neironne_seti_i_neirokompjuter (1085713), страница 3
Текст из файла (страница 3)
Так какзатраты на рассылку купонов довольно велики, решающим факторомявляется эффективность рассылки, то есть повышение доли клиентов,воспользующихся скидкой. Для повышения эффективности купоннойсистемы необходимо проведение предварительной сегментации рынка, азатем адресация клиентам каждого сегмента именно тех купонов, которымиони с большей вероятностью воспользуются.Нейросетевая система (компания IBM Consulting), прогнозирующаясвойства потребительского рынка пищевых продуктов, решает задачукластеризации с помощью сетей Кохонена. На втором этапе дляпотребителей каждого из кластеров подбираются подходящие коммерческиепредложения, а затем строится прогноз объема продаж для каждогосегмента.Другой популярный маркетинговый механизм – распространениепоощрительных товаров (когда, например, присылая 5 этикеток от кофе,клиент бесплатно получает кружку).
Здесь, обычные методыпрогнозирования отклика потребителей могут быть недостаточно точны:13PDF created with pdfFactory trial version www.pdffactory.comиногда, спрос на кружки оказывается слишком велик и многие покупателигодами ждут получения приза.Прогнозирующая нейросетевая система (компания GoalAssist Corp.)использует сеть с адаптивной архитектурой нейросимулятора NeuroShellClassifier (компании Ward Systems Group).На входы данной нейронной сети, применяемой для классификациивозможных откликов потребителей, подаются различные параметры товарови рекламной политики для разделения входов на 4 вида откликов.
Те жевходы вместе с ответом первой сети подаются на вход сети нейросимулятораNeuroShell Predictor (компании Ward Systems Group), предназначенной длярешения задачи количественного прогнозирования.При этом средняя ошибка предсказаний эффекта от распространенияпоощрительных товаров составляет всего около 4,0 %.1.2.5.Исследование спросаДля сохранения бизнеса в условиях конкуренции компанииприходится поддерживать постоянный контакт с потребителями –«обратную связь».
Крупные компании проводят опросы потребителей,позволяющие выяснить, какие факторы являются для них решающими припокупке данного товара или услуги, почему в некоторых случаяхпредпочтение отдается конкурентам и какие товары потребитель хотел быувидеть в будущем. Анализ результатов такого опроса – достаточно сложнаязадача, так как существует большое количество коррелированныхпараметров.Нейросетевая система(компания Neural Technologies) позволяетвыявлять сложные зависимости между факторами спроса, прогнозироватьповедение потребителей при изменении маркетинговой политики, находитьнаиболее значимые факторы и оптимальные стратегии рекламы, а такжеочерчивать сегмент потребителей, наиболее перспективный для данноготовара. В частности, система применяется для исследований предпочтенийразличных сортов пива в зависимости от возраста, дохода, семейногоположения потребителя и других параметров.1.2.6.Анализ страховых исковНейросетевая система Claim Fraud Analyser (компания NeuralInnovation Ltd.) предназначена для выявления в реальном времениподозрительных страховых исков, поступающих в связи с повреждениямиавтомобилей.
На входы системы подаются такие параметры, как возраст иопыт водителя, стоимость автомобиля, наличие подобных происшествий впрошлом и др.В результате обработки такой информации нейронная сеть определяетвероятность того, что данный иск не связан с мошенничеством. Системапозволяет не только обнаруживать фальсификации, но и улучшать14PDF created with pdfFactory trial version www.pdffactory.comотношения с клиентамисправедливых исков.засчетболеебыстрогоудовлетворения1.2.7.Обслуживание кредитных картНейросетевая система Falcon (компания HNC), разработанная дляотслеживания операций с крадеными кредитными картами и поддельнымичеками, позволяет по частоте сделок и характеру покупок выделитьподозрительные сделки и сигнализировать об этом в контролирующиеслужбы.
Благодаря данной системе, отслеживающей более 260 миллионовсчетов 16 крупнейших эмитентов кредитных карт, потери банков от такихопераций заметно уменьшились.Аналогичная система (компания ITC), используемая для обработкиопераций с кредитными картами VISA, предотвратила в 1995 г. нелегальныесделки на сумму более 100 млн долларов.1.2.8.Медицинская диагностикаСистема объективной диагностики слуха у грудных детей (Российскаякомпания НейроПроект) обрабатывает зарегистрированные "вызванныепотенциалы" (отклики мозга), проявляющиеся в виде всплесков наэлектроэнцефалограмме, в ответ на звуковой раздражитель, синтезируемый впроцессе обследования.Обычно, для уверенной диагностики слуха ребенка опытномуэксперту-аудиологу необходимо провести около 2000 тестов, что занимаетоколо часа.
