Нейроінформатіка і її застосування
Олександр Горбань, [email protected]
Обчислювальний центр СО РАН, Красноярськ-36
Що таке нейронні мережі?
Завдання для нейронних мереж
Приклади додатків
Справжні переваги нейронних мереж?
Кожен, хто вперше знайомиться з нейронними мережами, задає собі питання: щотаке нейроінформатіка? Відповісти на нього можна по-різному. Можна сказати,що нейроінформатіка це спосіб вирішення різноманітних задач за допомогоюштучних нейронних мереж, реалізованих на комп'ютері. Така відповідь,що пояснює тільки внутрішню сутність нейроінформатікі, майже нікого незадовольняє, навіть якщо докладно розповідати про нейронних мережах, завдання таспособи їх вирішення. Насправді потрібно ще визначити місценейроінформатікі серед інших способів вирішення завдань і розібратися, в чомуж справжні переваги нейронних мереж, якщо такі існують?
Безумовно, ті ж самі завдання можна вирішувати і іншими способами?
Нейромережеві методи далеко не завжди ефективніше за традиційні. До того ж,багато нейромережеві методи це просто нова редакція відомихматематичних підходів.
Чому ж тоді багато хто воліє нейросети? Одні щоб заробити намодної новинки, інші щоб пограти в нову інтелектуальну іграшку, невідстати від моди спробувати нову технологію і так далі.
Так у чому ж реальні переваги нейронних мереж? Щоб відповісти на цепитання, по-перше, звернемося до десятирічного досвіду застосування даноїтехнології Красноярської групою НейроКомп, а по-друге, спробуєморозгадати логіку світового нейромережевого «буму».
Що таке нейронні мережі?
Термін «штучні нейронні мережі» у багатьох асоціюється з фантазіямипро андроїда і бунт роботів, про машини, що заміняють і імітують людини.
Це враження підсилюють багато розробників нейросістем, розмірковуючи про те,як в недалекому майбутньому, роботи почнуть освоювати різні видидіяльності, просто спостерігаючи за людиною.
Якщо перейти на рівень повсякденної роботи, то нейронні мережі цевсього-на-всього мережі, що складаються з пов'язаних між собою простих елементівформальних нейронів. Більша частина робіт з нейроінформатіке присвяченапереносу різних алгоритмів розв'язання задач на такі мережі.
В основу концепції покладено ідею про те, що нейрони можна моделюватидосить простими автоматами, а вся складність мозку, гнучкість йогофункціонування й інші важливі якості визначаються зв'язками міжнейронами. Кожна зв'язок представляється як зовсім простий елемент, службовецьдля передачі сигналу. Коротко цю думку можна сформулювати так: «структуразв'язків все, властивості елементів ніщо ».
Сукупність ідей і науково-технічний напрям, яке визначається описанимподанням про мозок, називається коннекціонізмом (connection зв'язок). Зреальним мозком все це співвідноситься приблизно так само, як карикатура абошарж зі своїм прототипом. Важливо не буквальне відповідність оригіналу, апродуктивність технічної ідеї.
З коннекціонізмом тісно пов'язаний наступний блок ідей:однорідність системи (елементи однакові і надзвичайно прості, всівизначається структурою зв'язків);надійні системи з ненадійних елементів і «аналоговий ренесанс»використання простих аналогових елементів;
«Голографічні» системи при руйнуванні випадково вибраної частини системазберігає свої властивості.
Передбачається, що широкі можливості систем зв'язків компенсують бідністьвибору елементів, їх ненадійність і можливі руйнування частини зв'язків.
Для опису алгоритмів і пристроїв у нейроінформатіке виробленаспеціальна «схемотехніка», в якій елементарні пристрої (суматори,синапси, нейрони і т.п.) об'єднуються в мережі, призначені для вирішеннязавдань. Для багатьох початківців здається несподіваним, що ні в апаратнійреалізації нейронних мереж, ні в професійному програмному забезпеченніці елементи зовсім не обов'язково реалізуються як окремі частини абоблоки. Використовувана в нейроінформатіке ідеальна схемотехніка представляєсобою особливий мова опису нейронних мереж та їх інтеграції. При програмної таапаратної реалізації виконані на цій мові опису переводяться набільш відповідні мови іншого рівня.
