-------
| Библиотека iknigi.net
|-------
|  Маргарита Васильевна Акулич
|
|  Нейронные сети 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.


   3.1 BrainMaker от Microsoft. Under Armour и IBM

   BrainMaker от Microsoft
   Компания Microsoft взяла набор переменных, таких как дата последней покупки, количество купленных и зарегистрированных продуктов, количество дней между выпуском продукта и покупкой, и подключила их к BrainMaker, чтобы узнать, какие клиенты с наибольшей вероятностью откроют ее прямую почтовую рассылку. Она также приобрела данные, относящиеся к ее клиентам, включая количество работодателей и данные о доходах.
   Благодаря использованию нейросетевого программного обеспечения BrainMaker [1]:

   компания Microsoft увеличила коэффициент отклика на прямую почтовую рассылку с 4,9% до 8,2%, что, по словам представителя компании Джима Минервино, означает «тот же объем выручки за на 35% меньшие затраты».

   Under Armour и IBM
   Under Armour использует Watson от IBM для своего фирменного приложения Record, отслеживающего состояние здоровья. Приложение отслеживает данные потребителей, включая данные о тренировках, питании и сне, которые могут поступать от носимых устройств, сторонних приложений и введенных вручную данных. Затем оно подключает эти переменные для создания индивидуального контента для пользователей.


   3.2 The Grid для дизайна веб-сайтов. DeepMind

   The Grid для дизайна веб-сайтов

   The Grid для дизайна веб-сайтов – The Grid – это платформа для дизайна веб-сайтов с поддержкой искусственного интеллекта. Она использует данные от пользователей, начиная от данных для целей формирования контента и заканчивая стилевыми предпочтениями, чтобы автоматизировать процесс проектирования.
   Алгоритм этой платформы, Molly, все еще находится в процессе разработки, но, по мнению рецензентов, потенциал веб-сайта, созданного искусственным интеллектом, весьма примечателен. Будь то Molly или другой ANN, приложения, подобные этому, – это только начало.
   От инновационного использования искусственных нейронных сетей компанией Microsoft для увеличения количества ответов на почтовые рассылки до программ распознавания образов и глубокого анализа настроений в соцсетях – эти компьютерные «мозги» уже глубоко проникли во все сферы маркетинга.
   Понимание того, как они работают сегодня и каковы их прогнозируемые возможности на завтра, необходимо для того, чтобы иметь представление, что разрабатывают для отрасли все тысячи маркетологов и какое влияние искусственный интеллект окажет на маркетинг в ближайшие несколько лет.
   DeepMind

   Источник картинки: mavink.com

   Не стоит забывать и о технологических гигантах, таких как DeepMind, компании Google в области искусственного интеллекта, которые уже много лет набирают лучших специалистов в области компьютерных наук в мире. Принято считать, что мы стоим на пороге очередных перемен в маркетинге и в бизнесе в целом, поскольку технологические компании выясняют, как разработать более умные искусственные нейронные сети.


   3.3 Heinz. Perfect Corp. Looka

   Heinz


   Компанией Heinz было налажено сотрудничество с маркетинговым агентством Rethink Ideas, чтобы создать «первую в истории рекламную кампанию с визуальными эффектами, полностью созданными искусственным интеллектом».
   Агентство использовало генератор изображений с искусственным интеллектом DALL-E 2 ради создания подсказок, связанных с кетчупом, и результаты выглядели так же, как бутылки Heinz. Кампания включала посты в социальных сетях и печатную рекламу с лучшими изображениями, созданными искусственным интеллектом.

   Perfect Corp.
   Perfect Corp. запущено новое решение для виртуальной примерки, в котором используются технологии искусственного интеллекта и дополненной реальности, чтобы предоставить клиентам гиперреалистичную симуляцию прически.
   Пользователи могут выбирать из двенадцати уникальных стилей и просматривать их до и после моделирования. Технология учитывает такие факторы, как цвет волос и оттенок кожи, для создания инклюзивных и впечатляющих симуляций.
   Looka
   Looka – это сервис, способный генерировать логотипы. Система может бесплатно за считанные минуты создать логотип, нужно лишь указать ряд параметров.

   А мы то думали, что цифровая трансформация маркетинга была глубокой. Мы еще этой глубины на самом деле не видели.



   IV Как нейронные сети могут изменить инструменты маркетинга?



   Нейронные сети, подмножество искусственного интеллекта, могут произвести революцию в мире маркетинга. Эти алгоритмы способны анализировать большие объемы данных и выявлять закономерности и тенденции, которые могут помочь компаниям улучшить свои маркетинговые стратегии и более эффективно охватить свою целевую аудиторию.
   Ниже приведен ряд способов, которыми нейронные сети могут изменить маркетинговые инструменты


   4.1 Персонализированный маркетинг. Сегментация клиентов

   Персонализированный маркетинг
   Одним из наиболее значительных преимуществ нейронных сетей является их способность анализировать данные о клиентах и персонализировать маркетинговые сообщения.
   Анализируя прошлую историю покупок, поведение в Интернете и другие данные, нейронные сети могут прогнозировать, какие продукты или услуги, скорее всего, заинтересуют клиента, и соответствующим образом доставлять персонализированные сообщения. Это может помочь компаниям улучшить взаимодействие с клиентами и увеличить продажи.
   Сегментация клиентов

   Нейронные сети могут помочь предприятиям более эффективно сегментировать свою клиентскую базу, выявляя закономерности и тенденции среди клиентов. Это позволяет компаниям создавать целевые маркетинговые кампании для каждого сегмента на основе их предпочтений, интересов и поведения. Данный подход может помочь компаниям повысить рентабельность инвестиций за счет более эффективной ориентации маркетинговых усилий.



   4.2 Прогнозная аналитика. Распознавание изображений и видео

   Прогнозная аналитика


   Нейронные сети способны анализировать большие массивы данных и выявлять закономерности и тенденции, которые могут помочь компаниям прогнозировать поведение клиентов в будущем. Например, они могут анализировать данные о клиентах, чтобы предсказать, какие клиенты с наибольшей вероятностью совершат покупку, какие продукты будут продаваться лучше всего и какие маркетинговые кампании будут наиболее эффективными. Такой подход может помочь компаниям оптимизировать свои маркетинговые стратегии и повысить рентабельность инвестиций.
   Распознавание изображений и видео
   Нейронные сети также можно использовать для распознавания изображений и видео, что позволяет компаниям идентифицировать и анализировать визуальный контент, связанный с их продуктами или услугами. Это способно помочь компаниям отслеживать упоминания бренда в социальных сетях, выявлять потенциальных влиятельных лиц и отслеживать настроения клиентов. Такой подход может помочь компаниям улучшить управление своей репутацией и более эффективно реагировать на отзывы клиентов.


   4.3 Чатботы. Заключение

   Чатботы


   Нейронные сети можно использовать для создания более совершенных чатботов, которые смогут понимать естественный язык и более эффективно реагировать на запросы клиентов. Это способно помочь компаниям улучшить обслуживание клиентов и повысить их вовлеченность.
   Чатботы на основе нейронных сетей также могут помочь предприятиям автоматизировать свои маркетинговые усилия, например, отправлять персонализированные сообщения клиентам на основе их поведения.
   Заключение
   В заключение можно сказать, что нейронные сети могут трансформировать маркетинговые инструменты за счет улучшения персонализации, сегментации клиентов, прогнозной аналитики, распознавания изображений и видео и чатботов. Поскольку технологии продолжают развиваться, мы можем ожидать, что все больше компаний будут использовать нейронные сети для улучшения своих маркетинговых стратегий и более эффективного охвата своей целевой аудитории.
   Хотя, безусловно, есть проблемы, которые необходимо преодолеть, такие как конфиденциальность данных и этические соображения, потенциальные преимущества несомненно значительны, и мы можем ожидать много положительных изменений в мире маркетинга по мере того, как нейронные сети будут становиться более распространенными.




