Актуальность нейронных сетей кратко

Обновлено: 17.05.2024

Свидетельство и скидка на обучение каждому участнику

Зарегистрироваться 15–17 марта 2022 г.

Научно – практической конференции

Нейронные сети. Искусственный интеллект

Автор: Андрейчук Андрей учащийся 9 класса А

Нейронные сети. Искусственный интеллект

Андрейчук Андрей

Россия, Забайкальский край, город Чита

Краткая аннотация

Нейроинформатика и нейрокибернетика являются одним из направлений искусственного интеллекта. Поскольку "искусственный интеллект − это направление информатики, целью которого является разработка программно-аппаратных средств, позволяющих решать традиционно являющиеся интеллектуальными задачи", и в число этих задач входит создание интеллектуальных роботов, оптимальное управление, обучение и самообучение, распознавание образов, прогнозирование и т.д. − то это как раз те задачи, для решения которых нейронные сети и применяются наиболее широко.

Если при создании классических экспертных систем человек-эксперт (возможно, с помощью инженера по знаниям) должен сначала формализовать свои знания (представить их на естественном языке в виде набора правил или шаблонов), и получение непротиворечивого и полного формулирования знаний является долгим и трудоемким процессом − то нейросетевые экспертные системы самообучаются по базе экспериментальных данных (фактов). Это делает возможным создание нейроэкспертных систем при отсутствии человека-эксперта, например, для новой зарождающейся области деятельности, где требуется диагностика.

Нейронные сети. Искусственный интеллект

Андрейчук Андрей

Россия, Забайкальский край, город Чита

Нейросетевые алгоритмы успешно применяются для решения сложных практических задач, традиционно считающихся интеллектуальными: распознавание лиц (и другие задачи распознавания изображений и объектов на изображении), управление беспилотными летательными аппаратами, медицинская диагностика заболеваний и т.д.

Конечно, технологии и методы искусственного интеллекта делают основной упор на ситуации, обладающие одной или несколькими следующими особенностями:

алгоритм решения неизвестен или не может быть использован из-за ограниченности ресурсов компьютера;

задача не может быть определена в числовой форме;

цели задачи не могут быть выражены в терминах точно определенной целевой функции-критерия.

Однако, поскольку "знания − это формализованная информация, которую используют в процессе логического вывода", то можно сказать, что нейросеть берёт факты (фактические знания о мире, представленные в виде обучающей выборки) и в процессе обучения формирует правила − знания, описывающие найденный нейросетью способ решения. Эти правила принятия решения можно затем извлечь из нейронной сети и записать в одном из традиционных для классических экспертных систем формализмов представления знаний (например, в виде набора продукционных правил логического вывода). Но можно просто пользоваться построенным нейросетевым представлением алгоритма принятия решения, если содержательная интерпретация его менее важна по сравнению с возможностью получения способа решения задачи.

Возможность быстрого обучения и дообучения нейросетевых экспертных систем позволяет им отражать особенности быстро меняющегося внешнего мира и оперировать актуальным знанием, тогда как традиционный путь формализации знаний людей-экспертов более длителен и трудозатратен.

Актуальность исследований связанных с нейронными сетями обуславливается тем, что обработка поступающей в человеческий мозг информации отличается от методов цифровой обработки. Человеческий мозг работает как очень сложное, нелинейное, параллельное вычислительное устройство.

Научно доказано – мозг состоит из огромного числа нервных клеток (нейронов). Количество структурных связей в человеческом мозге, создаваемых только одним нейроном, варьируется от десятка до ста тысяч. Таким образом, создается нейронная сеть, по которой проходят нервные сигналы. Эти сигналы выступают причиной изменений состояния нейронов и их соединений. От количества нервных сигналов зависит активность мозга.

Цель данной работы – это создание и дальнейшее совершенствование прототипа нейронных сетей (допиши с учетом твоей программы)

Поставленная цель включает в себя несколько задач :

Анализ имеющейся информации по данному направлению;

Разработка и отладка приложения дописать название, указать язык программирования ;

Применение и демонстрация законом и принципов нейронный сетей и искусственного интеллекта;

Проведение исследований и экспериментов.

