Пообразу иподобию: искусственный разум

      Комментарии к записи Пообразу иподобию: искусственный разум отключены

Пообразу иподобию: искусственный разум

Человек уже много лет не имеет возможности тягаться с компьютером в скорости вычислений, современные хранилища данных превосходят его в эрудиции, а поисковые совокупности — в эффективности сбора информации. Но выделить основной суть и сформулировать вопрос до тех пор пока по силам лишь человеку. Не так-то в неестественной среде такие особенности людской мозга, как свойство к ассоциативному восприятию и всестороннему обучению.

Дабы обыграть мирового чемпиона по шахматам Гарри Каспарова, экспертам компании IBM было нужно сделать шахматный компьютер Deep Blue, что способен был разбирать до миллиарда позиций в секунду. Причем успех пришел не сходу. Сперва Deep Blue проиграл, и лишь через год, в 1997-м, забрал реванш. Во всем этом противостоянии впечатляет не быстродействие компьютера, а принципиальная отличие между соперниками.

Так как человек, кроме того будучи гроссмейстером, тратит целую секунду на исследование каждого хода! В чем же секрет людской сообразительности? Одна из попыток ответить на данный вопрос — неестественные нейронные сети.

Мысль напрямую скопировать структуру мозга была достаточно плодотворной — удалось частично воспроизвести тот самый интуитивный уровень реакций, что важен за выделение сигналов и распознавание образов на фоне шума. Нейронные сети, как и мозг, являются универсальный инструмент для ответа задач и особенно действенны именно там, где не удается применять стандартные методы.

Пример для подражания

В начале XX века испанский гистолог Сантьяго Рамон-и-Кахаль показал научному сообществу, что нервная совокупность складывается из отдельных клеток — нейронов, за что и был в 1906 году вместе с К. Гольджи удостоен Нобелевской премии по биологии. Неспешно стало известно, что нейроны всегда обмениваются электрохимическими сигналами посредством особых дендритов — и отростков аксонов, причем распространение сигналов строго направленное — по дендритам в клетку, а по аксону — из нее.

Любой нейрон связан с множеством вторых, и связи эти всегда меняются — появляются, усиливаются, ослабевают либо исчезают вовсе. Конструкция непростая, в особенности в случае если учесть, что мозг состоит приблизительно из 5 миллиардов таких клеток. А представив, что любая из них поддерживает много связей со собственными собратьями, нечайно проникаешься уважением к самому себе.

Не обращая внимания на эти внушительные цифры, достаточно простое устройство отдельного элемента мозга — нейрона — открывало заманчивые возможности. И в первой половине 40-ых годов двадцатого века У. Мак-Каллок и У. Питс в первый раз внесли предложение его математическую модель — неестественный нейрон.

Неестественный нейрон

В соответствии с данной модели неестественный нейрон, как и настоящий, имеет пара входов и один выход. Все входные сигналы, поступающие в нейрон, сперва умножаются на определенные коэффициенты, именуемые весами, после этого суммируются, сумма преобразуется посредством несложной функции и передается на выход. Главный элемент таковой модели — веса.

Как раз они придают совокупности гибкость и разрешают настроиться на решение определенной задачи. Сигнал, что умножается на громадный вес, дает солидной вклад в общую сумму, а сигнал с нулевым весом не учитывается вовсе. Представим совсем несложную схему: за рулем нейрон-водитель, которому нужно проехать перекресток со светофором.

У него пара входов: глаз — видит сигнал на светофоре, ухо — слушает рекомендации пассажира, термометр — показывает температуру за бортом, альтиметр — информирует о высоте над уровнем моря. А выходной сигнал руководит педалью газа. Разумеется, дабы принять верное ответ, необходимо никак не учитывать высоту и температуру (задать для них нулевые веса), сосредоточить внимание на светофоре (большой вес) и как правило не обращать внимание на рекомендации пассажира (маленькой вес).

При таком распределении весов выходной сигнал будет зависеть по большей части от сигнала светофора и нейрон-водитель будет функционировать верно.