   V Нейронные сети изменят путь клиента в цифровом маркетинге


   5.1 Нейронные сети – это секретное оружие и обещание цифрового маркетинга. Определение путешествий клиентов – важнейший инструмент в наборе инструментов маркетолога


   Нейронные сети – это секретное оружие и обещание цифрового маркетинга
   Вы можете проследить путь клиента в Интернете и точно выявить, что именно заставляет его щелкнуть мышью… или купить, или загрузить, или сделать что-то еще, что вы от него хотите.
   Проблема в том, что с надвигающимся прекращением поддержки файлов cookie, мобильных идентификаторов и фрагментацией пути клиента в Интернете понимание того, что делают клиенты и почему, является для большинства маркетологов скорее стремлением, чем реальностью.
   Все это меняют нейронные сети, подмножество машинного обучения и основные алгоритмы глубокого обучения.
   Определение путешествий клиентов – важнейший инструмент в наборе инструментов маркетолога


   Определение путешествий клиентов – важнейший инструмент в наборе инструментов маркетолога. Визуализация путей клиентов позволяет маркетологам понять, как пользователи взаимодействуют с контентом, как они перемещаются по цифровой экосистеме и как адаптировать взаимодействие к этапу воронки продаж, на котором находится клиент.
   Но прямой количественный анализ пути клиента сложен – в значительной степени из-за так называемого «проклятия размерности» – когда все возможные комбинации и перестановки пути клиента растут так быстро, что данные становятся неуправляемыми или непостижимыми для людей. Вот где на помощь приходят нейронные сети.


   5.2 Как нейронные сети проясняют путь клиента. Устранение неэффективности сети

   Как нейронные сети проясняют путь клиента
   Нейронные сети могут объединять похожие пути клиентов, используя алгоритмы встраивания изображений. Это позволяет получить более полное представление о поведении клиентов и выделить нишевые модели поведения, которые указывают на разные этапы воронки продаж, и в противном случае (при традиционном анализе) могут быть упущены.
   Модель кластерной нейронной сети позволяет маркетологам понять, как клиенты привлекаются, конвертируются и уходят с их веб-сайтов, а также какие действия им надо предпринимать для достижения успешных результатов бренда.
   Есть несколько непосредственных преимуществ этой кластерной модели нейронной сети. О них рассказано ниже.
   Устранение неэффективности сети
   Знание того, как клиенты перемещаются по цифровой экосистеме, позволяет брендам сосредоточиться на критических моментах пути, гарантируя, что нужный контент находится в нужном месте. Эти знания также можно использовать для выявления и устранения узких мест, таких как отнимающая много времени или медленная загрузка страниц, улучшая общее качество обслуживания клиентов.


   5.3 Улучшение прогнозирования оттока. Развертывание нейросетей не означает отказа от традиционных способов визуализации пути клиента. Как вы можете заставить модель кластерной нейросети работать

   Улучшение прогнозирования оттока


   Почему клиенты уходят? Какие действия они предпринимают, в каком порядке и как долго, прежде чем сбиваются с пути? Все эти вопросы может решить модель нейронной сети. Сравнивая похожие кластеры, маркетологи могут выявить закономерности между путешествиями клиентов и оптимизировать кластеры, подверженные риску оттока. Тот же принцип можно применить и для повышения коэффициента конверсии.
   Развертывание нейросетей не означает отказа от традиционных способов визуализации пути клиента
   Развертывание нейронных сетей не означает отказа от традиционных способов визуализации пути клиента. Скорее, они могут сделать существующие модели более четкими и функциональными в масштабе, чтобы их можно было оценивать в соответствии с бизнес-предположениями.
   Предоставляя эмпирические данные о поведении клиентов в Интернете и группируя их в легко усваиваемые когорты, кластеризация моделей нейронных сетей может позволить маркетологам переоценить бизнес-предположения, переориентировать маркетинговую стратегию и сократить путь потенциального клиента к покупке.
   Кластеры имеют дополнительную ценность, делая эти знания более действенными и усваиваемыми по сравнению с концентрацией внимания на отдельных циклах взаимодействия с клиентом. Короче говоря, эту модель кластеризации пути клиента можно использовать в качестве бизнес-инструмента и интегрировать в более широкий спектр маркетинговых методов.

   Как вы можете заставить модель кластерной нейросети работать
   Для тех, кто хочет вникнуть в технические подробности того, как заставить модель кластерной нейронной сети работать для своего бизнеса, рекомендуется пойти на следующие шаги:
   Создавайте образы пути клиента.
   Преобразуйте все параметры клиента, которые вы хотите сгруппировать (например, действие, время, последовательность просмотренных страниц), в ячейки и строки определенного цвета.
   Вы можете сделать это, используя библиотеку Python numpy. [4]:

   NumPy – это библиотека языка Python, добавляющая поддержку больших многомерных массивов и матриц, вместе с большой библиотекой высокоуровневых (и очень быстрых) математических функций для операций с этими массивами.

   Обработайте изображения в сверточной нейронной сети, чтобы уменьшить их размеры.
   Библиотека Python keras предоставляет инструменты для настройки модели. Наконец, после создания низкоразмерных изображений их можно сгруппировать с помощью алгоритма HDBSCAN, доступного в одноименном пакете Python [5]:

   «Keras – это API глубокого обучения, написанный на Python и работающий поверх платформы машинного обучения TensorFlow. Он был разработан с акцентом на возможность быстрого экспериментирования. Возможность как можно быстрее перейти от идеи к результату является ключом к хорошему исследованию.
   Керас это:
   Просто – но не упрощенно. Keras снижает когнитивную нагрузку на разработчиков, позволяя вам сосредоточиться на действительно важных частях проблемы. Гибкость – Keras использует принцип постепенного раскрытия сложности: простые рабочие процессы должны быть быстрыми и легкими, в то время как произвольно расширенные рабочие процессы должны быть возможны через четкий путь, основанный на том, что вы уже изучили. Мощный – Keras обеспечивает лучшую в отрасли производительность и масштабируемость: он используется организациями и компаниями»

   В связи с прекращением поддержки файлов cookie и мобильных идентификаторов, а также растущими ограничениями на таргетинг, ориентированным на данные маркетологам потребуется использовать более сложные инструменты, чтобы понять завтрашний путь клиента. Маркетологи, использующие нейронные сети, должны добиться больших успехов в своих усилиях по лучшему пониманию и оптимизации пути клиента к покупке.



   VI Как нейронные сети изменят электронную коммерцию



   Электронная коммерция – это многотриллионная отрасль, в которой происходят большие преобразования, которые навсегда изменят то, как мы продаем, и то, как потребители будут покупать. Учтите это.
   Вы покупаете в Интернете новые рубашки, соответствующие вашему костюму. Вы быстро фотографируете себя в этой куртке и брюках, загружаете фото на веб-сайт интернет-магазина и сразу же получаете подходящие варианты рубашек и галстуков вашего размера. Сейчас это может звучать как научно-фантастический опыт. Но на самом деле это не так. Быстрое развитие искусственного интеллекта и, в частности, использование нейронных сетей может сделать этот вид CX реальностью.
   Примечание [8]:

   «CX (customer experience) – это опыт, который формируется у клиента при его взаимодействии со всеми направлениями работы компании, в том числе с представленными ей продуктами и услугами»



   6.1 Что такое нейронные сети? Последствия для электронной коммерции

   Что такое нейронные сети?
   В человеческом мозгу нейронные сети – это электрические соединения, возникающие, когда человек узнает что-то новое. Это позволяет ребенку, например, в конечном счете узнать, что такое собака – достаточно опыта обучения, который укрепляет эти нейронные связи, так что, даже если они различаются по размеру, форме, цвету и т. д., понятие о собаке закрепляется.


   Искусственные нейронные сети аналогичны. Вместо нейронов есть единицы – входные, скрытые и выходные. На входные устройства подается информация; скрытые модули обрабатывают эту информацию и решают, что следует извлечь из ввода; а затем выходные единицы сообщают об этом обучении.
   Если обучение правильное или неправильное, сети уведомляются через то, что называется обратным распространением – большое слово для обратной связи. Продолжая аналогию с собакой, это похоже на дрессировку собаки, предоставление ей информации, на принуждение ее к обработке информации, а затем к тому, чтобы она вела себя определенным образом. Обратная связь дается на основе поведения собаки.
   Помимо искусственных нейронных сетей Искусственные нейронные сети (Artificial Neural Networks – (ANNs) существуют рекуррентные нейронные сети (RNN), которые добавляют к ANNs циклы памяти.
   RNN часто называют глубоким обучением, и большинство приложений все еще находятся в лабораторном состоянии. Например, некоторым специалистам по данным удалось написать письмо, имитирующее шекспировские пьесы, или выучить язык.
   Хотя RNN-сети пока особо не приносят практической пользы, нынешние эксперименты демонстрируют удивительную мощь, которой обладает искусственный интеллект и будет обладать в будущем для моделирования человеческой деятельности.
   Последствия для электронной коммерции
   Поскольку нейронные сети продолжают развиваться, у электронной коммерции есть несколько интересных и потенциально полезных способов их использования. В то время как онлайн-покупки по-прежнему являются бурно развивающейся человеческой деятельностью, все еще существуют ограничения, связанные с опытом, особенно с онлайн-поиском продуктов в отсутствие продавца, который мог бы помочь. Но технология нейронных сетей может обеспечить гораздо более персонализированный опыт, давая большую помощь, чем покупатель получил бы от другого живого человека.
   Далее мы рассмотрим 3 способа использования искусственного интеллекта, оптимизирующих процесс онлайн-покупок.



