Бесплатный фрагмент - Нейросети: базовые знания

Предисловие

В предлагаемой книге раскрыто понятие нейронных сетей и рассказано о них так, чтобы читатель смог иметь ясное представление об их преимуществах и областях использования, об их возможностях, типах, истории, а также о том, как их обучать.

Кроме того, книга содержит ряд  весьма интересных Приложений.

I Нейронные сети: базовые понятия и аспекты

1.1 Понятие и значимость нейронных сетей

Понятие нейронных сетей

Нейронные сети (Neural networks — NN), которые также кратко называют нейросетями, рассматриваются в качестве вычислительных систем со взаимосвязанными узлами, работающих наподобие нейронов в человеческом мозге.

Используя алгоритмы, они способны на распознавание в необработанных данных скрытых корреляционных зависимостей и закономерностей, на осуществление их группировок и классификаций, а также — с течением времени — на постоянное обучение и совершенствование.

Нейронные сети также можно рассматривать в качестве метода в области искусственного интеллекта, обучающего компьютеры заниматься обработкой данных таким же способом, как это удается человеческому мозгу. Их относят к типу машинного обучения, называемому глубоким обучением, использующим взаимосвязанные узлы или нейроны в слоистой структуре, которая имеет сходство с мозгом человека. Они нацелены на создание адаптивной системы, помогающей компьютерам учиться на собственных ошибках в условиях перманентного совершенствования. Искусственные нейронные сети обеспечивают решение отличающихся сложностью проблем, таких как проблемы распознавание лиц или резюмирования документов, обеспечивая с высокий уровень точности.

Нейросети — это новый, более разумный способ выявления скрытых закономерностей в вашем наборе данных и составления на их базе прогнозов. Они имеют широкий спектр бизнес-приложений и помогают предприятиям автоматизировать задачи, которые раньше выполнялись вручную.

Значимость нейронных сетей
Нейронные сетям под силу помогать компьютерам обеспечивать принятие разумных решений без полного участия человека (в данном случае участие является ограниченным). Они способны на изучение и моделирование отношений между сложными и нелинейными входными и выходными данными.

Способности нейросетей

К примеру, нейросети способны на выполнение ряда отличающихся важностью задач. Так, в частности, с помощью нейросетей оказывается возможным улучшение процессов принятия решений:

в роботизированных системах управления;

в прогнозах курса валют, цен на акции и облигации, рейтингов банкротств и т. п.;

в маркетинге и логистике;

в области обнаружения мошенничества;

в области распознавания голоса и символов, то есть, в области обработки естественного языка;

в мед. диагностике и диагностике разного рода заболеваний.

Нейросети способны:

на формирование выводов и осуществление обобщений;

на моделирование отличающихся особой изменчивостью данных (например, данных временных рядов) и значений отклонений, что необходимо для прогнозирования не особо частых событий;

на предсказание и раскрытие закономерностей и неявных связей;

на обеспечение прогнозирования спроса на энергию и электрической нагрузки;

на контролирование качества и процессов;

на интерпретации с помощью компьютерного зрения необработанных фото- и видеоматериалов (к примеру, это необходимо в распознавании лиц, робототехнике и в медицинской визуализации);

на оценивание экосистемы;

на идентификацию химических соединений.

Являясь частью машинного обучения, искусственные нейронные сети играют центральную роль в глубоком обучении. Они работают аналогично биологическим нейронным сетям, соединяя различные типы нейронов и данных. Эти сети делают очень точные прогнозы посредством обучения данных.

С помощью нейросетей оказывается возможным оказание людям помощи в решении непростых проблем в реальных жизненных ситуациях.

Перечисленные способности нейросетей — это лишь не самая большая часть из всего, на что рассматриваемые сети способны. Хотя вы понимаете — и это уже немало.

1.2 Возможности нейросетей

К возможностям нейронных сетей относятся нижеописанные.

Адаптивное обучение

Нейронные сети, как и люди, представляют собой не статичную систему, а систему с нелинейными и сложными взаимодействиями, а также они опираются на предыдущие знания. Программное обеспечение, например, использует адаптивное обучение для обучения детей математике и языковым искусствам.

Самоорганизация

Способность группировать и классифицировать солидные объемы данных делает нейросети идеальными для решения сложных визуальных проблем, связанных с медицинской визуализацией,.с получением важных для медиков изображений. Эти изображения часто трудно расшифровать людям, тогда как нейронная сеть может научиться автоматически группировать различные части тела.

