>

Widrow, Rumelhart e Lehr argumentam que a maioria das aplicações de ANN se enquadram nas três categorias seguintes:

• Classificação de padrões,
• Análise de previsão e financeira, e
• Controle e Otimização.

Na prática, sua categorização é ambígua, uma vez que muitas aplicações financeiras e preditivas envolvem a classificação de padrões. Uma classificação preferida que separa aplicações por método é a seguinte:

• Classificação
• Série temporal e
• Optimização.

Problemas de classificação envolvem decisões binárias ou identificação de múltiplas classes nas quais as observações são separadas em categorias de acordo com o especificado

Características. Normalmente utilizam dados transversais. A resolução destes problemas implica ‘aprender’ padrões num conjunto de dados e construir um modelo que possa reconhecer estes padrões. Aplicações comerciais de redes neurais artificiais desta natureza incluem:

• Detecção de fraudes com cartões de crédito que alegadamente são usados pelo Eurocard Nederland, Mellon Bank, First USA Bank, etc. ;
• Reconhecimento óptico de caracteres (OCR) utilizado por software de fax como o FaxGrabber do Calera Recognition System e o motor OCR Anyfax da Caere Corporation que é licenciado para outros produtos como o popular WinFax
• Pro e FaxMaster ;
• Reconhecimento de caligrafia cursiva sendo usado pelo programa Longhand da Lexicus2 Corporation que roda em blocos de notas existentes como o NEC Versapad, Toshiba Dynapad, etc. e ;
• Cervical (Papanicolaou ou ‘Pap’), o sistema de triagem de esfregaços chamado Papnet 3 foi desenvolvido pela Neuromedical Systems Inc. e está sendo usado atualmente pela US Food and Drug Administration para ajudar os citotécnicos a detectar células cancerosas ;
• Petroleum exploration sendo usado pela Texaco e Arco para determinar a localização de depósitos subterrâneos de petróleo e gás; e
• Detecção de bombas em malas usando uma abordagem de rede neural chamada Thermal Neutron Analysis (TNA), ou mais comumente, SNOOPE, desenvolvida pela Science Applications International Corporation (SAIC) .

Em problemas de séries temporais, a ANN é necessária para construir um modelo de previsão a partir do conjunto de dados históricos para prever pontos de dados futuros. Consequentemente, eles requerem técnicas de ANN relativamente sofisticadas, uma vez que a seqüência dos dados de entrada neste tipo de problema é importante para determinar a relação de um padrão de dados com o seguinte. Isto é conhecido como o efeito temporal, e técnicas mais avançadas tais como os tipos de ANNs de resposta a impulso finito (FIR) e de ANNs recorrentes estão sendo desenvolvidas e exploradas para lidar especificamente com este tipo de problema.

Exemplos reais de problemas de séries temporais usando ANNs incluem:

• Sistemas de negociação de câmbio estrangeiros: Citibank London , HongKong Bank of Australia ;
• Selecção e gestão de carteiras: LBS Capital Management (US$300m) (US$600m) , Deere & Fundo de pensão Co. (US$100m) (US$150m) , e Fidelity Disciplined Equity Fund ;
• Previsão de padrões climáticos ;
• Rede de reconhecimento da fala sendo comercializada pela Asahi Chemical ;
• Previsão/confirmação de infarto do miocárdio, um ataque cardíaco, a partir das ondas de saída de um eletrocardiograma (ECG) . Baxt e Skora relataram em seu estudo que os médicos tinham uma sensibilidade e especificidade diagnóstica para infarto do miocárdio de 73,3 e 81,1% respectivamente, enquanto a rede neural artificial tinha uma sensibilidade e especificidade diagnóstica de 96,0% e 96,0% respectivamente; e
• Identificação da demência a partir da análise dos padrões de eletrodelectroencefalograma (EEG). Anderer et al. relataram que a rede neural artificial fez melhor do que a análise estatística e discriminante de Z .

Problemas de otimização envolvem encontrar solução para um conjunto de problemas muito difíceis conhecidos como problemas não-polinomiais (NP) completos, Exemplos de problemas desse tipo incluem o problema do vendedor ambulante, programação de trabalho na fabricação e problemas de roteamento eficiente envolvendo veículos ou telecomunicações. As ANNs usadas para resolver tais problemas são conceptualmente diferentes das duas categorias anteriores (classificação e série temporal), na medida em que requerem redes não supervisionadas, pelo que as ANNs não são fornecidas com soluções prévias e, portanto, têm de “aprender” por si só sem o benefício de padrões conhecidos. Os métodos estatísticos equivalentes a este tipo de ANNs enquadram-se na categoria de algoritmos de agrupamento.