О нейронных сетях и их применении в бизнесе

Искусственная нейросеть — это математическая модель, организованная и функционирующая по принципу нервной системы живого организма. Физически ИНС представлена совокупностью соединенных между собой простых процессоров, получающих и передающих простые сигналы. ИНС способна выполнять довольно сложные задачи: прогнозирование, определение образов, распознавание и обработка устной речи, может находить паттерны в больших массивах разрозненных данных.

Наиболее простыми примерами использования нейронных сетей в реальной жизни становятся распознавание лиц камерами и классификация изображений поисковыми системами по распознанным образам, чат-боты для обработки обращений клиентов, виртуальные ассистенты.

Что необходимо знать о нейронных сетях

Основное преимущество нейронной сети — обучаемость. ИНС способны устанавливать сложные неочевидные взаимосвязи между вводными данными и получаемыми результатами, а также проводить обобщение. Если обучение успешно, нейросети выдают верный результат даже при искаженных, частично отсутствующих или зашумленных данных.

Классификация нейронных сетей

Нейросети классифицируют по следующим параметрам:

• по типам входящих данных различают аналоговые, двоичные и образные ИНС;
• по типу обучения выделяют ИНС, обучающиеся с учителем, без учителя и с подкреплением;
• по характеристикам синапсов бывают ИНС с фиксированными и динамическими связями.

По типам связей различают:

• ИНС прямого распространения, в которых сигнал передается строго от входа к выходу;
• рекуррентные ИНС, в которых сигналы с выхода частично передаются на входы. Такие сети способны фильтровать информацию, возвращаться в устойчивое состояние, применяются для компрессии данных;
• самоорганизующиеся карты — соревновательный тип сетей, способный к обучению без учителя. Применяется для визуализации и кластеризации.

Как происходит обучение

В ходе обучения нейросеть получает примеры данных с четким указанием класса. Примеры обладают совокупностью признаков, определяющих класс принадлежности. Если совокупности признаков недостаточно для точного определения класса, ИНС может отнести образец к нескольким классам.

Зачем создаются ИНС

• Эффективное распределение ресурсов — нейронные сети могут выполнять большинство емких в плане времени процессов, освобождая человеческие ресурсы для более сложных и творческих задач.
• Поиск альтернативных решений за счет возможности определять существующие, но достаточно неожиданные закономерности в данных.

Основное отличие нейросетей объясняется на простом примере. Задача — отличить груши от апельсинов на картинках. Стандартное ИТ-решение — определить признаки, создать алгоритм, находящий эти признаки на изображениях, и вычислять функцию при помощи условий. В случае с нейросетью мы не пишем программу руками, а мы как бы обучаем программу получать тот функционал, который необходим для решения.

На стадии обучения нейронная сеть получает десятки тысяч примеров данных с указанием класса, с тем чтобы при обработке нового сигнала по признакам суметь определить класс образца.

Почему нейросети становятся популярными только сейчас?

Ранее нейросети обучались на незначительных выборках в силу нехватки вычислительных мощностей. Только с 2000-х годов нейросети стали глубже, а обучающие выборки — масштабнее. Это позволило минимизировать вероятность ошибки до 4,5%, а потом и до 3%.

Применение нейронных сетей в бизнесе

Нейронная сеть способна выполнять сложные бизнес-задачи эффективнее и дешевле человека. При работе с большими массивами данных вероятность ошибки остается на сравнительно низком уровне. В отличие от человека, нейросети стабильнее. При длительных высоких нагрузках эффективность решения задач нейросетью не проседает. Человек неправильно классифицирует картинки в конкретном наборе в 5% случаев, тогда как ИНС ошибается лишь в 3%.

Нейросети широко применяются в бизнесе для минимизации рисков. Японская страховая компания Fukoku Mutual Life Insurance использует искусственный интеллект IBM Watson Explorer, который анализирует сотни тысяч медицинских карт, посещений больниц, процедур, чтобы определить оптимальные условия страхования.

Магазины используют систему распознавания лиц на входе, чтобы персонализировать как общение (сотрудник обращается к клиенту по имени), так и предложение (на основе прошлых покупок).

X5 Retail Group тестирует технологию для оптимизации обслуживания. Камеры распознают, сколько человек стоит в очереди на кассе, и дают сигнал о необходимости открытия еще одной. Камеры также фиксируют, где в торговом зале проходит больше людей, чтобы, соответственно, с большей эффективностью размещать товары и промопредложения.

Walmart использует технологию распознавания лиц для анализа эмоций покупателей, чтобы повысить качество обслуживания. Нейронная сеть анализирует взаимосвязь между грустью и низкими тратами в магазине.

В интернет-магазинах нейросети анализируют поведение пользователей и формируют рекомендации. За счет правильных рекомендаций Amazon повысил продажи на 35%. А аудитория YouTube увеличилась в 10 раз за последние пять лет благодаря сверхточным рекомендациям контента, которые формируются исходя из того, что уже просмотрел пользователь.

PayPal использует нейронные сети для распознавания операций по отмыванию денег. Благодаря этому доля мошеннических транзакций в системе остается на рекордно низком уровне — 0,32%.

Нейронные сети применяются там, где, казалось бы, искусственному интеллекту делать нечего. К примеру, выплавка стали: алгоритм определяет состав лома, вычисляет специальные добавки, чтобы готовый продукт соответствовал стандарту. А дроны, созданные в Сиднейском университете, мониторят прибрежную зону, определяют акул и оповещают туристов об опасности.

Выводы

Нейронные сети способны качественно улучшить работу бизнеса. Применение нейросетей не означает вытеснение штата сотрудников, а скорее позволяет правильно распределить ресурсы: освободить человека от монотонных вычислительных операций и дать возможность креативной реализации.