Система на основе нейронной сети способна с той жедостоверностью определить уровень слуха уже по 200 наблюдениям втечение всего нескольких минут, причем без участия квалифицированногоперсонала.1.2.9.Обнаружение фальсификацийПодсчитано, что потери бюджета США от мошенничеств ифальсификаций в области здравоохранения составляют около 730 млндолларов в год.
Тестирование системы обнаружения (стоимость – 2,5 млндолларов, компания ITC) показало, что нейронная сеть позволяетобнаруживать 38,0% мошеннических случаев, в то время каксуществовавшая ранее экспертная система – только 14,0 %.1.2.10. Оценка недвижимостиСтоимость квартиры или дома зависит от большого числа факторов,таких как общая площадь, удаленность от центра, экологическая обстановка,престижность, тип дома, и т.д. Так как вид этих зависимостей неизвестен, тостандартные методы анализа неэффективны в задаче оценки стоимости. Какправило, эта задача решается экспертами-оценщиками, работающими вагентстве по недвижимости.
Недостатком такого подхода является15PDF created with pdfFactory trial version www.pdffactory.comсубъективность оценщика, а также возможные разногласия междуразличными экспертами.Система на основе нейронной сети (компания Attrasoft) способнаэффективно решать широкий спектр задач объективной оценки стоимостинедвижимости, в частности, с учетом 13 факторов при оценке стоимостидомов в г. Бостон (США).Группа исследователей из университета г. Портсмут (Великобритания)в системе на основе нейронной сети использовала данные по оценкенедвижимости из обзоров риэлтеровских фирм и списков аукционных цен.Результаты исследования показали, что система делает оценкистоимости близкие к оценкам лучших экспертов и специалистов данногопрофиля.1.3.
Распознавание символовРаспознавания букв и символов, с одной стороны – одна из наиболееразработанных и освещенных в специальной литературе проблем, а с другой– не смотря на кажущуюся простоту, чрезвычайно трудно реализуемая напрактике задача.Рассмотрим особенности применения нейронной сети (компанияAT&T Bell Laboratories) при сортировке писем на почте в г. Буффало, США.Задача состоит в применении нейросетевых методов при разработке системыраспознавания рукописных цифр, которые отправители писем указывали наконвертах в качестве индекса.
Исследовались две строчки индексов: первые– написанные быстро и, как правило, неразборчиво, и вторые – написанныеболее тщательно печатными буквами.Разработчики наполнили базу данных более 9000 символами,переведенных с конвертов, которые прошли через почтовую службу г.Буффало в 1988 г. На рис. 1.2 показаны некоторые почтовые индексы(вверху) и уже изолированные цифры, подготовленные для распознавания(внизу).Видно, что индексы пишутся крайне неразборчиво, так что сотрудникипочты считают, что некоторые отправители в действительности не желают,чтобы их письма доходили по назначению.
В связи с этим, к сожалению,большинство подобных систем распознавания обладают точностью 95,0%,что является едва приемлемым показателем.В целом ряде случаев, наиболее трудная проблема при распознаваниисимволов – не собственно распознавание, а обнаружение символов ивыяснение их местоположения, т.е. – верная интерпретация индекса,состоящего из известного количества позиций, изолирование и подготовка краспознаванию отдельных цифр индекса.Поэтому для простоты будем полагать далее, что процессраспознавания начинается уже после изолирования цифры.16PDF created with pdfFactory trial version www.pdffactory.comРис. 1.2.
Рукописные индексы, обрабатываемые почтовой службой г. Буффало(вверху) и взятые из них отдельные изолированные цифры (внизу)17PDF created with pdfFactory trial version www.pdffactory.comДля каждой цифры разработчики строили решетку (сетку)размерностью 16 х 16 пикселей. В ходе исследований в 1988 г. быловыяснено, что применение стандартного подхода, основанного наприменении обученной нейронной сети обратного распространения ксырому массиву пикселей и чисел, приемлемого результата не дает.В 1988-1990 гг.
был предложен метод локализации информативныхучастков, вокруг которых строились решетки 5 х 5 и 7 х 7 пикселей, послечего на вход нейронной сети обратного распространения поступал 180мерный вектор.Конечная нейросетевая система распознавания представляет собойаппаратный модуль, реализованный на базе ПЦОС и соединенный с ПК.Обучение нейронной сети системы проводится единожды, однакодостаточно медленно с использованием 167693 представительских выборок.Ошибка системы в процессе распознавания символов – 0,14 % припредъявлении обучающей пары из набора представительских выборок,использованной при обучении, и 5,0 % при распознавании «новых»символов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