Объект исследования: искусственный интеллект;

Предмет исследования: нейронная сеть – один из способов реализации искусственного интеллекта;

Методы исследования:

- исследования направлений связанных с искусственным интеллектом, машинным обучением и нейросетями;

- обобщение полученных данных;

- экспериментальные исследования модели нейронных сетей;

- апробация программного обеспечения для модели нейронных сетей дописать название, указать язык программирования (обучение, распознание).

Гипотеза: в основе рабочей гипотезы лежит предположение о том, что существует, нейронные сети и искусственный интеллект могут значительно упростить жизнь человека, живущего в информационном обществе, встать на службу современным информационным технологиям.

Научная новизна: разработана новая модель искусственных нейронных сетей, позволяющая описывать алгоритмы обработки сигналов в терминах элементов и связей между ними. Создание модели дописать название программы

Практическая значимость

Созданный в процессе работы комплекс программ может использоваться для описания, компиляции, визуализации, отладки и запуска нейронных сетей в рамках новой модели. При этом разработанные алгоритмы и архитектура позволяют реализовать и применять и другие модели нейронных сетей.

Работа состоит из трех глав. В первой главе рассмотрены понятия нейронных сетей, искусственного интеллекта. Представлена история нейронных сетей и искусственного интеллекта, приведены классификации.

Во второй главе, представлена технология разработки программного комплекса, рассмотрены основные приемы работы .

В третьей главе представлено описание результатов моделирования, приведен анализ экспериментов.

Нейронные сети. Искусственный интеллект

Андрейчук Андрей

Россия, Забайкальский край, город Чита

План исследования

Определение проблемы и вопроса подлежащего исследованию;

Методы исследования: определение источников информации и анализ полученных данных по выбранному вопросу исследования, выявление основных особенностей изучаемого вопроса, определение ключевых понятий исследования.

Постановка темы исследования, выявление актуальности исследования;

Определение круга вопросов, связанных с темой исследования;

Выявление источников информации, необходимых для проведения исследования;

Изучение источников информации, выявление базовых понятий, терминов;

Разбор и анализ полученной информации, выбор основных категорий исследования;

Разработка и составления плана исследовательской работы;

Обработка и анализ информации;

Написание исследовательской работы;

Оформление плана и порядка выступления.

Защита в рамках школьной конференции.

Нейронные сети. Искусственный интеллект

Андрейчук Андрей

Россия, Забайкальский край, город Чита

Список источников информации.

Нейронные сети. Искусственный интеллект

Андрейчук Андрей

Россия, Забайкальский край, город Чита

Интеллект - это весьма общая умственная способность, которая включает возможность делать заключения, планировать, решать проблемы, абстрактно мыслить, понимать сложные идеи, быстро обучаться и учиться на основании опыта.

Интеллект человека является органической структурой, при всех ее плюсах имеются и минусы.

Нейронная сеть – один из способов реализации искусственного интеллекта (ИИ).
В разработке ИИ существует обширная область — машинное обучение. Она изучает методы построения алгоритмов, способных самостоятельно обучаться. Это необходимо, если не существует четкого решения какой-либо задачи. В этом случае проще не искать правильное решение, а создать механизм, который сам придумает метод для его поиска.

Нейросеть моделирует работу человеческой нервной системы, особенностью которой является способность к самообучению с учетом предыдущего опыта. Таким образом, с каждым разом система совершает все меньше ошибок.

Как и наша нервная система, нейросеть состоит из отдельных вычислительных элементов – нейронов, расположенных на нескольких слоях. Данные, поступающие на вход нейросети, проходят последовательную обработку на каждом слое сети. При этом каждый нейрон имеет определенные параметры, которые могут изменяться в зависимости от полученных результатов – в этом и заключается обучение сети.

Основная часть

История нейронных сетей

Данная модель заложила основы двух различных подходов исследований нейронных сетей. Один подход был ориентирован собственно на изучение биологических процессов в головном мозге, другой – на применение нейронных сетей как метода искусственного интеллекта для решения различных прикладных задач.

