CC BY
36
УДК 004.07; 504
DOI: 10.24412/1728-323X-2023-4-51-55
ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ В ЭКОНОМИКЕ
И В ЭКОЛОГИИ
В. Ю. Мусацков, ООО «Метриум», [email protected], г. Москва, Россия, Г. А. Афанасьева, к. э. н., профессор, Российский биотехнологический университет «РОСБИОТЕХ», [email protected], г. Москва, Россия
Аннотация. Искусственные нейронные сети в настоящее время находят достаточно широкое применение во многих отраслях. Успех решения конкретных задач с помощью нейронных сетей зависит не столько от архитектуры нейронной сети, сколько от правильного выбора перечня и методов подготовки данных, необходимых для ее обучения. В статье приведен краткий анализ основных направлений применения нейросетевых технологий в экономике и экологической сфере. Рассмотрены особенности применения нейросетевых технологий в экономике на примере банковского сектора. Выявлено, что для решения задач экологической направленности нейросетевые технологии используются чаще всего при оценке негативного воздействия на компоненты окружающей среды, оценке и прогнозе медико-экологической ситуации, а также выявлении и мониторинге экологически неблагополучных территорий (полигонов отходов).
Abstract. Artificial neural networks are currently widely used in many industries. The success of solving specific problems using neural networks depends not so much on the architecture of the neural network, but on the correct choice of the list and methods of preparing the data necessary for its training. The article provides a brief analysis of the main areas of application of neural network technologies in the economics and environmental sphere. The features of the application of neural network technologies in economics are considered using the example of the banking sector. It has been revealed that to solve environmental problems, neural network technologies are most often used in assessing the negative impact on environmental components, assessing and forecasting the medical and environmental situation, as well as identifying and monitoring environmentally unfavorable areas (waste landfills).
Ключевые слова: нейронная сеть, искусственный нейрон, экономика, экология.
Keywords: neural network, artificial neuron, economy, ecology.
Введение
В последнее десятилетия все большее внимание уделяется применению нейросетевых технологий в различных отраслях науки и практики. Основой такого комплекса информационных технологий является искусственная нейронная сеть. Построение нейронной сети основано на принципе организации нервной системы ч еловека, являющейся их биологическим аналогом.
В настоящее время теория нейронных сетей представляет собой высокоразвитую отрасль знаний, а составляющие ее программно- или ап-паратно-реализованные системы успешно адаптируются для решения задач в различных отраслях.
Изучение нейросетевых технологий включено в учебные планы не только учреждений высшего образования, но и в программы информатики специализированных классов средних общеобразовательных школ, о чем свидетельствует достаточно богатая библиотека учебников и учебных пособий [1—4].
Основной «специализацией» нейронных сетей в практической деятельности является решение многих неформализуемых или трудно формализуемых задач, прежде всего в области прогнозирования, классификации или управления системами различного уровня.
Нейронные сети и нейросетевые технологии
Теоретическое обоснование вопросов, связанных с созданием и функционированием нейронных сетей, междисциплинарно и охватывает такие отрасли науки, как информатика, биофизика, математика, схемотехника и др. С этим связаны сложности с четким определением данного понятия. Чаще всего нейронные сети понимают как самообучающиеся системы, имитирующие деятельность человеческого мозга.
Под искусственными нейронными сетями понимают математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей. Технически они реализовываются как устройства параллельных вычислений, состоящие из множества взаимодействующих простых элементов.
Нейронная сеть, состоящая из нескольких слоев, формируется из отдельных нейронов. Входной слой содержит число нейронов, соответствующее числу факторов. Выходной слой чаще всего состоит из единственного нейрона, дающего результат. Остальные нейроны находятся в скрытых слоях.
Общее число нейронов, число входов и выходов сети, используемые активационные функции, а также характер внутренних связей и распро-
странения сигнала определяют ее архитектуру. Одним из признаков классификации нейронной сети является вид решаемых задач. Так, задачу разделения на два класса решают с помощью пер-септрона Розенблатта, сети Хопфилда применяют для прогнозирования, например, для заполнения пробелов в данных на основе анализа баз данных, сети Кохонена применяют для кластер-анализа. Данные типы нейронных сетей являются классическими и поэтому являются предметом изучения в различных образовательных программах.
