Помимо Hyper Logic среди "патриархов" нечеткой логики можно также назвать такие фирмы как IntelligenceWare, InfraLogic, Aptronix. Однако их продукция пока не очень известна на рынке России. Всего же на мировом рынке представлено более 100 пакетов, в том или ином виде использующих нечеткую логику. В трех десятках СУБД реализована функция нечеткого поиска. Собственные программы на основе нечеткой логики анонсировали такие гиганты как IBM, Oracle и другие. Любопытно, что "взрыв" на рынке программных пакетов на основе нечеткой логики пришелся на последние месяцы. Так, еще полгода назад в картотеке автора было всего около 15 программ, использующих нечеткую логику, а сегодня их уже 102 [8].
А первый пример использования FCM в ситуационном моделировании мировой политики относится к началу 80-х годов, когда разразился жестокий политический кризис в Южной Африке. В те дни правительство США встало перед необходимостью принимать важные военно-политические решения в условиях неполноты и заведомой недостоверности поступающей из-за океана информации. Цена возможной ошибки была весьма высока - на карте стояла судьба крупных американских инвестиций. Традиционные методы пасовали перед сложной неформализованной задачей. И тогда была построена когнитивная модель ситуации, основанная на качественных выкладках аналитика Уильямся (Williams). Оказалось, что запутанный клубок причинно-следственных связей уладывается в компактную графовую модель, верхний уровень которой содержит всего девять ключевых элементов, полностью определяющих развитие ситуации. С тех пор без систем когнитивного моделирования не обходится ни один ситуационный центр военного и политического руководства западных стран. В России первая программа когнитивного моделирования появилась лишь в этом году. Первооткрывателем рынка стал пакет iThink фирмы High Performance Systems, уже успевший продемонстрировать свои возможности при моделировании выборов Президента России. Модель развития политической ситуации, сделанная с помощью пакета iThink в середине мая и опубликованная в начале июня [9], точно определила соотношение электората основных претендентов - 34% против 30% и предсказала исход второго тура выборов задолго до начала первого. Примечательно, что отклонения результатов самого первого прогноза, сделанного за полтора месяца до голосования, от точных ответов "уложились" в рамки погрешности методов, применяемых ВЦИОМ и другими социологическими службами. И это без проведения дорогостоящих опросов населения!
Весьма вероятно, что пакет iThink в недалеком будущем станет и первооткрывателем нового рынка России - рынка услуг по повышению доходности бизнеса (т.н. BPR - Business Processing Re-engineering). Во времена нестабильной экономики, когда бизнесмены готовы слушать аналитиков и консультантов, рынок BPR воистину безграничен. Так что возможно уже в следующем году наиболее сообразительные и предприимчивые фирмы России, взяв на вооружение инструмент типа iThink, освоят свои первые миллионы на волне сверхприбылей нового модного вида деятельности.
Однако перечисленные выше программы - это сложные комплексные системы, требующие определенных усилий по освоению и настройке. На другом полюсе рынка находится семейство легких и компактных программ, основанных на нечеткой алгебре. Их наиболее ярким представителем является пакет FuziCalc американской фирмы FuziWare [7]. Внешне FuziCalc - это обычная электронная таблица, и пока вы проводите точные вычисления, разница неощутима. Однако традиционная электронная таблица утратит работоспособность при первом же нечетко известном значении. Что делать, например, если вы планируете использование средств своего банка на неделю вперед, а остатки на корсчетах известны неточно? Выпускник мехмата вам подскажет: остановить вычисления, пригласить математика, изучить распределение вероятностей всех используемых величин, методами Монте-Карло получить достаточное количество выборок, произвести вычисления, после чего восстановить функцию распределения итоговой выборки. Замечательно, вот только исходная задача может утратить актуальность (неделя, скорее всего, успеет закончиться). FuziCalc предлагает другой путь, значительно более простой. Поля, значения которых известны неточно, помечаются специальным значком (в FuziCalc это серый треугольник). Сами значения в простейшем случае представляются четверкой чисел (минимум, максимум и наиболее вероятный диапазон). Например: "Обычно в моем магазине бывает от 30 до 50 продаж в день, но никогда не менее 10 и не более 80". В графическом представлении такому высказыванию соответствует трапециевидная функция распределения (впрочем, пакет позволяет описывать и значительно более сложные функции). Итоговый результат вычислений будет представлен подобными же четверками чисел, например: "Завтрашняя прибыль вероятнее всего будет находиться в диапазоне 1050 - 1200 долларов, в наихудшем случае - около 800, в наилучшем - 1200". Благодаря своей компактности и изумительной простоте интерфейса, пакет FuziCalc в большом почете у "крутых" бизнесменов, бесконечно далеких от высокой науки - банкиров, крупных оптовиков и даже торговцев пивом! А если совсем серьезно - уникальная способность пакета проводить быстрые оценочные вычисления без накопления ошибки прочно "прописала" его в арсенале различных служб быстрого реагирования - спасателей из МЧС и др. Там, где исходные данные неточны и неполны, а скорость получения первых оценок критична - нечеткая алгебра практически не имеет альтернатив.