в 1949 году канадский физиолог и психолог Хебб высказал идеи о характере соединения нейронов мозга и их взаимодействии;

в 1954 году в Массачусетском технологическом институте с использованием компьютеров Фарли и Кларк разработали имитацию сети Хебба. Также исследования нейронных сетей с помощью компьютерного моделирования были проведены Рочестером, Холландом, Хебитом и Дудой в 1956 году;

в 1957 году Розенблаттом были разработаны математическая и компьютерная модели восприятия информации мозгом на основе двухслойной обучающейся нейронной сети. При обучении данная сеть использовала арифметические действия сложения и вычитания;

Интерес к исследованию нейронных сетей угас после публикации работы по машинному обучению Минского и Пейперта в 1969 году. Ими были обнаружены основные вычислительные проблемы, возникающие при компьютерной реализации искусственных нейронных сетей;

в 1975 году Фукусимой был разработан когнитрон, который стал одной из первых многослойных нейронных сетей. Фактическая структура сети и методы, используемые в когнитроне для настройки относительных весов связей, варьировались от одной стратегии к другой. Каждая из стратегий имела свои преимущества и недостатки;

алгоритм параллельной распределённой обработки данных в середине 1980 годов стал популярен под названием коннективизма. В 1986 году в работе Руммельхарта и Мак-Клелланда коннективизм был использован для компьютерного моделирования нейронных процессов.

Искусственные нейронные сети

Базовая структура искусственных нейронных сетей (ИНС)

Идея ИНС базируется на убеждении, что можно имитировать работу мозга человека, создав нужные связи с помощью кремния и проводов таких как у живых нейронов и дендритов.

Типы искусственных нейронных сетей

Есть два типа искусственных нейронных сетевых топологий — с прямой связью и обратной связью.

Как устроена нейронная сеть

Нейросеть моделирует работу человеческой нервной системы, особенностью которой является способность к самообучению с учетом предыдущего опыта. Таким образом, с каждым разом система совершает все меньше ошибок.

Предположим, что задача нейросети – отличать кошек от собак. Для настройки нейронной сети подается большой массив подписанных изображений кошек и собак. Нейросеть анализирует признаки (в том числе линии, формы, их размер и цвет) на этих картинках и строит такую распознавательную модель, которая минимизирует процент ошибок относительно эталонных результатов.

На рисунке ниже представлен процесс работы нейросети, задача которой — распознать цифру почтового индекса, написанную от руки.

Рисунок 1 Устройство нейронной сети

Нейронные сети с прямой связью

Поток информации является однонаправленным. Блок передает информацию на другие единицы, от которых он не получает никакой информации. Нет петли обратной связи. Они имеют фиксированные входы и выходы.

Рисунок 2 Нейронные сети с прямой связью

Рисунок 3 Нейронные сети с обратной связью

Машинное обучение в искусственных нейронных сетях

ИНС способны к обучению, и они должны быть обучены. Существует несколько стратегий обучения

Обучение — включает в себя учителя, который подает в сеть обучающую выборку на которые учитель знает ответы. Сеть сравнивает свои результаты с ответами учителя и корректирует свои весовые коэффициенты.

Обучение без учителя — это необходимо, когда нет обучающей выборки с известными ответами. Например в задачах кластеризации, т.е. деления множества элементов на группы по каким-то критериям.

Обучение с подкреплением — эта стратегия, построенная на наблюдении. Сеть принимает решение наблюдая за своим окружением. Если наблюдение является отрицательным, сеть корректирует свои веса, чтобы иметь возможность делать разные необходимые решения.

Байесовские сети (БС)

Эти графические структуры для представления вероятностных отношений между набором случайных переменных.

В этих сетях каждый узел представляет собой случайную переменную с конкретными предложениями. Например, в медицинской диагностике, узел Рак представляет собой предложение, что пациент имеет рак.

Ребра, соединяющие узлы представляют собой вероятностные зависимости между этими случайными величинами. Если из двух узлов, один влияет на другой узел, то они должны быть связаны напрямую. Сила связи между переменными количественно определяется вероятностью, которая связан с каждым узлом.

