154 входными и выходными данными; в таких случаях не работают как традиционные математические методы, так и экспертные системы; • нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию; • эксплуатация обученной нейронной сета по силам пользователю непрофессионалу; • нейросетевые пакеты позволяют легко подключаться к базам данных, электронной почте и т.д. и автоматизировать процесс ввода и первичной обработки данных; • внутренний параллелизм, присущий нейронным сетям, позволяет практически неограниченно наращивать возможности нейросистемы. Нейронные сети нельзя рассматривать как некие “черные ящики”, занимающиеся предсказаниями будущего. Речь идет о конкретных серийно выпускаемых программных пакетах и специализированных многопроцессорных систем для анализа и прогнозирования бизнеса. Их можно использовать не только для предсказания краха • организации, но и как инструмент выполнения огромного объема рутинной и высокоответственной работы в условиях высокой динамичности и неопределенности внешней среды. Перечень практических задач, решаемых с помощью нейротехнологий, приводится в статье Ф.В.Широкова1. Среди них особое внимание заслуживает задача прогнозирования экономической эффективности финансирования маркетинговых проектов. Исследованные свойства и преимущества нейронных сетей позволяют рассматривать их в качестве перспективного математического инструментария поддержки решений при управлении маркетинговыми процессами. ‘Широков Ф.В. Нейрон и доллар. Нсйроте.чнология в сфере финансовых услуг// Деловой партнер. Пилотный номер. 1995. С.31-44. |
параметрах ситуации, а выходной слой сигнализирует о возможной р е акции на эту ситуацию. За счет обучения и настройки нейронной сети на требуемый уровень реакции может быть достигнут м инимальный уровень суммарных ош ибок. Основные преим ущ ества нейронны х сетей состоят в следую щ ем [35]: • способность обучаться на множестве примеров в тех случаях, когда неизвестны законом ерности развития ситуации и какие бы то ни было зависимости между входными и вы ходны ми данными; в таких случаях не работаю т как традиционные м атематические методы, так и экспертные системы; • нейронные сети способны успеш но реш ать задачи, опираясь на неполную, искаженную, заш умленную и внутренне противоречивую входную информацию; • эксплуатация обученной нейронной сети по силам пользователю непрофессионалу; • нейросетевы е пакеты позволяю т легко подклю чаться к базам данных, электронной почте и т.д. и автом атизировать процесс ввода и первичной обработки данных; • внутренний параллелизм, присущ ий нейронным сетям, позволяет практически неограниченно наращ ивать возможности нейросистемы. Нейронные сети нельзя рассм атривать как некие «черные ящ ики», занимающиеся предсказаниями будущего. Речь идет о конкретны х серийно выпускаемых программны х пакетах и специализированны х м ногопроцессорных систем для анализа и прогнозирования бизнеса. Их можно использовать не только для предсказания краха организации, но и как инструмент вы полнения огромного объема рутинной и вы сокоответственной работы в условиях высокой динамичности и неопределенности внеш ней среды. Перечень практических задач, реш аемых с по169 мощью нейротехнологий, приводится в статье Ф .В .Ш и р о к о в а^ . Среди них особое внимание заслуж ивает задача прогнозирования экономической эф ф ективности ф инансирования инновационны х проектов. И сследованные свойства и преим ущ ества нейронных сетей позволяю т рассм атривать их в качестве перспективного м атематического инструментария поддержки реш ений при управлении инновационны ми процессами. Теория и методы нечеткой логики относится к достаточно м ощ ному инструменту поддерж ки управленческих реш ений и получили широкое практическое применение в самых различных сферах деятельности [18,83,128 ]. Вопросы применения нечетких множеств в и н н овационной деятельности исследованы в работе [106]. В отличие от ф ормальной логики, оперирую щ ей точными и ч еткими понятиями типа истина и ложь, да и нет, ноль и единица, н ечеткая логика им еет дело со значениями, лежащ ими в некотором непрерывном или дискретном диапазоне. Ф ункция принадлеж ности элем ентов к заданному м нож еству также представляет собой не жесткий п о рог «принадлеж ит-не принадлежит», а плавную зависимость, проходящую все значения от нуля до единицы. Понятно, что оперировать т а кими вещ ественны ми величинами сложнее, чем двоичными битами. М ногие понятия повседневной жизни не уклады ваю тся в рамки традиционной бинарной логики. То же касается и бизнеса на предприятии. Например, нельзя в традиционны х подходах количественно вы разить отличие таких понятий как «хорош ий» или «средний» результат внедрения инновации. Попытки загнать приведенные понятия в конкретные числовые рамки недопустимо огрубят предметную область, либо чрезмерно услож нят решение задачи. Н ечеткая логика предлагает более элегантное и действенное реш ение ситуаций с неопределенной * 'Ш ироков Ф.В. Н ейрон и доллар. Нейротехнология в сфере ф и нансовых услуг// Д еловой партнер. П илотный номер, 1995. С.31-44. 170 |