На принципах нечеткой алгебры построен и один из отечественных программных продуктов - известный многим пакет "Бизнес-прогноз". Назначение этого пакета - оценка рисков и потенциальной прибыльности различных бизнес-планов, инвестционных проектов и просто идей по развитию бизнеса. "Ведя" пользователя по сценарию его замысла, программа задает ряд вопросов, допускающих как точные количественные ответы, так и приближенные качественные оценки - типа "маловероятно", "степень риска высока" и т.д. Обобщив всю полученную информацию в виде единой схемы бизнес-проекта, программа не только выносит окончательный вердикт о рискованности проекта и ожидаемых прибылях, но и указывает критические точки и слабые места в авторском замысле. От аналогичных иностранных пакетов "Бизнес-прогноз" отличается простотой, дешевизной и,разумеется, русскоязычным интерфейсом. Впрочем, вполне очевидно, что программа "Бизнес-прогноз" - лишь первая ласточка, за которой неизбежно последуют новые разработки российских ученых.
Получить консультацию, увидеть в работе и приобрести любые пакеты, реализующие методы когнитивного моделирования, можно в центральном офисе московской фирмы "Тора-центр", уже оснастившей аналитические службы более 200 банков и финансовых компаний и ряда крупных гос.структур. Фирма также обладает наиболее полной коллекцией книг и программных продуктов из области "высокой науки" - нейронных сетей, генетических алгоритмов, нечеткой логики, теории хаоса, когнитивного моделирования и др.
Литература
1. Zadeh, Lotfi. Fuzzy Sets / Information and Control, 8(3), June 1965, pp.338-53.
2. Zadeh, Lotfi. Outline of a New Approach to the Analysis of Complex Systems and Decision Processes / IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(1), January 1973,pp.28-44.
3. McNeill, Daniel and Freiberger, Paul. Fuzzy Logic / Touchstone Rockefeller Center, 1993.
4. Kosko, Bart. Fuzzy thinking / Hyperion, 1993. 5. Kosko, Bart. Neural Networks and Fuzzy Systems / Englewood Cliffs, NJ: Prentice-Hall, 1991.
6. Zemankova-Leech, Maria, and Abraham Kandel. Fuzzy Relational Data Bases: A Key to Expert Systems / Cologne: Verlag TUV Rheinland, 1984.
7. Fuzzy Arithmetic / Prentice Hall, 1995.
8. А.И.Масалович. Этот нечеткий, нечеткий, нечеткий мир / PC Week/RE N.16,1995.
9. А.И.Масалович. Прогноз дает... компьютер / Софтмаркет, N 23, 1996, стр.6.
Со дня публикации статьи "Нейронные сети-оружие финансиста" (PC Week RE, N 1, 1995) прошло всего два месяца, однако ряд любопытных событий, произошедших за это время, заставляет вновь вернуться к теме нейронных сетей - семейства мощных аналитических систем, новых для российского рынка.