Есть только ограничение на дугах в БН, вы не можете вернуться обратно к узле просто следуя по направлению дуги. Отсюда БНС называют ациклическим графом.

Структура БН идеально подходит для объединения знаний и наблюдаемых данных. БН могут быть использованы, чтобы узнать причинно-следственные связи и понимать различные проблемы и предсказывать будущее, даже в случае отсутствия данных.

Популярность нейронных сетей

До 2010 года попросту не существовало базы данных, достаточно большой для того, чтобы качественно обучить нейросети решать определенные задачи, в основном связанные с распознаванием и классификацией изображений. Поэтому нейросети довольно часто ошибались: путали кошку с собакой, или, что еще хуже, снимок здорового органа со снимком органа, пораженного опухолью.

Но в 2010 году появилась база ImageNet, содержащая 15 миллионов изображений в 22 тысячах категорий. ImageNet многократно превышала объем существовавших баз данных изображений и была доступна для любого исследователя. С такими объемами данных нейросети можно было учить принимать практически безошибочные решения.

До этого на пути развития нейросетей стояла другая, не менее существенная, проблема: традиционный метод обучения был неэффективен. Несмотря на то что важную роль играет число слоев в нейронной сети, важен также и метод обучения сети. Использовавшийся ранее метод обратного шифрования мог эффективно обучать только последние слои сети. Процесс обучения оказывался слишком длительным для практического применения, а скрытые слои глубинных нейросетей не функционировали должным образом.

Результатов в решении этой проблемы в 2006 году добились три независимых группы ученых. Во-первых, Джеффри Хинтон реализовал предобучение сети при помощи машины Больцмана, обучая каждый слой отдельно. Во-вторых, Ян ЛеКан предложил использование сверточной нейронной сетидля решения проблем распознавания изображений. Наконец, Иошуа Бенджио разработал каскадный автокодировщик, позволивший задействовать все слои в глубокой нейронной сети.

Успешное применение нейронных сетей

Таблица 1 Применение нейронных сетей

обученный искусственный интеллект определял риск кардиологических заболеваний эффективнее реальных врачей.

Японская страховая компания Fukoku Mutual Life Insurance заключила контракт с IBM. Софгласно нему, 34 сотрудников японской компании заменит система IBM Watson Explorer AI.

искусственный интеллект существенно улучшил механизмы рекомендаций в онлайн-магазинах и сервисах. Алгоритм Yandex Data Factory способен предсказывать влияние промоакций. Нейросети, анализирующие естественный язык, могут использоваться для создания чат-ботов.

беспилотные автомобили – концепт, над которым работает большинство крупных концернов, ожидают, что умные автомобили появятся на дорогах уже к 2025 году.

разработка синтетических молекул, выплавка стали, переработка стекла.

определение оптимального времени ухода и обработки сельскохозяйственных культур.

обработки фото и видео, нейронные сети компании уже записали два альбома, Японский алгоритм написал книгу “День, когда Компьютер написал роман”, программа обыграла сильнейшего игрока в го в мире

поиск акул в прибрежных водах и предупреждение людей на пляжах

Практическая часть

Вставить скриншоты и подробное описание процесса работы программы!

В настоящее время искусственные нейронные сети широко используются при решении самых разнообразных задач особенно там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. Например, при распознавании текстов, игре на фондовых рынках, контекстной рекламе в Интернете, фильтрации спама, проверки проведения подозрительных операций по банковским картам, системы безопасности и видеонаблюдения и др. Решения на основе искусственных нейронных сетей становятся все более совершенными и популярными, поэтому можно предположить, что и в будущем искусственные нейронные сети будут широко использоваться за счет лучшего понимания их основополагающих принципов. Поэтому целью данной статьи является изучение основных тенденций развития искусственных нейронных сетей.

Ключевые слова: НИС, нейронные сети, искусственный интеллект, поисковые системы.

