کاربرد الگوریتم شبکه عصبی

You are currently viewing کاربرد الگوریتم شبکه عصبی
رشته مهندسی

شبکه عصبی (Neural Network)

مغر انسان، پیچیده ترین سیستمی است که تا کنون در کل جهان شناخته شده است و مورد مطالعه قرار گرفته. اما این سیستم پیچیده نه ابعادی در حد کهشکشان دارد و نه تعداد اجزای سازنده‌اش، بیشتر از پردازنده‌های ابررایانه‌های امروزی است. پیچیدگی راز آلود این سیستم بی نظیر، به اتصال‌های فراوان موجود میان اجزای آن بازمی‌گردد. این مورد است که مغز انسان را از همه سیستم‌های دیگر متمایز می نماید. فرایندهای خودآگاه و ناخودآگاهی که در حدود جغرافیایی بدن انسان رخ می‌دهند، همگی تحت مدیریت مغز هستند. برخی از این فرایندها آن‌قدر پیچیده اند، که هیچ رایانه یا ابررایانه‌ای در جهان امکان پردازش و انجام آن را ندارد. تحقیقات نشان می‌دهند که واحدهای سازنده مغز انسان، از نظر سرعت عملکرد، حدود یک میلیون بار کندتر از ترانزیستورهای مورد استفاده در تراشه های سیلیکونی CPU رایانه هستند. سرعت و قدرت پردازش بسیار بالای مغز انسان، به ارتباط‌های بسیار انبوه باز می‌گردد که در میان سلول‌های سازنده مغز وجود دارد و اساساً، بدون وجود این لینک‌های ارتباطی، مغز انسان هم به یک سیستم معمولی کاهش داشت و قطعاً امکانات فعلی را ندارد.

و عملکرد عالی مغز در حل انواع مسائل و کارایی بالای آن، باعث شده  تا شبیه سازی مغز و قابلیت های آن به مهم‌ترین آرمان معماران سخت‌افزار و نرم‌افزار تبدیل شود.  فناوري شبكه عصبي این شبکه ها يك تكنيك پردازش اطلاعات مبتني بر روش سيستم هاي عصبي بيولوژيكي مانند مغز و پردازش اطلاعات است. در حال حاضر و در كاربردهاي پيشرفته ، از روش آموزش بدون سرپرست براي ايجاد تنظيمات اوليه برروي سيگنال هاي ورودي شبكه هاي عصبي استفاده مي شود و باقي مراحل آموزش به روش با سرپرست ادامه مي يابد .

 درونی‌ترین لایه‌ علم شگفت انگیزِ هوش مصنوعی‌ (Artificial Intelligence) می باشد. علمی که دنیای امروز ما را با چند دهه قبل بسیار متفاوت کرده و تکنولوژی بخش اعظمی از پیشرفت خود را مدیون آن است. شبکه‌های عصبی با ساده‌تر کردن زندگی انسان‌ها در زمینه‌های مختلفی مثل علم پزشکی، اقتصاد، مهندسی و… تفاوت‌های زیادی نسبت به شیوه زندگی در چند دهه پیش ایجاد کرده‌اند. شبکه عصبی، بنای علم یادگیری عمیق و یادگیری عمیق هم خود، پایه و اساس یادگیری ماشین (Machine Learning) است. این مفاهیم با هم، علمِ هوش مصنوعی را تشکیل می‌دهند. و هدف کلی یک سری اطلاعات را طوری به یک ماشین یا همان کامپیوتر بدهیم، که برای او قابل درک باشد و بتواند از آن در راستای اهداف بشر استفاده کند. در عصر حاضر در بسياري از موارد ماشين ها جايگزين انسانها شده اند و بسياري از كارهاي فيزيكي كه در گذشته توسط انسانها انجام مي گرفت امروزه توسط ماشين ها صورت مي گيرد . اگرچه قدرت كامپيوترها در ذخيره، بازيابي اطلاعات و اتوماسيون اداري ،….. غير قابل انكار است، اما همچنان مواردي وجود دارد كه انسان ناچارا خود باید كارها را انجام دهد. اما به طور كلي ، موارد مرتبط با ماشين شامل سيستم هايي است كه در آن به علت ارتباطات پيچيده بين اجزا، مغز انسان از درك رياضي اين ارتباطات قاصر است . مغز انسان به مرور زمان با مشاهده توالي رفتارهاي سيستم و گاه آزمايش نتيجه اي كه بر اثر دستكاري يكي از اجزاي سيستم به دست مي آيد تا حدي مي تواند عادتهاي سيستم را شناسايي نماید . اين روند يادگيري بر اثر مشاهده مثالهاي متنوع از سيستم ، به كسب تجربه منجر مي گردد. در چنين سيستم‌هايي مغز قادر به تجزيه و تحليل داخلي سيستم نيست و تنها با توجه به رفتارهاي خارجي، عملكرد داخلي سيستم را تخمين مي زند و عكس العملهاي آن را پيش بيني مي كند. چگونگي اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصميم گيري ، از موضوعات بحث برانگيز در عصرحاضر است.