   6.2 Три способа использования искусственного интеллекта, оптимизирующих процесс онлайн-покупок

   1. Расширенный поиск
   Довольно неприятно проводить общий поиск согласно тому, что покупатель считает хорошим ключевым словом или фразой. Однако часто оказывается, что это не так, и появляется много нерелевантных результатов.
   Затем искатель должен повторять ключевые слова, пока не будут найдены правильные. Это происходит потому, что алгоритмы поисковых систем сопоставляют ключевые слова со словами в названиях и описаниях продуктов, а не с выражениями на естественном человеческом языке. Нейронные сети, которые могут изучать естественный язык, могут добавить «человеческий» элемент в обработку поиска и позволить покупателям получать желаемые результаты с первого раза.
   Трое бельгийских аспирантов разработали нейронную сеть, которая могла изучать различные особенности платьев как по тексту, так и по изображению. Сеть узнала различия в вырезах, типах юбок, длинах рукавов и т. д. Так что, когда поиск проводился по спецификам атрибутов, в результатах поиска появлялись продукты, соответствующие этим спецификам.

   Ответ – «мужчина», а определение – это описание из пункта Викиданных Q6581097, «человек, который является мужчиной (используйте со свойством: P21 пол или пол). Для групп мужчин используйте с подклассом (P279)». Siri. https://twitter.com/aylin_cim/status/1028291372309082112

   Siri – это личный помощник, который извлекает информацию на основе возможностей обработки естественного языка (NLP). Пользователи могут задавать вопросы полными предложениями. Но Siri – это, по сути, поисковая система, основанная на базовом веб-поиске. Теперь те же создатели представили «Сына Siri», также известного как Viv. Viv может обрабатывать более сложные запросы и использует нейронные сети, которые научились достаточно, чтобы предоставлять информацию, а не просто ее извлекать.
   Примечание [9]:

   «Siri (sɪəri, рус. Сири, бэкр. англ. Speech Interpretation and Recognition Interface) – облачный персональный помощник и вопросно-ответная система, программный клиент которой входит в состав iOS, iPadOS, watchOS, macOS и tvOS компании Apple. Данное приложение использует обработку естественной речи, чтобы отвечать на вопросы и давать рекомендации. Siri приспосабливается к каждому пользователю индивидуально, изучая его предпочтения в течение долгого времени»

   2. Персонализация покупательского опыта и прямой маркетинг
   Одним из наиболее важных достижений в области искусственного интеллекта стала способность собирать, анализировать и затем использовать огромные объемы данных для мониторинга поведения потребителей по различным демографическим характеристикам, а затем объединять этих потребителей в группы на основе их историй покупок, предпочтений и т. д ..
   Делая это, маркетологи могут ориентировать свою рекламу конкретных продуктов на основе данных групп и даже отдельных лиц. Ярчайший тому пример – Amazon. Когда покупатели ищут товары на Amazon, им сразу же показываются другие сопутствующие товары. И выбор этих других продуктов не случаен. У Amazon есть нейронные сети в действии, продвигающие продукты, которые купили представители тех же демографических групп.
   3. Расширенное прогнозирование продаж и предсказания
   Традиционно компании прогнозируют продажи на основе собственной истории. Но потребители могут быть непостоянными; их предпочтения меняются. И маркетологи пытались делать прогнозы и предсказания, основываясь на том, что, по их мнению, будет новыми тенденциями и «настроениями» их типичных клиентов. Это всегда оказывалось длительной, трудоемкой и не всегда точной процедурой.
   Но теперь можно использовать нейронные сети, способные собирать и анализировать огромные наборы данных и учиться извлекать определенные функции и делать прогнозы на основе этих функций.
   Два китайских специалиста по данным не так давно проверили точность того, что они называют сверточной нейронной сетью, и результаты подтвердили эффективность в прогнозировании продаж искусственного интеллекта.
   Чего хотят владельцы бизнеса электронной коммерции? Они хотят увеличения количества транзакций, большей удовлетворенности клиентов, увеличения удержания клиентов и, в конечном счете, большего количества конверсий.
   Нейронные сети, которые могут стимулировать предприятия электронной коммерции за счет более качественных результатов поиска, персонализированного опыта и таргетинга, а также большего «человеческого контакта», обеспечат превосходную эффективность и автоматизацию. Предприятия, использующие нейронные сети, получат огромное конкурентное преимущество.
   Электронная коммерция – это многотриллионная отрасль, в которой происходят большие преобразования, которые навсегда изменят то, как мы продаем, и то, как потребители станут покупать.



   VII Почему планировщики производства должны заботиться об объяснимом искусственном интеллекте?





   7.1 Ответ – Холмс. «Черный ящик» против «ориентированного на пользователя»

   Ответ – Холмс
   Допустим, вы разыскиваете грабителя банков, который только что совершил хитроумное ограбление. До сих пор никому не удалось раскрыть дело, поэтому вы привлекаете два источника помощи извне: первый – полицейский экстрасенс – вы не верите, что у него действительно есть экстрасенсорное восприятие, и его послужной список опознаний преступников превосходный, но он всегда объясняет дела только с точки зрения духовного мира. Другой – Шерлок Холмс – культовый мастер дедуктивных рассуждений, обладающий талантом к драматическим разоблачениям.
   Двое прибывают на место происшествия и вскоре готовы представить свои гипотезы. В двух версиях преступления есть некоторые совпадающие идеи, но они расходятся в нескольких ключевых деталях. Холмс объясняет эти точки расхождения рациональными терминами со свойственным ему чутьем, а полицейский экстрасенс снова объясняет то, что сказали ему голоса из потустороннего мира. Какую учетную запись вы собираетесь использовать, пытаясь задержать преступника?
   Для большинства из вас, предположительно, ответ – Холмс, и не только из-за его репутации. Скорее всего, вы выбрали его объяснение, потому что он привел ряд рассуждений, приведших к заключению. Несомненно, что аргументированное объяснение способно внушить гораздо больше доверия, чем необъяснимый ход мыслей экстрасенса. И вы правы, выбирая версию, которая может быть объяснена. Однако есть вопрос – почему так много пользователей технологий цепочки поставок соглашаются на принятие рекомендаций, в которых не содержатся обоснования выводов?
   «Черный ящик» против «ориентированного на пользователя»
   В приведенной выше причудливой истории цель состояла в том, чтобы проиллюстрировать точку зрения о двух разных подходах к искусственному интеллекту (AI): «черный ящик» и «ориентированный на пользователя».
   В настоящее время искусственный интеллект «черного ящика», т. е. технологические решения, которые получают данные и выдают прогнозы или предложения, не давая вам взглянуть на их внутреннюю работу, является стандартом в большинстве отраслей, включая производство и управление цепочками поставок. Тем не менее, объяснимый AI (или AI, ориентированный на пользователя) начинает привлекать внимание.
   Что такое объяснимый искусственный интеллект (объяснимый AI)?
   Ну, это примерно то, на что это похоже: вместо того, чтобы выдавать ответ без каких-либо рассуждений и ожидать, что планировщики примут его как истину (как наш полицейский экстрасенс выше), ориентированный на пользователя AI способен «показать свою работу» и предоставить пользователям решения с некоторой предысторией.
   До сих пор имеется много случаев, когда люди заинтересованы в объяснимом AI для вопросов, где предвзятость вызывает беспокойство. Компания Amazon, например, относительно недавно запустила AI для найма «черных ящиков», который оказался предвзятым в отношении женщин.
   Подобные вещи возникали в ограниченных или гипотетических случаях использования в уголовном правосудии, но в результате в этих ситуациях люди все чаще выступают за AI-алгоритмы, которые могут хотя бы частично показать лицам, принимающим решения, как они пришли к своим оценкам или предложениям. Можно уверенно предположить, что эти соображения могут быть столь же актуальными в контексте производства или цепочки поставок.