Однако недостаточно создать саму сеть. Требуется выполнить наиболее важный этап — ее обучение. Число нейронов в такой сети может достигать нескольких сотен. Естественно, это влияет на компьютерные ресурсы, необходимые для обучения и последующего функционирования.
Обучение нейронных сетей (машинное обучение) представляет собой самостоятельное научное направление в области IT. Процесс обучения осуществляется на обучающей выборке и является итерационным. Одна итерация (эпоха) в процессе обучения включает предъявление всех примеров из обучающего множества и проверку качества обучения на контрольном множестве. В ходе обучения нейронная сеть находит некие зависимости выходных полей от входных.
В общем виде этот процесс выглядит следующим образом. Перед обучением необходимо определить количество слоев в сети и количество нейронов в каждом слое. Далее требуется задать такие значения весов и смещений, которые смогут минимизировать ошибку решения. Веса и смещения автоматически настраиваются таким образом, чтобы минимизировать разность между желаемым и полученным на выходе сигналами, которая называется ошибка обучения. Ошибка обучения для построенной нейронной сети вычисляется путем сравнения выходных и целевых (желаемых) значений. Из полученных разностей формируется функция ошибок — целевая функция, требующая минимизации в процессе управляемого обучения нейронной сети.
От качества обучения зависит ее способность решать поставленные перед ней задачи. Успех применения нейронной сети находится в прямой зависимости от объема и качества информации на стадии обучения.
Для создания нейронной сети как программного продукта требуются язык программирования и специальные библиотеки. Выбор языка определяется технологией создания нейронной сети, наиболее широко распространен язык Python. На этом языке написаны специальные библиоте-
ки, предназначенные для машинного обучения, такие как Кега8, TensorFlow и др.
Программное обеспечение, имитирующее работу нейронной сети (нейросимулятор), характеризуется простотой применения, наглядностью представления информации, скоростью работы. Выбор спецификации определяется квалификацией и требованиями пользователя. Специализированные нейропакеты входят в состав таких популярных продуктов, как МаИаЪ и 81а^Иса, а также являются самостоятельными продуктами на рынке современного программного обеспечения, например, ВгатМакег, КеигоОШсе, КеигоРго.
В общем виде применение нейронных сетей целесообразно при наличии нескольких условий: поставленная задача трудно разрешима для человека, решение задачи предполагает множество входных и выходных факторов, изменение входных параметров предопределяет изменение выходных параметров.
К основным преимуществам нейронных сетей можно отнести [5]:
— способность обучаться на множестве примеров в случаях, когда изначально непонятна или малопонятна взаимозависимость входных и выходных данных;
— способность решать необходимые задачи при наличии неполной, противоречивой или искаженной входной информации;
— возможность практического применения обученной нейронной сети неквалифицированными пользователями;
— возможность подключать нейросетевые пакеты к базам данных, электронной почте, а также автоматизировать процесс ввода и первичной обработки данных;
— сверхвысокое быстродействие за счет использования массового параллелизма обработки информации, что позволяет практически безгранично наращивать мощность нейросистемы;
— работоспособность нейронной сети сохраняется при повреждении значительного числа нейронов;
— способность к обучению, заменяющему программирование вычислительной системы;
— способность к распознаванию образов в условиях помех и искажений.
В процессе применения нейронных сетей выделяется несколько ключевых шагов по решаемым ключевым задачам: постановка задачи, выбор применяемой модели нейронной сети, выбор и обработка исходных данных для обучения нейронной сети, обучение нейронной сети и собственно решение поставленной задачи с ее помощью.
Нейронные сети могут параллельно обрабатывать информацию, что позволяет моделировать нелинейные процессы и самообучаться, решая масштабные и трудноразрешимые задачи.
Таким образом, использование нейросетевых технологий как инструментальных средств перспективно в решении множества плохо формализуемых задач.
Нейросетевые технологии в экономике
Спектр применения нейросетевых технологий в экономике достаточно обширен. Прежде всего, кратко рассмотрим их применение в банковском секторе, где нейросетевые технологии используются наиболее часто. Здесь на основе нейронных сетей разрабатываются программные системы, позволяющие решать вопросы, связанные с оценкой вероятности банкротства банка, кредитоспособности клиентов, контролем за инвестициями и операциями на товарном рынке, доходности размещения займов и др. [6].
