Мельник Т.Е.
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В ЭКОНОМИКЕ *
Аннотация:
в данной статье рассматривается применение искусственных нейронных сетей в различных областях экономики. Приведены примеры использования ИНС в финансовой сфере, розничной торговле и логистике. Проанализированы преимущества и риски внедрения нейросетей в различные экономические процессы. В заключении обсуждаются перспективы развития ИНС в экономике, а также необходимость разработки этических и правовых норм их применения.
Ключевые слова:
нейронные сети, экономика, прогнозирование, автоматизация, оптимизация, классификация, экономические процессы, риски, перспективы, глубокое обучение, решение задач
В условиях современной цифровой экономики искусственные нейронные сети (ИНС) становятся одним из главных инструментов анализа данных. Они находят широкое применение благодаря своей способности решать задачи прогнозирования, классификации и выявления закономерностей в больших объемах информации. Особую актуальность нейросети приобретают в тех областях экономики, где традиционные подходы к анализу данных и построению моделей часто оказываются недостаточными для работы с динамичными и быстро меняющимся процессами. Значительные финансовые потрясения конца ХХ и начала XXI века, повлекшие за собой многомиллиардные убытки инвесторов, свидетельствуют о том, что классические методы экономического анализа и прогнозирования теряют свою эффективность. Усложнение макроэкономических систем, сопровождающееся нелинейностью и высокой динамичностью процессов, требует внедрения новых подходов, способных эти особенности учитывать и адаптироваться к изменяющимся реалиям. В условиях нестабильности и неопределенности возможность автоматизации сложных процессов для управления экономическими системами порождает научный интерес к нейросетям, предлагающих высокую точность ответов и скорость обработки больших объемов информации. Уже сегодня ИНС используются в таких сферах, как банковское дело, ритейл, промышленность и логистика, помогая оптимизировать процессы и принимать правильные решения. Цель данной статьи — исследовать возможности нейронных сетей в экономических сферах, выявить их преимущества и недостатки, а также рассмотреть векторы развития ИНС в экономике. Данная работа основывается на анализе последних исследований и практических кейсов различных российских и международных компаний, что позволяет оценить эффективность внедрения нейросетей в экономические процессы. Для понимания возможностей нейросетей, применяемых в экономике, необходимо ознакомиться с основными видами и принципами работы нейросетей. Искусственные нейронные сети представляют собой математические модели, построенные по принципу биологических нейронных сетей, в которых нейроны соединены между собой с помощью узлов (синапсов). ИНС существуют многих видов, главными из которых являются: MLP, CNN, RNN и генеративные модели. Многослойные перцептроны (MLP) являются универсальными вычислительными моделями, способными эффективно решать сложные задачи классификации и прогнозирования. Их архитектура основана на организации множества слоев искусственных нейронов, обрабатывающих данные через длинную последовательность нелинейных преобразований, что обеспечивает высокую точность в распознавании сложных закономерностей. Сверточные нейронные сети (CNN) предназначены для анализа визуальной информации, такой как фото и видеоматериалы. Их ключевая особенность - использование сверточных слоев, позволяющих снижать количество вычислительных операций благодаря операции пулинга и других методов субдискретизации. Рекуррентные нейронные сети (RNN), в свою очередь, адаптированы для обработки последовательных данных. Они учитывают порядок поступления информации, что важно для анализа временных зависимостей в экономических системах, таких как прогнозирование динамики цен или объемов производства. Генеративные же модели выполняют функцию синтеза новых данных на основе существующих. Основное назначение ИНС — решение задач, требующих обработки больших объемов данных и проведения аналитических расчетов, аналогичных тем, что выполняет человеческий мозг. Для нейросетей, используемых в экономике, важна способность обучаться. Обучение происходит через настройку весов связей между нейронами, чтобы ИНС смогла дать наиболее точный ответ. Настройка весов - процесс изменения параметров, определяющих силу связи между нейронами (значениями) нейросети. Когда нейросеть обрабатывает данные, она сравнивает свои прогнозы с реальными результатами. Если прогноз оказался неточным, сеть корректирует веса связей так, чтобы учесть свои ошибки в будущем. Этот процесс повторяется многократно, пока сеть не научится выдавать максимально точные ответы. Допустим, нейросеть используется для прогнозирования спроса на товары. В процессе обучения сеть анализирует данные о прошлых продажах, сезонности и рыночных тенденциях. Она постепенно настраивает свои веса, чтобы точнее учитывать взаимосвязь между различными факторами, такими как изменение цен, поведение покупателей, экономическая ситуация, что в итоге позволяет более точно предсказывать будущие объемы продаж. Применение искусственных нейронных сетей (ИНС) обусловлено необходимостью обработки больших объемов данных за короткий промежуток времени и повышением точности прогнозирования. Важным направлением использования ИНС является анализ рисков. На примере Сбербанка можно рассмотреть автоматизацию кредитного скоринга. Сбер внедрил нейросеть MLP типа для оценки платежеспособности заемщиков, которая анализирует кредитную историю, уровень дохода, возраст и другие параметры клиента. По заявлению первого заместителя Председателя Правления Сбербанка Александра Ведяхина, применение ИНС сократило время выдачи кредита с нескольких недель до нескольких минут, что положительно влияет на лояльность пользователей. Однако конкретных данных о доли просроченных кредитов в результате внедрения ИНС руководство Сбербанка не раскрывает. Также по данным Александра