Найважливіший елемент нейросістем адаптивний суматор, який обчислюєскалярний добуток вектора вхідного сигналу x на вектор параметрів a.
Адаптивним він називається через наявність вектора параметрів, що настроюються a.
Нелінійний перетворювач сигналу отримує скалярний вхідний сигнал x іпереводить його в задану нелінійну функцію f (x).
Точка розгалуження служить для розсилки одного сигналу за кількома адресами.
Вона отримує скалярний вхідний сигнал x і передає його на всі свої виходи.
Стандартний формальний нейрон складається з вхідного суматора, нелінійногоперетворювача та точки розгалуження на виході.
Лінійна зв'язок синапс окремо від суматори не зустрічається, проте длядеяких міркувань буває зручно виділити цей елемент. Він примножуєвхідний сигнал x на «вагу синапсу» a.
Отже, ми коротко описали основні елементи, з яких складаються нейроннімережі. Перейдемо тепер до питання про формування цих мереж. Строго кажучи,їх можна будувати як завгодно, лише б входи отримували які-небудь сигнали.
Зазвичай використовується кілька стандартних архітектур, з яких шляхомвирізування зайвого або (рідше) додати будують більшість використовуванихмереж. Для початку варто визначити, як буде узгоджена роботарізних нейронів під часу. Як тільки в системі з'являється більше одногоелемента, постає питання про синхронізацію функціонування. Для звичайнихпрограмних імітаторів нейронних мереж на цифрових ЕОМ це питання неактуальне тільки через властивості основного комп'ютера, на якому реалізуютьсянейронні мережі. Для інших способів реалізації він дуже важливий. Ми ж будеморозглядати тільки ті нейронні мережі, які синхронно функціонують удискретні моменти часу: всі нейрони спрацьовують «разом».
У зоопарку нейронних мереж можна виділити два базових архітектури шаруватіі повно-мережі.
Шаруваті мережі. Тут нейрони розташовані в декілька шарів. Нейрони першийшару одержують вхідні сигнали, перетворюють їх і через точки розгалуженняпередають нейронів другого шару. Далі спрацьовує другий шар і т.д. дошару k, який видає вихідні сигнали для інтерпретатора й користувача.
Якщо протилежне не обумовлено, то кожен вихідний сигнал шару i подається навхід всіх нейронів шару i +1. Кількість нейронів у кожному шарі може бути будь-якимі ніяк заздалегідь не пов'язане з кількістю нейронів у інших шарах.
Стандартний спосіб подачі вхідних сигналів: всі нейрони першого шаруотримують кожен вхідний сигнал. Особливо широко поширені тришаровімережі, в яких кожен шар має своє найменування: перший вхідний, другийприхований, третій вихідний.
Повно-мережі. Тут кожен нейрон передає свій вихідний сигналіншим нейронів, включаючи самого себе. Вихідними сигналами мережі можутьбути всі або деякі вихідні сигнали нейронів після кількох тактівфункціонування мережі. Всі вхідні сигнали подаються всім нейронів.
Елементи шаруватих і повно-мереж можуть вибиратися по-різному.
Існує, втім, стандартний вибір: нейрон з адаптивним неодноріднимлінійним суматори на вході.
Для повно-мережі вхідний суматор нейрона фактично розпадається надва: перший обчислює лінійну функцію від вхідних сигналів мережі, другийлінійну функцію від вихідних сигналів інших нейронів, отриманих напопередньому кроці.
Функція активації нейронів (характеристична функція) це нелінійнийперетворювач вихідного сигналу суматора. Якщо функція один для всіхнейронів мережі, то мережу називають однорідною (гомогенної). Якщо жхарактеристична функція залежить ще від одного або декількох параметрів,значення яких змінюються від нейрона до нейрону, то мережу називаютьнеоднорідною (гетерогенної).
