Авторы

Подход к проектированию нейронной сети для формирования индивидуальной траектории тестирования знаний

В работе рассматриваются вопросы реализации системы адаптивного тестирования на основе использования модулей искусственных нейронных сетей (ИНС), которые должны решать задачу интеллектуального выбора следующего вопроса, формируя индивидуальную траекторию тестирования. Целью работы является повышение точности ИНС для формирования уровня сложности следующего вопроса теста для двух типов архитектур – прямого распространения (FNN – Feedforward Neural Network) и рекуррентной с долгой краткосрочной памятью (LSTM–Long-Short Term Memory). Проанализированы данные, влияющие на качество обучения, рассмотрены архитектуры входного слоя ИНС прямого распространения, позволившие значительно повысить качество работы нейронных сетей. Для решения задачи выбора тематического блока вопроса предложена гибридная структура модуля, включающая собственно ИНС и программный модуль для алгоритмической обработки получаемых от ИНС результатов. Выполнено исследование целесообразности применения ИНС прямого распространения в сравнении с архитектурой LSTM, выявлены входные параметры сети, проведено сравнение различных архитектур и параметров обучения ИНС (алгоритмов обновления весов, функций потерь, количества эпох обучения, размеров пакета). Приведено обоснование выбора сети прямого распространения в структуре гибридного модуля выбора тематического блока. Приведенные результаты были получены с помощью высокоуровневой библиотеки Keras, позволяющей осуществить быстрый старт на начальных этапах исследований и получение первых результатов. Традиционно обучение проводилось в течение большого числа эпох. В результате исследования сделан вывод о том, что для решения задачи выбора тематического блока лучше подходит сеть прямого распространения, ее использование в составе гибридного алгоритмического модуля позволит построить индивидуальную траекторию тестирования вне зависимости от числа тематических блоков. Читать дальше...

Оценка уровня критичности операционного риска банка на основе нейросетевых технологий

Статья посвящена вопросам контроля операционных рисков (ОР) кредитной организации (КО), возникающих в процессе использования IT-технологий. Среди банковских рисков операционный риск занимает особое место прежде всего в силу того, что он затрагивает различные сферы банковской деятельности и его трудно отделить от других видов риска. Операционные риски возникают в том числе в результате простоя или некорректной работы технических систем и оборудования. В связи с постоянным ростом степени автоматизации банковских бизнес-процессов возникают новые группы ИТ-риска, которые могут оказывать существенное влияние на деятельность кредитной организации. Целью работы является создание с использованием высокоуровневой библиотеки Keras на языке Python искусственной нейронной сети (ИНС), которая в автоматизированном режиме контролирует уровень критичности возникшего ИТ-риска. В статье на основе проведенного анализа риск-событий, связанных с использованием ИТ-технологий, выделены потоки данных, поступающих на вход нейросети, и определена ее структура. В работе также приводятся результаты обучения созданной авторами нейросети на основе сформированных наборов данных. Использование интеллектуальных методов оценки уровня критичности операционного ИТ-риска позволяет оперативно принимать меры по минимизации последствий и таким образом снизить прямые и косвенные потери. В связи с изложенным выше автоматизация управления операционными рисками на основе применения нейросетевых технологий является на сегодняшний момент для кредитных организаций одной из наиболее актуальных задач. Полученные результаты новы и могут быть использованы кредитными организациями в процессе построения автоматизированных систем контроля и управления операционными рисками. Читать дальше...