يكي از مسائل مهم تحقيقاتي در زمينه علوم كامپيوتر، پياده سازي مدلي شبيه به سيستم داخلي مغز انسان براي تجزيه و تحليل سيستم هاي مختلف بر اساس تجربه است .در اين راستا شبكه هاي عصبي يكي از پوياترين حوزه‌هاي تحقيق در دوران معاصر هستند كه افراد متعددي از رشته هاي گوناگون علمي را به خود جلب كرده است، و همچنین، تاریخچه هوش مصنوعی در کاربردهای شیکه های عصبی قابل تامل است .استفاده از شبكه‌هاي عصبي و الگوريتم هاي ژنتيك در حل مسائل پيچيده كاربردي اين روزها بيش از پيش رواج يافته است . مقدمه توجه به كاربرد تكنيك هاي هوش مصنوعي و ابزارهاي مدل سازي در حوزه كسب و كار به طور فزاينده اي در حال افزايش است. در اين راستا سيستم هاي خبره جايگاه ويژه اي يافته اند. در چند دهه گذشته دو عنوان شبكه هاي عصبي و الگوريتم هاي ژنتيك از موضوعاتي بوده اند كه توجه بسياري از دانشگاهيان را به خود جلب نموده اند . اين دو به عنوان ابزاري نيرومند در حل مسائلي كه ديگر توسط متدلوژي ها و روش هاي سنتي گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. اين روزها استفاده از آنها به زندگي اجتماعي ما نيز تاثیر داشته و تا جايي كه كاربرد آنها در تصميم گيري ها نقش حياتي يافته است .با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سيستم هاي خبره در كسب و كار، نويسندگان و محققان در آرزوي دستيابي به فرصتي جهت بحث مقايسه اي در باره اين سه متدلوژي هوشمند هستند (متاكسيوس و پساراس 2003 ) . يكي از مهم ترين و بحث‌برانگيزترين تحقيقات ، بررسي صورت گرفته توسط لايبوتز (2001) است كه نتيجه آن تحت عنوان «سيستمهاي خبره و كاربرد آنها» مطرح شد.

مفهوم شبکه عصبی

همانند آن می باشدکه به یک کودک یاد بدهیم که چگونه از بین اشکال مختلف، شکل دایره را تشخیص دهد. به او چندین عکس از دایره‌ها در ابعاد و رنگ‌های مختلف نشان می‌دهیم. پس از مدتی یاد می‌گیرد که دایره چیست و می‌تواند از میان همه تصاویری که به او نشان داده می‌شود، دایره‌ها را تشخیص دهد. این دقیقا همان کاری‌ست که به کمک شبکه‌های عصبی برای آموزش به یک ماشین انجام می‌دهیم؛ آموزش دادن به ماشین نهایتا باعث ایجاد هوش مصنوعی در آن می‌شود. مفهوم بنيادي شبكه هاي عصبي ، ساختار سيستم پردازش اطلاعات است كه از تعداد زيادي واحدهاي پردازشي (نورون‌) مرتبط با شبكه ها تشكيل شده اند‌. سلول عصبي بيولوژيكي يا نورون، واحد سازنده سيستم عصبي در انسان است. يك نورون ازبخشهاي اصلي زير تشكيل شده است :

 1) بدنه سلولي كه هسته در آن قرار دارد و ساير قسمتهاي سلولي از آن منشأ گرفته است.