Складати мережу з нейронів стандартного виду не обов'язково. Шарувата абоповнозв'язна архітектури не накладають суттєвих обмежень нащо беруть участь в них елементи. Єдине жорстку вимогу, що пред'являєтьсяархітектурою до елементів мережі, це відповідність розмірності вектора вхіднихсигналів елементу (вона визначається архітектурою) числа його входів. Якщоповнозв'язна мережа функціонує до отримання відповіді задане число тактівk, то її можна представити як окремий випадок k-шарової мережі, всі верствиякої однакові і кожен з них відповідає такту функціонуванняповно-мережі.
Істотна відмінність між повно-і шаруватої мережами стаєочевидним, коли число тактів функціонування заздалегідь не обмеженашарувата мережу так працювати не може.
Доведено теореми про повноту: для будь-якої неперервної функції декількохзмінних можна побудувати нейронну мережу, яка обчислює цю функцію збудь-якої заданої точністю. Так що нейронні мережі в якомусь сенсі можутьвсе.
Завдання для нейронних мереж
Багато задач, для рішення яких використовуються нейронні мережі, можутьрозглядатися як окремі випадки таких основних проблем:побудова функції за кінцевим набору значень;оптимізація;побудова відносин на безлічі об'єктів;розподілений пошук інформації і асоціативна пам'ять;фільтрація;стиснення інформації;ідентифікація динамічних систем і керування ними;Нейромережева реалізація класичних завдань і алгоритмів обчислювальноїматематики: рішення систем лінійних рівнянь, рішення задач математичноїфізики огорожі з методами та ін
Однозначно побудувати функцію (зазвичай багатьох дійсних змінних) покінцевого набору значень неможливо без спеціальних додатковихумов. В якості таких умов у класичних підходах використовуютьсявимоги мінімізації деяких регулярізірующіх функціоналів, наприклад,інтеграла суми квадратів других похідних вимога максимальноїгладкості. При цьому відомі в кінцевому безлічі точок значення функціїперетворюються в набір обмежень, при яких знаходиться мінімумфункціонала.
За допомогою нейронних мереж будується, природно, нейромережеві реалізаціяфункції: створюється нейронна мережу, яка, отримуючи на вході вектораргументів, видає на виході значення функції. Звичайно передбачається, щобудь-яка типова Нейромережева реалізація підійде для вирішення завдання. Принеобхідності замість вимоги максимальної гладкості мінімізують числошарів, кількість нейронів і/або число зв'язків, а також вводять умова
«Максимально пологої» функції активації нейронів.
Побудувати функцію за кінцевим набору значень зазвичай потрібно при вирішенніоднією з найактуальніших для користувачів та аналітиків завдань: заповненняпропусків у таблицях. Нехай, як завжди, кожен рядок таблиці данихвідповідає будь-якому об'єкту, а в рядках вказані значення ознак
(властивості) відповідних об'єктів. У переважній більшості випадківдані неповні: принаймні, для частини об'єктів невідомі значеннядеяких ознак. Необхідно якось відновити пропущені значення.
Достовірна статистична оцінка повинна давати для відсутніх даних їхумовне математичне очікування (умови відомі значення іншихознак) і характеристику розкиду довірчий інтервал. Це, однак,вимагає або непомірно великий обсяг відомих даних, або дуже сильнихприпущень про вигляді функцій розподілу. Доводиться замість статистичнодостовірних рівнянь регресії використовувати правдоподібні нейромережевіреалізації.
Термін «правдоподібні» взято нами із книги Дж. Пойя «Математика таправдоподібні міркування ». Будь-яка, навіть сама строга математичнаконструкція спочатку створюється лише як правдоподібна гіпотеза.
Правдоподібними ми називаємо ті висновки, які ще не пройшли випробування надостовірність і строгість, проте саме так відбуваються відкриття. Крімтого, нагадаємо, що твердження про статистичної достовірності базуютьсяна вельми обмежувальних гіпотез про статистичної природі емпіричногоматеріалу (згідно з цією природою дані являють собою результатинезалежних статистичних випробувань вибору з фіксованої генеральноїсукупності).
Задача класифікації також може розглядатися як завдання заповненняпропусків у таблицях: для кожного класу в таблиці є поле, в якомувказується, належить об'єкт даного класу чи ні. У ці поля можутьпоміщатися чисельні значення, наприклад, 1, якщо об'єкт належить класу,і 0 (або -1) в іншому випадку.
При навчанні класифікації з вчителем для частини об'єктів, що становлятьнавчальну вибірку, відомо, яким класам вони належать. Потрібнопобудувати нейронну мережу, яка за ознаками об'єкта (записаним в іншихполях таблиці) визначала б, до якого класу він належить, тобтозаповнювала б відповідні поля.
Побудова відносин на безлічі об'єктів один із загадкових і відкритихдля творчості самих перспективних галузей застосування штучногоінтелекту. Перший і найпоширеніший приклад цього завданнякласифікація без учителя. Припустимо, задано набір об'єктів, причому кожномуоб'єкту сопоставлен вектор значень ознак (рядок таблиці). Потрібнорозбити ці об'єкти на класи еквівалентності. Навіщо потрібно будувативідносини еквівалентності між об'єктами? У першу чергу для фіксаціїзнань. Ми накопичуємо знання про класи об'єктів це практика багатьохтисячоліть, зафіксована в мові: знання відноситься до імені класу
(приклад стандартної давньої форми: «люди смертні», «люди» ім'я класу). Урезультаті класифікації з'являються нові імена і правила їх присвоєння.
Для кожного нового об'єкта ми повинні зробити дві речі:
1. знайти клас, до якого він належить;
2. використовувати нову інформацію, отриману про цей об'єкт, для виправлення (корекції) правил класифікації.
Яку форму можуть мати правила віднесення до класу? Традиційно класпредставляють його «типові», «середні», і т.п. елементи. Такий типовийоб'єкт є ідеальною конструкцією, яка уособлює клас. Об'єктвідносять до якого-небудь класу в результаті порівняння з типовими елементамирізних класів і вибору найближчого. Правила, які використовують типові об'єкти,дуже популярні і служать основою для нейромережевої класифікації безвчителя.
Нейросеті сьогодні широко використовуються для рішення класичної проблемивиробництва (розкопок) знань з накопичених даних. Навчають, нейроннімережі можуть виробляти з даних приховані знання: створюється навикпророкування, класифікації, розпізнавання образів і т.п., але йогологічна структура зазвичай залишається прихованою від користувача. Дляпрояви (контрастування) цієї прихованої логічної структури нейроннімережі приводяться до спеціального «логічно прозорому» розрідженому увазі.
Сама нейронна мережу після видалення зайвих зв'язків може розглядатися яклогічна структура, що представляє явні знання.
Технологія отримання явних знань з даних за допомогою тих, яких навчають нейроннихмереж виглядає досить просто й начебто не викликає ускладнень. Їїреалізація включає кілька етапів.
Перший етап: навчаємо нейронну мережу вирішувати базову завдання (зазвичай церозпізнавання або пророкування). У більшості випадків її можна трактуватияк завдання заповнення прогалин в даних. Такими прогалинами можуть бути ім'яспособу при розпізнаванні, номер класу, результат прогнозу і т. д.
Другий етап: крім найменш значимі зв'язку (і доучівая мережі частіше за все,неодноразово), наводимо нейронну мережу до логічно прозорому увазі так,щоб отриманий навик можна було «прочитати».
Кінцевий результат неоднозначний якщо стартувати з іншого початковій картизв'язків, то можна отримати іншу логічно прозору структуру. Кожнійбазі даних відповідає кілька варіантів явних знань. Можна вважати ценедоліком технології, але я вважаю, що, навпаки, технологія, яка даєєдиний варіант явних знань, недостовірна, а множинністьрезультатів є фундаментальним властивістю виробництва явних знань зданих.
Простий приклад: нейронна мережа навчалася передбачати результати виборівпрезидента США з ряду економічних і політичних показників. Підготовленімережі були мінімізовані за кількістю вхідних параметрів і зв'язків. Виявилося,що для надійного пророкування результату виборів у США достатньо знати відповідівсього на п'ять питань, приведе?? нних нижче в порядку значимості:
1. Чи була серйозна конкуренція при висуненні від правлячої партії?
2. Відзначалися чи під час правління істотні соціальні хвилювання?
3. Чи був рік виборів часом спаду або депресії?
4. Виробив чи правлячий президент значні зміни в політиці?
5. Чи була в рік виборів активна третя партія?
Від використання інших ознак нейросети відмовилася. Більш того, ціп'ять «симптомів» політичної ситуації в країні входять до розпізнаногоправило двома «синдромами». Нехай відповіді на питання кодуються числами: 1
«Так» і -1 «ні». Перший синдром є сума відповідей на питання 1, 2, 5. Йогоприродно назвати синдромом політичної нестабільності (конкуренція всвоєї партії плюс соціальні заворушення плюс додаткова опозиція). Чимвін більше, тим гірше для правлячої партії. Другий синдром різниця відповідей напитання 4 і 3 (політичне новаторство мінус економічна депресія). Йогонаявність означає, що політичне новаторство може, в принципі,врівноважити в очах виборців економічний спад. Результати виборіввизначаються співвідношенням двох чисел значень синдромів. Проста, аледосить переконлива політологічна теорія, яка чимось нагадуєконцепцію чи то Макіавеллі, чи то Леніна ( «єдність партії перш за все,воно є найважливішою складовою політичної стабільності »).
Саме Нейромережева технологія виробництва знань, по-моєму, є
«Точкою зростання», яка по-новому розгорне нейроінформатіку, перетворюєбагато розділів інформатики і створить нові.
Приклади додатків
Наскільки ми можемо судити по відкритій пресі, додатки нейронних мережрозподілені приблизно так: більше 60% ринку займаютьфінансові та військово-технічні програми; медичні програми тежперебувають на досить почесному місці близько 10%.
Більшість додатків, створених Красноярської групою «НейроКомп» пов'язанодо рішення задач класифікації. Роботи ведуться у кількох напрямках:медична діагностика, проблеми психологічної сумісності, педагогіката соціологія. Крім того, наше програмне забезпечення використовувалосяіншими дослідниками для передбачення коливань рівня Каспійського морята прогнозу кліматичних змін, а також для вирішення завдань технічноїдіагностики, космічної навігації та ін Наші мережі навчаються методами,заснованими на мінімізації помилки. Всі вони докладно описані в роботі.
Основні переваги для користувача нейромережевого ПО перед іншимисистемами його «демократичність» (лікарі практично самостійно створювалисобі експертні системи) і універсальність, здатність впоратися звеликим спектром завдань. Крім того, нейроімітатори з успіхом можутьвикористовуватися і в медичних дослідженнях.
Ось кілька характерних прикладів побудованих систем.
Приклад 1. Вимірювання накопиченої дози радіоактивного опромінення
Навіть невелика величина накопиченої дози радіоактивного опромінення помітновпливає на стан багатьох органів і систем організму, перш за все,імунної й ендокринної. Традиційні методи дозволяють досить точнооцінити стан цих систем, однак часто буває важко встановити, ніжзумовлена зміна їх параметрів: підвищеною дозою опромінення абосамостійним захворюванням.
Дослідники прагнули виявити зв'язки між накопиченої дозоюрадіоактивного опромінення та комплексом іммуннологіческіх, гормональних ібіохімічних параметрів крові людини, створити метод, що дозволяє за цимипараметрами судити про величину дози. Для цього був застосований нейромережевоїкласифікатор. Навчальними прикладами були перераховані параметри (всього
35) у півтора сотень чоловік, зайнятих у виробництві на підприємстві атомноїпромисловості.
Серед обстежуваних був проведений дозиметричний контроль, і за величиноюнакопиченої дози вони були розділені на 3 класи. 4-й клас склали люди,величина дози у яких була в межах природних фонових значень.
При статистичному аналізі навчальної вибірки за більшістю параметрів невиявлялося достовірних відмінностей між класами, а наявні відмінності непростежувалися по всіх класах. Однак нейромереж, використовуючи весь комплекспараметрів, повністю навчилася розпізнавати клас кожного прикладу. Притестуванні на вибірці з наперед відомими відповідями клас визначавсяправильно в 100% випадків. Навченої мережею було протестовано 140 чоловік,проживають в зоні впливу підприємства атомної промисловості, але незайнятих на виробництві.