   7.2 AI в цепочке поставок. Планирование производства в эпоху Индустрии 4.0

   AI в цепочке поставок
   Хорошо, но в чем существенная разница между «черным ящиком» и объяснимым развертыванием AI с точки зрения, скажем, планировщика производства, пытающегося оптимизировать свои еженедельные производственные циклы?. На каком-то уровне большая разница здесь может заключаться в пользовательском интерфейсе: с AI-решением «черный ящик» планировщик может подключить алгоритм к нескольким источникам данных, подставить некоторые числа по мере необходимости и сидеть сложа руки, пока программа придумывает решение.
   Это решение может представлять собой полный план, а в контексте Индустрии 4.0 оно может даже автоматически упорядочивать и планировать данный план. Это, безусловно, удобно. Но для планировщика, который может захотеть рассмотреть несколько вариантов или у которого могут быть проблемы или ограничения, которые нелегко определить количественно, это может привести к сбоям. Или это может привести к низкой вовлеченности, т. е. планировщик не захочет использовать инструмент и вместо этого будет продолжать создавать планы вручную.
   С объяснимым AI эта ситуация может выглядеть совсем иначе. Вместо того, чтобы выдавать полный план, AI может показать визуализацию различных рассмотренных сценариев планирования и их различных плюсов и минусов. Он может показать вам, что именно он считает оптимальным планом, а также информацию о том, что делает его лучшим вариантом, который планировщик может затем рассмотреть или даже настроить с помощью AI.
   Таким образом, если с вашими данными происходит что-то подозрительное, это будет заметно, и вы сможете принять меры для решения этой проблемы. Точно так же, если AI сделает вам неортодоксальное предложение, вы сможете получить некоторое представление о том, почему он считает это предложением оптимальным. Таким образом, вы сможете прийти к правильному выводу быстрее и с большей уверенностью.
   Планирование производства в эпоху Индустрии 4.0


   Объяснимый AI мог действовать скорее как помощь в планировании производства человеком, чем как его замена. В целом, алгоритмы искусственного интеллекта «черный ящик» (которые могут опираться на нейронные сети или аналогичную технологию) могут выполнять более сложные вычисления, но компромисс заключается в том, что они предлагают помощь в планировании только на своих условиях. Таким образом, объяснимый AI приближает нас к мечте Индустрии 4.0 о киберфизических системах.
   Другими словами, AI, способный действовать как своего рода доверенный консультант для сужения правильных вариантов, может создать настоящие «умные фабрики», использующие данные для обеспечения сочетания автоматизированных и ручных рабочих процессов при планировании и развертывании.
   В конечном счете, мы, вероятно, увидим все больше и больше сценариев, в которых системы могут принимать и выполнять автономные решения в рамках производственной цепочки в будущем. В то же время эти решения всегда будут поддерживать человеческие усилия с точки зрения более широкой тактики и стратегии. В конце концов, есть реальная ценность, которую можно получить, рассматривая AI-технологию, учитывающую этот факт.
   Индустрия 4.0 не может существовать без таких вещей, как искусственный интеллект, машинное обучение и расширенная аналитика, но она не может существовать и без специалистов по планированию производства.



   VIII Являются ли нейронные сети и глубокое обучение следующей большой тенденцией цепочки поставок?


   8.1 Технологии – это путь вперед для устойчивой цепочки поставок будущего. Глубокое обучение и искусственные нейронные сети: обзор

   Технологии – это путь вперед для устойчивой цепочки поставок будущего


   Технологии – это путь вперед для устойчивой цепочки поставок будущего. К настоящему времени ваша цепочка поставок должна быть знакома с технологиями – независимо от того, начинаете ли вы цифровую трансформацию своей организации или уже успешно внедряете несколько технологий Индустрии 4.0.
   Технологии – это путь вперед для устойчивой цепочки поставок будущего. Но что вы на самом деле знаете о новых технологиях, призванных привести вашу цепочку поставок в это технологическое будущее? Например, о чем вы думаете, когда слышите слова «нейронные сети» или «глубокое обучение»? Если вы недоверчиво покачали головой или вашим первым желанием было сказать что-то о человеческом мозге, следующее изложение – для вас.
   Глубокое обучение и искусственные нейронные сети: обзор
   Говорить об одной из этих технологий – значит говорить о них обеих. Глубокое обучение (Deep learning – Dl) – это часть машинного обучения, связанная с созданием алгоритмов, которые, как вы уже догадались, питают нейронные сети.
   Искусственные нейронные сети (Artificial Neural Networks – ANNs) представляют собой адаптируемые системы нейронов, состоящие из алгоритмов, которые сложным образом взаимодействуют друг с другом. Эти взаимодействия сравнивают с взаимодействиями между нейронами в головном мозге, отсюда и использование термина «нейрон».
   Они учатся, собирая данные и пропуская их через алгоритмы глубокого обучения в своей конфигурации. Это те же алгоритмы, которые используются в системах обработки естественного языка и схеме распознавания голоса в вашем смартфоне. Это также те же алгоритмы, которые контролируют фильтрацию, используемую на платформах социальных сетей, чтобы контролировать то, какой контент вы видите.


   8.2 Как нейронные сети произведут фурор в глобальной цепочке поставок. Решающее значение на современном быстро меняющемся рынке имеет адаптивность

   Как нейронные сети произведут фурор в глобальной цепочке поставок
   Теперь вернемся к вашей основной задаче – управлению цепочками поставок. Как DL и ANNs повлияют на ваш повседневный рабочий процесс? Какие этапы вашей цепочки создания стоимости могли бы получить наибольшую пользу от некоторой оптимизации? Несоответствие спроса и предложения из-за неточности прогноза, вероятно, окажется в верхней части этого списка, и это одна из областей, которая должна быть нарушена. Когда клиенты не получают то, что они хотят, когда они этого хотят, они склонны перебегать к конкуренту.
   Когда вы задействуете многоуровневый анализ и вычислительную мощность искусственных нейронных сетей, в результате резко сокращается несоответствие между тем, что вы производите, и тем, что требуют ваши клиенты. Нейронные сети могут предоставлять более точную информацию на основе всех доступных данных в рекордно короткие сроки.
   Это связано с несколькими уровнями взаимодействия между алгоритмами, которые одновременно принимают и обрабатывают различные потоки данных. Это отличается от более распространенного поколения алгоритмов машинного обучения, в которых один вход ведет к одному выходу.
   У планировщиков достаточно работы, чтобы не иметь дело с результатами неточного ручного прогноза спроса. Когда вы позволяете алгоритму анализировать прошлые покупательские привычки клиентов, текущие рыночные тенденции и даже погодные условия, вы получаете максимально точный прогноз. А благодаря множеству входных данных вы можете запускать алгоритмы для постоянно свежей информации, позволяющей вам адаптироваться и разворачиваться в любой момент, чтобы идти в ногу со своими потребителями и опережать своих конкурентов.
   Решающее значение на современном быстро меняющемся рынке имеет адаптивность
   Потребительские рынки нестабильны даже в лучшие времена. Модели покупок сильно меняются от сезона к сезону, казалось бы, по прихоти. И сегодняшний рынок совсем не типичен, поскольку последствия глобальной пандемии еще не полностью осознаны. Настроить себя на устойчивость при движении вперед будет обязательно, чтобы выжить в грядущей неизвестности, не говоря уже о процветании.
   Искусственные нейросети способны самостоятельно «поворачиваться», основываясь на том, что они узнают, поглощая ваши потоки данных.
   Основное внимание алгоритмов глубокого обучения уделяется созданию систем, способных учиться как на повседневной деятельности, так и на ошибках и решениях.
   В качестве примера использования предположим, что вы вводите в свою нейронную сеть данные о продажах за прошлый год, прогноз спроса на текущий квартал и прогнозы потребительских закупок по всему миру. Затем вы можете воспользоваться полученной информацией и скорректировать уровень запасов на другом складе или перенаправить контейнеровозы в другой порт захода, чтобы найти продукт более стратегически.
   Вуаля! Вы только что сократили время доставки, потому что теперь склад будет расположен ближе к вашим покупателям, а это значит, что клиенты будут довольны. Выполнение этого в рамках сокращенного цикла, скажем, в 30 дней означает, что вы сможете идти в ногу с меняющимися условиями в режиме реального времени, и вам больше никогда не придется наверстывать упущенное.