Перспективным является применение нейронных технологий при анализе и управлении кредитными рисками, например, при определении кредитного рейтинга клиентов и прогнозировании динамики банковских рисков под воздействием различных факторов. Однако для успешного решения данных задач необходимо, прежде всего, корректно определить входные параметры нейросетей, что позволит избежать ошибки во взаимосвязях входных данных и перегрузки сетей вследствие избыточного количества данных, что усложняет их работу. В целом, несмотря на значительную трудоемкость на начальном этапе, использование нейронных сетей значительно облегчает задачу по оценке кредитоспособности благодаря самоорганизации сети и параллельности обработки информации. Таким образом, нейронная сеть может быть рассмотрена как надежный и качественный инструмент оценки кредитоспособности заемщиков и широко применяемый в российской банковской системе1.
Нейросетевые технологии на практике показали свою значимость при решении задач, связанных с повышением эффективности бизнес -процессов при внедрении технологий нейросетей в сфере сервисных и туристических услуг, а также при организации процессов предоставления государственных и муниципальных услуг [7].
1 Серебрякова Т. А. Нейросетевые технологии в банковской деятельности // Актуальные вопросы экономических наук. — 2013. — № 35. Электронный ресурс. Режим доступа — https://cyЪer1eninka.ru/artic1e/n/neyrosetevye-tehno1ogii-у-ЪапЬ^коу-деуа1е1шм11 (дата обращения: 01.06.2023).
Использование для прогнозирования социально-экономического развития территорий нейронной сети с архитектурой двухслойного пер-цептрона и нейронной сети Хопфилда для оценки уровня стратегического потенциала предприятия показало их значительные преимущества по сравнению с классическими методами экономического моделирования и анализа [8].
Еще одной стороной применения нейросете-вых технологий в экономике является построение информационно-измерительных систем, предназначенных для диагностирования технических объектов и выявления дефектов, отказов и пред-аварийных состояний. Система принятия решений включает базу знаний и гибридную интеллектуальную модель, представляющую собой комплекс из двух искусственных нейронных сетей и авторегрессионной модели прогнозирования. Такой подход позволяет оперативно дифференцировать неработоспособные состояния технических объектов во время эксплуатации при ограниченной информации [9].
Нейросетевые технологии в экологии
Спектр применения нейросетевых технологий в экологии достаточно широк. Выделим, прежде всего, их использование в:
— разработке экологической документации;
— оценке и прогнозе медико-экологической ситуации;
— оценке негативного воздействия на компоненты окружающей среды;
— выявлении экологически неблагополучных территорий (например, несанкционированных свалок) и мониторинг их использования.
Одним из важных свойств нейронных сетей применительно к решению экологических задач является возможность их работы с неявно определенными критериями и параметрами, неизвестными или приблизительными данными с нечеткими и противоречивыми параметрами, что позволяет с достаточной степень достоверности спрогнозировать возможное изменение экологической ситуации.
Нейросетевые технологии могут быть применены при разработке экологического паспорта муниципального образования [10]. Программная оболочка типовой формы экологического паспорта муниципального образования представляет собой информационно-аналитический программный комплекс, содержащий системно-организованные данные об источниках негативного воздействия на окружающую среду, сложившемся экологическом состоянии компонентов окружающей среды, а также эколого-экономических показателях по анализируемой территории. Реали-
зована возможность установить регрессионную зависимость заболеваемости населения от факторов окружающей природной и социальной среды на основе нейросетевого моделирования исходных данных наблюдений с демонстрацией результата в экологическом паспорте.
Использования нейронных сетей для медико-экологической оценки также может быть реализовано и для крупных населенных пунктов, так в [11] приведены результаты оценки зависимости заболеваемости населения крупного промышленного центра от факторов окружающей среды.
Моделирование на основе нейросетевых технологий позволяет на основе исходных данных (концентрации загрязняющих веществ в воздухе по данным стационарных постов мониторинга атмосферы) построить модель негативного воздействия на атмосферный воздух и оценить экологический риск воздействия вредных выбросов на здоровье населения2. Создаваемые м одели повышают точность прогнозов загрязнения атмосферного воздуха и автоматизируют оценку рисков для выбранного прогнозного периода, указывая на возможные изменения уровней загрязнения атмосферы.