Напомним, что речь идет о весьма популярных на Западе программах прогнозирования и распознавания образов, базирующихся на математическом аппарате теории нейронных сетей. Благодаря своей уникальной способности обучаться на примерах и "узнавать" в потоке зашумленной и противоречивой информации приметы ранее встреченных образов и ситуаций, нейронные сети в большом почете у финансистов и военных, медиков и политиков - у всех, кому по роду деятельности приходится заниматься прогнозированием и анализом сложных ситуаций.
Однако это мощное оружие, столь распространенное "у них", до последнего времени было совершенно неизвестно в России. Дело в том, что нейронные сети и нейрокомпьютеры, с начала восьмидесятых годов успешно применяемые для распознавания стартов ракет, обнаружения подводных лодок и управления "интеллектуальными прицелами", вполне естественно вписались в список стратегических технологий, запрещенных к экспорту в страны Восточного блока. И барьеры экспортных ограничений COCOM, сквозь которые без труда просочилось несколько сотен компьютеров VAX, оказались - увы - практически непрозрачными для нейрокомпьютеров. Поэтому даже после падения Берлинской стены, когда в страны СНГ буквально хлынул поток ранее запретных товаров, распространение нейросетевых изделий шло предельно медленно - слишком новым был инструмент, слишком велик "барьер вхождения".
Ситуация чудесным образом изменилась весной 1995 года. Нейросетевые пакеты стали "пробовать на зуб" банки и финансовые компании, оптовые торговцы и чековые фонды, программисты и медики и многие, многие другие. Как говорится, "процесс пошел". Разумеется, надо сделать скидку на то, что многие приобрели нейропакеты просто на пробу, а иные и вовсе - "чтоб было" (в конце концов, две тысячи долларов для банка не деньги). Однако уже существуют - и множатся - примеры эффективного применения нейронных сетей в самых разных областях. Цель данной статьи - познакомить читателя с первыми шагами нейронных сетей по просторам российского рынка.
Нейронные сети в финансовых прогнозах
Сфера финансовых приложений нейронных сетей практически безгранична. Любая задача, связанная с манипулированием финансовыми инструментами - будь то валюта или ценные бумаги - сопряжена с риском и требует тщательного расчета и прогнозирования. Как изменятся завтра котировки основных валют? Вернет ли кредит внешне благополучная фирма? Как подобрать прибыльный и вместе с тем надежный "портфель инвестора"? Эти и сотни других вопросов приходится ежедневно решать аналитическим отделам финансовых (да и не только финансовых) компаний, привлекая все виды аналитических инструментов. Не случайно четвертую часть рынка нейросетевых продуктов (напомним, что объем мирового рынка нейронных сетей ежегодно прирастает на 40% и в 1994 году преодолел рубеж 600 млн. долларов) составляют финансовые приложения.
И свой путь на рынок России нейронные сети начали именно с финансовой сферы. Из полусотни нейросетевых программных пакетов, проданных за последний квартал в России, подавляющее большинство (около сорока) были приобретены для финансовых применений, причем двадцать - банками. А после того, как на нейронные сети обратили свой благосклонный взор такие "киты" как Инкомбанк, Автобанк и ЭлексБанк, процесс их дальнейшего распространения, похоже, перешел в режим самогенерации (оказывается, аргументы типа "хочу ножик как у Сережки" в ходу не только у детишек). Многие фирмы берут нейросетевые пакеты не только для решения конкретных задач, но и просто чтоб не отстать от конкурентов в освоении нового оружия.
В чем "изюминка" нейронных сетей, делающая их столь привлекательными для всевозможных задач прогнозирования и распознавания? Не вдаваясь в детали, можно сказать, что в настоящее время известны четыре принципиально разных подхода к решению задач анализа.