   8.3 Распознавание образов – это больше, чем просто поиск Уолдо. Объяснимый искусственный интеллект – это будущее, и оно почти наступило

   Распознавание образов – это больше, чем просто поиск Уолдо


   Вы, вероятно, знаете идею распознавания образов из детских книг «Где Уолдо?». (или «Где Уолли?» в зависимости от вашего местоположения). В этих книгах есть серия изображений, изображающих Уолдо в его фирменном свитере и шляпе, где-то среди хаоса уличных сцен. Как долго вам потребуется их распознавать?
   Представьте, насколько быстрее работает нейронная сеть, работающая на алгоритмах, которые могут выполнять вычисления в тысячи раз быстрее, чем ваш мозг может выполнить ту же задачу. Способность поглощать горы, а мы имеем в виду терабайт за терабайтом, данных и получать полезные идеи в режиме реального времени – это распознавание образов в совершенно новом масштабе. В процессе изучения того, что вы хотите распознать, – скажем, потребительские тенденций в Океании, – алгоритмы, лежащие в основе вашей искусственной нейронной сети, извлекают лакомые кусочки, которые ускользнули бы от человеческого глаза, и используют их для составления прогнозов, с которыми никто никогда не сможет сравниться.
   Объяснимый искусственный интеллект – это будущее, и оно почти наступило


   Объяснимый искусственный интеллект – это термин, используемый для описания ситуации, когда человек может указать не только то, какие данные вошли в алгоритм, но и то, как этот алгоритм пришел к результатам, которые он сделал. Данные больше не будут загружаться в черный ящик кода только для того, чтобы на другом конце получить кажущиеся необъяснимыми результаты. Хотя эти результаты могут быть именно тем, что вам нужно, вы не имеете ни малейшего представления о том, каким образом они были достигнуты.
   Поскольку искусственные нейронные сети (Artificial Neural Networks – ANNs) работают по той же модели, что и человеческий мозг, который изучался в течение нескольких поколений, мы можем поднять процессы и внутреннюю работу на уровень, на котором любая аудитория сможет понять, что именно послужило причиной создания идей, которые они сейчас используют для оптимизации цепочки поставок.
   Будь то управление запасами, маршрутизация логистической сети или планирование спроса, будущее за глубоким обучением и нейронными сетями.




   IX Использование нейросетей в сфере логистики


   9.1 Бурной расцвет компьютерных технологий автоматического интеллектуального анализа данных. Цепочки поставок и нейронные сети

   Бурной расцвет компьютерных технологий автоматического интеллектуального анализа данных


   Компьютерные технологии автоматического интеллектуального анализа данных находятся на  этапе бурного расцвета. Это связано, главным образом, с потоком отличающихся новизной идей, исходящих из области компьютерных наук, образовавшейся на пересечении таких вещей как теория баз данных, статистика и искусственный интеллект.
   Элементы автоматической обработки и анализа данных фактически превратились в неотъемлемую часть концепции электронных хранилищ данных и зачастую именуются в данном контексте data mining (добыча знаний из данных).
   Цепочки поставок и нейронные сети
   Цепочкам поставок в последние годы уделяется значительное внимание. Искусственные нейронные сети (NN) – это метод, доступный в искусственном интеллекте (AI), который имеет много сторонников из-за наличия разнообразных приложений, поскольку их можно использовать для движения к полной гармонии.
   NN, новый метод искусственного интеллекта, имеет сильную привлекательность для широкого спектра приложений для решения многих проблем, связанных с цепочками поставок.
   В одном из исследований [10] вводятся NN и объясняется использование этого метода в пяти функциях, определенных областями цепочки поставок, включая оптимизацию, прогнозирование, моделирование и симуляцию, кластеризацию, поддержку принятия решений, и возможность использования NN в управлении цепочками поставок. Результаты исследования показали, что приложения NN в SCM (Supply Chain Management – управление цепочкой поставок) все еще находятся на стадии разработки, поскольку не хватает авторов, чтобы сформировать сильную групповую силу в исследовании приложений NN в SCM.
   Компания может иметь запасы, такие как сырье, комплектующие, полуфабрикаты или конечные продукты. Они могут удерживаться по таким причинам, как создание буферов для борьбы с неопределенностью спроса и предложения, использование преимуществ меньшего количества покупок с большими объемами и снижение транспортных расходов. В последнее время многие исследователи сосредоточились на разработке моделей, которые призваны устранять запасы и отражать затраты на управление запасами в цепочке поставок.


   9.2 Люди используют нейронные сети в ответ на наличие областей, так или иначе требуюЩИХ привлечения машинного интеллекта. Нейронные сети широко используются в различных сферах

   Люди используют нейронные сети в ответ на наличие областей, которые так или иначе требуют привлечения машинного интеллекта


   Люди используют нейронные сети в ответ на наличие областей, которые так или иначе требуют машинного интеллекта. Их приемлемая производительность с точки зрения скорости и точности прогнозирования тенденций на финансовых рынках, идентификации по почерку или пластических взрывчатых веществ в багаже пассажиров самолетов сделала их известными как уникальную AI– технику. Неудивительно, что возможности нейронных сетей неизбежно преувеличивались.
   Однако этот инструмент способен устранить неопределенность в управлении запасами. В одном из исследований была введена обобщенная нейронная сеть, а затем были исследованы некоторые из ее применений в управлении цепочками поставок [10]. Было обнаружено, что нейронные сети являются лучшими инструментами для применения других методов, таких как экспертные системы, математическое планирование, моделирование и т. д. Наконец, были обсуждены проблемы, приведшие к недостаточной производительности нейронных сетей.
   За последнее десятилетие в мире бизнеса произошло много изменений в управлении поставщиками, и корпоративная зависимость от поставщиков стала более значительной, чем когда-либо. В то же время компании сталкиваются со многими товарами, которые необходимо закупить, и с потенциальными поставщиками. Кроме того, учитывая различные требования, одна и та же политика выбора разных поставщиков не кажется разумной. Необходимость в дополнительных политиках гласит, что нужны различные товары для покупок и (соответственно) поставщики.
   Нейронные сети широко используются в различных сферах
   Нейронные сети широко используются в различных сферах, особенно в менеджменте
   Цепочка поставок состоит из разных частей. Целью управления цепочками поставок является управление каждым из этих компонентов. В этом отношении нейронные сети помогли решить проблемы цепочки поставок. На основе исследований было рассмотрено количество статей, в которых говорилось об использовании искусственных нейронных сетей для решения проблем цепочки поставок. Результаты показали, что [10]:

   наибольшее количество статей в этой области в 2009, 2017 и 2018 годах составило 13, 24 и 27 соответственно. В середине 2022 года было опубликовано 26 статей, и благодаря использованию нейронных сетей прогнозируется, что количество научных продуктов в области цепочек поставок значительно возрастет.

   Основным элементом нейронной сети является математически смоделированный искусственный нейрон, созданный Маккаллохом и Питтсом. Ими было показано, как работает искусственный нейрон. Каждый нейрон имеет несколько входов и один выход. Каждый вход умножается на предопределенный весовой коэффициент
   Затем выход определяется математической функцией f (x), представляющей собой сумму произведения входных данных и весовых коэффициентов. Следовательно, то, как имитируется конкретная клетка мозга, определяется вычислением.
   Предположим, что искусственный нейрон с небольшой разницей в сочетании весовых коэффициентов и n (f) создан для одного и того же набора входных данных. В данном случае вывод может быть несколько иным. Это может показаться относительно простым, но когда эти преобразования соединяют неподходящие топологии с подходящими факторами выбора, они создают основу для надежной вычислительной парадигмы. Большинство исследований нейронных сетей и их приложений сосредоточено на изучении сетевых топологий и определении весовых коэффициентов.


   9.3 Нейронные сети используются для решения задач в разных областях. Слабые места нейронной сети

   Нейронные сети используются для решения задач в разных областях
   Доказано, что при решении задач классификации и регрессии с учетом нелинейности связи между входными и выходными переменными можно эффективно оценить любую функцию при определенных условиях. Благодаря этим возможностям нейронные сети используются для решения задач в разных областях, таких, например, как прогнозирование временных рядов. В частности, было показано, что эти сети имеют выдающиеся результаты при использовании их для прогнозирования.

   Слабые места нейронной сети
   Слабые места нейронной сети бывают двух типов. Первый недостаток заключается в том, что нейронные сети могут предоставлять решения, которые не способствуют пониманию пользователя; это существенный недостаток при сравнении нейронных сетей с экспертными системами. Постепенно исследователи пытаются преодолеть эту проблему.
   Второй недостаток заключается в том, что часто сложно получить ценные качественные данные для правильного обучения нейронных сетей. Иногда необходимые данные труднодоступны; во многих случаях информация доступна, но то, как она управляется, полностью нарушает процесс. К сожалению, этот процесс иногда приводит руководство к мысли, что данная уникальная особенность описана или рассчитана неправильно.


