14.4.3. Прогнозирование. Задачи прогнозирования особенно важны для практики, в частности для финансовых приложений, поэтому поясним способы применения нейросетей в этой области более подробно. Рассмотрим практическую задачу, ответ в которой неочевиден - задачу прогнозирования курса акций на 1 день вперед.
Пусть у нас имеется база данных, содержащая значения курса за последние 300 дней. Простейший вариант в данном случае - попытаться построить прогноз завтрашней цены на основе курсов за последние несколько дней. Понятно, что прогнозирующая сеть должна иметь всего один выход и столько входов, сколько предьщущих значений мы хотим использовать для прогноза, например 4 последних значения. Составить обучающий пример очень просто - входными значениями будут курсы за 4 последовательных дня, а желаемым выходом - известный нам курс в следующий день за этими четырьмя.
Если нейросеть совместима с какой-либо системой обработки электронных таблиц (например. Excel), то подготовка обучающей выборки состоит из следующих операций:
1)скопировать столбец данных значений котировок в 4 соседних столбца;
2)сдвинуть второй столбец на 1 ячейку вверх, третий столбец - на 2 ячейки вверх и т.д.
Теперь каждая строка таблицы представляет собой обучающий пример, где первые 4 числа - входные значения сети, а пятое число - желаемое значение выхода. Исключение составляют последние 4 строки, где данных недостаточно - эти строки не учитываются при тренировке. Заметим, что в четвертой снизу строке заданы все 4 входных значения, но неизвестно значение выхода. Именно к этой строке мы применим обученную сеть и получим прогноз на следующий день.
Как видно из этого примера, объем обучающей выборки зависит от выбранного нами количества входов. Если сделать 299 входов, то такая сеть потенциально могла бы строить лучший прогноз, чем сеть с 4 входами, однако в этом случае мы имеем всего 1 обучающий пример, и обучение бессмысленно. При выборе числа входов следует учитывать это, выбирая разумный компромисс между глубиной предсказания (число входов) и качеством обучения (объем тренировочного набора).
14.5. Список практических приложений
14.5.1.Обслуживание кредитных карточек. Способности нейросетей к классификации применяются для отслеживания операций с крадеными кредитными картами и поддельными чеками. Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом. Благодаря этой системе потери банков от таких операций заметно уменьшились. В настоящее время Falcon контролирует более 260 млн счетов 16 крупнейших эмитентов кредитных карт. Аналогичная система, разработанная фирмой ITC, используется для обработки операций с кредитными картами Visa. В 1995 г. с помощью этой системы были предотвращены нелегальные сделки на сумму более 100 млн долл.
14.5.2.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.
14.5.3.Распознавание речи. Распознавание речи - одно из наиболее популярных применений нейросетей. В компании «НейроПроект» сделана демонстрационная система для речевого управления встроенным калькулятором Windows. Система уверенно распознает юбое из 36 слов, сказанных в микрофон любым человеком. Для классификации используется двухкаскадная иерархическая нейросеть, где первый каскад состоит из одного персептрона (1000 входов, 24 нейрона в скрытом слое, 6 выходов), а второй каскад - из 6 персептронов с различными параметрами. Первый персептрон осуществляет грубое распознавание слова, относя его к одному из 6 классов. Роль второго каскада - точно классифицировать слово внутри каждого из классов.
Для построения этой сети использовалась библиотека NeuroWindows, а также разработанный в компании «НейроПроект» алгоритм иерархического обучения. В обучении сети принимали участие 19 дикторов.
14.5.4.Обнаружение фальсификаций. В США введена в действие система обнаружения мошенничеств в области здравоохранения. Подсчитано, что потери бюджета от такого рода фальсификаций составляют около 730 млн долл. в год. Создание нейросетевой специализированной системы заняло у фирмы ITC более года и обошлось в 2,5 млн долл. Тестирование показало, что нейросеть позволяет обнаруживать 38% мошеннических случаев, в то время как существующая экспертная система - только 14%. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации. (http: www.fcw-civic.com/pubs/may/solutiontx.htm)
14.5.5.Анализ потребительского рынка. Несколько лет назад фирма ШМ Consuhing выполнила заказ на создание нейросетевой системы, прогнозирующей свойства потребительского рынка. Заказчик - один из крупнейших производителей пищевых продуктов, имеющий огромные рынки сбыта. Одним из основных маркетинговых механизмов заказчика является распространение купонов, дающих право покупки определенного товара со скидкой. Так как затраты на рассылку купонов довольно велики, решающим фактором является эффективность рассылки, то есть доля клиентов, воспользовавшихся скидкой. Для повышения эффективности купонной системы важно было провести предварительную сегментацию рынка, а затем адресовать клиентам каждого сегмента именно те купоны, которыми они с большей вероятностью воспользуются. В терминах анализа данных здесь требовалось решить задачу кластеризации, что и было успешно сделано с помощью сетей Кохонена. На втором этапе для потребителей каждого из кластеров подбирались подходящие коммерческие предложения, а затем строился прогноз объема продаж для каждого сегмента. (http: www.db2mag.com/9701 eds2.htm)
Другой вариант решения этой же задачи избрала компания GoalAssist Corporation, исполняя заказ крупной маркетинговой фирмы. Требовалось исследовать стратегию поощрительных товаров (когда, например, присылая 5 этикеток от чипсов, клиент получает бесплатно футболку) для определенной компании, торгующей пищевыми продуктами. Обычные