Neurala nätverk är komplexa beräkningsmodeller som ofta används för mönsterigenkänning. Eftersom neurala nätverk är modellerade på biologiska hjärnfunktioner kan de ”lära sig” och förutsäga resultat. Det finns många praktiska användningsområden för neurala nätverk för förutsägelse, inklusive ekonomiska beräkningar, väderprognoser och medicinsk diagnos.
Artificiella neurala nätverk för förutsägelse är inspirerade av den mänskliga hjärnan. I en biologisk hjärna är många små bearbetningsenheter som kallas ”neuroner” anslutna till ett stort nätverk. Varje enskilt bearbetningsområde är relativt enkelt, men hela nätverket kan lösa komplexa problem när varje neuron arbetar tillsammans. Kopplingarna mellan varje liten neuron kan omkonfigureras till nya nätverksmönster. Detta gör att hjärnan kan omorganisera sig själv och ”lära sig” nya begrepp.
Precis som en mänsklig hjärna innehåller ett artificiellt neuralt nätverk många små processorer och anslutningar, som kan konfigureras om. Konceptet med att använda artificiella neuroner beskrevs först av forskarna Walter Pitts och Warren McCulloch 1943. Detta vetenskapliga arbete utökades snart och publicerades av den berömda artificiella intelligenspionjären Alan Turing, som skrev om artificiella neurala nätverk i en publikation från 1948 med titeln ”Intelligent Machinery .”
Finansiell beräkning är en av de vanligaste användningarna av neurala nätverk för förutsägelse. I huvudsak används ett neuralt nätverk som ett matematiskt ”filter” för att förutsäga ett resultat baserat på tillgängliga finansiella data. Denna funktion används ofta i programvara för aktiemarknadsprognoser. I denna applikation bearbetar en dator tidigare marknadstrender. När ett mönster har etablerats beräknar det neurala nätverket om en aktie kommer att stiga eller falla i framtiden.
Neurala nätverk kan också användas för att fastställa kreditvärdigheten för en individ eller ett företag. Precis som med aktieförutsägelse är mönsterigenkänning nyckeln. Ett nätverk kan överväga tusentals tidigare kreditmottagare och analysera deras ekonomiska historia. Genom att hitta tidigare trender kan neurala nätverk för förutsägelse uppskatta vilka nya sökande som sannolikt kommer att misslyckas med sin kredit. Dessa individer får ett högriskkreditbetyg baserat på förutsägelse.
På liknande sätt kan neurala nätverk användas för väderprognoser. Många olika miljöfaktorer som temperatur och vindströmmar kan matas in i nätet. Med hjälp av en prognosmodell som är baserad på tidigare klimatmönster kan det neurala nätverket fastställa det sannolika resultatet av nuvarande väderförhållanden.
Användningen av neurala nätverk för förutsägelse kan också hjälpa till att lösa vissa medicinska problem. Människokroppen är mycket komplex, och dussintals eller till och med hundratals faktorer kan kombineras för att orsaka ett medicinskt tillstånd. Neurala nätverk kan ibland härleda källan till ett symptom. I den här applikationen kan ett konstgjort nätverk hitta trender och mönster från tidigare patientjournaler och förutsäga den mest sannolika orsaken till en sjukdom.