Распознавание образов

Нейронные сети превосходно справляются с задачей идентификации лиц, обучаясь распознавать закономерности в чертах и выражениях лица. Этот талант делает их идеальными для таких приложений, как системы безопасности, которые должны анализировать видеозаписи в реальном времени.

Работа в режиме реального времени

Нейронные сети могут иногда давать ответы в режиме реального времени, как это можно увидеть на примере беспилотных автомобилей и навигации дронов.

Анализ больших данных

Нейронные сети могут оказать ценную помощь при анализе больших наборов данных. Алгоритмы, используемые нейронными сетями, помогают выявлять соответствующие закономерности и взаимосвязи между переменными, которые могут быть неочевидными при использовании иных инструментов анализа данных.

Прогнозирование

Способность нейронных сетей прогнозировать на основе моделей позволяет применять широкий спектр бизнес-моделей, включая, помимо прочего, прогнозы погоды и дорожного движения.

Отказоустойчивость

Нейронные сети отказоустойчивы, то есть они могут продолжать работать даже в случае сбоя одного или нескольких узлов. Нейронные сети могут заполнить пробелы, когда значительные части сети потеряны или отсутствуют изначально.

Эта способность делает их полезными для критически важных систем, которые должны работать круглосуточно без сбоев, например, в освоении космоса, где сбой электронного оборудования практически неизбежен.

II Отрасли и области, где наблюдается использование нейронных сетей

Системы глубокого обучения — и, следовательно, нейронные сети, которые их обеспечивают — стратегически используются во многих отраслях, областях и направлениях бизнеса. Ниже рассмотрен ряд отраслей и областей, где используются нейросети (это, разумеется, далеко не исчерпывающий перечень).

2.1 Естественные науки. Производство

Естественные науки
Организации здравоохранения и медико-биологических наук прибегают к использованию нейронных сетей для мониторинга здоровья, биомедицинской визуализации и прогнозной диагностики.

Производство
Энергетические и производственные компании используют нейросети, чтобы добиться оптимизации цепочек поставок, автоматизации обнаружения дефектов и прогнозирования потребностей в энергии. Для иных компаний также открываются многие возможности.

2.2 Розничная торговля и потребительские товары. Государственный сектор

Розничная торговля и потребительские товары
Отрасли розничной торговли и потребительских товаров используют нейросети для обеспечения работы диалоговых чат-ботов, улучшения и углубления анализа клиентов, а также выполнения сетевого анализа.

Используя нейросети, компании розничной торговли и продаж могут заниматься такими вещами, как:

Прогнозирование спроса. Это прогнозирование помогает определить, когда продукт (или услуга) потребуется потребителям, как обеспечить постоянную доступность продукта и своевременную его доставку и т. д.

Прогнозирование продаж. Этот тип прогнозирования помогает определить, когда и что клиент, скорее всего, купит. В результате предприятия могут выявить и понять факторы, которые способствуют увеличению продаж в розничных магазинах, а также оценить будущие объемы продаж.

Определение количества товарных запасов. Созданная на на базе нейросети система способна рассчитать количество товарных запасов, которые должны иметь розничные торговцы. В результате торговцы также смогут работать над увеличением своей прибыли.

Государственный сектор
Организации госсектора используют нейросети для поддержки умных городов, анализа безопасности и распознавания лиц.

2.3 Финансы и банковское дело.  Маркетинг и электронная коммерция

Финансы и банковское дело

Банки используют нейронные сети для выявления мошенничества, проведения кредитного анализа и автоматизации услуг финансового консультанта.

Нейронные сети также можно применять для автоматизации процессов в банковском деле и финансах.

Помимо прочего, NN можно использовать для:

Прогнозирования валюты. Прогнозирования неудач в бизнесе. Оценки долгового риска. Одобрения кредита. Одобрения ипотеки. Обнаружения мошенничества.

Реальным примером этого является использование искусственных нейронных сетей для обнаружения мошенничества, используемых Ситибанком. Он создал нейронную сеть, целью которой является обнаружение мошеннических транзакций по кредитным картам. Эта нейронная сеть была обучена на большой базе данных, содержащей миллионы транзакций потребителей.

Маркетинг и электронная коммерция

Самым последним достижением в области науки о данных является использование для обучения больших данных нейронных сетей. Эта технология существует уже несколько десятилетий, однако именно недавнее появление больших данных делает ее очень полезной для маркетинга.

Маркетологи могут использовать нейросети для более эффективного поиска и привлечения клиентов, что приносит им преимущества в следующих направлениях:

Прогнозирование поведения потребителей
Создание и понимание более сложных сегментов покупателей
Автоматизация маркетинга. Создание и обеспечение уникальности контента.

Социальное прослушивание.