2) هسته

 3) آكسون كه وظيفه آن انتقال اطلاعات از سلول عصبي است.

 4) دندريت كه وظيفه آن انتقال اطلاعات از سلول هاي ديگر به سلول عصبي است .

هر نورون وروديهاي متعددي را پذيراست كه با يكديگر تجمیع مي شوند . اگر در يك لحظه تعداد ورودي هاي فعال نرون به حد كفايت برسد نورون نيز فعال شده و فعال می شود . در غير اين‌صورت نورون به صورت غير فعال و آرام باقي مي ماند .فعاليت هر نورون از مجموعه اي از يك يا چند ورودي ، عمليات و وظيفه خروجي براي محاسبه خروجيهايش تشكيل شده است . عملكرد اساسي اين مدل مبتني بر جمع كردن وروديها و به دنبال آن به وجود آمدن يك خروجي است . وروديهاي نورون از طريق دندريت ها كه به خروجي نورون هاي ديگر از طريق سيناپس متصل شده اند وارد مي شوند . بدنه سلولي كليه اين وروديها را دريافت مي كند و چنانچه جمع اين مقاديراز مقداري كه به آن آستانه گفته مي شود بيشتر شود در اصطلاح بر انگيخته شده يا آتش مي كند و درغير اين صورت خروجي نورون روشن يا خاموش خواهد شد. امروزه شبكه هاي عصبي در كاربردهاي مختلفي از قبيل طبقه بندي داده ها و تشخيص الگو از طريق فرايند يادگيري كه خود شامل مسائلي مانند تشخيص خط و شناسايي گفتار وپردازش تصوير است به كار مي روند .به مثابه سيستم هاي بيولوژيكي ، آموزش شامل تنظيم پيوندهاي بين سيناپس‌ها كه درهر نورون وجود دارند می باشند. اطلاعات آموخته شده به شكل ارزشهاي عددي به‌نام «وزن» كه به هر واحد پردازش شبكه اختصاص داده مي‌شود ، ذخيره مي شوند .به طور كلي ، شبكه هاي عصبي مي توانند بين : روشهاي اتصال نورون ها، انواع روشهاي ويژه محاسبه عمليات نورون ها، روش انتقال الگوي عمليات از خلال شبكه و روشهاي يادگيري آنها كه شامل نرخ يادگيري است، تمايز قائل شوند . با در نظر گرفتن ارتباطات بين نورون ها ، مي توان بين شبكه هاي لايه دار و بدون لايه تمايز قائل شد . شبكه هاي لايه دار گروهي ازنورون ها هستند كه در لايه هايي مجتمع گرديده اند كه بين لايه ورودي و خروجي كه تنها پيوند خارجي دارند قرار بگیرند . داده هاي ورودي از لايه ورودي به وسيله لايه هاي پنهان (لايه مياني ) به لايه خروجي منتقل مي‌شوند . سيگنالها ي جاري در شبكه هاي لايه دار به سمت جلو حركت مي كنند و در حالي كه شبكه هاي بدون لايه داراي گره هاي اضافي بازخور هستند كه از تقسيمات درست لايه ها جلوگيري مي كنند . ساختار پيوندها و تماسها و تعداد لايه‌ها و نورون ها تعيين كننده معماري شبكه است كه بايستي قبل از استفاده از شبكه‌هاي عصبي تنظيم شود .