Во-первых, вы можете использовать классические методы анализа (например, корреляционные) - если данные взаимозависимы, а их объем относительно невелик. Во-вторых, можно построить экспертную систему, используя правила типа "если-то". В-третьих, можно воспользоваться методами модной сейчас нечеткой логики, оперируя качественными характеристиками типа "большинство", "надежный", "немного" и т.п. И, наконец, в-четвертых, когда объем входных данных огромен, об их взаимосвязях вы не имеете ни малейшего представления, к тому же часть информации искажена, а часть утеряна - в этих случаях на помощь приходят нейронные сети. Ваша задача лишь перечислить факторы, существенным образом влияющие на прогнозируемую величину, и подобрать достаточное число примеров, описывающих поведение этих величин в прошлом. Нейронная сеть сама "настроится" на заданную совокупность примеров, сведя к минимуму суммарную ошибку прогнозирования. Более того, анализ настроенной сети позволяет находить скрытые зависимости между входными и выходными данными, зачастую остающиеся "за кадром" традиционных методов. Предполагая, что характер взаимосвязи между заданными параметрами еще некоторое время существенно не изменится, вы можете использовать настроенную и обученную сеть для краткосрочного (а иногда и долгосрочного) прогнозирования.
"Ну-у-у, для нас-то это точно не подойдет...",- разочарованно протянет читатель, уже было заинтригованный холодным блеском "абсолютного оружия". Финансовый рынок у нас определяется исключительно курсом рубля, а рубль непредсказуем. А еще у нас загадочный парламент, своеобразные налоги, грандиозные финансовые пирамиды, простая до слез реклама - и еще много всего, что делает бизнес "по-российски" похожим на американские горки. Это все истинная правда, но позвольте внести некоторые уточнения.
Во-первых, рубль как и всякая другая валюта (включая всевозможные купоны, левы и тугрики) вполне прогнозируем - нужны только компьютеры помощнее да дюжина профессионалов. Игра на мировом валютном рынке давно превратилась в войну суперкомпьютеров. Истории, подобные легенде о Соросе, дерзкой игрой заработавшем за день миллиард, постепенно отходят в прошлое. И когда вы читаете в Financial Times, что йена уронила доллар еще на два пункта - это значит лишь, что вчера суперкомпьютер какого-нибудь "Сакура-банка" переиграл своего конкурента из Chase Manhattan (или наоборот).
Во-вторых, не такие уж мы исключительные. В истории все уже было - и локальные конфликты, и смуты междуцарствия и громкие скандалы вокруг дутых корпораций. Сценарии их развития и влияние на финансовый рынок хорошо изучены. Кроме того, за многие годы выработана целая система макроэкономических индикаторов, типа индекса Доу-Джонса или S&P 500, своеобразных "барометров" текущего состояния рынка. Многие из этих параметров исправно фиксируются с 1901 года, а базы данных по сводкам последних месяцев сами являются предметом бойкой торговли. Вы можете возразить, что для России таких показателей еще не заведено. Поверьте, они появятся в самом ближайшем будущем. Раньше, чем вы получите очередные дивиденды со своего ваучера.
Наконец, в-третьих (и это главное), состояние финансового рынка определяется не одним - пусть доминирующим -параметром, а целой совокупностью процессов разной природы, обладающих различной инерционностью. К примеру, курс доллара может рухнуть за один час (что уже и проделывал), однако ожидания брокеров, отражаемые в котировках фьючерсов на следующие месяцы, будут меняться гораздо медленнее. И если вы владеете инструментом для оценки скорости этого процесса (каким являются нейронные сети) и имеете хорошие нервы, у вас будет достаточно времени, чтобы успеть подготовиться и грамотно сыграть. В конце концов, что для вас важнее - предсказывать "черные вторники" или получать стабильную прибыль?
Давайте рассмотрим использование нейронной сети в финансовом прогнозировании на конкретном примере - предсказании курса валютных фьючерсов. Фирма, уже успешно применявшая нейросетевой пакет Brain Maker Pro для своих внутренних задач, в марте 1995 года решила попробовать его для прогнозирования котировок фьючерсов на МТБ. В качестве объекта прогнозирования - выходного параметра нейронной сети - была выбрана котировка фьючерсного контракта на $1000 с июньской датой оплаты. Входными параметрами для обучения сети являлись изменения курсов фьючерсов на май, июнь и июль за последние четыре биржевых дня (при этом динамика последнего дня учитывалась как отдельный параметр, вычисляемый по специальной формуле) и курс доллара к рублю за четыре дня. Обучающие данные включали сорок последних биржевых дней (два месяца). После шести с половиной тысяч шагов обучающего алгоритма (что заняло примерно 3 минуты счета) нейронная сеть стала вполне адекватно реагировать на весь набор предъявляемых примеров - т.е. обучилась.