   9.4 Технология RFID

   Технология RFID
   В последние годы была разработана новая технология, называемая радиочастотной идентификацией (RFID), которая содержит необходимую информацию, такую как код продукта и указание производителя. Технология будет генерировать бесчисленные данные о бизнесе, которые можно считать богатой основой для использования в нейронных сетях. Это исследование предложило структуру, включающую восемь новых областей исследований для SCM и интеграции NN-методов. Структура исследования описывает преимущества интеграции NN для достижения эффективности в SCM.
   Последние мысли
   Нейронные сети по-прежнему очень ориентированы на практическое использование и значительные улучшения в инженерии, хотя они продолжают оставаться мощной технологией. С точки зрения управления цепочками поставок в одном из исследований [10] предложено несколько аспектов, которые могут внести значительный вклад в развитие нейронных сетей.
   Одним из наиболее важных аспектов управления цепочками поставок является усиление координации участвующих в цепочке компаний – для снижения затрат и повышения удовлетворенности клиентов за счет своевременной доставки. Также одном из исследований [10] было показано, что нейронные сети могут давать более точные результаты, такие как простой прогноз, среднее значение, скользящее среднее и даже превосходный метод линейной регрессии, чем традиционные методы. В этом исследовании, основанном на классификации проблем цепочки поставок, было акцентировано внимание на применении искусственных нейронных сетей в каждой из проблем и способах их решения с помощью искусственных нейронных сетей.
   Согласно результатам, наибольшее количество опубликованных статей по теме решения задач цепочки поставок с использованием искусственной нейронной сети приходится на прогнозирование спроса, выбор поставщиков и проектирование логистических сетей. Наименьшее количество опубликованных статей приходится на управление рисками и запасами.
   Таким образом, можно сделать вывод, что решению проблемы управления рисками и управления запасами в цепочке поставок с помощью искусственных нейронных сетей уделяется меньше внимания, и это можно считать темой для будущих исследований. Также было объяснено, что из-за различных ограничений и возможностей разных инструментов интеграция искусственных нейронных сетей с другими существующими методами может привести к улучшению результатов.
   Считается, что отрасль может воспользоваться этим вдохновляющим инструментом, чтобы стратегии, предлагаемые технологией, можно было использовать для улучшения управления. Следует оценить методы и приложения методов нейронных сетей в управлении цепочками поставок. Для оценки эффективности и полезности следует использовать многокритериальные методы принятия решений.
   Поскольку искусственные нейронные сети работают по той же модели, что и человеческий мозг, которая изучалась на протяжении поколений, мы можем поднять процессы и внутреннюю работу на уровень, который сможет понять любая аудитория, и перейти к созданию идей для оптимизации своей цепочки поставок.
   Глубокое обучение и нейронные сети – будущее управления запасами, маршрутизации логистической сети и планирования спроса. Цифровая цепочка поставок будущего будет в основе своей стратегической платформой.
   Благодаря предоставлению больших данных и сквозному электронному соединению глобальных цепочек поставок, нейронные сети и искусственный интеллект будут использоваться для любого желаемого приложения цепочки поставок. Это даст глубокое понимание SCM за счет интеграции с NN и вдохновит менеджеров на изучение будущих предложений.
   Будущие исследования могут расшириться, объединив другие направления SCM.




   X Задачи в цепочке поставок, для решения которых можно использовать нейронные сети


   10.1 Задача оптимизации. Задача управления транспортом «точно в срок»

   Задача оптимизации
   Это похоже на установку ограничений. Предположим, что существует набор условий, целью которого является получение набора, удовлетворяющего всем ограничениям и минимизирующего функцию стоимости. Наиболее ярким примером является задача коммивояжера (TSP).


   Сценарий заключается в том, что есть несколько городов; цель состоит в том, чтобы найти кратчайший маршрут, который проходит через все города. Здесь интуитивный подход включает подсчет всех решений, оценку расстояний и определение кратчайшего маршрута. Ясно, что по мере увеличения числа городов возможные комбинации увеличиваются быстрее. Таким образом, основное внимание в исследовании уделяется поиску хорошо оцененного правильного решения.
   Опыт показал, что в большинстве случаев наиболее часто используемые ключи являются приемлемыми и почти оптимальными. Поэтому, использование нейронной сети является одним из наиболее распространенных методов поиска оптимальных или близких к оптимальным решений.
   Более ранние исследования подтвердили специфическое использование нейронных сетей в TSP: организация мастерских, программирование серийного производства, а также задачи маршрутизации транспортных средств и складов.
   Эта концепция связана с управлением цепочками поставок в контексте некоторых основных видов деятельности интегрированной системы логистической аналитики.
   Иногда бывает трудно сопоставить производительность разных алгоритмов в отношении задач оптимизации. Тем не менее, способность нейронных сетей к адаптации в настоящее время является увлекательной темой, поскольку первоначальные ограничения могут быть рассчитаны в очень динамичной среде после их возникновения. Это особенно важно в отношении управления цепочками поставок.
   Задача управления транспортом «точно в срок»
   Управление транспортом «точно в срок» в цепочке поставок демонстрирует, что система должна преодолевать ограничения, возникающие в связи с текущей ситуацией в других центрах в цепочке. В компаниях требуется несколько действий по планированию, чтобы реагировать на такие проблемы, как несогласованность высокого спроса или непредвиденные нарушения. Для соответствующих решений можно использовать нейронные сети.


   10.2 Задача управления операциями. Задача прогнозирования

   Задача управления операциями
   Среди успешных применений нейронных сетей – управление операциями, что привело к значительной экономии затрат на складские запасы. В цепочке поставок выявлено несколько особенностей, и для соответствующего решения можно использовать нейронные сети.
   Задача прогнозирования
   Одной из основных целей координации в цепочках поставок является повышение точности прогнозирования. Методами, обычно используемыми для прогнозирования спроса в цепочке поставок, являются – простой прогноз, усреднение, скользящее среднее, тренд, множественная линейная регрессия и нейронные сети.
   Как один из наиболее естественных методов прогнозирования, простые оценки будут использовать последнее достигнутое значение в качестве наилучшего предположения для значения следующего. Прогноз скользящего среднего использует среднее значение определенного количества предыдущих периодов для прогнозирования будущего спроса. Прогнозирование на основе тенденций использует простую регрессионную модель, в которой время рассматривается как независимая переменная.


   В последние годы компании осознали важность обмена информацией и интеграции всех заинтересованных сторон в цепочке поставок. Несмотря на эти меры по уменьшению ошибок прогнозирования, ни одна из них не является полной, а ошибки прогнозирования все еще существуют.
   Интерактивное прогнозирование позволяет компании и ее поставщику координировать решения путем обмена моделями и стратегиями поддержки, что помогает интегрировать прогнозы и производственные графики. Однако при отсутствии интерактивного прогнозирования компании будут разрабатывать традиционные прогнозы и сроки производства.
   Даже если конечный потребительский спрос имеет предсказуемый характер, прогнозирование спроса, когда рынок компании колеблется случайным образом, в этих обстоятельствах можно столкнуться с проблемой, известной как «эффект кнута», которая возникает из-за асимметричной информации. Следовательно, неточное прогнозирование имеет нежелательные последствия для компании и всей цепочки поставок. Поэтому для управления цепочками поставок необходимо точное прогнозирование.
   Учитывая специфику нейронных сетей в прогнозировании, предполагается, что такой подход может дать достаточно хорошее решение. Более того, в одной из статей [10] исследователи написали об использовании нейронных сетей для прогнозирования продаж, чтобы сократить запасы и лучше ими управлять.
   Модель множественной регрессии предсказывает изменения спроса, используя ряд прошлых наблюдений за спросом в качестве независимых переменных. Эта модель – традиционная. И использование скользящих средних для простого прогнозирования уменьшает эффект кнута. Однако можно ожидать, что передовые методы будут работать лучше, чем более традиционные, по двум причинам: во-первых, передовые методы включают нелинейные модели, которые обеспечивают более точные оценки, чем линейные модели. Во-вторых, из-за поведенческих сложностей ожидается, что в поведении спроса будет значительная доля нелинейного поведения.
   Благодаря многочисленным успехам, достигнутым нейронными сетями в прогнозировании показателей финансовых рынков, прогнозирование считается наиболее полезной областью с точки зрения пользователей нейронных сетей. Ссылаясь на различные приложения, представленные в литературе, область применения нейронной сети в прогнозировании довольно широка.
   С точки зрения развития, использование нейронных сетей действительно можно увидеть в проектировании сложных систем, которые не ясны и не понятны по правилам, регулирующим действия систем. Наряду с другими методами анализа временных рядов такие системы можно моделировать с помощью экспертных систем и статистических методов. Тем не менее, эти традиционные стратегии не являются преимущественно эффективными из-за «пробелов» в некоторых частях моделей. Это наталкивает на мысль о необходимости применения в прогнозировании нейронных сетей.
   Предположим, что конкретная предыдущая информация применяется для оценки поведения конкретной системы, которая используется для обучения нейронной сети. Время отклика системы можно сравнить с другими параметрами. Следовательно, при этом учитывается конкретный шаблон в наборе входных данных, чтобы нейронная сеть могла понять, встречались ли подобные модели ранее. Затем, в зависимости от того, что может произойти, ожидаются фазы – одна или две. Хотя это довольно простое представление о применении нейронных сетей в прогнозировании, за последние годы этот метод оказался зрелой методологией, основанной на различных приложениях.
   Шаблон не может быть эффективно разработан в определенных ситуациях, опыт показал, что стратегия нейронной сети может обеспечить более точный прогноз, чем экспертные модели или математические уравнения.


