скачать книгу бесплатно
Нейронные сети в маркетинге, электронной коммерции, планировании производства и логистике
Маргарита Васильевна Акулич
В предлагаемой книге раскрыто понятие нейронных сетей. Рассказано об использовании их в маркетинге, электронной коммерции, планировании производства и логистике.
Нейронные сети в маркетинге, электронной коммерции, планировании производства и логистике
Маргарита Васильевна Акулич
© Маргарита Васильевна Акулич, 2023
ISBN 978-5-0060-0493-1
Создано в интеллектуальной издательской системе Ridero
Предисловие
В предлагаемой книге раскрыто понятие нейронных сетей. Рассказано об использовании их в маркетинге, электронной коммерции, планировании производства и логистике.
I Искусственные нейронные сети: основные понятия
Искусственный интеллект (Artificial intelligence – AI) в маркетинге – тема, которая сейчас доминирует в отрасли. Начиная со всех текущих приложений в автоматизации маркетинга и предиктивной аналитике и заканчивая важным вопросом: Что дальше?
Чтобы лучше понять, куда ведет нас этот глубокий сдвиг в технологии, давайте рассмотрим являющиеся движущей силой изменений мыслительные процессы, компьютерные мыслительные процессы, то есть искусственные нейронные сети.
Если говорить о рынке технологий, он демонстрирует неуклонный рост, в новостях о нем сообщается все чаще. У нейронных сетей много способностей – они способны к обсчету необходимых для принятия решений в маркетинге, бизнесе, продажах и даже в человеческой жизни сложных данных, генерированию текстов и рисованию.
В данной книге мы дадим объяснение того, что собой представляют нейронные сети, как они работают и какая от них польза.
1.1 Что собой представляют искусственные нейронные сети? Как происходит работа нейронных сетей
Что собой представляют искусственные нейронные сети?
Искусственные нейронные сети (Artificial Neural Networks – ANNs) рассматриваются в качестве систем обработки данных, имитирующих работу мозга человека. Имеет место связь цифровых нейронов друг с другом виртуальными синапсами, через которые происходит передача информация. Они имеют отношение к таким областям, как искусственный интеллект и машинное обучение (Machine learning – Ml).
Искусственные нейронные сети – это важный раздел машинного обучения. Именно их используют ученые-компьютерщики для решения сложных задач, таких как составление прогнозов, разработка стратегий и распознавание тенденций.
В отличие от иных алгоритмов машинного обучения, способных упорядочивать данные или пересчитывать цифры, нейронные сети учатся на опыте. Как люди. Нейронные сети, как следует из названия, созданы по образцу нейронных сетей человеческого мозга, отвечающих за принятие человеком решений. Мозг получает информацию, а затем пытается соединить точки, чтобы прийти к заключению.
Сходство ANNs с мозгом человека дает им шанс на запоминание данных, осуществление их анализа и воспроизведение. Появление первой такой системы (как считается) произошло в 1958-м г., когда нейрофизиолог Фрэнк Розенблатт (называемый иной раз отцом глубокого обучения), американский психолог, известный в качестве специалиста в области искусственного интеллекта проявил новаторство в области нейронных сетей, н. В то время у несложной нейронной сети (математической модели) имелась способность к моделированию восприятия машинной информации подобно тому, как это делает человеческий мозг.
Фрэнк Розенблатт в конце 1950-х годов представил публике одного из «дедушек» современных нейронных сетей – перцептрон, однако до Розенблатта были другие, не столь отягощенные известностью попытки описания принципов, по которым могла бы работать подобная человеческому мозгу «думающая» машина. Модель, полученная благодаря исследованиям Уоррена Мак-Каллока и Уолтера Питтса, увидела свет в 1943-м г. в статье, название которой – «Логическое исчисление идей, относящихся к нервной активности», это было для того времени весьма новаторское изобретение.
Сейчас мы видим, насколько эффективными могут быть искусственные нейронные сети. С их помощью даже возможно создание пользователями всего за несколько минут уникальных аватаров из своих изображений для соцсетей.
