При использовании нейросетевой технологии работа строится в несколько этапов

Взяв за основу работу мозга, создатели нейросетевых технологий ввели в употребление и ряд биологических терминов, понятий, параметров, а сам метод получил название генетического алгоритма. Генетический алгоритм реализован в популярном пакете Brain Maker Professional и в менее популярном, но более профессиональном Neuroforester. В этих пакетах генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает (прогнозирует) новые ситуации с высокой степенью точности. Обучение сводится к работе по подбору весовых коэффициентов, который реализуется автоматически без непосредственного участия пользователя-аналитика.

В начале 90-х годов появилось новое поколение мощных, недорогих и простых в использовании нейросетевых технологий. Одним из лидеров стал нейросетевой пакет Brain Maker американской фирмы California Scientific Software. Наибольшее применение нейронные сети нашли в финансово-кредитной сфере, где заинтересованные в совершенствовании аналитической работы банки стали интенсивно включать нейронные сетевые технологии в состав финансовых приложений.

Являясь мощным технологическим инструментом, нейросетевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, дефицита времени и ограниченных информационных ресурсов.

Отличительной чертой нейронных сетей является их способность менять свое поведение (обучаться) в зависимости от изменения внешней среды, извлекая скрытые закономерности из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях – необходимо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом. Основанная на нейросетях технология не предъявляет повышенных требований к точности входных данных, как на этапе обучения, так и при ее использовании (после настройки и обучения), например при распознавании симптомов приближения кризисных ситуаций, для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает двумя чрезвычайно полезными свойствами:

· Способностью обучаться на конкретном множестве примеров.

· Умением стабильно распознавать, прогнозировать новые ситуации в условиях внешних помех, например, при появлении противоречивых или неполных значений в потоках информации.

В пакете Neuroforester для решения прогнозных задач большая часть процедур выполняется автоматически. В частности, автоматически выбирается оптимальное число дней, обеспечиваемых прогнозом. Пакет имеет также инструменты для предварительной обработки данных: корреляционный анализ, позволяющий определять значимость входных параметров прогноза; анализ с помощью масштабных преобразований для выявления скрытых циклов данных, диаграмма-распределение зависимости прогнозируемой величины от входных параметров. Эти методы позволяют уже на этапе подготовки данных выделять наиболее существенные для прогноза параметры. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решения.