Человеческий мозг способен организовывать свои нейроны так, что они могут выполнять конкретные задачи в разы быстрее, чем это делают самые быстродействующие современные компьютеры. Исследования по искусственным нейронным сетям обусловлены тем, что метод обработки информации мозгом существенно отличается от методов, реализованных в компьютерах.

Мозг обладает совершенной структурой, которая позволяет создавать индивидуальны правила, основанные на накопленном с течением времени опыте. Развитие нейронов основывается на пластичности мозга — способности адаптации нервной системы в соответствии с условиями окружающей среды.

Искусственная нейронная сеть — это машина, которая моделирует способ обработки мозгом конкретной задачи. Такая сеть обычно реализуется с помощью электронных компонентов или моделируется компьютерной программой. Для того чтобы добиться высокой производительности, нейронные сети используют множество взаимосвязей между элементарными ячейками вычислений — нейроны.

Искусственная нейронная сеть — это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Искусственная нейронная сеть сходна с мозгом по следующим параметрам:

– знания, используемые искусственной нейронной сетью в процессе обучения, поступают в нее из окружающей среды;

– для накопления знаний используются синаптические веса — связи между нейронами.

Преимущества нейронных сетей, во-первых, обусловлены возможностью распараллеливания обработки информации и, во-вторых, самообучением, т. е. возможностью обобщать — способность получать обоснованный результат на основании данных, не встречавшихся ранее в процессе обучения. Указанные преимущества позволяют искусственным нейронным сетям решать сложные задачи, считающиеся на сегодняшний день трудноразрешимыми.

Использование нейронных сетей обеспечивает следующие полезные свойства систем.

Нелинейность.
Отображение входной информации в выходную.
Адаптивность к изменениям окружающей среды.
Очевидность ответа.
Контекстная информация.
Отказоустойчивость: при неблагоприятных условиях производительность нейронных сетей падает незначительно.
Эффективная реализуемость на сверхбольших интегральных схемах.
Единообразие анализа и проектирования, что позволяет одно и то же проектное решение нейронной сети использовать во многих предметных областях.
Аналогия с нейробиологией. [4, 7]

1) Задача классификации образов. Суть задачи заключается в определении принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам.

2) Задачи кластеризации и категоризации. Решение данного класса задач основано на подобии образов и размещении близких образов в одном кластере.

3) Задачи аппроксимации функций. Суть задачи: пусть имеется обучающая выборка ((X ₁ , Y ₂ ), (X ₂ , Y ₂ ). (X _N , Y _N )), генерируемая неизвестной функцией, которая подверглась искажению шумом, требуется. найти оценки этой функции.

4) Задачи прогнозирования и предсказания. Суть задачи: имеется N дискретных отсчетов 1 ),y(t ₂ ). y(t _n )> в последовательные моменты времени t ₁ , t ₂ . t _n , необходимо найти прогнозное значения y(t _n+1 ) в момент t _n+1 .

5) Задачи оптимизации. Суть задачи: найти максимальное или минимальное значение целевой функции, удовлетворяющее системе ограничений.

Следовательно, с помощью искусственных нейронных сетей можно решать задачи из разнообразных областей, а именно: обработка зашумленных данных, распознавание и дополнение образов, распознавание речи, ассоциативный поиск, абстрагирование, классификация, прогнозирование, оптимизация, составление расписаний, диагностика, обработка сигналов, управление процессами, сегментация сигналов и данных, моделирование сложных процессов, сжатие информации, машинное зрение.

Как уже отмечалось ранее, основное преимущество искусственных нейронных сетей заключается в том, что они строят модель на основе предъявленной информации, т. е. не нуждаются в заранее известной модели. Именно по этой причине искусственные нейронные сети широко применяются в тех области человеческой деятельности, где есть плохо алгоритмизуемые задачи. Например:

– Ввод и обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов.

– Экономическая отрасль: прогнозирование различных экономических временных рядов (курсы валют, цены, объемы производства и продаж), автоматическая торговля на различных видах бирж, оценка рисков в банковской сфере, предсказание финансового состояния коммерческих организаций, безопасность платежных транзакций и т. д.

