{"news":{"id":"498"}}

Кадастровая оценка и нейронные сети

Ранее мы выдвигали предположение о бессмысленности алгоритмического определения кадастровой стоимости, как приближения к рыночной


Теперь появилась информация о предсказанном опыте использования нейросетей для решения данной задачи. Так, ГБУ МО «Центр кадастровой оценки» проводит эксперименты по применению нейронных сетей для автоматизации работ в области кадастровой оценки, в том числе:

  • кодирование земельных участков;
  • кодирование объектов-аналогов по тексту объявлений;
  • распределение поступающих обращений по сотрудникам.

Поясним немного, что вообще такое нейронные сети. Искусственная нейронная сесть в некоем приближении схожа с процессами, возникающими в мозге. Отдельные искусственные нейроны, соответственно, являются упрощенным подобием биологических, их математической моделью.

В биологическом нейроне выделяют дендриты, тело нейрона, аксон. Можно сказать, что дендриты собирают информацию, поступающую в нейрон. Это может быть сигнал от другого нейрона или рецептора, например, от колбочек при реакции на электромагнитное возмущение - свет определенной волны. Если потенциал сигнала превышает определенный порог, волна распространяется по телу активированного нейрона, и аксон передает по синапсам сигнал далее.

Среди ключевых разработок, благодаря которым сегодня в условиях значительного роста производительности компьютеров стало возможным решать неподдающиеся алгоритмическому описанию задачи, можно выделить как минимум:

  • 1940-1960: теория искусственной нейронной сети - перцептрона;
  • 1970-1980: метод обратного распространения ошибки, используемый для обучения сети;
  • 2000-2010: алгоритмы глубокого обучения многослойных нейронных сетей.

Отдельный нейрон можно описать как функцию, выдающую оценку, обычно от 0 до 1, того, насколько поданный на вход набор параметров соответствует неким ожиданиям. Это может быть реализовано достаточно простым образом:

  • каждый входной параметр перемножается на заданный ранее вес;
  • результат суммируется;
  • заданная функция в зависимости от результата выдает итоговую оценку.

Подобрав веса и функцию-сумматор, уже можно выполнять простую классификацию данных. Однако, для решения более сложных задач необходимо применять, например, многослойные сети, при которых полученный на одном слое результат передается в качестве входных параметров на следующий. Тем не менее, в любом случае существует задача первичного определения весов, ведь они изначально неизвестны. Мы можем решить эту систему уравнений, так как знаем исходные параметры и желаемый результат. Так как может быть много не только исходных параметров, например пикселей в анализируемом изображений, но и их вариаций, то для более точного определения весов требуется как можно большее количество исходных данных и соответствующих им итоговых оценок.

Обученные таким образом нейросети способны классифицировать и сегментировать любые данные, а также в обратную сторону создавать данные по набору параметров, что обеспечивает практически неограниченные возможности автоматизации в любых отраслях деятельности. Обратной стороной технологии является то, что в большинстве случаев невозможно объяснить, почему информационная система приняла то или иное решение, так как оно вырабатывается не посредством подлежащего проверке алгоритма, а на основе массива параметров, каждый из которых был по сути подобран эмпирически или статистически.