MD Бизнес-план Маркетинг Управление Инвестиции Промоушен HR IT
md-it
md-it
>
Интернет и интранет Дистанционное обучение Системы с открытым исходным кодом Интеллектуальные системы Автоматизация предприятий Книги по IT Услуги IT-консалтинга О проекте
 
Интеллектуальные системы :: Нейронные сети :: Типичные примеры применения нейронных сетей в менеджменте

Типичные примеры применения нейронных сетей в менеджменте


В течение последнего десятилетия в журналах и газетах были напечатаны бесчисленные предложения по применению нейронных сетей в бизнесе и исследовании операций.


В течение последнего десятилетия в журналах и газетах, таких как «Management Science» («Наука менеджмента»), «IEEE Transactions on Systems» («Транзакции IEEE в системах»), «Man and Cybernetics» («Человек и кибернетика»), «Decision Sciences» («Наука принятия решений»),«Computers & Operations Research» («Компьютерные и операционные исследования»), «European Journal of Operational Research» («Европейский журнал исследования операций»), «AI Expert («ИИ-эксперт»), «АI Magazine» («ИИ-журнал») и «Business Week» («Неделя бизнеса»); были напечатаны бесчисленные предложения по применению нейронных сетей в бизнесе и исследовании операций. Большинство вариантов применения нейронных сетей в менеджменте касаются задач, попадающих в следующие четыре категории: классификация (распознавание образца), построение эмпирической кривой и анализ временных рядов, кластеризация и оптимизация. Ниже приведены примеры каждой категории.

1. Классификация. Должным образом разработанная нейронная сеть может использоваться как классификатор. После обучения историческим данным нейронная сеть может определять класс принадлежности некоторой характерной черты. Нейронные сети можно использовать при анализе кредитоспособности, чтобы предсказатъ банкротство фирмы. Нейронные сети могут также оценить активы и обязательства. Во многих банках нейронные сети можно использовать для обнаружения подделки кредитной карточки.

2. Построение эмпирической кривой и анализ временных рядов. Процесс обучения во многих типах нейронных сетей может рассматриваться как построение эмпирической кривой. Кроме того, нейронные сети могут использоваться для определения модели колебаний временного ряда. Аналитики сферы маркетинга, используя нейронные методы сети, могут определять рыночные функции отклика, основанные на временных данных. Руководители производства могут предсказывать производительность фирмы, основываясь на кривых, представленных обученными нейронными сетями. Многие финансовые учреждения используют нейронные сети для финансового прогноза и управления инвестициями.

3. Кластеризация. Неконтролируемые обучающиеся нейронные сети обычно используются в кластерном анализе для группировки объектов без априорного знания классов. Идентификация потребительских сегментов и группировка технологических деталей могут служить примером в этой прикладной категории.

4. Оптимизация. Поскольку процесс обучения в нейронных сетях должен минимизировать заранее определенную ошибку или энергию, нейронные сети могут использоваться для решения задач оптимизации. Задачи вроде оптимального планирования работ, оптимального планирования работы магазина и минимизации потерь могут быть решены с использованием нейронных сетей.

Заключение

Вообще говоря, человек все свои знания первоначально получает из реального мира. Нейронные сети способны помочь людям в генерации знаний, которые основывались бы на всех первоначальных данных. Исследования в области нейронных сетей в основном достаточно наглядны. По сравнению с другими вычислительными методами в статистике и науке менеджмента они имеют значительные преимущества. Так, у моделей на основе нейронных сетей очень гибкие теоретические требования; кроме того, им необходимы совсем небольшие объемы предварительных знаний относительно формирования задачи.

Как мощный механизм обучения нейронные сети могут широко применяться в различных областях. Существует, однако, возможность недоразумений в оценке методик машинного обучения. Они никогда не смогут полностью заменить людей в процессе решения задачи. Нейронные сети должны использоваться для обобщения данных, а не для определения, атрибуты и критерии которого весьма важны при сборе данных. Нейронные сети адаптивны по своей природе, они могут подражать решению проблемы человеком, но они не сообщат нам, какой из критериев решения задачи должен быть принят во внимание перед сбором данных. Кроме того, обучающиеся машины часто используются при формализации знаний из данных реального мира, но сами обучающиеся машины не могут генерировать принципы формализации.

Shouhong Wang,

University of Massachusetts

Литература

Widrow, B. Rumelhart, D.E. and Lehr, M.A. (1994) "Neural networks: Application in industry, business and science", Communications of the ACM 37 (3) : 93-105



Версия для печати
Вернуться к разделу "Нейронные сети"
Обсудить статью на форуме.



Поиск


О «нейронных сетях» в двух словах
В статье рассказывается о «нейронных сетях»
подробнее..
Типичные примеры применения нейронных сетей в менеджменте
В течение последнего десятилетия в журналах и газетах были напечатаны бесчисленные предложения по применению нейронных сетей в бизнесе и исследовании операций.
подробнее..
Нейронные сети: варианты использования
Нейронные сети - это адаптивные системы для обработки и анализа данных, которые представляют собой математическую структуру, имитирующую некоторые аспекты работы человеческого мозга и демонстрирующие...
подробнее..
Нейросетевые агенты в интернете
- Самое худшее случилось, - сказал сэр Дональд Акер, - когда в Массачусетском технологическом институте соединили входы с выходами. С. Лем. "Не буду прислуживать" Английской грамматикой в объеме...
подробнее..
Зачем нужны нейронные сети?
Наверное, многие слышали понятие «нейронные сети», ассоциативно связывая его с искусственным интеллектом, андроидами, роботами, способными учиться, глядя на людей. Одни при этом испытывают страх...
подробнее..
Аппаратная реализация нейронных сетей
Искусственные нейронные сети за свою более чем полувековую историю существования оказали существенное влияние на ряд наук, положив начало развитию новых, а также созданию подразделов в уже...
подробнее..
 
Rambler's Top100 Powered by Flede Valid HTML 4.0 Transitional
Реклама: