Нейронні мережі

Штучні нейронні мережі надихаються біологією, оскільки вони складаються з елементів, функціональні можливості яких аналогічні більшості елементарних функцій біологічного нейрона. Ці елементи організуються за способом, який може відповідати (або не відповідати) анатомії мозку. Незважаючи на таку поверхневу схожість, штучні нейронні мережі демонструють велике число властивостей мозку. Наприклад, вони навчаються на основі досвіду, узагальнюють попередні прецеденти на нові випадки і витягують істотні властивості з інформації, що надходить і містить зайві дані.

Незважаючи на таку функціональну схожість, навіть самий оптимістичний їх захисник не вважає, що в швидкому майбутньому штучні нейронні мережі спроможні дублювати функції людського мозку. Реальний "інтелект", що демонструється самими складними нейронними мережами, знаходиться нижче за рівень дощового хробака, і ентузіазм повинен бути помірний відповідно до сучасних реалій. Однак таким же чином було б невірним ігнорувати дивну схожість в функціонуванні деяких нейронних мереж з людським мозком. Ці можливості, як би вони ні були обмежені сьогодні, наводять на думку, що глибоке проникнення в людський інтелект, а також безліч революційних застосувань, можуть бути не за горами.

Навчання. Штучні нейронні мережі можуть міняти свою поведінку в залежності від зовнішнього середовища. Така властивість в більшій мірі, ніж будь-яка інша, відповідає за той інтерес, який вони викликають. Після пред'явлення вхідних сигналів (можливо, разом з необхідними виходами) вони самоналаштовуються для забезпечення необхідної реакції. Була розроблена множина навчальних алгоритмів, кожний зі своїми сильними і слабими сторонами. Як буде вказано в цій книзі пізніше, всі ще існують проблеми відносно того, чому мережа може навчитися і як навчання повинно проводитись.

Узагальнення. Відгук мережі після навчання може бути до деякої міри нечутливий до невеликих змін вхідних сигналів. Ця внутрішньо притаманна здатність бачити образ крізь шум і спотворення життєво важлива для розпізнавання образів в реальному світі. Вона дозволяє подолати обмеження суворої точності, що пред'являється звичайним комп'ютером, і відкриває шлях до системи, яка може мати справу з тим недосконалим світом, в якому ми живемо. Важливо зазначити, що штучна нейрона мережа робить узагальнення автоматично завдяки своїй структурі, а не за допомогою використання "людського інтелекту" в формі спеціально написаних комп'ютерних програм.

Абстрагування. Деякі з штучних нейронних мереж мають здатність витягувати суть з вхідних сигналів. Наприклад, мережа може бути навчена на послідовність спотворених версій букви "А". Після відповідного навчання пред'явлення такого спотвореного прикладу приведе до того, що мережа спродукує букву досконалої форми. У деякому розумінні вона вчиться продукувати те, що ніколи не бачила.

Ця здатність витягувати ідеальне з недосконалих входів ставить цікаві філософські питання. Вона нагадує концепцію ідеалів, висунену Платоном в його "Республіці". Принаймні здатність витягувати ідеальні прототипи в людей є досить цінною властивістю.

Застосування. Штучні нейронні мережі не є панацеєю. Вони, очевидно, не годяться для виконання таких задач, як нарахування заробітної плати. Схоже, однак, що їм буде віддаватися перевага у великому класі задач розпізнавання образів, з якими погано або взагалі не справляються звичайні комп'ютери.

Є багато вражаючих демонстрацій можливостей штучних нейронних мереж: мережу навчили перетворювати текст в фонетичне представлення, яке потім за допомогою вже інших методів перетворювалося в мову [7]; інша мережа може розпізнавати рукописні букви [1]; сконструйована система стиснення зображень, заснована на нейронній мережі [2]. Всі вони використовують мережу зворотного поширення найбільш успішний, мабуть, з сучасних алгоритмів. Зворотне поширення, незалежно запропоноване в трьох різних роботах [8, 5, 6,], є систематичним методом для навчання багатошарових мереж, і тим самим долає обмеження, вказані Мінським.

Як підкреслюється в наступних розділах, зворотне поширення не вільне від проблем. Передусім немає гарантії, що мережа може бути навчена за кінцевий час. Багато зусиль, витрачених на навчання, пропадає марно після витрат великої кількості машинного часу. Коли це відбувається, спроба навчання повторюється без всякої впевненості, що результат виявиться кращим. Немає також впевненості, що мережа навчиться найкращим образом. Алгоритм навчання може попасти в "пастку" так званого локального мінімуму і буде отримане гірше рішення.

Розроблено багато інших мережевих алгоритмів навчання, що мають свої специфічні переваги. Деякі з них обговорюються в подальших розділах. Потрібно підкреслити, що ніяка з сьогоднішніх мереж не є панацеєю, всі вони страждають від обмежень в своїх можливостях навчатися і пригадувати.

Ми маємо справу з областю, що продемонструвала свою працездатність, що має унікальні потенційні можливості, багато обмежень і множину відкритих питань. Така ситуація настроює на помірний оптимізм. Автори схильні публікувати свої успіхи, але не невдачі, створюючи тим самим враження, яке може виявитися нереалістичним. Ті, хто шукає капітал, щоб ризикнути і заснувати нові фірми, повинні представити переконливий проект подальшого здійснення і прибутку. Існує, отже, небезпека, що штучні нейронні мережі почнуть продавати раніше, ніж прийде їх час, обіцяючи функціональні можливості, яких поки неможливо досягнути. Якщо це станеться, то область загалом може постраждати від втрати кредиту довір'я і повернеться до застійного періоду сімдесятих років. Для поліпшення існуючих мереж потрібно багато ґрунтовної роботи. Повинні бути розвинені нові технології, поліпшені існуючі методи і розширені теоретичні основи, перш ніж дана область зможе повністю реалізувати свої потенційні можливості.

Перспективи на майбутнє

Штучні нейронні мережі запропоновані для задач, що тягнуться від управління боєм до нагляду за дитиною. Потенційними застосуваннями є ті, де людський інтелект малоефективний, а звичайні обчислення трудомісткі або неадекватні. Цей клас застосувань принаймні не менше класу, що робиться звичайними обчисленнями, і можна вважати, що штучні нейронні мережі займуть своє місце нарівні із звичайними обчисленнями як доповнення такого ж об'єму і важливості.