   10.3 Задача моделирования. Задача кластеризации поставщиков

   Задача моделирования
   Для описания динамики цепочки поставок широко использовалась Теория Форрестера. Этот метод сформулирован в анализе цепей поставок с использованием теории системной динамики, предложенной Товиллом [10], обеспечивая значительное улучшение локального принятия решений центром, что влияет на общее представление о цепочке. Для тщательного изучения динамики цепочки поставок также применялось моделирование различных случаев.
   Хотя было подтверждено, что оба подхода практичны при разработке и решении проблем с цепочками поставок, все еще существуют о неконтролируемые проблемы. Такие проблемы связаны с нелинейным поведением системы и большим количеством входных и выходных переменных процесса.
   При анализе динамических систем оба подхода считаются более или менее классическими. Из эксперимента с нейронной сетью по моделированию, анализу и управлению динамическими системами было обнаружено, что несколько характеристик делают нейронную сеть более привлекательной, чем теория системной динамики. В частности, метод нейронной сети хорошо подходит для проблемных ситуаций. По этой причине нейронные сети широко используются для контроля и моделирования контекстов, в которых теории классовых систем не могут дать удовлетворительных решений.
   Использование нейронных сетей в качестве инструмента метаанализа для моделирования изолированных событий – одна из вещей, дающих обнадеживающие результаты.
   Задача кластеризации поставщиков

   Источник: https://www.slideserve.com/toviel/4-olap-data-mining

   Во многих случаях возникает необходимость каким-то образом классифицировать данные или найти в них закономерности. Этого можно добиться, используя как алгоритмы кластеризации и методы нейронных сетей, так и методы обработки нечетких сетей.
   А. Н. Сидоревич пишет [13] :

   «Кластеризация может быть использована для решения следующих задач: • Обработка изображений • Классификация • Тематический анализ коллекций документов • Построение репрезентативной выборки.
   Преимущество нейросетевых методов анализа перед традиционными состоит в том, что методы, использующие нейронные сети, сочетают преимущества итерационности и огромный потенциал в параллелизме алгоритмов решения задач. Кроме того, искусственные нейронные сети изначально ориентированы на обработку многомерных данных.
   Решение задачи классификации является одним из важнейших применений нейронных сетей. Задача классификации представляет собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств»

   Категоризация поставщиков позволяет различать поставщиков для распределения заказов. Поставщики разбиваются на три группы – желательные, средние и нежелательные – с помощью модели нейронной сети. Выбор правильного поставщика, который может предоставить покупателю нужное качество, цену и своевременный объем, является одним из важнейших действий для построения надлежащей цепочки поставок.
   Природа этих решений обычно сложна и неструктурирована. Поставщики являются одним из основных звеньев цепочки поставок, эффективность которых напрямую влияет на удовлетворенность клиентов. Поскольку требования клиентов различаются в зависимости от организации, организации должны учитывать разные критерии при выборе своих поставщиков. В данной области проведено множество исследований с использованием различных критериев и методов.
   Концепция кластеризации в сети означает, что несколько серверов одновременно предоставляют одну и ту же услугу, и каждый сервер можно рассматривать как кластер. Конечно, применение и реализация этой концепции в сети имеют много преимуществ. Одним из преимуществ использования кластеризации является ускорение предоставления услуг. Это происходит потому, что когда запрос поступает в кластеризованный набор, если первый сервер не отвечает на запрос, запрос передается следующему серверу (отказоустойчивая кластеризация).
   Если все серверы отвечают на запросы без проблем, время обработки запросов распределяется между серверами, что приводит к балансировке нагрузки, а это в конечном итоге приводит к более быстрому времени ответа.


   10.4 Задача поддержки при принятии решения. Задача выполнения поиска в базе данных. Задача решения проблем

   Задача поддержки при принятии решения
   Процесс принятия решений с помощью информационных технологий классифицируют две характеристики. С одной стороны, есть много данных, по которым было принято решение, а с другой стороны, данные, как правило, несовершенны.
   Выводы по управлению цепочкой поставок по мере ее развития допускают эти характеристики, если искусственные нейронные сети могут вырабатывать важные решения.
   Большинство исследований систем поддержки принятия решений связаны с управлением и анализом данных для поддержки решения. Шаблон индексации данных для повторного владения данными недостаточно ясен в цепочке поставок, которая может распространять данные по всей сети.
   Задача выполнения поиска в базе данных
   Нейросети идеальны для выполнения поиска в базе данных. Уникальные возможности нейронных сетей в распознавании образов, категоризации данных и самоорганизации сделали их идеальными для выполнения поиска в базах данных. Например, рассмотрим управление цепочками поставок, которое можно было бы быстро сформулировать и проанализировать, используя подход нейронной сети в виде задачи классификации.
   Извлечение отношений из данных без предварительного знания о надлежащих моделях для набора данных является еще одним важным аспектом системы поддержки принятия решений. Иногда эту проблему относят к категории неконсервативных.
   Задача решения проблем
   Дедуктивное обучение нейронных сетей обусловлено их особенностями самоорганизации и обобщения. Поэтому они воспринимаются как очень влиятельный инструмент в решении проблем.
   Классические приложения в этой области можно продемонстрировать, применяя нейронные сети для имитации процессов экспертной оценки. При формулировании существуют определенные принципы принятия решения с использованием таких методик, как экспертные системы, когда возникают проблемы или ответы не точны.


   10.5 Задача управления функциями цепочки поставок. Задача выбора лучшего поставщика

   Задача управления функциями цепочки поставок


   Управление функциями цепочки поставок является потенциальной областью применения нейронных сетей
   Что касается цепочек поставок, управление функциями цепочки также является потенциальной областью применения нейронных сетей – из-за большого доступного объема данных, но сложного моделирования данных.
   В связи с этим для выявления лояльных клиентов во всей цепочке поставок электроники и максимизации общей прибыли цепочки исследователи использовали самоорганизующуюся нейронную сеть для изучения данных о поведении потребителей и их кластеризации [10].
   Затем путем выявления особенностей клиентов каждого кластера им предоставляются маркетинговые стратегии, тем самым поддерживая управленческие решения по маркетинговым стратегиям.
   Задача выбора лучшего поставщика
   Одним из наиболее важных вопросов в цепочках поставок является выбор лучшего поставщика. Существует множество приложений нейронных сетей в управлении процессом выбора поставщика, который может предоставить покупателю продукцию нужного качества по нужной цене, в нужное время и в нужном объеме, это является одним из важнейших действий при создании подходящей цепочки поставок.
   Выбор поставщика играет важную роль в производстве и управлении корпоративной логистикой. Многие опытные компании считают, что выбор поставщиков является наиболее важной деятельностью организации. В результате неверные решения по выбору поставщиков будут иметь множество негативных последствий для компании.
   Принятие решений и выбор поставщика, по сути, является многокритериальным вопросом. Для большинства организаций это имеет стратегическое значение. Характер таких решений обычно сложен и неструктурирован. Поэтому для прогнозирования значений показателей эффективности для выбора лучшего поставщика целесообразно использование искусственных нейронных сетей.


   10.6 Задача использования нейронных сетей в некоторых областях управления цепочками поставок. Задача интегрирования нейронных сетей в промышленную сферу. Задача интеграции нейронных сетей с различными другими стратегиями для решения реальных проблем

   Задача использования нейронных сетей в некоторых областях управления цепочками поставок
   Хотя использование нейронных сетей в некоторых областях управления цепочками поставок желательно, стоит обсудить и задать вопрос о том, как работать с существующими методами, такими как экспертные системы и другие аналитические подходы. Чтобы ответить на этот вопрос, скажем – нейронные сети – это не альтернатива, а инструмент для дополнения существующих техник. С функциональной точки зрения нейронные сети лучше всего подходят для процедур вызова программного обеспечения, поскольку их можно использовать в любом месте программного обеспечения.
   Задача интегрирования нейронных сетей в промышленную сферу
   Ожидается, что нейронные сети будут интегрированы в промышленную сферу. В частности, нейронные сети часто объединяют с экспертными системами для создания решений, которые не может обеспечить одна только техника. Например, интеллектуальная система для управления реальным распределением в цепочках поставок может быть разделена на две фазы. Начальный этап заключается в объединении продуктов в группы в соответствии со свойствами, такими как запасы для хранения и природа продукта.
   Механизм действия в этот момент относительно прост; таким образом, для этой цели следует использовать силу экспертных систем. В этот момент можно использовать нейронные сети для решения проблем маршрутизации автопарка, чтобы минимизировать расстояние, время, необходимое количество грузовиков для перевозки и т. д.
   В обычных интеллектуальных механизмах возможности нейронных сетей не ограничиваются теми, на которые они способны в этих механизмах.
   Задача интеграции нейронных сетей с различными другими стратегиями для решения реальных проблем


   Способность нейронных сетей сочетаться с современными технологиями имеет решающее значение с промышленной точки зрения. Это позволяет использовать передовые инструменты; это кажется упрощенным подходом к внедрению любой новой технологии. Несколько исследований приложений нейронных сетей рекомендовали использовать решения нейронных сетей для решения интересных технических проблем.
   Однако есть общее ощущение, что количество приложений нейронной сети может быть меньше. Поэтому ради их успешного развития в управлении цепочками поставок необходимо осознание известных недостатков нейронных сетей для принятия решения об их использовании.



