// Нейронные сети

Как Внедрить Нейронные Сети в Бизнес?

Содержание

#1. Что такое нейронные сети
#2. Возможности нейронных сетей
#3. Применение нейронных сетей в бизнесе
#4. Как имплементировать NN в свой бизнес
#5. В заключение

Появились вопросы?
Олег Колесников
Автор статьи
Merehead занимается разработкой веб проектов

За последние пятнадцать лет нейронные сети (они же искусственные нейронные сети, или ANNs) прошли путь от «сырой» технологии до самого многообещающего инструмента, способного улучшить почти все процессы человеческой деятельности — от оптимизации логистики и прогнозирования спроса до создания картин и игры в шахматы. Поэтому не удивительно, что эксперты прогнозируют рост мирового рынка нейронных сетей с $14,35 млрд в 2020 году до $152,61 млрд к 2030 году с CAGR на уровне 26,7% в год, — государства и бизнес увидели преимущества ANNs и спешат использовать их, чтобы оптимизировать свои процессы и обойти конкурентов.

Дальше мы расскажем, что такое искусственные нейронные сети и как они могут помочь вашему бизнесу, а также представим инструкцию по тому, как внедрить нейронные сети в бизнес-процессы вашей компании или предприятия.

Что такое нейронные сети

Нейронные сети (NNs) — это один из вариантов реализации искусственного интеллекта, алгоритмы которого разработаны таким образом, чтобы имитировать работу человеческого мозга. Для этого в нейронных сетях создаются специальные математические модели, которые пытаются воспроизвести структуру, взаимосвязи и функции нейронов человеческого мозга, чтобы компьютер мог обучаться и выносить суждения, как человек. Благодаря этому такие сети могут действовать не только по заданным алгоритмам и формулам, но и на основе собственного прошлого опыта.

Архитектура нейронных сетей обычно состоит из трех и больше слоев / узлов: входной, выходной и один или больше скрытых узлов. При этом каждый слой внутри состоит из искусственных / цифровых нейронов (вычислительных блоков). Каждый из этих «нейронов» получает данные от входного слоя, обрабатывает их, выполняя с ними простые вычисления, а затем передает его другому «нейрону».

Самая распространенная архитектура нейронной сети

Самая распространенная архитектура нейронной сети
В совокупности эти три (или больше) слоя NNs имитируют работу основных элементов человеческого мозга, выполняя разного рода параллельные вычисления для прогнозирования какого-то значения Y или набор значений Y для заданного набора значений X (но намного быстрее и точнее нашего мозга).
  • Входной слой. Этот слой сравним с дендритами в нейронной сети человеческого мозга. В искусственных нейронных сетях он состоит из набора данных, которые были предоставлены для создания прогноза.
  • Скрытый слой. Данный слой похож на тело клетки, поскольку он находится между входным и выходным слоями, как синаптические связи в мозге. В NNs скрытый слой — это место, где искусственные нейроны работают с данными, преобразованными предыдущими слоями на основе синаптического веса, который представляет собой амплитуду или силу связи между узлами.
  • Выходной слой. Передаточная функция, применяемая к этим взвешенным данным, создает выходные данные, полученные в выходном слое. Это то, что вы и ваши клиенты увидите — окончательный прогноз, созданный NNs.
Когда NN работает, она берет большой набор данных, разбивает его на крошечные фрагменты и распределяет эти фрагменты по всем узлам внутри нее. Искусственные нейроны принимают полученные фрагменты и как-то (как именно — неизвестно, NN — это, по сути, черный ящик) обрабатывают их, используя сохраненное значение, и передают результаты на выход. Полученный результат оценивается на корректность: плохие результаты отбрасываются, как и те вычисления, которые их породили, а хорошие берутся для дальнейшего улучшения / обучения нейронной сети. Таким образом, нейронная сеть усиливает значения неправильных вычислений и приглушает те, которые были правильными, сводя к минимуму ошибки.