تعریف شبکه عصبی

شبکه عصبی شامل الگوریتم‌هایی‌ست برای یادگیریِ ماشین، که منجر به طبقه‌بندی کردن داده‌های ورودی و ارائه خروجی مطلوب می‌گردد. به همین دلیل است که می‌توان شبکه‌های عصبی را به عنوان جزئی از فرایند یادگیری ماشین در نظر گرفت. انگيزه اصلي مطرح كردن الگوريتم ژنتيك مي تواند اين گونه عنوان شودكه «تكامل تدريجي» به شكل قابل ملاحظه اي در توسعه انواع وگونه هاي پيچيده از طريق مكانيزم هاي نسبتاً ساده تكميلي نمود يافته است . حال سوال اساسي اين است : پذيرش كدام ايده از تئوري تكامل تدريجي مي تواند به ما در حل مسائل اين قلمرو كمك كند ؟ اين سوال با توجه به غناي پديده تكامل تدريجي جوابهاي متفاوتي دارد. هالند و دي جانگ (1975) از نخستين كساني هستندكه با معرفي مفهوم الگوريتم ژنتيك به عنوان يك تكنيك جستجوي عمومي  كه از تكامل تدريجي بيولوژيك در قالب بقاي افراد اصلح و مبادله ساختارمند و تصادفي اطلاعات الگوبرداري مي كند درصدد پاسخگويي به اين سوال برآمدند . يك الگوريتم ژنتيك مسئله را به صورت مجموعه اي از رشته ها كه شامل ذرات ريزهستند كد گذاري مي نماید ، سپس براي تحريك فرايند تكامل تدريجي ،تغييراتي را بر روي رشته ها ا عمال مي‌دارد. در مقايسه با الگوريتم هاي جستجوي محلي ، در جستجوي عمومي كه تنها يك راه حل قابل قبول وجود دارد ، الگوريتم هاي ژنتيك جامعه اي از افراد را در نظر مي‌گيرند . كـــار با مجموعه اي از افراد، امكان مطالعه ساختارها و ويژگيهاي اصلي افراد متفاوت را كه منجر به شناسايي و كشف راه حلهاي كارآمد تر مي شود، فراهم مي‌سازد . در طي مطالعه ، الگوريتم ژنتيك رشته هاي متناسب با ارزش را برمي گزيند و آن دسته از رشته‌هايي را كه تنــاسب كمتري با جمعيت مورد بررسي دارند حذف مي‌كنند . مروري بر كاربردهاي تجاري بعد از مروري بر پيشينه شبكه هاي عصبي و الگوريتم هاي ژنتيك و پيشرفتهاي آنها ، مي توان حوزه هاي كاربردي آنها را در كسب و كار شناسايي كرد.

انواع شبکه های عصبی

شبکه‌های عصبی از الگوریتم‌های مختلفی پیروی می‌کنند که هر کدام در جایگاه مورد نیاز خود، در این علم گسترده استفاده می‌شوند.

پرسپترون چند لایه (Perceptron Multi-Layer)، ساده‌ترین مدل شبکه عصبی موجود می باشد، که اختصارا آن را MLP می‌نامند. این شبکه عصبی عملکردی مانند نحوه انتقال اطلاعات در مغز انسان دارد. از آن جایی که در این نوع شبکه عصبی از رفتار لایه‌ای شبکه مغز انسان و روش انتشار سیگنال در آن الهام گرفته‌ شده‌است به آن شبکه‌های عصبی پیش‌خور (Feed Forward Neural Networks) هم می‌گویند. در این روش، هر نورون یا همان سلول عصبی، پس از دریافت یک داده آن را پردازش و به سلول دیگر منتقل می‌کند. و این روند تا گرفتن نتیجه مطلوب، که منجر به یک اقدام می‌شود ادامه دارد.

شبکه عصبی شعاعی (Radial Basis Functions)، دارای الگوی رفتار‌ی مشابه حالت قبلی است و تفاوت چندانی با آن ندارد؛ فقط پردازنده‌ها در موقعیت خاصی متمرکز هستند و از طریق توابع رادیال مدل‌سازی می‌شوند. البته نوع پردازش نورون‌ها بر داده‌های ورودی هم متفاوت است. این شبکه دارای فرآیند یادگیری و نتیجه‌گیری سریع‌تر است؛ آن هم فقط به دلیل این که گیرنده‌ها در یک نقطه متمرکز هستند.