   Литература


   1. Michael Brenner
   Artificial Neural Networks: What Every Marketer Should Know
   https://clck.ru/34NH5H
   2. Yaroslava Boyarskaya. How neural networks can change marketing instruments? – https://clck.ru/34PUZJ
   3. Neural Networks in Business, Marketing and Life – https://clck.ru/34PUbP
   4. NumPy, часть 1: начало работы https://pythonworld.ru/numpy/1.html
   5. About Keras – https://keras.io/about/
   6. Rémi Devaux. Matt Andrew. How Neural Networks Will Transform the Customer Journey in Digital Marketing
   https://martechfunnel.com/how-neural-networks-will-transform-the-customer-journey-in-digital-marketing/
   7. How neural networks will transform e-commerce
   https://www.cio.com/article/227955/how-neural-networks-will-transform-e-commerce.html
   8. CX И UX: В ЧЕМ РАЗНИЦА
   https://hsbi.hse.ru/articles/cx-i-ux-v-chem-raznitsa/
   9. Siri – https://ru.wikipedia.org/wiki/Siri
   10. Ieva Meidute-Kavaliauskiene. Kamil Taşkın. Shahryar Ghorbani. Renata Činčikaitė. Roberta Kačenauskaitė
   Reviewing the Applications of Neural Networks in Supply Chain: Exploring Research Propositions for Future Directions
   https://www.mdpi.com/2078-2489/13/5/261
   11. Brian Hoey. WHY SHOULD PRODUCTION PLANNERS CARE ABOUT EXPLAINABLE AI?
   https://blog.flexis.com/production-planners-explainable-ai
   12. Jesse Kelber
   ARE NEURAL NETWORKS AND DEEP LEARNING THE NEXT BIG SUPPLY CHAIN TRENDS?
   https://blog.flexis.com/neural-networks-supply-chain-trends
   13. А. Н. Сидоревич АЛГОРИТМЫ КЛАСТЕРИЗАЦИИ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
   https://clck.ru/34Ny4d
   https://elib.bsu.by/bitstream/123456789/179057/1/178-181.pdf

   https://www.cio.com/article/227955/how-neural-networks-will-transform-e-commerce.html
   https://clck.ru/34L37q

   https://clck.ru/34NGyr
   https://clck.ru/34NH5H
   https://digitaluncovered.com/future-marketing-neural-networks/
   Искусственные нейронные сети (Artificial Neural Networks – ANNs

   «Фрэнк Розенблатт (англ. Frank Rosenblatt, 11 июля 1928, Нью-Рошелл, Нью-Йорк – 11 июля 1971, Чесапикский залив, США) – известный американский учёный в области психологии, нейрофизиологии и искусственного интеллекта. Родился в Нью-Йорке и был младшим (третьим) ребёнком в семье евреев – выходцев из Российской империи (Лабунь, ныне Хмельницкая область Украины) – социолога и экономиста Фрэнка Фердинанда Розенблата (англ. Frank Ferdinand Rosenblatt, 1882—1927) и социального работника Кэтрин Розенблатт (урождённой Голдинг)». Источники: https://ru.wikipedia.org/wiki/Розенблатт,_Фрэнк и https://www.peoples.ru/science/psihology/frank_rosenblatt/photo.html

   Книга М. В. Акулич. Источник: https://clck.ru/34HXmS

   Книга М. В. Акулич. Источник: https://ridero.ru/books/raspoznavanie_lic_v_marketinge_i_riteile/

   Книга М. В. Акулич. Источник: https://ridero.ru/books/marketing_uderzhaniya_klientov/


   Приложение

   В Беларуси наблюдается активный рост интереса к нейронным сетям
   https://providers.by/2023/04/digest/za-god-populyarnost-nejrosetej-v-belarusi-vyrosla-v-10-raz/

   «За последние 5 лет в Беларуси наблюдается активный рост интереса к нейросетям. Всего за год их востребованность в стране увеличилась в 10 раз. Технологии искусственного интеллекта уже применяются в медицине, экономике, логистике и других сферах. А еще Республика привлекает внимание онлайн-сервисов, которые начинают развиваться на её территории. В конце января этого года стало известно, что государственный комитет по имуществу РБ планирует применять в своей работе нейросети. С помощью искусственного интеллекта собираются отслеживать ряд процессов, например, самовольное строительство. Нейросеть сможет искать владельца такой земли и обрабатывать его данные. Логистика Беларуси тоже не стоит на месте – нейросети начали использовать для создания местных маршрутов. В 2019 году в Республике был запущен проект – онлайн-энциклопедия, аудиогид и путеводитель по Кобрину. С его помощью пользователи могут отправиться в 3D-тур и осмотреть главные улицы города, пройти через сквер у площади Ленина к Дворцу культуры и дома-усадьбе Суворова. Использование нейросетей в создании проекта позволило упростить работу с большим объемом данных, а также улучшить материалы для онлайн-туров и построить больше интересных маршрутов. Нейронные сети затронули и сферу здравоохранения. Так, белорусский сервис на основе нейросети позволяет выявлять бессимптомную пневмонию по цифровым снимкам. Эксперты утверждают, что точность предварительного диагноза составляет порядка 91%. Искусственный интеллект на основе 250 тыс. снимков определяет статус патологии и ее вероятность, а врач ставит окончательный диагноз. Также в скором времени на территории Республики планируют запустить оборудование для сортировки мусора. Решение основано на технологиях нейронных сетей, которые автоматически смогут разделять отходы на пластик, дерево, железо, бумагу и другие материалы. Кроме того, интерес к нейросетям в Беларуси растет не только у государственных структур и крупного бизнеса, но и у обычных пользователей. Так за прошлый год показатель увеличился в 10 раз, а за два года, если рассматривать среднее значение за 2021 г., – в 20 раз.
   Особенно популярны у аудитории нейросети, c помощью которых можно рисовать. Самые высокие темпы роста по городам относительно плотности населения наблюдаются в Гомеле и Гродно, а в абсолютных значениях – в Минске. Так, по данным Яндекс. Вордстат по Минску в декабре 2022 по ключевому запросу «нейросети» было осуществлено 60 576 показов против 6 016 показов за декабрь 2021 года.
   На втором месте по интересу – нейросети, работающие с текстами. За год наблюдается увеличение роста запросов в 10 раз. Стоит отметить, что в Беларуси активно развивается использование нейросетей в рамках онлайн-платформ. Так, нейросеть для работы с текстом ReText.AI, повышающая оригинальность исходного текста до 100%, недавно запустилась и на белорусском языке. Инструмент создан на основе нейросетевых технологий и облегчает работу копирайтеров, PR-менеджеров, журналистов и редакторов за счет грамматических и стилистических преобразований текстового контента. «Наша платформа способна помочь не только бизнесу, но и отдельным людям, например, школьникам и студентам ВУЗов при написании ими рефератов и других работ. А еще сервис отлично справится с сокращением больших текстов. Функция суммаризации позволит сделать краткий анонс, сохраняя главную мысль, изменить пост под социальные сети, а благодаря расширенным опциям – подготовить описание или шапку профиля, сообщение в директ и многое другое», – комментирует представитель сервиса ReText.AI. Нейросети в Беларуси заняли важное место развитии множества сфер: от медицинской до транспортной. Возможности, которые приносят нейронные сети, помогают стране активно развивать экономику, а обычным гражданам и бизнесу – упрощать и совершенствовать рядовые задачи, например, контент для социальных сетей или студенческие работы с помощью ReText.AI. Вероятно, в будущем эта тенденция будет только расти».