Схема процесса обучения нейронной сети

Схема процесса обучения нейронной сети. Источник

По сути процесс обучения искусственных нейронных сетей происходит таким же образом, как учатся маленькие дети — путем проб и ошибок (+ иногда вмешивается учитель, который помогает отличить хороший результат от плохого). Алгоритм NNs случайным образом перебирает различные варианты решения задачи в поисках наиболее эффективного, а затем начнет улучшать его, пока не достигнет приемлемого результата.

Возможности нейронных сетей

Теоретически нейронные сети можно использовать для решения самых разных задач, главное чтобы у вас был достаточно большой набор реальных данных для их обучения или возможность создать соответствующие синтетические данные.

Самоорганизация. Способность группировать и классифицировать огромные объемы данных делает нейронные сети идеальным инструментом для решения сложных проблем, связанных с организацией и структурированием данных.

Прогнозирование. Вероятно, самой популярной целью применения нейронных сетей является прогнозирование различных процессов: погоды, валютных курсов, движения трафика, продаж, эффективности лечения, прочего. Нейросети могут эффективно обрабатывать большие объемы данных для прогнозирования путем извлечения невидимых функций и определения неожиданных корреляций. Кроме этого, NNs работают на несколько порядков быстрее людей, что также дает свои преимущества, например в трейдинге на фондовых и валютных рынках.

Распознавание символов и изображений. Нейронные сети способны обрабатывать данные для выделения из них каких-то конкретных значений и переменных. Это идеально подходит для распознавания символов, изображений, музыкальных композиций, видеоряда и прочего. При этом нейронные сети способны распознавать не только статические данные, но и создавать сложные модели для поиска переменных значений, например для распознавания людей по походке.

Сбор и анализ информации. Также нейронные сети часто используются для эффективного анализа данных — они превращают необработанные значения в полезную информацию. Это может быть как поиск неких закономерностей, например когда в мире начнется очередная вспышка гриппа, так и для получения фото черной дыры в нашей галактике (при том, что она скрыта за туманностями и звездами).

Адаптивное обучение. Нейронные сети, как и люди, представляют собой нелинейные и сложные взаимодействия, а также опираются на предыдущие знания. Это означает, что NNs могут обучиться достигать заданных целей в изменяемой среде, то есть адаптироваться к внешним обстоятельствам.

Отказоустойчивость. Еще одна важная особенность искусственных сетей — возможность продолжать работу, даже если один или несколько узлов ANNs вышли из строя. Эта способность делает нейронные сети полезными для использования в критически важных системах, которые должны работать круглосуточно, без сбоев, например при освоении космоса, где отказ оборудования почти неизбежен.

Применение нейронных сетей в бизнесе

Электронная коммерция. Пожалуй, самой перспективной областью внедрения нейронных сетей в бизнесе является их использование для увеличения продаж в электронной коммерции. На основе NNs можно создать интеллектуальные чат- или голосовые боты, системы рекомендаций, автоматизированные маркетинговые инструменты, системы социального прослушивания и многое-многое другое.

Примером такого применения нейронных сетей является персонализация рекомендаций по продуктам на Amazon, AliExpress, Walmart, Google Play и других маркетплейса Такие системы анализируют предыдущее поведение пользователя, покупки, похожие продукты, которые он просматривал, для наиболее подходящих рекомендаций товаров и создания скидок для конкретного пользователя.

Также в этой сфере можно отметить PixelDTGAN. Это приложение помогает продавцам сэкономить на услугах фотографов. Нейронная сеть PixelDTGAN автоматически делает снимки одежды, которую носят модели, и создает на их основе коллажи одежды для витрин онлайн-магазина. После работы NN PixelDTGAN продавцам нужно лишь изменить размер фотографий до 64 * 64.

Примеры результатов работы NNs PixelIDTGAN

Примеры результатов работы NNs PixelIDTGAN

Розничная торговля и продажи. В этой сфере нейронные сети могут прогнозировать спрос и продажи, причем намного точнее прогнозов людей. Благодаря этому бизнес может сильно сэкономить на закупках, транспортных услугах и аренде складских помещений для товаров, спрос на которые в будущем упадет. Но и значительно повысить продажи, предоставляя покупателям товар в тот момент, когда он им нужен (когда они его хотят), а не через некоторое время.