ماشین های بردار پشتیبان SVM با دو شبکه قبلی متفاوت می باشند. در شبکه‌های عصبی که تا کنون مورد بحث قرار گرفتند، عمده توجه شبکه بر بهینه کردن ساختار قرار داشت، به طوری که درصد خطای شبکه عصبی به کمترین حد خود برسد. اما در شبکه های عصبی‌ای که آن‌ها را ماشین‌های بردار پشتیبان می‌نامیم (Support Vector Machine) ، صرفا بر روی کاهش ریسک عملیات که ناشی از عدم عملکرد صحیح است، تمرکز می‌شود. فیزیک این نوع شبکه، شباهت زیادی به شبکه عصبیMLP دارد و تنها فرق‌ با آن ، در شیوه یادگیری‌‌ ست.

شبکه عصبی کوهنون، که به آن نگاشت خودسازمانده یا SOM (Self-Organizing Map) هم نام دارد، نوع خاصی از شبکه عصبی ا‌ست که از هر نظر با انواع شبکه‌های عصبی که تا کنون مورد بررسی قرار گرفته‌اند، فرق دارد. این شبکه عصبی در حل مسائل، از روش یادگیری بدون نظارت، استفاده می‌کند. در واقع کار اصلی این شبکه پیدا کردن شباهت‌ها در میان انبوهی از دیتا است.

شبکه عصبی LVQ (Learning Vector Quantization)، مدل پیشرفته‌تری از شبکه‌های عصبی کوهنن هستند که برای یادگیریِ آن از روش حل مسائل با نظارت استفاده می‌شود. این نوع شبکه عصبی در حل مسائل طبقه‌بندی شده کاربرد دارند.

شبکه عصبی هاپفیلد Hopfield ، یکی از قدیمی‌ترین انواع شبکه‌های عصبی است که با ساختار بازگشتی خود، فیدبک‌های داخلی ایجاد می‌کند. هاپفیلد عملکردی شبیه به یک سیستم حرکتی با دو یا چند نقطه تعادل دارد. الگوریتم این شبکه به این صورت است که با شروع از هر وضعیت به یکی از نقاط تعادل خود همگرا می‌شود. از شبکه عصبی هاپفیلد می‌توان به عنوان یک راه حل برای مسائل طبقه‌بندی‌شده استفاده کرد.

کاربرد های شبکه عصبی

شبکه‌های عصبی در زمینه‌های مختلفی کاربردهای زیادی دارند؛ که در ادامه به معرفی آنها می پردازیم.

فرض داشته باشید به کشوری سفر کرده‌اید که زبان آن‌ها را نمی‌دانید؛ Google Real Time ابزاری‌ست که به کمک آن می‌توانید متن و صداها را به زبان مورد نظر خود تبدیل کنید. فقط کافی‌ست از تابلوها عکس بگیرید تا برایتان هر چیزی را ترجمه کند.

و نیز حوزه هاي كاربردي شبكه هاي عصبي در موضوعات زير است:

همبستگي ناشناخته بين ويژگيهاي مطلوب و ارزش متغيرهاي مسائل تصميم گيري (‌جايي كه راه حل مسائل ناشناخته است ) مسائلي كه داراي راه حل الگوريتم نمی باشند  جايي كه داده هاي ناقص وجود دارد مزيت اصلي شبكه هاي عصبي ، قابليت فوق العاده آنها در يادگيري و نيز پايداري شان در مقابل اغتشاشات ناچيز ورودي است ( فاوست ، 1994) .به عنوان مثال اگر از روشهاي عادي براي تشخيص دستخط يك انسان استفاده كنيم ممكن است در اثر كمي لرزش دست ، اين روشها به تشخيص غلطي برسند در حالي كه يك شبكه عصبي كه به صورت مناسب آموزش داده شده است حتي در صورت چنين اغتشاشي نيز به پاسخ درست خواهد رسيد در نهایت، تاكيد ما بر اين حقيقت است كه انتخاب شبكه درست با محاسبات صحيح، عامل اصلي در تضمين موفقيت عملكرد است . فناوري الگوريتم ژنتيك الگوريتم هاي ژنتيك روش قدرتمندي را براي توسعه اكتشافي مسائل بهينه سازي تركيبي مقياس بزرگ فراهم آورده است .