Еще одним аспектом применения нейросете-вых технологий является выявление экологически неблагополучных территорий и мониторинга их использования. Так, например, создано приложение на основе нейросетей, которое сможет быстро находить незаконные свалки и отслеживать их состояние в динамике. Нейросети находят нужные объекты на спутниковых снимках земной поверхности, определяют свалку, ее координаты и площадь, а точность такой оценки, по данным разработчиков, достигает 89 %3.
2 Потылицына Е. Н., Липинский Л. В., Сугак Е. В. Использование искусственных нейронных сетей для решения прикладных экологических задач // Современные проблемы науки и образования. — 2013. — № 4. — Электронный ресурс: URL: https://science-education.ru/ru/ article/view?id=9779 (дата обращения: 01.06.2023).
3 Российские ученые создают цифровую карту свалок с помощью нейросетей. — Электронный ресурс. Режим доступа: https://naked-science.ru/article/column/rossijskie-uchenye-sozdayut?ysclid=lmriivvwbc642302565 (дата доступа 01.06.2023).
Перспективно использование нейронных технологий не только для выявления, но и для мониторинга состояния полигонов отходов и прилегающих к ним территорий. Российский экологический оператор (РЭО) в 2023 году запускает инновационный проект, основанный на использовании нейросетей российских разработчиков для выявления нарушений на полигонах и прилегающих к ним территорий. Обучение нейросе-тей для выявления нарушений на полигонах производится по результатам их мониторинга при помощи беспилотников. Ожидается, что использование нейросетей позволит сократить время на выявление почти 20 видов нарушений на по-
4
лигонах .
Как уже отмечалось выше, это далеко не полный перечень направлений, в которых могут быть использованы нейронные технологии в экологической сфере. Так, например, перспективным представляется использование нейронных сетей для оценки численности и мониторинга жизнедеятельности диких животных (особо-охраняемых видов), борьбе с браконьерством, обнаружении локаций инвазивных растений и решении ряда других задач.
Заключение
Проведенный анализ выявил основные сферы применения нейронных технологий в экономике и экологии. В экономике это, прежде всего, задачи, связанные с деятельностью финансового сектора экономика, а в экологии задачи, связанные с экологической оценкой, экологическим мониторингом и прогнозом изменения состояния окружающей среды. В основе успешного решения конкретных задач в этих областях с помощью нейросетевых технологий лежит правильный выбор и подготовка данных, необходимых для обучения нейронных сетей.
4 РЭО будет использовать нейросети для выявления нарушений на полигонах. — Электронный ресурс. Режим доступа: https://reo.ru/tpost/imllxkxhs1-reo-budet-ispolzovat-neiroseti-dlya-viya?ysclid=lmrie5ne8i5199865H (дата доступа 01.06.2023).
Библиографический список
1. Гафаров Ф. М. Искусственные нейронные сети и приложения: Учеб. пособие / Ф. М. Гафаров, А. Ф. Галимянов. — Казань: Изд-во Казанского ун-та, 2018. — 121 с.
2. Барский А. Б. Логические нейронные сети: Учебное пособие / А. Б. Барский. — М.: Бином, 2013. — 352 с.
3. Галушкин А. И. Нейронные сети: основы теории / А. И. Галушкин. — М.: РиС, 2014. — 496 с.
4. Галушкин А. И. Нейронные сети: история развития теории: Учебное пособие для вузов / А. И. Галушкин, Я. З. Цып-кин. — М.: Альянс, 2015. — 840 с.
5. Богатиков В. Н. Построение систем управления на основе нейронных сетей: Учебно-методическое пособие. — Апатиты: Изд-во КФ ПетрГУ, 2011. — 41 с.
6. Ясенев В. Н. Информационные системы и технологии в экономике: Учебное пособие. — М.: Юнити-Дана, 2008. — 560 с.
7. Лисовский А. Л. Применение нейросетевых технологий для разработки систем управления // Стратегические решения и риск-менеджмент. — 2020. — № 11 (4). С. 378—389. https://doi.org/10.17747/2618-947X-923
8. Курников Д. С., Петров С. А. Использование нейронных сетей в экономике // Juvenis scientia. 2017. — № 6. — С. 10—12.
