Интеллектуализация процессов принятия решений в системах управления рисками на базе нейронных сетей семейства ART

В статье рассматривается проблематика применения нейронных сетей семейства ART для оптимизации процесса принятия решений в системах управления рисками. Преимущества такого подхода, такие как способность быстро реагировать на новую информацию и гибкость в обучении, сопоставляются с недостатками, включающими сложности настройки параметров и интерпретации результатов. В следующей части статьи будут изучены различные способы обучения ART-сетей, включая методы без учителя (unsupervised learning) и с учителем (supervised learning), а также ключевые моменты настройки параметров сети. Поднимаются возможные проблемы, связанные с качеством входных данных и сложностью интерпретации выходных данных. В статье также представлен конкретный пример использования нейронных сетей типа ART в сфере строительства для оценки рисков и принятия обоснованных решений. В заключении статьи делается акцент на перспективах использования нейронных сетей семейства ART для кластер-анализа рисков, выявления связанных факторов и группировки их для более эффективного управления. Обсуждаются возможности дальнейшего развития методов принятия решений в управлении рисками с применением нейронных сетей типа ART и их потенциал для обеспечения более точных и прогностических практик.

1. Carpenter G.A., Grossberg S., Markuzon N., Reynolds J.H., Rosen D.B. Fuzzy ARTMAP: an adaptive resonance architecture for incremental learning of analog maps. In: Proceedings of 1992 International Joint Conference on Neural Networks (IJCNN’92): Volume 3, 07 11 June 1992, Baltimore, MD, USA. IEEE; 1992. P. 309–314. https://doi.org/10.1109/IJCNN.1992.227156

2. Carpenter G.A., Grossberg S. Adaptive Resonance Theory (ART). In: The Handbook of Brain Theory and Neural Networks. Cambridge: MIT Press; 2003. P. 87–90.

3. Versace M., Kozma R.T., Wunsch D.C. Adaptive Resonance Theory Design in Mixed Memristive-Fuzzy Hardware. In: Advances in Neuromorphic Memristor Science and Applications. Dordrecht: Springer; 2012. P. 133–153. https://doi.org/10.1007/978-94-007-4491-2_9

4. Афонин П.Н. Система управления рисками. Санкт-Петербург: Троицкий мост; 2016. 125 c.

5. Лекун Я. Как учится машина: Революция в области нейронных сетей и глубокого обучения. Москва: Интеллектуальная Литература; 2020. 348 с.

6. Каширина И.Л., Федутинов К.А. Кластеризация непрерывного потока данных на основе обобщенной модели нейронной сети семейства ART. Системы управления и информационные технологии. 2018;(1):33–39.

7. Каширина И.Л., Львович Я.Е., Сорокин С.О. Нейросетевое моделирование формирования кластерной структуры на основе сетей АРТ. Информационные технологии. 2017;23(3):228–232.

8. Каширина И.Л., Федутинов К.А. Применение сети FUZZY ARTMAP в интеллектуальных системах обнаружения вторжений. Моделирование, оптимизация и информационные технологии. 2018;6(3). URL: https://moit.vivt.ru/wp-content/uploads/2018/07/KashirinaFedutinov_3_18_1.pdf

9. Каширина И.Л., Львович Я.Е., Сорокин С.О. Интегральное оценивание эффективности сетевых систем с кластерной структурой. Экономика и менеджмент систем управления. 2015;(1-3):330–337.

10. Каширина И.Л., Львович Я.Е., Сорокин С.О. Модели и численные методы оптимизации формирования эффективной сетевой системы с кластерной структурой. Информационные технологии. 2015;21(9):657–662.