинствами вышеописанных, но и к минусам его следует отнести практически все их недостатки. Создание системы «с нуля» позволяет контролировать процесс создания, а в дальнейшем и его модернизацию при сохранении полной конфиденциальности. Минусы очевидны — необходимо наличие штата программистов, специалистов по созданию ИНС (причем везде существует человеческий фактор), что обуславливает выплату высокой заработной платы, а также необходима адаптация продукта для конечных пользователей.
Четвертый способ — организация системы на основе готовых программных продуктов — сочетает в себе профессиональные готовые архитектуры, алгоритмы обучения, как правило, техническую поддержку и относительно высокую гибкость, благодаря наличию большого количества компонентов. При широкой распространенности продукта, возникновение ошибок минимально, а их обнаружение более эффективно. Однако нет гарантий относительно полноценной адаптации для задач конечного потребителя, плюс ко всему, требуется предварительная подготовка данных, что не всегда приемлемо.
Как мы уже отметили, первые три способа достаточно дорогостоящие, что не всегда приемлемо для крупных компаний, где модернизируемое направление не является приоритетным, а также для средних и мелких компаний. Четвертый способ подходит для компаний любого уровня, если сфера применения сборного пакета широко исследована, но методики его использования уникальны для каждой отдельно взятой организации.

Практическое применение

Контроль операций с кредитными карточками

В этом случае используется способность ИНС к классификации. Например, продукт, разработанный HNC Software Inc. (в настоящее время HNC выкуплена компанией Fair, Isaac and Com-pany) HNC Falcon предназначен для обнаружения в реальном времени широкого спектра мошеннических операций с банковскими карточками. Falcon отслеживает соотношения между операциями, обнаруживая подозрительные. Система Falcon
использует запатентованную унифицированную технологию поддержки принятия решения (Unified Decisions Technology), которая комбинирует расширенную базу данных правил обработки транзакций, статистический анализ и нейронную сеть. Система Falcon также содержит специальный компонент, обеспечивающий возможность опытным специалистам включать в базу данных системы правила, позволяющие с высокой степенью достоверности определять потенциальные случаи мошенничества с банковскими картами по географическому местоположению или почтовому индексу держателя карты. Практическое использование этой системы показало повышение показателей качества обнаружения на 20–60 % при значительном снижении ложных срабатываний. Falcon также используется и для обнаружения фальсификаций в различных областях, например, в здравоохранении и телекоммуникационной отрасли.
Семейство систем PRISM, разработанное компанией Nestor, основано на использовании нейросетей, экспертных систем и статистических методов для обнаружения в реальном режиме времени мошенничества с кредитными и дебетовыми картами, а также для обнаружения других типов мошенничества при осуществлении финансовых или торговых сделок. Нейросеть, используемая в системах семейства PRISM, была обучена на основе более чем полумиллиона транзакций с различными типами карт. По некоторым оценкам, использование систем семейства PRISM позволяет уменьшить число мошенничеств на 50 %.

Медицинская диагностика

Компанией «НейроПроект» создана система объективной диагностики слуха у грудных детей. Общепринятая методика объективной диагностики состоит в том, что в процессе обследования регистрируются «вызванные потенциалы» (отклики мозга) в ответ на звуковой раздражитель, проявляющиеся в виде всплесков на электроэнцефалограмме. Для достаточно уверенной диагностики слуха ребенка опытному эксперту-аудиологу необходимо провести около 2000 тестов, что занимает около часа. Нейросеть способна с той же достоверностью определить уровень слуха уже по 200 наблюдениям в течение всего нескольких минут, причем без участия квалифицированного персонала.
Еще одним примером использования ИНС в программах медицинской диагностики служит пакет кардиодиагностики, разработанный фирмой RES Informatica совместно с Центром кардиологических исследований в Милане. Причем для таких болезней, как ишемия миокарда и артериальная гипертензия, достигается точность постановки диагноза более чем 95 %. Кроме этого, одним из перспективных направлений в исследованиях является онлайн-постановка диагноза. Пациент заполняет форму, указывая необходимые параметры, а система на основе обучающей выборки и накопленной базы данных определяет диагноз. По некоторым данным, это позволит увеличить производительность более чем в 1000 раз, удешевить исследования не менее чем в 500 раз, обработать данные от практически неограниченного количества человек, при увеличении диагностической точности.

