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.
This article discusses the problems of using neural networks of the ART family to optimize the decision-making process in risk management systems. The advantages of this approach, such as the ability to quickly respond to new information and flexibility in learning, are weighed against disadvantages, including the difficulty of adjusting parameters and interpreting results. The next part of the article will explore various ways to train ART networks, including unsupervised learning and supervised learning methods, as well as key points for configuring network parameters. Possible problems related to the quality of input data and the difficulty of interpreting output data are raised. The article also presents a concrete example of the use of ART-type neural networks in the construction industry to assess risks and make informed decisions. In conclusion, the article focuses on the prospects for using neural networks of the ART family for cluster analysis of risks, identifying related factors and grouping them for more effective management. The possibilities for further development of decision-making methods in risk management using neural networks such as ART and their potential to provide more accurate and predictive practices are discussed.
The authors declare that there are no conflicts of interest present.