شبکه‌های عصبی در زمینه‌های مختلفی چون:

علم پزشکی

بورس

مهندسی برق

ریاضیات

مدیریت

داده کاوی

پردازش تصویر

و…

کاربرد شبکه عصبی در پزشکی

شبکه‌های عصبی در علم پزشکی، قابلیت تشخیص دقیق بیماری‌هایی چون مشکلات قلبی و عروقی، انواع سرطان و … را دارند. علاوه بر این‌ها توانسته‌اند در کاهش خسارات جانی و مالی تاثیر زیادی در روند درمان انسان‌ها داشته باشند.

کاربرد شبکه عصبی در بورس

شبکه‌های عصبی در بورس میتواند به سهام‌داران در پیش‌بینیِ شاخص بازده‌دهی نقدی، قیمت سهام و حتی پیش‌بینی ورشکستگی اقتصادی یک شرکت در بورس اوراق بهادار، کمک کنند.

نحوه فعالیت شبکه های عصبی

شبکه‌های عصبی داده‌ها را دریافت و در لایه‌های مخفی خود آن‌ها را تحلیل می‌کنند تا نهایتا یک خروجی ارائه بدهند. این داده‌ها می‌توانند گروهی از تصاویر، صداها، نوشته‌ها و… باشند که باید ترجمه و برای یک ماشین قابل درک شوند. به کمک شبکه‌های عصبی، اطلاعات را طبقه‌بندی می‌کنیم؛ اطلاعات مختلف می‌توانند بر اساس شباهت به مثالی مشخص، گروه‌‌بندی شوند. آن‌ها حتی می‌توانند امکانات و داده‌های لازم برای تغذیه به یک الگوریتم دیگر را هم فراهم و طبقه‌بندی کنند.

بازاريابي «انجمن بازاريابي آمريكا» از ديدگاه مديريتي، بازاريابي را بدين گونه تعريف مي كند : بازاريابي يك فرايند اجتماعي و مديريتي است كه به‌وسيله آن، افراد و گروهها ، نيازها و خواسته ها ي خود را از طريق توليد ، عرضه و مبادله كالاهاي مفيد و با ارزش با ديگران ، تأمين مي كنند . به طور كلي ، بازاريابي دانشي ناشناخته است كه با ويژگيهايي از قبيل عدم اطمينان بالا ، ساختار گمشده علّـي ودانشي ناكامل و گسترده قابل شناسايي است .بسياري از وظايف تصميم گيري و حل مسـئله به صورت بدون ساختار يا نيمه ساختار يافته انجام مي شود . به همين دلايل توسعه كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك در بازاريابي نسبت به ساير حوزه هاي علم دشوارتر است . در سال 1991 ، كاري و ماتين هو به بحث در رابطه با نقش هوش مصنوعي در بازاريابي پرداختند و جايگاه يابي رقابتي را به‌وسيله متدلوژي هدف گرا مورد تجزيه و تحليل قرار دادند . اليس و همكارانش در سال 1991 گزارشي از پيشرفتهاي كاربرد مدل هاي شبكه عصبي در مواجهه با استراتژي قيمت گذاري كششي ارائه كردند در حالي‌كه پراكتر در سال 1992 چگونگي كاربرد تكنولوژي شبكه هاي عصبي در يادگيري مدل هاي داده بازاريابي و نقش آنها را در ساخت سيستم هاي پشتيباني از تصميمات بازاريابي به نمايش گذاشت . در سال 1993 كاري و ماتين هو از تكنولوژي شبكه هاي عصبي در مدل سازي واكنش مصرف كننده به محرك تبليغات استفاده نمودند . راي و همكارانش در سال 1994 شبكه هاي عصبي را در كمّي سازي فاكتورهاي موثر در كيفيت روابط خريدارو فروشنده مورد استفاده قرار دادند . براي اين منظور شبكه اي با دو عنصر خروجي كيفيت روابط (رضايت از روابط و اعتماد ) و پنج ورودي ( گرايش فروش فروشنده ، مشتري گرايي ، تخصص، اخلاقيات ، و دوام روابط ) شكل گرفت . در مقايسه با رگرسيون هاي چند متغيره، تكنيك شبكه هاي عصبي به نتايج آماري قابل قبول تري دست يافت . از سوي ديگر ، هارلي و همكاران (1994) استفاده از الگوريتم هاي ژنتيك را در حل مسائل بهينه سازي بازاريابي مورد آزمايش قرار دادند .