Кроме этого, ИИ на основе нейронных сетей может заменить обслуживающий персонал в розничных магазинах или оптимизировать их работу. Яркий пример такого проекта — «умный» офлайн-магазин Walmart в Левиттауне, штат Нью-Йорк, в котором искусственный интеллект посредством камер видеонаблюдения в режиме реального времени отслеживает наличие конкретных товаров на полках, а также следит, чтобы продукты на полках не были просрочены. Кроме этого, ИИ Walmart помогает продавцам узнавать, в каком отделе нужно пополнить запасы, и отслеживает, когда тот или иной товар проходит кассу без сканирования (то есть предотвращает кражи).

Финансы и банковское дело. В этом секторе нейронные сети помогают прогнозировать рынки и искать фундаментальные и прочие закономерности в их поведении. Кроме этого, они также используются для обнаружения, предотвращения и прогнозирования мошенничества. К примеру, ПО SAS Real Time Decision Manage помогает банкам находить решения бизнес-вопросов (давать ли кредит конкретному клиенту), анализируя риски и возможную прибыль. Сервис Finprophet использует NN для прогнозирования широкого спектра финансовых инструментов, таких как фиатные валюты, криптовалюты, акции, фьючерсы.

Еще одним реальным примером использования нейросетей для обнаружения и предотвращения мошенничества является решение Citibank. Банк создал ИИ для обнаружения и предотвращения мошеннических операций по кредитным картам. Его искусственная нейронная сеть была обучена на большой базе данных, содержащей миллионы транзакций потребителей, и показывает отличные результаты.

Также нейронные сети широко используются банками для автоматизации высокочастотных повторяющихся задач, что ускоряет их решение и снижает вероятность человеческой ошибки, а также позволяет переориентировать усилия рабочей силы на другие процессы. Так, «Ernst&Young» уже заявили о сокращении затрат на такие задачи на 50–70% благодаря своей нейросети. JP Morgan Chase также начали использовать искусственные нейронные сети для сбора и анализа данных, соблюдения правил KYC и формирования документов.

Безопасность компьютерных систем. Нейронные сети также успешно используются для обнаружения мошенничества в интернете, обнаружения и ликвидации (лечения) вредоносного ПО, обнаружения спама, модерации контента, для борьбы с DDoS-атаками и другими видами киберугроз. Примером такого использования ИИ сетей является ICSP Neural от Symantec, защищающий от атак путем обнаружения и ликвидации вирусов и уязвимостей нулевого дня на USB-устройствах. Еще одним примером использования ANNs в целях безопасности является Shape security (этот стартап купили F5 Networks в 2019), который предоставляет несколько финансовых решений в области оптимизации и защиты приложений, особенно в тех случаях, когда организация использует гибридные или облачные ЦОД.

Спектр решений Shape security для защиты от мошенничества

Спектр решений Shape security для защиты от мошенничества. Источник

Страхование. Это еще одна отрасль, использующая преимущества, предоставляемые нейросетями. Страховые компании используют нейронные сети для прогнозирования будущих коэффициентов убыточности, корректировки премий и обнаружения мошеннических требований. Реальный пример такого проекта — это Allstate. Их ИИ используют нейронные сети, чтобы отбирать «склонных к авариям» водителей и выставлять им соответствующую ставку.

Логистика. Нейронные сети используются в логистике, чтобы помочь во всем — от упаковки до доставки. В частности, они полезны для подсчета товаров по фото или видео, определения оптимального маршрута, для балансировки сборочной линии путем назначения рабочих мест рабочим в зависимости от их набора навыков и опыта, а также для выявления дефектов на производственной линии.

Например, автономная система Wise Systems позволяет пользователю планировать маршруты и следить за ними, настраивать маршруты доставки в режиме реального времени с помощью функций прогнозирования. Еще одно решение — ETA Windward Maritime AI от FourKites также использует нейронные сети для оптимизации транспортных маршрутов и прогнозирования времени доставки грузов.