После этого сеть использовали в течение десяти дней для предсказания сегодняшнего курса фьючерсов на июнь. Расчет делали в тот момент, когда становился известен текущий курс доллара и последняя котировка майского фьючерса. Как правило, до торгов по июньским фьючерсам оставалось около часа. Результат оказался неожиданно точен - сеть ни разу не ошиблась в предсказании тенденций изменения (падение или рост) и в девяти случаях из десяти отклонение реального курса от прогнозируемого составило не более 10 рублей. (Приводимые данные реальны и доступны для проверки).
Разумеется, подобную методику можно использовать и для игры на ГКО и для валютного дилинга и для многих других приложений. Однако данный пример достаточно характерен, поскольку показывает некоторые любопытные правила работы с нейронными сетями. Во-первых, как показывает опыт, нейронные сети, при всей внешней простоте их пользовательского интерфейса - инструмент тонкий и начинают слушаться своих владельцев лишь спустя 2-3 недели интенсивного освоения и "привыкания". Во-вторых, не оправдывает себя погоня за дешевизной при выборе инструментальных средств. Можно, конечно работать и с т.н. "студенческой" версией нейропакета ценой в три сотни долларов, однако для настройки на новую задачу необходим мощный профессиональный пакет типа BrainMaker Pro, OWL или им подобные. В-третьих, аналитические средства нейропакетов открывают новые возможности для исследования параметров задачи, поскольку настроенная сеть аккумулирует в себе скрытые закономерности предметной области. Например, в рассмотренном примере с фьючерсами нейропакет был также использован для анализа влияния сегодняшнего колебания курса доллара на котировки фьючерсов с отложенным сроком исполнения. Выяснилась весьма необычная закономерность: на отметке +30 рублей за торги наступает своего рода "насыщение" ожиданий брокеров и дальнейший рост курса уже не сказывается на котировках фьючерсов (в принципе, это можно объяснить, однако вывести такую зависимость традиционными аналитическими методами весьма проблематично).
А как же быть с ответственностью за принятие решений - ведь цена ошибки в финансовых операциях запредельно высока? Советуем (вслед за американцами) применять следующую методику: если нейропакет показывает приближение "черного вторника", а ваш брокер наоборот, уверен, что все пойдет гладко - доверьтесь брокеру. В случае его ошибки вы не проиграете (т.к. ваш брокер, вероятно, достаточно опытен и вместе с ним ошибется большинство конкурентов) - ваш нейропакет, правильно предсказавший финансовый крах, подскажет и выигрышную стратегию игры. В случае ошибки пакета вы также не проиграете - только лишний раз отметите про себя, что нельзя бездумно доверяться компьютеру. А кроме того, есть масса задач, где цена разовой ошибки не столь высока и есть время для корректировки. Так, специалисты Инкомбанка всерьез подумывают об использовании нейропакета для выбора наиболее оптимальных мест для открытия новых филиалов. С методологической точки зрения такой подход беспроигрышен - сеть безусловно облегчит выбор среди хороших вариантов, а заведомо плохие в состоянии отбросить сам эксперт.