بر اساس مطالعه آنها ، كاربردهاي بالقوه الگوريتم هاي ژنتيك در بازاريابي مي تواند شامل موارد زير باشد :

 1) رفتار مصرف كننده  يادگيري مدل هاي انتخاب مصرف كننده  پردازش اطلاعات مصرف كننده  تاثير گروههاي مرجع

 2) بخش بندي،انتخاب بازار هدف، جايگاه يابي  بهينه سازي ساختارهاي محصول  بازار  تجزيه و تحليل فاكتورهاي كليدي خريد  جايگاه يابي محصول

 3) مديريت عناصر آميخته بازاريابي  بهينه سازي چرخه طراحي حيات محصول 

 استراتژي تبليغات و برنامه ريزي رسانه‌اي  مديريت فروش گرين و اسميت (1987) يك سيستم ژنتيك را براي يادگيري مدل هاي انتخاب مصرف كننده مطرح ساختند و تنگ و هولاك (1992 ) چارچوبي مفهومي را در پيوند مفاهيم بازاريابي با مكانيزم تكامل تدريجي داروين ارائه كردند . در سال 1992 بالاك ريشمن و جاكوب يك الگوريتم ژنتيك مبتني بر سيستم پشتيباني از تصميم گيري براي طراحي محصول ارائه نمودند . از سوي ديگر در حركتي نوين وناگوپال و بيتز (1994) ازاشتراك شبكه هاي عصبي و تكنيكهاي آماري در تحقيقات بازاريابي استفاده كردند. درنهايت ، مي توان گزارشي از پيشرفتهاي موجود در اين زمينه رابه شكل زير ارائه كرد

 : STRATEX يك سيستم دانشي با هدف پشتيباني از انتخاب بخشهاي بازار (بورچ و هارتويگسن ، 1991) _ ADDUCE _ سيستمي در توجيه واكنش مصرف كننده به تبليغات (بارك ، 1991) _ COMSTRAT _ سيستمي براي تصميمات استراتژيك بازاريابي با تاكيد ويژه بر جايگـاه يابي رقابتي ( ماتين هو و همكاران 1993‌) _ MARSTRA _ سيستم هوش شبكه اي براي توسعه استراتژي هاي بازاريابي و ارزيابي فاكتورهاي بازاريابي استراتژيك (‌لي، 2000) _ GLOSTRA _ سيستم هوش شبكه اي براي توسعه و بهبود استراتژي هاي بازاريابي جهاني و بازاريابي اينترنتي ( لي و ديويس‌، 2001 ) بانكداري و حوزه هاي مالي

از دیگر  كاربردهاي مهم و مطرح شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و حوزه مسائل مالي مي توان به اين موارد اشاره داشت : كاربردهاي اعتباري ، تجزيه و تحليل هاي مالي ، سرمايه گذاري مالي و وام و مسائل مالیاتی ، و تجزيه و تحليل بازار مبادله سهام . محققان بسياري به بررسي كاربردهاي شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و مالي پرداخته اند . ازآن جمله ، در سال 1993 ، تفتي و نيكبخت به بحث در ارتباط با استفاده از شبكه هاي عصبي توسط سازمانها وشركتهاي مالي در جهت اهداف متفاوت امتيازبندي اعتباري پرداختند .تان و دي هاردجو (2001) از طريق افزايش زمان و دوره پيش بيني مدل به توسعه يك تحقيق ابتدايي در استفاده از شبكه هاي عصبي براي پيش بيني استرس هاي مالي در اتحاديه هاي اعتباري استراليا پرداختند . دستاورد حاصل شده در مقايسه با نتايج به دست آمده از متوسط انحراف از ميانگين، نتايج قابل قبولي بود . همچنين ديويس و همكاران نيز در 1996 به بررسي نگرشهاي سيستم‌هاي خودپرداز براساس تجزيه و تحليل شبكه‌هاي عصبي پرداختند . ازسوي ديگر، شناسايي كاربردهاي متنوع الگوريتم هاي ژنتيك از سوي افراد مختلف به صورت زير ارائه شده است :