ETA Windward Maritime AI™ — решение на основе искусственного интеллекта, предоставляющее грузоотправителям, перевозчикам и 3PL самое точное на рынке расчетное время прибытия (ETA) для 100% их морских перевозок по всем маршрутам по всему миру

ETA Windward Maritime AI™ — решение на основе искусственного интеллекта, предоставляющее грузоотправителям, перевозчикам и 3PL самое точное на рынке расчетное время прибытия (ETA) для 100% их морских перевозок по всем маршрутам по всему миру. Источник

Здравоохранение. В этом направлении нейронные сети помогают распознавать признаки болезней в медицинских данных (рентгеновских снимках, анализах крови и т.п.), организовывать работу персонала, помогать в общении с пациентами, следить за сроком годности и условиями хранения лекарств, а также создавать лекарства.

Самое известное решение на базе нейронных сетей в медицине — это искусственный интеллект IBM Watson. На его создание и подготовку к реальной медицинской практике ушло 2 года. В систему были загружены миллионы страниц медицинских академических журналов, медицинских карт и других документов. И теперь IBM Watson может подсказать диагноз и предложить наилучшую схему лечения на основании жалоб пациента и анамнеза.

Как работает IBM Watson

Как работает IBM Watson. Источник

Автомобильная отрасль. Помимо оптимизации и автоматизации различных процессов, нейронные сети в этой сфере используются для создания автопилотов. Например, Tesla используют NNs для распознавания дорожной разметки, обнаружения препятствий и создания оптимальных и при этом безопасных маршрутов.

Вот что видит автопилот Tesla

Вот что видит автопилот Tesla. Источник

Онлайн-кинотеатры и видеосервисы. Нейронные сети создают списки для рекомендаций в YouTube на основе ваших прошлых просмотров и того, как вы и другие люди отреагировали (количество и длительность просмотра, лайки, подписки, комментарии, добавление в избранное и т.п.). В Netflix используется аналогичная NN и еще другое решение для улучшения качества видео: если у вас слабый интернет, ИИ обсчитывает каждую сцену и сжимает ее без существенной потери качества.

Кол-центры. Искусственные нейронные сети отлично классифицируют и распределяют обращения клиентов, а также позволяют голосовым и чат-ботам общаться с клиентами так, как будто это живые люди. Вы пишете или звоните в техническую поддержку— нейронная сеть анализирует все данные (текст, верстку сообщения в чате, картинки, звуки) и создает ответ для решения вашей проблемы.

Как имплементировать NN в свой бизнес

Процесс внедрения решений на базе нейронных сетей в бизнес.

Процесс внедрения решений на базе нейронных сетей в бизнес. Источник

Процесс интеграции искусственного интеллекта на базе нейронных сетей в предприятие зиждется на трех китах — данные, признаки и алгоритмы.

Данные. Для обучения нейронной сети нужны большие объемы данных. Например, чтобы научить нейросеть искать людей на фотографиях или считать контейнеры на складе, нужно много фотографий людей или складов с ящиками соответственно. Поэтому обычно первое, что разработчик спрашивает у клиента, это есть ли у него нужные наборы данных или можно ли их будет собрать. Если такой возможности нет, то такие данные либо покупают, либо создают синтетические наборы данных. Причем чем больше будет таких данных, тем лучше.

Тип нужных наборов данных напрямую зависит от бизнес-задачи. Так, если вам нужна нейросеть для распознавания электронных писем (спам, клиенты, партнеры и прочее), то вам нужны сотни тысяч таких писем. Если нужна система для контроля рационального распределения рабочей силы, то вам нужны данные о сотрудниках и результатах их работы на всех должностях, которые они занимали. Если вам нужна система рекомендаций для онлайн-магазина, то вам будут нужны данные о прошлых покупках, поведении на сайте и реакциях как отдельно взятого пользователя, так и по вашему магазину и рынку в целом, чтобы рекомендовать трендовые вещи.

