img017

17

Rozdział 2. Historia powstania i kierunki rozwoju sieci neuronowych

2.    Klasyfikacja i rozpoznawanie podmiotów gospodarczych. Zadania klasyfikacji i rozpoznawania, szczególnie często podejmowane i rozwiązywane z wykorzystaniem sieci neuronowych w technice, można rozważać także w zastosowaniach ekonomicznych jako specjalny rodzaj predykcji stanu przedsiębiorstwa. Polega ona na przewidywaniu identyfikatora klasy, do której zaliczyć można wejściowe dane — na przykład pozwala na podstawie danych bilansowych rozpoznać, czy przedsiębiorstwo należy do zwyżkujących gospodarczo, czy przeżywa stagnację lub nawet grozi mu regres. Przykładem rozpoznawania może być zadanie identyfikacji zakładów danej branży, w których warto inwestować lub regionów zagrożonych strukturalnym bezrobociem. Sieć musi nauczyć się znajdować istotne cechy podawanych jej danych całkiem sama, bez wspomagania przez jakąkolwiek z teorii ekonomicznych, co bywa zaletą omawianego tu podejścia ze względu na znaną kruchość teorii ekonomicznych w konfrontacji z rzeczywistymi zagadnieniami praktyki.

3.    Kojarzenie (lanych. Dość często kluczem do sukcesu rynkowego i skutecznego zarządzania przedsiębiorstwem jest błyskotliwe kojarzenie różnych faktów. Klasyczne systemy komputerowe są w tym zaresie przeraźliwie indolenlne: mogąc gromadzić bardzo wielkie zbiory danych nie dają praktycznie żadnych możliwości ich kojarzenia. Sieci neuronowe dzięki zdolności do uczenia, adaptacji i uogólniania doświadczeń (wszystkie te aspekty będą szczegółowo przedstawione w dalszych rozdziałach) pozwalają zautomatyzować procesy wnioskowania na podstawie zgromadzonych danych i ułatwiają menedżerom wykrywanie istotnych powiązań i ważnych aspektów przy praktycznie całkowitym ograniczeniu efektu przytłoczenia nadmiarem szczegółowych informacji, z których trudno wyciągnąć konkretne wnioski.

4.    Analiza danye.h. Zadaniem sieci jest w tym wypadku znalezienie związków (być może mających charakter przyczynowy, a być może tylko incydentalnych) występujących w wejściowym zbiorze danych. Realizacja tych zadań przez sieci neuronowe daje zupełnie nowe możliwości w zakresie prowadzenia analiz ekonomicznych i pozwala na wykrycie rzeczywistych intencji podmiotów gospodarczych, co przy agresywnej grze rynkowej i silnej konkurencji bywa kluczem do sukcesu. Analiza danych, prowadzona z wykorzystaniem sieci, pozwala także na ustalenie przyczyn niepowodzeń określonych przedsięwzięć podejmowanych w przeszłości, dzięki czemu latwiejesze jest unikanie błędów na przyszłość.

5.    Filtracja sygnałów. Technika ta, rozwinięta głównie w zastosowaniach sieci neuronowych w technice (np. w telekomunikacji czy w automatycznej diagnosyce medycznej), może odegrać bardzo znaczącą rolę przy stosowaniu ich w ekonomii. Wynika to z faktu, że dane gospodarcze dostarczane z różnych źródeł są zakłócone przez liczne subiektywne i obiektywne ,.szumy informacyjne”, w wyniku czego efektywne ich wykorzystanie wymaga wstępnej obróbki tych danych. Klasyczne metody takiej obróbki odwołują się do statystyki, co pozwala eliminować zakłócenia o charakterze losowym, lecz nie daje żadnych podstaw do eliminacji celowych przekłamań lub błędów systematycznych. Klasyczna statystyka nie daje też podstaw do uzupełniania danych niekompletnych, co sieci neuronowe robią szczególnie łatwo. W związku z tym coraz częściej bada się możliwości wykorzystywania sieci neuronowych jako filtrów danych gospodarczych, a doniesienia z form stosujących tę technikę w komputerowym wspomaganiu procesu zarządzania jednoznacznie wskazują na jej zdecydowaną przydatność