انتخاب استراتژي هاي بازار انحصاري چند جانبه ( ماركز ، 1989 ) ، توسعه استراتژي‌هاي سرمايه گذاري مالي (باور‌‌، 1994 ) ،جستجو براي يافتن قوانين تكنيكي براي اعمال آنها در بازارسرمايه ( كارجالايننن‌، 1994 ) ، تجزيه و تحليل ريسك در بانكداري ( وارتو ،1998 ) . علاوه بر اين، در سال 1999 كارجالايننن و آلن از الگوريتم‌هاي ژنتيك در پيدا كردن قوانين تكنيكي تجاري استفاده كردند. در همين زمان نيز آندرا و همكارانش (1999) از الگوريتم هاي ژنتيك در تجــزيه و تحليل فني در بازار سهام مادريد استفاده كردند .

از ديگر سيستمهاي مالي مبتني بر شبكه‌هاي عصبي و الگوريتم هاي ژنتيك مي توان به موارد زير اشاره كرد : _ KABAL _ سيستم دانشي براي تجزيه و تحليل مالي در بانكداري (هارت ويگسن ، 1990 ) _ CREDEX _ سيستمي براي ارزيابي اعتبارات ( پينسون ، 1990 ) _ FINEVA _ سيستم دانشي چند معياري پشتيباني از تصميم گيري براي ارزيابي عملكرد و قابليت حيات شركت ( زوپوني ديس ، 1996 ) پيش بيني پيش بيني يكي از قديمي ترين فعاليتها و وظايف مديريت وتجارت بوده است . تجربه ، به انسان در پيش بيني آينده وانتخاب تصميم درست و دادن رأي صحيح كمك مي كند. روش هاي هوش مصنوعي توانايي بالايي را درپيش بيني و ارائه عملكرد بهتر در مواجهه بامسائل غيرخطي و ساير مشكلات مدل سازي سري هاي زماني نشان داده اند .رحمان و بهتنگار (1998 ) يك سيستم خبره را براي پيش بيني كوتاه مدت طراحي كردند‌، اين درحالي است كه چيو (1997) يك شبكه عصبي را در تركيب با سيستم خبره قانونمند براي همين منظور در تايوان مورد استفاده قرار داد . همچنين تحقيقات كانلن و جيمز (1998) نشان دادكه مي توان بين خصيصه هاي داراييهاي اقتصادي و ارزش داراييهاي تجاري در يك بازار خاص پيوند برقرار كرد و به مدل ارزش گذاري اي رسيد كه به پيش بيني كوتاه مدت نوسانات ارزش گذاري دراستفاده از شبكه‌هاي عصبي مي‌پردازد‌. درنهايت بررسيهاي انجام شده نشان مي‌دهد كه در اين حوزه بيشتر بر كاربرد شبكه هاي عصبي كار شده است تا الگوريتم هاي ژنتيك‌.

مزاياي استفاده از فناوريهاي هوش مصنوعي با بررسي نظريات و تحقيقات موجود مي توان در قالب گزاره هاي زير ارایه نمود : ارائه خدمات بهتر به مشتري  تقليل زمان انجام وتكميل وظايف افزايش توليد استفاده اثربخش تر از منابع  سازگاري و ثبات بيشتر

این پست دارای یک نظر است

دیدگاهتان را بنویسید