AI в бизнесе

По состоянию на середину 2018 года согласно Artificial intelligence: Construction technology’s next frontier

Распределение по отраслям решений AI

Характеристика технологий AI, сулящих коммерческие перспективы

Разновидности нейронных сетей

Дополнительный материал см. Шпаргалка по нейронным сетям.

McKensey выделяет следующие виды нейронных сетей. Следует учесть, что данная типология характеризует больше коммерческий аспект, а не научный. Поэтому в типологии упоминается лишь те виды сетей, которые влияют на монетарные составляющие расходов и доходов проектов, основанных на использовании нейронных сетей.

• Нейронные сети прямого распространения. Цитата:

Нейронные сети прямого распространения (feed forward neural networks, FF или FFNN) и перцептроны (perceptrons, P) очень прямолинейны, они передают информацию от входа к выходу. Нейронные сети часто описываются в виде слоёного торта, где каждый слой состоит из входных, скрытых или выходных клеток. Клетки одного слоя не связаны между собой, а соседние слои обычно полностью связаны. Самая простая нейронная сеть имеет две входных клетки и одну выходную, и может использоваться в качестве модели логических вентилей. FFNN обычно обучается по методу обратного распространения ошибки, в котором сеть получает множества входных и выходных данных. Этот процесс называется обучением с учителем, и он отличается от обучения без учителя тем, что во втором случае множество выходных данных сеть составляет самостоятельно. Вышеупомянутая ошибка является разницей между вводом и выводом. Если у сети есть достаточное количество скрытых нейронов, она теоретически способна смоделировать взаимодействие между входным и выходными данными. Практически такие сети используются редко, но их часто комбинируют с другими типами для получения новых.

• Рекуррентные нейронные сети (англ. Recurrent neural network; RNN) — вид нейронных сетей, где связи между элементами образуют направленную последовательность. Благодаря этому появляется возможность обрабатывать серии событий во времени или последовательные пространственные цепочки. В отличие от многослойных перцептронов, рекуррентные сети могут использовать свою внутреннюю память для обработки последовательностей произвольной длины. Поэтому сети RNN применимы в таких задачах, где нечто целостное разбито на сегменты, например: распознавание рукописного текста или распознавание речи. В последнее время наибольшее распространение получили сеть с долговременной и кратковременной памятью (LSTM) и управляемый рекуррентный блок (GRU).

В ноябре 2016 года исследователи из Оксфордского университета сообщили, что система, основанная на рекуррентных нейронных сетях (и сверточных нейронных сетях), достигла 95-процентной точности в чтении губ, опередив опытных читателей губ, которые показывали лишь 52%.

• Свёрточная нейронная сеть (англ. convolutional neural network, CNN) — специальная архитектура искусственных нейронных сетей. Входит в состав технологий глубокого обучения (англ. deep learning). Идея свёрточных нейронных сетей заключается в чередовании свёрточных слоёв (англ. convolution layers) и субдискретизирующих слоёв (англ. subsampling layers или англ. pooling layers, слоёв подвыборки). Структура сети — однонаправленная (без обратных связей), принципиально многослойная. Для обучения используются стандартные методы, чаще всего метод обратного распространения ошибки. Функция активации нейронов (передаточная функция) — любая, по выбору исследователя. Название архитектура сети получила из-за наличия операции свёртки, суть которой в том, что каждый фрагмент изображения умножается на матрицу (ядро) свёртки поэлементно, а результат суммируется и записывается в аналогичную позицию выходного изображения.

• Генеративно-состязательная сеть (англ. Generative adversarial network, сокращённо GAN)— алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы, а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных . Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает Антагонистическая игра. Использование этой техники позволяет в частности генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Кроме того GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий.

Характеристика техник машинного обучения

Опишем аналитические техники машинного обучения, которые могут с успехом применяться в коммерческих целях.

Набор техник предложен McKensey и состоит в следующем.

• Классификация.
• Оценка (регрессионный анализ).
• Кластеризация.
• Оптимизация.
• Анализ аномалий.
• Ранжирование.
• Рекомендации.
• Генерация данных.

Согласно

How advanced analytics can benefit infrastructure capital planning
By John Levene, Sacha Litman, Ian Schillinger, and Chris Toomey

преимущества аналитических техник выглядят следующим образом:

Оценка рынка предложения AI

Дополнительный материал:

 Achieving business impact with data
By Holger Hurtgen and Niko Mohr