Wat zijn de toepassingen van neurale netwerken voor voorspelling?
Neurale netwerken zijn complexe computermodellen die vaak worden gebruikt voor patroonherkenning. Omdat neurale netwerken zijn gemodelleerd naar biologische hersenfuncties, zijn ze in staat om te 'leren' en resultaten te voorspellen. Er zijn veel praktische toepassingen van neurale netwerken voor voorspelling, waaronder financiële berekening, weersvoorspelling en medische diagnose.
Kunstmatige neurale netwerken voor voorspelling zijn geïnspireerd door het menselijk brein. In een biologisch brein zijn veel kleine verwerkingseenheden die 'neuronen' worden genoemd, verbonden met een groot netwerk. Elk afzonderlijk verwerkingsgebied is relatief eenvoudig, maar het hele netwerk kan complexe problemen oplossen wanneer elk neuron samenwerkt. De verbindingen tussen elk klein neuron kunnen opnieuw worden geconfigureerd in nieuwe netwerkpatronen. Hierdoor kunnen de hersenen zichzelf reorganiseren en nieuwe concepten 'leren'.
Net als een menselijk brein bevat een kunstmatig neuraal netwerk veel kleine processoren en verbindingen, die opnieuw kunnen worden geconfigureerd. Het concept van het gebruik van kunstmatige neuronen werd voor het eerst beschreven door wetenschappers Walter Pitts en Warren McCulloch in 1943. Dit wetenschappelijke werk werd snel uitgebreid en gepubliceerd door de beroemde kunstmatige intelligentie-pionier Alan Turing, die in 1948 publiceerde over kunstmatige neurale netwerken met de titel 'Intelligent Machinery' .”
Financiële berekening is een van de meest voorkomende toepassingen van neurale netwerken voor voorspelling. In wezen wordt een neuraal netwerk gebruikt als een wiskundig "filter" om een uitkomst te voorspellen op basis van beschikbare financiële gegevens. Deze functie wordt vaak gebruikt in voorspellingssoftware voor beurzen. In deze toepassing verwerkt een computer eerdere markttrends. Zodra een patroon is vastgesteld, berekent het neurale netwerk of een aandeel in de toekomst zal stijgen of dalen.
Neurale netwerken kunnen ook worden gebruikt om de kredietwaardigheid van een persoon of bedrijf te bepalen. Net als bij aandelenvoorspelling is patroonherkenning de sleutel. Een netwerk kan duizenden eerdere kredietontvangers in overweging nemen en hun financiële geschiedenis analyseren. Door trends uit het verleden te vinden, kunnen neurale netwerken voor voorspelling inschatten welke nieuwe aanvragers waarschijnlijk in gebreke blijven. Deze personen ontvangen een hoogrisicokrediet op basis van voorspelling.
Evenzo kunnen neurale netwerken worden gebruikt voor weersvoorspelling. Veel verschillende omgevingsfactoren zoals temperatuur en windstromingen kunnen in het netwerk worden ingevoerd. Met behulp van een voorspellingsmodel dat is gebaseerd op eerdere klimaatpatronen, kan het neurale netwerk het waarschijnlijke resultaat van de huidige weersomstandigheden bepalen.
Het gebruik van neurale netwerken voor voorspelling kan ook helpen bij het oplossen van bepaalde medische problemen. Het menselijk lichaam is erg complex en tientallen of zelfs honderden factoren kunnen combineren om een medische aandoening te veroorzaken. Neurale netwerken kunnen soms de oorzaak van een symptoom afleiden. In deze toepassing kan een kunstmatig netwerk trends en patronen uit eerdere patiëntendossiers vinden en de meest waarschijnlijke oorzaak van een ziekte voorspellen.