Распознавание образов

Для приведения примера этого направления ИНС обратимся к демонстрационному продукту компании «НейроПроект», предназначенному для речевого управления встроенным калькулятором Windows. Система уверенно распознает любое из 36 слов, сказанных в микрофон любым человеком. Для обучения ИНС использовались варианты произношения 19 дикторов.
Голосовой набор телефонного номера является еще одним из примеров распознавания речи. Доктор Ортнер (Dr. Ortner) из США обучил нейронную сеть набирать номер, используя 2500 примеров для каждого из 28 слов, включая цифры от нуля до девяти, а также названия отделов в пределах компании. При этом обеспечивается точность набора выше 90 %. В настоящее время им создан «голосовой учебный центр» (Voice Training Center), в котором производится запись слов, произнесенных различными людьми.
В дальнейших исследованиях планируется организовать «голосовую связь» с глухонемыми людьми. Так, слова вызывающего абонента будут преобразовывать в текст (на экране телефона вызываемого), а обратный преобразователь обеспечит произнесение текста, напечатанного вызываемым.
Компанией Fein-Marquart As-sociates Inc разработана программа распознавания почтовых индексов с автоматической дальнейшей сортировкой. Система распознает как типографские, так и написанные от руки цифры. Согласно Joe McDaniel, обеспечивается 98 % точность распознавания.

Анализ потребительского рынка

Dr. Al Behrens, сотрудник Northern Natural Gas в штате Небраска, обучил нейронную сеть, которая предсказывает изменение цен на газ в следующем месяце со средней точностью 97 %. Ежемесячная цена иногда привязывается к индексации цен в печатных изданиях (Inside FERC и Natural Gas Week), включая недавнюю рыночную деятельность компании, сезонные факторы, погоду и т. д.
Профессор Awad Hanna из University of Wisconsin построил нейронную сеть, которая на основе данных дорожного покрытия в конкретном месте в разное время года укажет наилучший тип покрытия для этой местности. Для построения такой сети он использовал информацию, полученную от специалистов в этой области, однако отсутствие спонсорской поддержки не позволяет провести испытания.
Небезызвестная корпорация Microsoft также использует программные продукты на основе нейросетей в своей маркетинговой политике. Каждый год Microsoft отсылает более 40 млн рекламных предложений о покупке своих продуктов более чем по 8,5 млн зарегистрированных пользователей. Большая часть направлена на модернизацию ПО или покупку дополнительных пакетов. Цель использования ПО на основе ИНС очевидна — увеличение объема продаж. По словам Jim Minervino, было достигнуто увеличение спроса с 4,9 % до 8,2 %.
А различие в затратах на рекламу снизилось на 35 %. Что изменилось? В базе данных накапливались данные по каждому адресату, что и когда он купил, учитывались следующие факторы, среди которых использовались данные регистрации — место работы, доход, количество человек в фирме, занимаемая должность. Система, анализируя соотношения между факторами и ответными письмами о согласии на приобретение, отправляла в дальнейшем письма только адресатам, похожим по набору факторов.
GoalAssist Corporation построила нейронную сеть, позволяющую предугадать, какое количество призов и в каком соотношении требуется иметь в наличии при проведении рекламной кампании. Проще говоря, приславший три крышки от кофе получает определенный приз, приславший больше — другой приз. А система, на основе различных факторов, с высокой степенью достоверности (ошибка менее 4 %) определит, какие поощрения будут пользоваться высокой популярностью, а какие — нет.

Спортивное прогнозирование

Don Emmons из Детройта построил нейронную сеть, позволяющую на скачках предугадывать лошадь-победителя. ИНС, анализируя предыдущие забеги, время финиша, рекорд на ипподроме и другие факторы, с 75 % точностью оценивала вероятного победителя. С помощью результатов этой ИНС Don Emmons получил выигрыш с 17 из 22 ставок. Mr. Derek Anderson (Lakewood, CO) обучил нейронную сеть прогнозировать победителя на собачьих гонках. Он учитывал похожие факторы, в результате чего получалась ИНС с 504 входами, что обеспечивает ему точность в 94 %, правда, только на трети трасс.

Оценка стоимости продуктов

Например, оценка стоимости автомобиля зависит от множества факторов, таких как марка, год выпуска, объем двигателя, внутренняя «начинка», состояние и т. д. Так как вид зависимости этих факторов неизвестен, то стандартные методы анализа неэффективны. Фирма Attrasoft приводит пример оценки стоимости автомобиля по 7 ключевым факторам. Оценка стоимости домов проводится по 13 факторам. На сайте этой компании (http://attrasoft.com) можно скачать большое количество баз данных, касающихся различных вопросов для проведения собственного исследования с помощью их продукта Decision Maker.