Словом, для интеграции нейронной сети в бизнес или предприятие вам в первую очередь будут нужны данные для обучения этой нейронной сети. И при сборе этих данных вам нужно придерживаться двух правил:

  • Чем больше данных, тем лучше — это ускорит процесс обучения искусственной нейросети и повысит ее точность/ эффективность.
  • Мусор на входе = мусор на выходе. Данные для обучения должны быть достоверными, точными и релевантными, а также максимально полными.
Признаки. Следующим важным моментом интеграции нейросети в бизнес-процессы предприятия является подбор признаков (критериев, характеристик или показателей), которые позволят нейронной сети отслеживать эффективность своей работы и совершенствоваться. Например, для AI-решений в области электронной коммерции это могут быть такие вещи, как количество и периодичность покупок, средний чек и другие вещи, которые покажут системе, насколько она успешно работает с потребительским поведением покупателей (посетителей сайта).

В идеале нейронная сеть должна отслеживать такого рода данные в режиме реального времени, чтобы точно понимать, что ведет посетителя сайта к покупке или уходу с сайта. Здесь также нужно придерживаться двух вышеописанных правил о мусорных данных и максимальном количестве данных для обучения.

Алгоритм. Когда у вас будут данные для обучения нейронной сети и вы определитесь с признаками, которые позволят оценивать ее эффективность, можно приступать к выбору метода для решения поставленной бизнес-задачи. Именно от этого метода зависит скорость и точность результата обработки исходных данных, а также «обучаемость» нейронной сети и в итоге ее эффективность / точность.

Самый простой вариант в этом случае — взять готовую нейросеть (точнее, библиотеку, позволяющую моделировать и создавать нейросети) и обучить ее решать нужную вам бизнес-задачу. Таких библиотек довольно много: NeuroLab, ffnet, SciPy, TensorFlow, Scikit-Neural Network, Lasagne, pyrenn, NumPy, Spark MLlib, Scikit-Learn, Theano, PyTorch, Keras, Pandas и другие.

В заключение

Нейронные сети сегодня находятся в авангарде передовых технологий. Отчет Gartner показывает, что за последние несколько лет использование нейросетей в бизнесе выросло на 270%, и этот процесс вряд ли остановится, поскольку данная технология дает слишком большие конкурентные преимущества. Если вы хотите стать частью этого тренда и внедрить нейронные сети в свой бизнес, свяжитесь с нами и мы расскажем, как это можно сделать.

Есть вопросы? Задайте их здесь

Имя *
Email *
Телефон
Ваш бюджет
Сообщение
TorMarket - маркетплейс с гибкой системой фильтрации и удобным кабинетом для поставщиков.

  Category: Нейронные сети 09/21/2022
Нейронные Сети в Сфере Здравоохранения: 10 Вариантов Использования
Рынок искусственного интеллекта в здравоохранении был оценен в 8,23 миллиарда долларов в 2020 году и, по прогнозам, достигнет 194,4 миллиарда долларов к 2030 году, увеличившись в среднем на 38,1% с 2021 по 2030 год. При этом главным драйвером роста рынка станут искусственные нейронные сети, поскольку именно благодаря им цифровой  «разум» может настолько быстро и эффективно обучаться. В этой статье мы расскажем, как именно искусственные нейронные сети сегодня используются в медицине.
  Category: Нейронные сети 09/30/2022
Плюсы и Минусы Архитектуры Нейронной Сети
В последние годы нейронные сети стали чем-то вроде нового электричества — революционной технологией, которая проникла во все сферы человеческой деятельности. И это неудивительно, так как технологические решения на основе нейронных сетей могут выполнять чрезвычайно широкий спектр задач — от лечения сложнейших заболеваний до рекомендаций по выбору сериала на вечер. Однако эта технология не идеальна, у нее есть свои плюсы и минусы, которые нужно знать и учитывать, если вы решите создать свой продукт на базе нейронных сетей.