Если же сформулировать одной фразой место нейронных сетей в арсенале ваших финансовых инструментов, можно сказать, что это - подсказчик для опытного аналитика. Нейронная сеть не поможет неудачнику, однако игру хорошего брокера она может сделать блестящей
Нейронные сети на товарном рынке
Возможно ли применение столь сложных продуктов как нейропакеты в торговле, где наука сводится к формуле "купил за рубль - продал за два"? Западный опыт показывает - не только возможно, но и весьма прибыльно. Представьте себе, что вы торгуете недвижимостью и вам надо правильно оценить новую квартиру. Пятьсот долларов вверх - и непроданная квартира повиснет на вашей фирме мертвым грузом. Пятьсот долларов вниз - и квартира "уйдет" в первый же день, оставив вас мучиться сомнениями: неужели опять продешевил? Для нейронной сети решение такой задачи - пара пустяков. Подбор входных параметров предельно прост - это стандартный набор вопросов, которые вы задаете при выборе квартиры - район, этаж, площадь кухни и др. Примеров для обучения - сколько угодно. Вероятность ошибки достаточно мала, поскольку заведомый сбой сети вы увидите сразу. И что самое интересное, это справедливо не только для западного рынка, но и для нашего, родного. Все больше и больше фирм начинают задумываться над ценовой стратегией, ища "золотую середину" между высокой прибылью и большим оборотом. Например, группа программистов (из чисто спортивного интереса) настроила нейронную сеть на оценку подержанных автомобилей. Казалось бы, абсолютно безнадежное дело - одну и ту же иномарку можно выставить за 20 тыс. долларов, а можно и за 35. Действительно, поначалу сеть "пошла в разнос". Однако довольно быстро аналитический блок нейропакета показал, что существуют некоторые "островки стабильности" в этом царстве произвола. Ими оказались практически все модели ВАЗ. Цену на любую модель ВАЗ, независимо от возраста и пробега пакет предсказывал с точностью до 100 долларов. Этот пример показывает, что нейронная сеть может помочь и там, где задача в целом не поддается решению. Пакет позволит выделить те параметры, управляя которыми можно добиваться лучших результатов (и, соответственно, увеличивать прибыль).
Первыми освоили нейронные сети аналитики фирмы "ОГО", известной как крупный поставщик зерновых культур. Фирма ведет торговые операции с десятками видов зерновых в тридцати странах. В задачи аналитического отдела входят не только долгосрочные прогнозы урожая зерновых и потребности в них в отдельных регионах, но также ежедневный расчет котировок по всем культурам. При этом цена каждого вида товара, предлагаемая для завтрашних торгов, должна быть такой, чтобы объемы сделок по покупке и продаже были примерно равны. Ошибка в два-три цента может привести к дисбалансу спроса и предложения и многотысячным убыткам. А учитывать приходится не только текущую ситуацию на бирже зерна, но и завтрашние цены конкурентов! Понятно, почему аналитики крупных фирм зачастую демонстрируют больший профессионализм, чем штатные консультанты иных структур власти. Надо сказать, что аналитические отделы крупных торговых фирм идеально подходят для внедрения нейросетевых пакетов. Жесткая конкуренция, насыщенный рынок, высокая цена ошибки, необходимость постоянной корректировки параметров - отличная "питательная среда" для нейросетевых пакетов.
Нейронные сети в медицине
Если область финансовых применений нейронных сетей представляет собой основательно распаханное поле, то медицинские приложения - настоящая целина. И дело здесь не в том, что медицинские задачи слишком специфичны и не подходят для нейросетевых приложений (как раз наоборот), просто медицина повсеместно живет намного беднее финансовой сферы. А нейронные сети, как известно, достаточно дорогой инструмент. Так, упомянутый выше Brain Maker Professional стоит $1500 - и это приятное исключение. Обычно цена мощных профессиональных пакетов лежит в диапазоне от $6000 до $15000, а иногда и выше.
Однако, нашлись энтузиасты, которые, используя исключительно личное время и средства, применили нейропакет для конкретной медицинской аналитической задачи. Речь идет о прогнозировании специфических осложнений при ампутации конечностей. Очень часто "привыкание" к протезу сопровождается у больного резким повышением артериального давления и даже наступлением предынфарктного состояния. традиционные методы прогнозирования не позволяют достичь достоверности предсказания таких ситуаций даже на уровне 80%. Поэтому в клинических условиях больному дают специальный комплекс упражнений с повышенной нагрузкой и анализируют результаты. Применение нейропакета (обученного на 300 больных) позволило достичь точности прогнозирования близкой к 100% на обучающей выборке и 85% - на произвольной. И это без всяких экспериментов над пациентами!
Пользуясь случаем, обращаюсь к потенциальным спонсорам - если вы озабочены тем, чтобы совместить благородный жест с практической пользой, присмотритесь к нейронным сетям. Оснащение нейропакетами медицинского аналитического центра любой направленности почти гарантированно приведет к появлению принципиально новых научных результатов и диагностических методик. А ваше имя напишут золотыми буквами на каких-нибудь скрижалях.