Прогнозирование потребления услуг

Рассмотрим пример потребления электроэнергии. Фирмой ZSolutions был выполнен заказ энергетической компании на анализ данных об энергопотреблении. На основании полученных данных о количестве потребляемой энергии в определенное время суток, изменилась ценовая политика, а, соответственно, и прибыль. Аналогичную задачу можно рассмотреть и для провайдеров Интернет-доступа.

Научные исследования

Прогнозирование магнитных бурь
Доктор Henrik Lundstedt из Lund Observatory, Швеция, обучил нейронные сети прогнозировать эффекты от солнечных вспышек, такие как возмущения магнитных полей Земли. Как известно, т. н. магнитные бури оказывают влияние не только на состояние и здоровье человека, под их влияние попадают и электростанции, случаются сбои в передаче радио- и телевизионных программ, сбои в работе геологического оборудования, спутников и т. д. Нейронная сеть, учитывая 37 известных влияющих факторов раз в четыре дня и анализируя их изменения, способна с высокой степенью точности определить «космическую погоду». Описывается случай, когда стандартный метод прогнозирования не определил сильных магнитных бурь вообще, а метод на основе ИНС в то же время точно спрогнозировал две из трех бурь.

Определение пола москитов
Aubrey Moore из Maui Agricultural Research Station, University of Hawaii, обучил нейронную сеть определять пол москитов в полете. Учитывая статистические данные о среднем количестве взмахов крыльями у каждого из полов, нейросеть обрабатывает информацию со специального фотодатчика и со средней точностью 98 % определяет принадлежность москита к тому или иному полу. Испытания Aubrey Moore проводил на 57 насекомых, а при обучении было привлечено 403 особи.

Прогнозирование ливневых дождей
О необходимости этого процесса упоминать не стоит, отметим лишь, что такая информация позволит принять необходимые меры по обеспечению безопасности. Компьютерные системы, производящие обработку информации, основываются на конкретных данных, в то время как ИНС — на обучении и использовании значений в предыдущее время в конкретной местности, что позволяет делать прогнозы с точностью до 85%. В модели ИНС, разработанной Tony Hall, используются 19 метеорологических переменных.

Производство

Определение качества пива
Anheuser-Busch использует нейронные сети, чтобы идентифицировать органические компоненты, содержащиеся в пиве конкурентов, с 96 %-ой точностью. Это позволяет ему удерживать качество выпускаемого им продукта и не отставать в производстве нового. Методы использования и подробности указанных действий Anheuser-Busch держит в глубоком секрете.

Производство микросхем
Нейронная сеть, примененная на заводе Intel, способна идентифицировать брак на производстве. Первоначально опытной системе давали электрическую испытательную информацию от готовых чипов и соответствующих переменных управления производственным процессом. Отношения между этими двумя параметрами были определены числовым экспериментом и моделированием процесса CMOS. Чувствительная поверхностная модель (RSM, Responsive Surface Model) использовалась для сохранения результатов достаточного количества числовых экспериментов. В результате нейронная сеть была способна забраковать нефункционирующий чип с точностью 99,5%.

Применение в строительстве
При проведении испытаний качества бетона используется большое количество методов. Одним из них является бурение в поисках образовавшейся полости. Однако с помощью нейросетей возможно проверить весь материал, а также определить глубину, на которой находится полость. Путем подачи звуковых волн и приема отраженного сигнала, а затем обработкой ИНС, специалисты из National Institute of Standards and Technology (NIST) способны проверить качество бетона при толщине материала до полуметра.

Заключение

В заключение, хочется отметить, что в статье, разумеется, приведен далеко не полный перечень примеров использования нейронных сетей. Мы попытались показать, насколько широки области применения и решаемые задачи. Однако до широкого распространения ИНС в России, на мой взгляд, достаточно далеко, что связано, с одной стороны, со стоимостью таких продуктов, с другой стороны — со скептическим отношением возможных конечных потребителей.

Рубрики || Работа || Услуги || Поиск || Архив || Дни рождения
О "КИ" || График выхода || Карта сайта || Подписка

Рассылка анонсов газеты по электронной почте

Главная страница

Сайт газеты "Компьютер-Информ" является зарегистрированным электронным СМИ.
Свидетельство Эл № 77-4461 от 2 апреля 2001 г.
Перепечатка материалов без письменного согласия редакции запрещена.
При использовании материалов газеты в Интернет гиперссылка обязательна.

Телефон редакции (812) 718-6666, 718-6555.
Адрес: 196084, СПб, ул. Коли Томчака, д. 9
e-mail: editor@ci.ru
Для пресс-релизов и новостей news@ci.ru