У людей не всегда что-то получается с первого раза, как и у алгоритмов машинного обучения. Но путем проб и ошибок люди, а также искусственные нейронные сети (ANNs), начинают приходить к получению лучших результатов.
Как происходит работа нейронных сетей
ANNs базируются на имитации работы мозга человека, где происходит передача электронных импульсов от одного нейрона к другому.
В искусственном варианте нейроны представляются как программные узлы, подчиняющиеся заданным алгоритмам, и обеспечивается передача сигналов от одного узла к другому благодаря синапсам.
В настоящее время большинство ANNs относительно просты по сравнению со сложными нейронными взаимодействиями, которые происходят, когда решения принимает человеческий разум. Есть входной слой, выходной слой и слой скрытый, между которыми находятся сотни виртуальных узлов, к которым подключается алгоритм, пытаясь достичь результата.
Чтобы «научиться», алгоритм при каждом вводе изменяет внутренние связи, пока не поймет, как достичь желаемого результата с заданным уровнем точности. После того как алгоритм научится, возможно введение большего числа входных данных, и нейронная сеть выдает работоспособное предсказание или решение.
1.2 Что собой представляет глубокое обучение? Что значимо для работы системы?
Что собой представляет глубокое обучение?
Глубокое обучение, или DL (Deep learning), относится к более интенсивной версии машинного обучения. Помните один скрытый слой в искусственной нейронной сети? В DL существует ряд слоев
Нейронные сети глубокого обучения не только более сложны, но именно здесь существует надежда (и страх), что алгоритмы взлетят и начнут обучаться сами по себе. Там, где технология находится сейчас, будь то базовое машинное обучение или DL, алгоритмы все еще зависят от получения входных данных от людей (т.е. из внешних источников).
Что значимо для работы системы?
Для обучения нейронной сети требуется подготовка входных данных, без которых создание или распознание чего-либо просто невозможно. Сначала необходимо позаботиться о сборе данных.
Для обучения требуется большое количество примеров, чтобы система была в состоянии понимать закономерности. К примеру, если задача нейросети состоит в обретении способности различения рукописных букв «А» и «Б», требуется загрузка сотен или даже тысяч файлов с изображениями соответствующих букв.
Для обучения нейросетей необходимо человеческое участие.
В одном из сценариев специалистом делается выбор необходимых данных и производится загрузка их в систему, самостоятельно затем их анализирующую. В другом сценарии человеком задаются алгоритмы и исправляются сделанные роботом ошибки.
К примеру, проанализировав рукописные «А» и «Б», система в итоге выдала числовое значение (в задачу входило нахождение «Б»). Чем число больше, тем нейронная сеть более уверена в правильности данного варианта. Людям ответ известен, и если обнаруживается ошибка, ими осуществляется корректировка параметров в системе и дается команда произвести пересчет.
1.3 Слои базовой нейронной сети
Ниже дано сильно упрощенное описание трех слоев базовой нейросети
Слой входной
Слоем входным получаются из внешнего мира данные. Они подвергаются анализу, распределяются и передаются на следующий уровень.
Слой выходной
Слой выходной – дающий окончательный результат.
Слой скрытый
Слой скрытый (таких слоев может быть несколько) – отвечающий за обработку информации из слоя первого и иных скрытых слоев. Обеспечивается извлечение конкретных признаков.
1.4 Группировка нейронных сетей
Нейронные сети разнятся по таким переменным, как тематика, задачи и структура.
Имеет место существование большого числа классификаций, но самыми распространенными являются следующие:
Персептроны
Работают со сложными вычислениями.
Генеративные
Создают изображения и тексты сами на основе данных.
Рекуррентные
Работают с меняющейся во времени информацией. Умеют осуществлять прогнозы. Такие нейросети используют в общающимися с людьми ботах.
Сверхточные
Распознают объекты на фотографиях и видео, определяют языки, классифицируют изображения.
1.5 Применение нейронных сетей
Применение нейронных сетей охватывает различные сферы человеческой деятельности.
Прогнозирование
Практикуется использование нейросетей в таких сферах как промышленность и финансы. К примеру, системой может быть произведен расчет нагрузки на электросети за определенный временной период.