Кому еще могут пригодиться нейронные сети? Надеюсь, у читателя уже сложилось представление о том, что этот мощный инструмент может быть с успехом применен в самых разных задачах - от моделирования кризисных ситуаций до оптимизации налоговых сборов. Видимо дальнейшее распространение нейронных сетей на рынке России - лишь вопрос времени. Не исключено, что интерес к этой "горячей технологии" побудит впоследствии вернуться к теме нейронных сетей еще раз. Но это будет уже совсем другая история...
НЕЙРОННАЯ СЕТЬ - ОРУЖИЕ ФИНАНСИСТА
Андрей МАСАЛОВИЧ
"Нейронные сети? Дорогая игрушка, не более", - скажет один. "Модная экзотика", - добавит другой. "Шаманство", - отрубит третий. Подождите, ребята. Вспомните, что четыре года назад говорили о компьютерах notebook, а три года назад - о накопителях CD-ROM. А теперь посмотрите на акции фирмы Медиа Механикс и магазины концерна "Белый ветер", загодя почувствовавших перспективность новых рынков. Их история успеха проста как клавиша Esc. Доверились интуиции, вовремя рискнули вложить капитал, получили солидную фору во времени и сумели ею правильно воспользоваться. Именно так сколачиваются состояния на Западе, где все существующие рынки уже поделены и за каждый цент прибыли идет настоящее сражение. Именно так скоро будет и на поле чудес нашего компьютерного рынка.
Дикие пpеpии российского бизнеса, подчинясь неумолимым законам капитализма, медленно, но верно видоизменяются. Кольт и седло, незаменимые финансовые инструменты первоначального накопления капитала, перестают помогать при столкновениях с крупными профессиональными фирмами, захватившими лучшие угодья. Жаркое дыхание конкуренции ощущают все - от старушек-побирушек до банкиров и рэкетиров. Как выжить в этом сложном и нестабильном мире, а еще лучше - как добиться процветания, несмотря на усиливающийся натиск конкурентов? Рецепты просты - во-первых, вооружить свой бизнес более мощными средствами, чем у соперников, и во-вторых, найти незанятую "золотую жилу" на рынке. Не исключено, что нейронные сети, о которых пойдет речь в данной статье, способны решить обе эти задачи.
А за углом шла революция...
О нейронных сетях как профессиональном инструменте для финансовых операций серьезно заговорили в конце 80-х годов, когда революционные работы Хопфилда и других математиков дали второе дыхание нейроматематике, более двадцати лет прозябавшей на задворках науки. Родившаяся в конце 40-х годов на гребне волны интереса к моделированию структур человеческого мозга, теория нейронных сетей первоначально породила много радужных надежд, которые не сумела оправдать как из-за слабости технической базы, так и по причине неразвитости самой теории. Первый нейрокомпьютер - т.н. персептрон Розенблатта - умел сносно распознавать буквы и простые картинки, но пасовал перед задачей идентификации движущихся целей и другими проблемами реального мира. О серьезном применении нейронных сетей в промышленности,а тем более финансах, тогда не было и речи. А после критических работ Минского нейронные сети и вовсе были отправлены "на скамейку запасных", уступив место на переднем крае науки экспертным системам, нечеткой логике и другим модным теориям.
Однако в начале 80-х, с появлением микропроцессоров и сверхбольших интегральных схем, появилась техническая возможность сделать "вторую попытку". Серия работ Хопфилда, Кохонена и ряда других ученых создала теоретический фундамент для появления нового поколения нейронных сетей, принципиально более мощных, чем классический персептрон. Многослойные сети Хопфилда, настраиваемые с помощью специальных алгоритмов обучения, стали демонстрировать способность распознавания ранее предъявленных образцов в сложных наборах зашумленных, неполных и противоречивых входных данных.
Дата добавления: 2015-09-30; просмотров: 23 | Нарушение авторских прав
| <== предыдущая лекция | | | следующая лекция ==> |