За даними нейросети тільки у 3 чоловік величина накопиченої дози була вмежах природного фону; у 51 людини визначалася слабка доза, у 82середня, і в 4 людина сильна.
Приклад 2. Рання діагностика злоякісних пухлин судинної оболонкиочі
Меланоми судинної оболонки ока складають 88% всіх внутрішньоочнихпухлин, але їх можна розпізнати лише на пізній стадії розвитку.
Традиційні методи виявлення захворювання на ранній стадії не цілкомнадійні, досить складні і дорогі.
Запропонований спосіб ранньої діагностики меланом хоріоідеі включаєзастосування нового лабораторного методу, розробленого в Красноярськомуміжобласному офтальмологічному центрі ім. Макарова, і інтерпретаціюодержуваних даних нейромережевих класифікатора.
Лабораторний метод заснований на непрямому вимірюванні вмісту пігменту
(меланіну) в віях. Отримані дані спектрофотометрії, проведеної надекількох частотах для кожного ока, а також деякі загальніхарактеристики обстежуваного (стать, вік і ін), подаються на вхіднісинапси 43-нейронного класифікатора. Нейросеті вирішує, чи є упацієнта пухлина, і якщо так, то визначає стадію розвитку захворювання,видаючи при цьому процентну ймовірність своєї впевненості. Навіть припідозрі на наявність пухлини хворий може бути спрямований на подальшийпоглиблене обстеження. Таким чином, дана технологія можевикористовуватися для скринінгових профілактичних обстежень населення.
Стартова навчання нейромережевого класифікатора було проведено напараметрах 195 обстежених людей з ранніми і пізніми стадіями пухлин,а також що не мають пухлини. Нейроклассіфікатор має здатністьподальшого накопичення досвіду по мірі використання.
Приклад 3. Нова класифікація імунодефіцитів
Якщо гарною пророкує або діагностичної системи побудувати невдається, виникає припущення про «прихованих параметрах», неврахованих інеізмеренних властивості. Спостережувані параметри залежать від них, тому й невдається побудувати гарною залежності.
Одна з найпростіших форм припущення про приховані параметрах гіпотеза проякісної неоднорідності вибірки. Вона означає, що приховані параметриберуть порівняно невелике кінцеве число значень і всю вибіркуможна розбити на класи, усередині яких істотні приховані параметрипостійні.
Досить велика нейронна мережа може освоїти будь-яку несуперечливунавчальну вибірку, однак, як показує практика, якщо досить маланейронна мережа не може навчитися, то з цього можна отримати кориснуінформацію. Якщо не вдається побудувати задовільну регресійнузалежність при заданому (невеликому) числі нейронів і фіксованогохарактеристиці ( «крутості» функції активації) кожного нейрона, то знавчальної вибірки виключаються найбільш складні приклади до тих пір, покимережа не навчиться. Так виходить клас, який імовірновідповідає одному значенню прихованих параметрів. Далі навчання можнапродовжити на відкинуті прикладах і т.д.
В одному з досліджень нейросети навчали діагностиці вторинногоімунодефіциту (недостатності імунної системи) за імунологічними іметаболічним параметрами лімфоцитів. У звичайних умовах за зрушень цихпараметрів іноді буває важко зробити вірний висновок (і це добревідома в імунології проблема). Були обстежені здорові і хворілюди, параметри яких використовувалися для навчання. Однак мала нейросетине навчають, причому добре розпізнавала всі до єдиного приклади здоровихлюдей, а частина прикладів хворих плутала зі здоровими. Тоді був зробленийнаступний крок: кожен раз, коли мережа зупиняла роботу, з навчальноївибірки забирався приклад, на даний момент найважчий для розпізнавання,і після цього знову запускався процес навчання.
Поступово з навчальної вибірки були виключена приблизно третина хворих (прицьому жодного здорового!), і тільки тоді мережа навчилася повністю. Такяк ні одна здорова людина не був виключений з навчання, група здоровихне змінилася, а група хворих виявилася розділена на 2 підгрупи, що залишилися, і виключені приклади хворих.