– Авиация: распознавание сигналов радаров, обучение автопилотов, беспилотные летательные аппараты, адаптивное пилотирование неисправного летательного аппарата и т. п.

– Автоматизация производства: контроль качества продукции, оптимизация режимов производственного процесса, предупреждение аварийных ситуаций, мониторинг и визуализация многомерной диспетчерской информации.

– Робототехника: распознавание роботом сцены, объектов и препятствий, планирование маршрута движения, управление манипуляторами, поддержание равновесия.

– Медицина: обработка медицинских изображений, очистка показаний приборов от шумов, мониторинг состояния пациента и постановка диагноза, анализ эффективности лечения и т. п.

– Связь и телекоммуникации: оптимизация сотовых сетей и схем маршрутизации пакетов, быстрое кодирование-декодирование, сжатие видеоинформации.

– Сервисы сети Интернет: ассоциативный поиск, фильтрация и блокирование массовой рассылки рекламы, автоматическая рубрикация новостей, электронные секретари и автономные агенты в интернете, адресные реклама и маркетинг для электронной торговли, распознавание captcha.

– Социология: анализ опросов, выявление значимых факторов, исследование и визуализация данных социологических исследований.

– Политология: предсказание результатов выборов, предсказание динамики рейтингов, кластеризация электората.

– Охранные системы: идентификация по лицу, отпечаткам пальцев, голосу, подписи; распознавание автомобильных номеров, анализ данных с датчиков.

– Безопасность: мониторинг информационного трафика в вычислительной сети, обнаружение вторжений, обнаружение подделок.

– Геологоразведка: поиск полезных ископаемых, анализ сейсмических данных, оценка ресурсов месторождений. [2, 3, 5]

Исходя из истории развития искусственных нейронных сетей и их современного состояния можно предположить, что в ближайшем будущем продолжится совершенствование алгоритмов обучения нейронных сетей в режиме реального времени, алгоритмов обработки естественных языков, методов распознавания изображений, речи, сигналов, разработки моделей интеллектуального интерфейса, способного подстраиваться под требования пользователя.

Также продолжат в дальнейшем совершенствоваться искусственные нейронные сети, используемые в финансовом прогнозировании, в информационной безопасности (шифрование данных, контроль трафика в компьютерных сетях), археологических данных.

В настоящее время наблюдается устойчивая тенденция поиска эффективных методов синхронизации работы искусственных нейронных сетей на параллельных устройствах.

На разработку нейропроцессоров тратится большое количество времени, за которое программные реализации на самых последних компьютерах оказываются лишь на порядок менее производительными, что в конечно итоге делает их использование нерентабельным.

Смеем предположить, что решение данной проблемы — это лишь только вопрос времени. Искусственные нейронные сети пройдут тот же путь, что и компьютеры: будут постепенно увеличивать свои возможности и производительность, находя области использования по мере появления новых задач и развития технической базы для их разработки.

Основные термины (генерируются автоматически): сеть, искусственная нейронная сеть, задача, окружающая среда, агент, ассоциативный поиск, время, класс задач, нейронная сеть, процесс обучения.

Актуальность исследований : Сейчас нейронные сети широко применяются в маркетинговых исследованиях, в радио- и гидролокации, в системах управления, в системах принятия решений, в экспертных системах и многих других областях.

Перспективы развития нейрокомпьютинга самые широкие. Человек, один раз успешно применивший нейросетевую технологию и получивший положительный результат, несомненно, будет стремиться применять в своей работе нейронные сети и далее, осознавая их преимущества перед другими вариантами. Те же, кто еще пока не сталкивался с нейронными сетями, неизбежно с ними встретится, поскольку нейрокомпьютинг становится уже массово используемой наукой. Очень перспективно идет использование нейронных сетей в военной сфере, но также активно идет применение нейронных сетей и в бытовой технике.