Это позволило маркетологам иметь достаточно данных, а теперь маркетологи могут располагать более точной информацией и прогнозами, чтобы принимать более эффективные стратегические решения. При этом данная технология также позволяет специалистам быть менее реактивными, они могут лучше понимать, что нужно для ориентации на своих идеальных клиентов.

Нейросети чаще всего используются в области прогнозной аналитики. Нейронные сети могут использоваться в бизнесе, чтобы помочь маркетологам прогнозировать результаты предстоящей кампании, располагая информацией о закономерностях прошлых маркетинговых усилий — своих и других компаний.

Примером этого является персонализация рекомендаций по продуктам на сайтах электронной коммерции, таких, к примеру, как Amazon. Система анализирует прошлое поведение пользователя, его покупки, то, какие похожие товары он просматривал, чтобы получить более подходящие рекомендации, увеличить размер корзины и т. д., чтобы разработать более комплексную маркетинговую стратегию.

2.4 Безопасность. Страхование. Логистика

Безопасность

Нейронные сети также используются в целях безопасности.

Их можно использовать для следующего:

Обнаружение мошенничества

Обнаружение и предотвращение попадания вирусов и вредоносных программ. Установление приоритетности оповещений для отправки соответствующим людям..

Обнаружение спама. Модерация контента
Обнаружение DDoS-атак.

Примером применения нейронных сетей в обеспечении безопасности бизнеса является их использование для обнаружения DDoS-атак. Обнаружить атаки распределенного отказа в обслуживании (DDoS) можно с помощью нейронных сетей. Система может отслеживать такие закономерности, как большое количество запросов, поступающих с одного IP-адреса, или множество запросов одновременно со случайных IP-адресов.

ICSP Neural от Symantec защищает от кибератак путем обнаружения и использования вирусов и уязвимостей на USB-устройствах.

Страхование

Еще одной отраслью, использующей преимущества, предоставляемые нейросетями, является страхование. Страховые компании используют нейронные сети для прогнозирования будущих коэффициентов убытков и корректировки премий. Это, в свою очередь, приводит к увеличению их прибыли.

Некоторые из вариантов использования нейронных сетей в страховании:

Прогнозирование будущих коэффициентов убытков и премий. Корректировка будущих премий.

Обнаружение мошеннических претензий.

Реальный пример того, как нейронные сети используются в страховании, предоставлен страховой компанией Allstate (США). Она использует нейронные сети, чтобы выявлять водителей, «предрасположенных к авариям», и назначать им соответствующую оценку.

Логистика

Нейросети используются в логистике, чтобы помочь во всем: от упаковки до доставки.

Некоторые варианты использования NNs в логистике :

Нейронные сети можно использовать для упаковки продуктов. Их можно использовать при маршрутизации, чтобы помочь водителю грузовика определить лучший маршрут.

Нейросети используются для выявления дефектов на производственной линии.

Нейросети используются в диспетчеризации, чтобы помочь с упаковкой предметов для транспортировки.

Нейросети используются для балансировки сборочной линии путем назначения рабочих мест работникам в зависимости от их навыков.

Примером применения нейронных сетей в логистике является Wise Systems. Это автономная система, позволяющая пользователю планировать и отслеживать маршруты, а также настраивать маршруты доставки в режиме реального времени с использованием функций прогнозирования.

2.5 Распознавание речи. Обработка естественного языка

Распознавание речи

Нейросети способны анализировать человеческую речь независимо от таких переменных, как речевые модели, высота тона, язык и акцент. Виртуальные помощники, такие, к примеру, как Amazon Alexa и программное обеспечение для автоматической транскрипции, прибегают к использованию распознавания речи для выполнения следующих задач:

Использование точных субтитров к видео и записям встреч в целях более широкого охвата контента.

Преобразование клинических руководств в документацию в режиме реального времени

Оказание помощи операторам колл-центра и автоматическая классификация звонков.

Обработка естественного языка

Под обработкой естественного языка (NLP) понимается способность обрабатывать созданный человеком естественный текст. Нейросети помогают компьютерам в плане извлечения информации и смысла из текстовых данных и документов. NLP имеет ряд применений, включая:

Обобщение документов и создание статей по заданной теме.

Индексирование ключевых фраз, указывающих на настроение: к примеру, отрицательные и положительные комментарии в соцсетях.

Бизнес-аналитика длинных документов: к примеру, электронных писем и форм.

Автоматическая организация и классификация записанных данных.

Использование чат-ботов и автоматизированных виртуальных агентов.

2.6 Машинное зрение. Рекомендательные услуги

Машинное зрение