Після проведення статистичного аналізу з'ясувалося, що група здорових івихідна група хворих практично не відрізняються один від одного попоказниками метаболізму лімфоцитів. Проте дві підгрупи хворихстатистично достовірно відрізняються від здорових людей і один від одного покількома показниками внутрішньоклітинного метаболізму лімфоцитів. Причому водній підгрупі спостерігалося збільшення активності більшості лімфоцитарніферментів в порівнянні зі здоровими, а в іншій підгрупі депресія
(зниження активності). Для цих підгруп і прогноз перебігу хвороби, ілікування різні.
Справжні переваги нейронних мереж?
Нейронні мережі нині в моді, але чи варто йти за нею? Ресурсиобмежені особливо у нас і особливо тепер. Так що ж таке
Нейрокомп'ютер інтелектуальна іграшка або нова технічна революція?
Що нового та корисного може зробити нейрокомп'ютер? Очевидно, що на новііграшки, навіть високоінтелектуальні, коштів немає; нейрокомп'ютер повиненще довести свої незвичайні можливості зробити те, що не під силузвичайної ЕОМ, інакше на нього не варто витрачатися.
У ентузіастів є свої рекламні способи відповідати на поставлені запитання,малюючи райдужні горизонти. Але все це в майбутньому. А зараз? Відповідіпарадоксальні:нейрокомп'ютери це нова технічна революція, яка приходить до нас увигляді інтелектуальної іграшки (згадайте, і ПК були придумані для гри);для будь-якої задачі, яку здатний вирішити нейрокомп'ютер, можна побудуватиспеціалізовану ЕОМ, яка вирішить її не гірше, а часом навіть краще.
Навіщо ж тоді нейрокомп'ютери? Вступаючи у творчу гру, ми не можемознати, чим вона закінчиться, інакше це не Гра. Поезія та реклама дають намфантом, привид результату, гонитва за яким найважливіша частина гри. Настількиж примарними можуть виявитися і прозові відповіді гра може далеко відних відвести. Але і вони необхідні ілюзія практичності настільки ж важливе, наскількиі ілюзія величі. Ось декілька варіантів прозових відповідей на питання
«Навіщо?».
А. Нейрокомп'ютери дають стандартний спосіб рішення багатьох нестандартнихзавдань. І неважливо, що спеціалізована машина краще вирішить один класзавдань. Важливіше, що один нейрокомп'ютер вирішить і цю задачу, і іншу, ітретього і не треба щораз проектувати спеціалізовану ЕОМ,нейрокомп'ютер зробить все сам і майже не гірше.
Б. Замість програмування навчання. Нейрокомп'ютер навчається потрібно тількиформувати навчальні задачники. Праця програміста заміняється новою працеювчителя (може бути, краще сказати тренера або дресирувальника). Краще цечи гірше? Ні те, ні інше. Програміст наказує машині всі деталіроботи, вчитель створює «освітнє середовище», до якоїпристосовується нейрокомп'ютер. З'являються нові можливості для роботи.
В. Нейрокомп'ютери особливо ефективні там, де потрібний аналог людськоїінтуїції для розпізнавання образів (пізнавання осіб, читання рукописнихтекстів), підготовки аналітичних прогнозів, перекладу з однієїприродної мови на іншу і т.п. Саме для таких задач звичайно важкоскласти явний алгоритм.
Г. Нейронні мережі дозволяють створити ефективне програмне забезпечення длякомп'ютерів з високим ступенем розпаралелювання обробки. Проблемаефективного використання паралельних системи добре відома багатьом. Якдобитися того, щоб всі елементи одночасно і без зайвого дублюванняробили щось корисне? Створюючи математичне забезпечення на базінейронних мереж, можна для широкого класу задач вирішити цю проблему.
Д. Нейромережеві системи «демократичні», вони також дружні, яктекстові процесори, тому з ними може працювати будь-який, навіть зовсімнедосвідчений користувач.
Все це разом є раціональним підставою для нейрокомпьютерной моди.
Література
А. Горбань, Д. Росією. Нейронні мережі на персональному комп'ютері.
//Новосибирск: Наука, 1996.