9. Орлов С. П., Гирин Р. В., Уютова О. Ю. Интеллектуализация информационно-измерительных систем контроля и диагностирования на основе нейросетевых технологий // Мягкие измерения и вычисления. — 2018. — № 4 (5). — С. 4—12.
10. Милькова И. А., Кадена Л., Симонов К. В. Построение экологических моделей на основе нейросетей // Образовательные ресурсы и технологии. — 2014. — № 1 (4). — С. 369—377.
11. Ефимова Н. В., Горнов А. Ю., Зароднюк Т. С. Опыт использования искусственных нейронных сетей при прогнозировании заболеваемости населения // Экология человека. — 2010. — № 3. — С. 3—7.
NEURAL NETWORKS IN ECONOMY AND ECOLOGY: ANALYTICAL REVIEW
V. Y. Musatskov, Metrium LLC, [email protected], Moscow, Russia,
G. A. Afanasyeva, Ph. D. (Economics), Dr. Habil., Professor, Moscow Russian Biotechnological University "ROSBIOTECH",
[email protected], Moscow, Russia
References
1. Gafarov F. M., Galimyanov A. F. Iskustvennie neyronnie seti I prilogeniya: ycheb. posobie [Artificial Neural Networks and Applications]. Kazan, Izd-vo Kazan. Yn-ta, 2018. 121 p. [in Russian].
2. Barskiy A. B. Logicheskie neironnie seti. Ychebnoe posobie [Logical Neural Networks]. Moscow, Binom, 2013. 352 p. [in Russian].
3. Galushkin A. I. Neyronnie seti: osnovi teorii [Neural networks: bases of theory]. Moscow, RiC. 2014. 496 p. [in Russian].
4. Galushkin A. I., Tsipkin Y. Z. Neyronnie seti: istoriya razvitiya teorii. [Neural networks: history of theory development: textbook for universities]. Moscow, Alyans, 2015. 840 p. [in Russian].
5. Bogatikov V. N. Postroyeniye sistem upravleniya na osnove neyronnykh setey: Uchebno-metodicheskoye posobiye [Construction of control systems based on neural networks: Educational and methodological manual]. Apatity, Publishing House of the KF PetrSU. 2011. 41 p. [in Russian].
6. Yasenev V. N. Informacionnie sisteni I tehnologii v economike: ychebnoe posobie [Information systems and technologies in economics: a textbook]. Moscow, Yoniti-Dana. 2008. 560 p. [in Russian].
7. Lisovskiy A. L. Primenenie neyrosetevix tehnokogiy dlya razrabotki system ypravleniya [Application of neural network technologies for the development of management systems]. Strategicheskie resheniya i risk-menegment. 2020. No. 11 (4). P. 378—389. https://doi.org/10.17747/2618-947X-923 [in Russian].
8. Kurnikov D. S., Petrov S. A. Ispolzovanie neyronnix setey v economike [Using Neural Networks in Economics]. Juvenis scientia, 2017. No. 6. P. 10—12 [in Russian].
9. Orlov S. P., Girin R. V., Yutova Y. U. Intelectualizaciya informacionno-izmeritelnix system kontrolya i diagnostirovaniya na osnove neyrosetevix tehnologii. [Intellectualization of information-measuring control and diagnostic systems based on neural network technologies]. Myahkie izmereniya I vichesleniya. 2018. No. 4 (5). P. 4—12 [in Russian].
10. Milkova I. A., Kadena L., Simonov K. V. Postroenie ecologicheskix modeley na osnove neyrosetey [Construction of ecological models based on neural networks]. Obrazovatelnie resursi i tehnologii. 2014. No. 1 (4). P. 369—377 [in Russian].
11. Efimova N. V., Gornov A. Y., Zarodnyuk T. S. Opit ispolzovaniya iskusstvennix neironnix seteyy pri progozirovanii zabole-vaemosti naseleniya [Experience of using artificial neural networks in predicting population morbidity]. Ecologiya cheloveka. 2010. No. 3. P. 3—7 [in Russian].
№ 4, V0V3
55