Делается ясно, что работа таковой неестественной модели зависит от значений весов. К примеру, для нейрона-летчика, совершающего посадку, следовало бы большой вес придать показаниям альтиметра. Придумать бы метод нахождения нужных весов — и возможно приобретать нейроны с заданными особенностями.

В жизни это именуется обучением.

Практически сразу после появления модели Мак-Каллока и Питса были развиты идеи обучения неестественных нейронов, а к началу 60-х годов Ф. Розенблатт внес предложение на их базе целый класс аналогичных структур, персептронов, талантливых передавать сигналы и обучаться. Их деятельно изучили и пробовали применять для ответа несложных задач. Но это получалось далеко не всегда, и надежда неспешно сменилась разочарованием.

А в то время, когда М. Минский математически доказал, что персептрон в принципе не имеет возможности совладать с нелинейной задачей, интерес к нейронным сетям заметно уменьшился.

Архитектура

Изучения на некое время затормозились, но не закончились, и через 15 лет был сделан следующий ход все по тому же пути, предложенному природой. Отыщем в памяти, что мозг складывается из большого числа нейронов, соединенных между собой сложной совокупностью последовательных и параллельных связей. Дабы добиться успеха, было нужно повторить не только сам элемент мозга — нейрон, но и «архитектуру» конструкции, к примеру, применять вместо одного слоя персептронов по крайней мере два.

Входные сигналы попадают на первый слой, после этого с выходов первого слоя на входы второго, а позже уже подаются на выход.

Недочёт сведений о том, как формируются связи между настоящими нейронами, открывает простор для фантазии. Возможно создать так именуемую полносвязную сеть, где все выходы всех нейронов связаны со всеми без исключения входами. Возможно организовать слоистую структуру, в которой сигнал последовательно передается от входа к выходу через пара слоев нейронов, причем все выходы прошлого слоя соединены, к примеру, со всеми входами последующего.

Это самый популярный подход, разрешающий решать многие распознавания и задачи прогнозирования. Второй вариант — сети с обратной связью от выхода к входам, применяемые в совокупностях управления. В случае если представить, что все эти структуры еще возможно комбинировать между собой, варьировать число выходов и входов, число связей и число нейронов, делается ясно, какие конкретно бесконечные возможности раскрываются перед создателями сетей.

Но придумать такую схему еще полдела, основное, для чего все затеяно, научить ее решать задачи. Лишь в середине 70-х годов прошлого века удалось создать качественные методы обучения нейронных сетей, по окончании чего эти способы снова получили стали и широкую популярность вправду давать настоящие результаты.

Обучение

По окончании выбора архитектуры наступает самый важный этап — обучение нейронной сети. Как и ее прототип, мозг, эта неестественная конструкция сразу после собственного рождения подобна чистому листу бумаги. Дальше все зависит от его методов и учителя обучения.

Так Маугли, попавший в нежные лапы волчицы, че-рез некое время последует ее примеру, начнёт выть на луну и умело ловить зайцев, а мелкий джентльмен под присмотром строгой бонны обучится сказать по-французски и держать вилку в левой руке. Обучение нейронной сети также напоминает уроки грамоты. Имеется последовательность готовых примеров, в которых входным сигналам соответствуют узнаваемые верные ответы. Эти входные сигналы подаются на вход сети.

Сеть выдает ответ. Если он не сходится с верным, посредством особых математических процедур вносятся трансформации в веса связей. Чем больше отличие между взятым ответом и верным, тем больше корректируются веса.

По окончании очередной коррекции вся процедура повторяется опять, пока сеть не начнет «отвечать» на вопросы верно.

Не обращая внимания на помой-му безукоризненную логику, процесс обучения не всегда ведет к успеху. Во-первых, обучающие примеры могут быть негодными. Тут довольно часто приводят случай из военной практики, в то время, когда сеть, предназначенная для распознавания танков соперника, обучалась по их фотографиям. Обучение прошло удачно, но на первом же опробовании произошёл конфуз.