Использование искусственных нейросетей в творческих областях
Здесь нейросети демонстрируют преуспевание в создании уникальных произведений искусства.
Однако некоторым из художников такое поведение роботов не по нраву.
Распознавание речи (устной и письменной)
С помощью распознавания речи можно добиться улучшения каналов связи. Нейросети проводят анализ пользовательских комментариев в сети Интернет, а также работают в голосовых помощниках и транскрипции.
Сравнение и классификация
Такая возможность полезна для контроля качества продукции. Таким образом, нейронная сеть для бизнеса исключает влияние человеческого фактора и ускоряет работу.
Анализ изображений
В медицине нейросетью проводится анализ изображений схожих диагнозов и оперативно выдается результат.
Распознавание лиц и изображений
Распознавание лиц и изображений имеет важное значение для осуществления поиска необходимой информации и обеспечения безопасности. К примеру, если система находит не разрешенные к публикации на интернет-ресурсе изображения, она тут же их удаляет.
Обеспечение персонализации
Нейросетью для маркетинга анализируется поведение пользователей в сети и предоставляются предложения, которые пользователям обязательно понравятся. Подобная персонализация работает на увеличение продаж.
1.6 Споры и судебные прецеденты
Сгенерированные нейросетями рисунки вызывали споры и даже судебные прецеденты
Рядом художников были поданы в суд иски на сервисы генерации изображений Stable Diffusion и Midjourney, а также на творческую платформу DeviantArt, использующую собственную нейронную сеть, называющуюся DreamUp.
Согласно утверждению истцов, имело место нарушение авторских прав, так как для обучения данных систем практиковалось использование тысяч изображений из сети Интернет.
Протест художников
Художники на платформе ArtStation выражали протест против нейросетей, они делали загрузку изображения с зачеркнутым словом AI в качестве формы протеста. Причиной их недовольства явилось появление на веб-сайте роботизированного «искусства» – наряду с аутентичным контентом.
II Как нейронные сети используются в маркетинге и их преимущества
2.1 ANNs предоставляют маркетологам новые, более эффективные и динамичные инструменты. Использование нейронных сетей в области предиктивной аналитики
ANNs предоставляют маркетологам новые, более эффективные и динамичные инструменты
ANNs используются во всех отраслях – в медицине, инженерии, маркетинге, менеджмент, е финансах и других. Они также изменяют доступный набор ресурсов маркетинговых технологий, предоставляя маркетологам новые, более эффективные и динамичные инструменты для таких вещей, как:
Прогнозирование поведения потребителей
Создание и понимание более сложных сегментов покупателей
Автоматизация маркетинга
Создание контента
Прогнозирование продаж
Использование нейронных сетей в области предиктивной аналитики
Наиболее широко искусственные нейронные сети применяются в области предиктивной аналитики. В этом случае нейронные сети помогают маркетологам делать прогнозы относительно результатов кампании, распознавая тенденции предыдущих маркетинговых кампаний.
Хотя нейронные сети существуют уже несколько десятилетий, именно относительно недавнее появление Больших Данных (Big Data) сделало эту технологию невероятно полезной для маркетинга.
Благодаря виртуальному морю данных, которые можно вводить в нейронную сеть, появилась возможность получать сложные и точные прогнозы, которые могут помочь руководителям компаний принимать более разумные решения о том, какие действия предпринимать и на какие каналы выделять больше ресурсов.
2.2 Преимущества использования нейронных сетей
Преимущество использования нейронных сетей в получении более точных выводов и прогнозов
Аналогично с сегментацией рынка, прогнозированием продаж, созданием и распространением контента, нейронные сети, получив достаточное количество данных, способны обеспечить более точные выводы и прогнозы, помогая лицам, принимающим маркетинговые решения, лучше оценивать ожидания.
Преимущество использования нейронных сетей в обеспечении более динамичного уровня автоматизации,
Эта технология также обеспечивает более динамичный уровень автоматизации, что не только развивает маркетинговый рабочий процесс, но и создает еще более «бесшовный» опыт для потребителя.
III Примеры нейронных сетей в действии
Далее мы рассмотрим ряд примеров нейронных сетей в действии.
