В последнее время с’появляется много новостей о новых разработках технологии искусственных нейронных сетей. На их основе создаются комп’ютерні программы искусственного интеллекта, которые уже сейчас способны обыгрывать лучших игроков в покер и диагностировать рак кожи лучше профессиональных медиков.
искусственные нейронные сети – это математическая программная модель, побудована за принципом функціонування біологічних нейронних мереж — мереж нервових клітин живого організму.
Искусственные нейронные сети с’появились на слуху совсем недавно, а уже применяются почти во всех сферах жизни человека: при распознавании текстов и создании контекстной рекламы в интернете, в машинном переводе и даже на бирже и системах видеонаблюдения.
История нейронных сетей
С появлением современной электроники, начались первые попытки аппаратного воспроизведения процесса мышления человека. Первый шаг был сделан в 1943 році з виходом статті нейрофізіолога Уоррена Маккалоха та математика Уолтера Піттса про роботу штучних нейронів і представлення моделі нейронної мережі на електричних схемах. Паралельно з прогресом в нейроанатомії і нейрофізіології психологами було створено моделі людського навчання. У 1950-ті — 1960-ті роки група дослідників, о’єднавши эти биологические и психофизиологические подходы, создала первые искусственные нейронные сети за руководства Натаниэля Рочестера.
Первые успехи вызвали взрыв активности и оптимизма. Мински, Розенблат, Відроу и другие ученые разработали сети, состоящие из одного слоя искусственных нейронов, которые назвали персептронами. Эти сети применяли для решения’язання широкого класса задач: прогноз погоды, анализ электрокардиограмм, штучний зір. Протягом деякого часу здавалося, что ключ к интеллекту найден, и воспроизводства человеческого мозга является лишь вопросом конструирования достаточно большой сети. Но эта иллюзия скоро рассеялась.. Сети не могли решать’решать все задачи, что подвластны человеческому решению. Из этих неудач начался период интенсивного анализа.
У період з 1980-х років інтерес до штучних нейронних мереж швидко зріс. Специалисты из таких далеких областей, как техническое конструирование, философия, физиология и психология, были заинтригованы возможностями, что дает эта технология, и проводили активный поиск применения ее внутри своих дисциплин. В 2007 році Джефрі Хінтоном в університеті Торонто створені алгоритми глибокого навчання багатошарових нейронних мереж. Это ознаменовало начало активного применения искусственных нейронных сетей в различных сферах человеческой деятельности и дало толчок разработкам технологии искусственного интеллекта.
Как устроены искусственные нейронные сети?
Наш мозг не способен быстро выполнять большой о’объем математических операций. Даже самые простые аппараты, типа калькулятора имеют преимущество над человеком. Но, в отличие от комп’ютера, человек может быстро адаптироваться к новым условиям. Например, мы можем распознавать речь собеседника, даже если находимся в шумном помещении, или чрезвычайно быстро узнавать знакомое лицо в толпе. Комп’ютеру же наоборот такие операции даются нелегко.
Наше мышление – результат работы сети нейронов в мозге. Нейроны передают друг другу химические сигналы с помощью электрических импульсов. В результате такой активности с’являются наши ощущения и мышления. Искусственный интеллект и когнитивное моделирование пытаются имитировать некоторые свойства биологических нейронных сетей. ШНМ є системою з’єднаних і взаємодіючих між собою простих процесорів (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных комп’машинах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи с’єднаними в достаточно большую сеть с управляемым взаимодействием, такие отдельно простые процессоры вместе способны выполнять довольно сложные задачи.
Работает искусственная нейронная сеть следующим образом: на входы нейронов поступают сигналы, которые суммируются. При этом учитывается синаптический масса, то есть значимость каждого из входов. Далее, входные сигналы одних нейронов поступают на входы других нейронов. Масса каждого такого зв’язку может быть положительной( возбуждающие зв’обязанности ) или отрицательной( тормозные зв’обязанности). Они определяют вычисления нейронной сети, а значит ее пам’ять и поведение. Принцип очень похож на работу нашего собственного процессора – мозга.
Но для того, чтобы искусственная нейронная сеть выполняла сложные задачи, ее необходимо научить.
Обучение искусственной нейронной сети
Искусственные нейронные сети не программируются в обычном смысле этого слова, они учатся. Можливість навчання — одна з головних переваг нейронних мереж перед традиційними алгоритмами. Технически, обучение заключается в нахождении коэффициентов зв’связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также осуществлять обобщение.
Для процесса обучения необходимо иметь модель внешней среды, в которой функционирует нейронная сеть – нужную для решения задачи информацию. Во-вторых, необходимо определить, как модифицировать весовые параметры сети.
Существуют три общие парадигмы обучения: “с учителем”, “без учителя” (самообучение) и смешанная. В первом случае нейросеть имеет в своем распоряжении правильные ответы (выходы сети) на каждый входной пример. Веса настраиваются так, чтобы сеть производила ответы наиболее близкие к известным правильным ответам. Обучение без учителя не требует знания правильных ответов на каждый пример обучающей выборки. В этом случае используется внутренняя структура данных и корреляция между образцами в обучающем множестве, что позволяет распределить образцы по категориям. При смешанном обучении часть весов определяется по помощи обучения с учителем, в то время как другая определяется по помощи самообучения.
Самые распространенные применения нейронных сетей
- Распознавание образов и классификация. В якості образів можуть виступати різні за своєю природою об’єкти: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Когда сети пред’появляется какой-то образ, на одном из ее выходов должен с’явиться признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, що образ до даного класу не належить.
- Принятия решений и управления. Це завдання близьке до задачі класифікації. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети должна с’появиться признак решения, которое она приняла.
- Кластеризация. Під кластеризацією розуміється розбиття множини вхідних сигналів на класи, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал.
- Прогнозирование. Здібності нейронної мережі до прогнозування безпосередньо випливають з її здатності до узагальнення та виділення прихованих залежностей між вхідними та вихідними даними. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений или каких-то существующих в настоящий момент факторов.
- Сжатие данных и ассоциативная память’ять. Здатність нейромереж до виявлення взаємозв’язків між різними параметрами дає можливість висловити дані великої розмірності більш компактно, если данные тесно взаимосвязанных’связаны между собой. Обратный процесс – восстановление исходного набора данных по части информации – называется ассоциативной пам’памятью.
Однако, не смотря на такое глубокое обучение искусственных нейронных сетей, сказать что такой искусственный интеллект действительно мыслит и самостоятельно принимает решение – однозначно нельзя. А потому, и не нужно бояться того, что одного дня работы с искусственным интеллектом решат уничтожить человечество.
Но уже сейчас понятно, что в будущем искусственные нейронные сети станут помощниками для людей, помогая в медицине и сфере безопасности, автоматизируя много различных процессов ради совершенного консультирование и оказание мелких услуг людям.