По окончании разбирательства стало известно, что все выбранные для учебы фотографии собственных автомобилей были сделаны в одном ландшафте, а вражеских — в другом. В следствии сеть избрала самый несложный вариант и обучилась отличать вовсе не танки, а один фон от другого. Нужно заявить, что для задач классификации создан целый класс сетей, которым по большому счету не необходимы обучающие примеры, но дело не только в примерах.

Второй камень преткновения — неудачный выбор начальных значений весов на старте. Стоит тут совершить ошибку — и обучение может зайти в тупик. Имеется и неприятность выбора архитектуры: недостаточное число нейронов не разрешит решить непростую задачу, а через чур большое их количество очень сильно замедлит процесс обучения. Чем больше элементов в сети, тем медленнее она обучается.

Но в случае если интуиция по части методов и архитектуры обучения не подведет, покажется настоящий шанс перейти от теории к практике.

Что могут нейронные сети

Существует два различных подхода к практическому воплощению идеи неестественных нейронных сетей. Первый — микропроцессорные устройства из неестественных нейронов, так именуемые нейрочипы, а второй — компьютерные программы-имитаторы.

Созданием нейрочипов увлекались многие узнаваемые производители, IBM и Philips, Siemens и Intel. К примеру, нейрочип ZISC78, совместная разработка компаний Silicon Recognition и IBM, содержит 78 узлов-нейронов и хранит в каждом из них 64-битный вектор. Сравнение всех этих векторов с поступающим на вход знаком занимает 3 микросекунды.

Такие чипы возможно сращивать между собой и приобретать замечательные обучаемые инструменты для распознавания, как, к примеру, схема из 4000 узлов, заказанная Минобороны США и талантливая распознавать 1,2 миллиарда векторов в секунду.

Имеется чипы для оптических совокупностей распознавания и для анализаторов речи, причем последние не только научены распознавать обращение произвольного оратора, но и могут настраиваться на определенный голос. Но таких бытовых примеров мало. Создание нейрочипов — процесс относительно продолжительный и дорогостоящий, как правило это изделия не для массового потребителя, а для неповторимых устройств, — к примеру, для совокупности распознавания треков в детекторах элементарных частиц.

Другое дело компьютерные программы, каковые, по сути, имитируют нейронную сеть, ее функции и обучение. Такую программу возможно записать в процессор либо запустить на простом компьютере. Обученная модель нейронной сети употребляется в микропроцессорных совокупностях распознавания, встроенных в сенсорные панели компании Synaptics.

А пара лет назад кое-какие аэропорты США взяли в собственный распоряжение устройство для обнаружения бомб, где эти анализируются посредством нейросетевой программы. банки и Крупные корпорации обучают нейронные сети для оценки эффективности и прогнозирования цен инвестиций, а медики посредством нейросетевых моделей пробуют диагностировать предынфарктное состояние и распознавать раковые клетки. Русская программа FormReader (компания ABBYY), которая распознаёт рукописный текст, также выстроена на нейронных сетях.

Возможности

Насчитываются уже десятки универсальных нейросетевых пакетов, и любой пользователь может у себя на компьютере выстроить модель нейронной сети и постараться ее чему-нибудь научить. К примеру, играть на бирже либо выяснять на фотографии себя любимого. Это, само собой разумеется, не ИИ, но история вопроса наводит на идея, что для нужного качества до тех пор пока просто-напросто не достаточно компьютерных ресурсов.

Когда мощность компьютеров разрешит выстроить модель из 5 миллиардов нейронов с сотнями миллионов связей и уложиться в дюжина лет для ее обучения, тут-то и родится неестественный разум. Не смотря на то, что нельзя исключать, что человек сможет отыскать и более маленький путь. На то у него и разум.

Настоящий.

Статья размещена в издании «Популярная механика» (№16, февраль 2004).

Каким станет искусственный интеллект будущего Наука Наука и техника


Интересные записи на сайте:

Подобранные по важим запросам, статьи по теме: