Нейронные сети

Сегодня нейронные сети используются для решения широкого спектра задач, с некоторыми из которых можно справиться существующими статистическими методами, но с другими — нет. Нейронные сети позволяют добиться высокого качества и точности там, где традиционные подходы не дотягивают до нужного уровня. Сценарии их применения можно разделить на три категории:
  • Прогнозирование: предсказание одного или нескольких количественных результатов на основе количественных и категориальных входных данных
  • Классификация: определение данных в одну из двух и более категорий
  • Распознавание закономерностей: выявление закономерностей, обычно пространственных или временных, в наборе переменных
Одна из главных целей при создании нейронных сетей — смоделировать такие свойства нервной системы человека, как умение учиться и исправлять ошибки. Нейронные сети могут обучаться и действовать на основе предыдущего опыта, совершая с каждым разом все меньше ошибок. Они показывают великолепные результаты в распознавании изображений и при решении других задач, с помощью других математических методов такого уровня достичь не удается.

Bell.One предлагает своим клиентам разработку с использованием нейронных сетей для решения самых разных задач. У нас есть опыт подготовки, создания и внедрения систем компьютерного зрения на основе нейронных сетей — на базе как собственной архитектуры, так и архитектур других производителей.

Пример нашей работы — сервис, который может распознавать модели и годы производства автомобилей с 96%-ной точностью, то есть не хуже (а иногда и лучше), чем человек со специальной подготовкой.

Варианты использования

Возможности использования нейронных сетей сводятся к четырем основным областям:
  • Аппроксимация
  • Прогнозирование
  • Классификация
  • Кластеризация

Аппроксимация

Это самая простая задача, которая является начальным этапом практически любой аналитической работы. В чистом виде почти не встречается. Варианты использования:
  • Недостающие данные. Восстановление данных, потерянных из-за технических или административных проблем. Метеорологические датчики, собирающие данные в удаленных регионах со сложными погодными условиями
  • Приближенный подсчет. Например, на сайте онлайн-магазина 50 млн отзывов от покупателей, и нужно подсчитать примерное число покупателей, написавших эти отзывы. Покупатель может оставлять отзывы неоднократно, и заранее неизвестно, сколько отзывов оставит каждый
  • Приближенная порядковая статистика. Например, страховая компания хочет оценить нагрузку специалистов по страховым претензиям. Большинство претензий излагается в документах объемом до нескольких сотен слов. Но некоторые клиенты присылают целые романы. Такую совокупную информацию, как среднее, отклонение, минимум, максимум и перцентиль, можно вычислить приближенно, не выполняя точных расчетов.

Прогнозирование

Прогнозирование — по сути, продолжение и развитие аппроксимации. Только в этом случае цель — спрогнозировать будущие данные. Варианты использования:
  • Прогнозы продаж
  • Прогнозы цен на товары
  • Прогнозы долгосрочного дохода за счет одного клиента
  • Прогнозы сбоев оборудования. Обслуживание по требованию, а не через равные интервалы времени

Классификация

Нейронные сети позволяют эффективно распределять образцы, такие как входные данные топографических карт, по различным классам и категориям. Расцвет нейронных сетей наступил, когда они стали демонстрировать гораздо более высокие результаты в решении задач классификации изображений, традиционно считающихся очень сложными. Служба распознавания автомобилей, упомянутая выше, является классическим сценарием использования нейронных сетей. Варианты использования:
  • Распознавание любых изображений, системы извлечения изображений на основе их содержимого, дедупликация, распознавание лиц, анализ эмоций, подсчет клиентов в обычных магазинах, идентификация объектов в устройствах для обеспечения безопасности и автопилотах, цифровая реклама и др.
  • Распознавание голоса. Такие службы, как Shazam, и личные помощники (такие как Amazon Echo)
  • Классификация текста: от простых спам-фильтров до расширенных классификаторов претензий для страховой компании. Анализ настроения и эмоций автора. Составление резюме текста
  • Службы рекомендаций на основе сходства клиентов или продуктов
  • Моделирование кредитных рисков

Кластеризация

Кластеризация — еще одна форма классификации, где количество классов заранее неизвестно. Работа нейронных сетей по кластеризации аналогична классификации записей. Варианты использования:
  • Выявление мошенничества
  • Микросегментация клиентов для целевого маркетинга
  • Размещение вышек сотовой связи на основе кластеризации клиентов (позволяет обеспечить оптимальный уровень сигнала)
  • Сегментация клиентов с картами лояльности

Основные характеристики

  • Нейронные сети могут изучать и моделировать нелинейные и сложные отношения
  • Нейронные сети способны к обобщениям: изучив определенное количество входных данных и их отношения, нейронные сети могут устанавливать неявные отношения между неявными данными, позволяя делать обобщения и прогнозы для неизвестных данных
  • Нейронные сети могут решать сложные задачи, неподвластные статистическим методам
  • В отличие от многих других методов прогнозирования, нейронные сети не накладывают никаких ограничений на входные переменные
  • Готовые платформы для производственных сред корпоративного уровня

Принципы работы

Решения на базе нейронных сетей для прогнозирования, распознавания закономерностей и классификации могут быть самыми разными, однако в их основе всегда лежат вычисления, превращающие входные данные в выходные данные. Входные данные сети иногда называются закономерностями, а выходные — классами.

Преимущества

  • Повышение эффективности в решении любых задач, связанных с выявлением закономерностей
  • Автоматизация прогнозирования возможных рисков
  • Сокращение расходов на высокооплачиваемых сотрудников