Ведяхина, до конца 2024 года Сбербанк планировал внедрить искусственный интеллект в 85% процессов и заработать на этом 400-450 млдр. рублей. В области прогнозирования финансовых показателей нейросети RNN типа используются для анализа временных рядов, что позволяет предсказывать динамику цен на валюту, акции и другие финансовые активы. Например, в инвестиционных фондах ИНС применяются для выявления трендов на основе анализа огромных массивов данных. В Т-банке активно используются искусственные нейронные сети для оптимизации процессов осуществления клиентской поддержки. Главным из примеров является голосовой помощник «Олег», который помогает автоматизировать взаимодействие с клиентами. «Олег» способен собирать информацию от клиента, решать задачи и в особо сложных случаях передавать их оператору. По данным пресс-службы банка, интеллектуальные чат-боты и голосовые помощники в клиентских чатах обрабатывают более 35% входящих обращений без участия человека, что значительно снижает нагрузку на сотрудников и позволяет компании более эффективно взаимодействовать с пользователями. Следовательно, использование ИНС позволяют банку уменьшить финансовые затраты на взаимодействие с клиентами. По данным журнала «Forbes», внедрение текстовых чат-ботов на базе искусственного интеллекта уже позволяет экономить компании около 50 миллионов рублей в месяц. Хотя расходы на разработку голосового бота не раскрываются, в банке отмечают, что его создание окупилось менее чем за месяц. Этот пример демонстрирует высокую эффективность использования нейросетей в финансовой сфере, где автоматизация клиентского сервиса позволяет снизить издержки без ухудшения, а в некоторых случаях, даже улучшить качество обслуживания. Также нейросети помогают прогнозировать экономические кризисы, выявляя скрытые зависимости в макроэкономических данных. В сфере розничной торговли и электронной коммерции нейросети активно используются для персонализации клиентских рекомендаций и прогнозирования спроса. В таких крупных корпорациях, как Alibaba и Amazon внедрены ИНС, позволяющие анализировать поведение пользователей, их запросы и предыдущие заказы, историю просмотренных ими товаров и общие тренды рынка. На основе этих данных формируется персональная система рекомендаций, предлагающая пользователю индивидуальную выборку товаров и услуг, которая полностью соответствует его предпочтениям. Например, Amazon использует алгоритмы нейросетей для предсказания предпочтений клиентов, что приводит к увеличению конверсии и среднего чека на 15%. В дополнение к этому Amazon применяет системы с компьютерным зрением для контроля качества товаров перед отправкой: камеры фиксируют повреждения на товарах, которые сравниваются с эталонными изображениями, и, если обнаруживаются дефекты, товар заменяется, что снижает уровень возвратов, улучшает сервис и повышает удовлетворенность покупателей. В логистике ИНС помогают прогнозировать объемы продаж, позволяя ритейлерам оптимизировать запасы и снизить количество списанных товаров. Например, Walmart применяет нейросети для анализа сезонных факторов и изменения спроса, что значительно сокращает затраты на осуществление складских операций. Что касается потенциала развития - в ближайшие годы ожидается активное внедрение нейросетей абсолютно во все отрасли экономики, включая энергетику, сельское хозяйство, военную промышленность и медицину. В энергетике ИНС помогут обеспечить грамотное распределение ресурсов, прогнозировать потребление электроэнергии и управлять инфраструктурой в режиме реального времени, заменяя человека. В сельском хозяйстве использование нейронных сетей уже демонстрирует эффективность в прогнозировании урожайности, мониторинге состояния почв, что в дальнейшем сможет решить проблему нехватки продовольствия для растущего населения Земли. Внедрение нейросетей в военную промышленность открывает возможности для создания автономных боевых систем, анализа разведывательной информации, а также повышения кибербезопасности. По словам президента России Владимира Владимировича Путина на конференции AI Journey: «С внедрением искусственного интеллекта в разные сферы жизни человечество начинает новую главу своего существования». Однако, несмотря на преимущества и перспективы внедрения нейросетей, существуют риски, о которых необходимо знать. Среди основных угроз выделяются возможные ошибки алгоритмов при анализе данных, которые могут приводить к искажению результатов. Кроме того, использование нейросетей требует больших объемов данных, что вызывает опасения относительно их конфиденциальности. Сложность интерпретации решений нейросетей также затрудняет контроль и аудит их работы, что особенно критично в экономической сфере, где ошибки могут иметь серьезные финансовые последствия. Эти факторы подчеркивают необходимость разработки и развития механизмов контроля, совершенствования алгоритмов и обеспечения прозрачности их применения. ИНС открывают целый спектр возможностей для повышения эффективности и автоматизации процессов, а их применение уже сейчас демонстрирует преимущества в различных областях экономики. Нейросети способствуют улучшению прогнозирования, персонализации обслуживания и снижению издержек, что делает их невероятно важным инструментом современной цифровой экономики. Однако для успешного внедрения ИНС необходимо учитывать не только их потенциал, но и возможные риски. Ошибки в алгоритмах, сложности интерпретации ответов и угрозы конфиденциальности данных - все это требует разработки эффективных механизмов контроля, этических и правовых норм использования, которые позволят минимизировать негативные последствия и максимально использовать возможности нейросетей.
Номер журнала Вестник науки №12 (93) том 4 ч. 1
Ссылка для цитирования:
Мельник Т.Е. ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В ЭКОНОМИКЕ // Вестник науки №12 (93) том 4 ч. 1. С. 108 - 114. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/27778 (дата обращения: 07.02.2026 г.)
Вестник науки © 2025. 16+