С другой стороны, уже сейчас наблюдается внедрение нейрокомпьютеров в обычные бытовые приборы, - примерами могут служить кондиционеры LG со встроенным нейросетевым блоком интеллектуального управления, стиральные машины Samsung с чипом нечеткой логики внутри, бытовые видеокамеры Panasonic с нейронечеткой системой наводки на резкость и, наконец, исследования Microsoft по созданию нейросетевой системы распознавания речи для будущих операционных систем. Все это свидетельствует о том, что нейрокомпьютинг занимает все более прочные позиции в нашей повседневной жизни. Считаю, что исследований, посвященных изучению недостаточно. Поэтому, считаю свой исследовательский проект актуальным .

ГЛАВА 1. ОСНОВНАЯ ЧАСТЬ

1.1 Что такое нейрокомпьютер

Нейрокомпьютеры — это, системы, в которых алгоритм решения задачи представлен логической сетью элементов частного вида — нейронов с полным отказом от булевских элементов типа И, ИЛИ, НЕ. Как следствие этого введены специфические связи между элементами, которые являются предметом отдельного рассмотрения. В отличие от, классических методов решения задач нейрокомпьютеры реализуют алгоритмы решения задач, представленные в виде нейронных сетей. Это, ограничение позволяет разрабатывать алгоритмы, потенциально более параллельные, чем любая другая их физическая реализация.

Нейросетевая тематика является междисциплинарной, что обусловило значительные разночтения в общих терминологических подходах. Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот — все это породило многочисленные споры, и целые терминологические войны по различным направлениям применения всего где есть приставка нейро-.

1.2 История нейрокомпьютеров

Нейрокомпьютеры – это ЭВМ нового поколения, качественно отличающиеся от других классов вычислительных систем параллельного типа тем, что для решения задач они используют не заранее разработанные алгоритмы, а специальным образом подобранные примеры, на которых учатся. Их появление обусловлено объективными причинами: развитие элементной базы, позволяющее на одной плате реализовать персональный компьютер – полнофункциональный компьютер (модель нейрона), и необходимость решения важных практических задач, поставленных действительностью. Попытки создания ЭВМ, моделирующих работу мозга, предпринимались ещё в 40-х гг. специалистами по нейронной кибернетике. Они стремились разработать самоорганизующиеся системы, способные обучаться интеллектуальному поведению в процессе взаимодействия с окружающим миром, причём компонентами их систем обычно являлись модели нервных клеток. Однако зарождавшаяся в это же время вычислительная техника и связанные с нею науки, особенно математическая логика и теория автоматов, оказали сильное влияние на области исследования, связанные с мозгом.

1.3 Преимущества нейрокомпьютеров

По сравнению с обычными компьютерами нейрокомпьютеры обладают рядом преимуществ.

Во первых — высокое быстродействие, связанное с тем, что алгоритмы нейроинформатики обладают высокой степенью параллельности.

Во вторых — нейросистемы делаются очень устойчивыми к помехам и разрушениям.

В третьих — устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров.

1.4 Недостатки нейрокомпьютеров.

Несмотря на перечисленные выше преимущества, эти устройства имеют ряд недостатков:

1. Они создаются специально для решения конкретных задач, связанных с нелинейной логикой и теорией самоорганизации. Решение таких задач на обычных компьютерах возможно только численными методами.

2. В силу своей уникальности эти устройства достаточно дорогостоящи.

1.5 Практическое применение нейрокомпьютеров.

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства.

— Управление в режиме реального времени: самолетами, ракетами и технологическими процессами непрерывного производства (металлургического, химического и др.);

— Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

— Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

— Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Неройкомпьютеры относятся к классу МОКМД – множественный поток одиночных команд – множественный поток данных или вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных.

1.4 Современные нейрокомпьютеры

Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу ):

1. Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.

2. Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.

Искусственная нейронная сеть может передаваться от (нейро) компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.

Одним из способов подготовки нейронной сети для передачи является её вербализация : обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.

1.5 Применение нейрокомпьютеров

1. Управление в реальном времени, в том числе: самолётами и ракетами; технологическими процессами непрерывного производства (в энергетике, металлургии и др.); гибридным (электробензиновым) двигателем автомобиля; пневмоцилиндром; сварочным аппаратом; электропечью; турбогенератором .

2. Распознавание образов : изображений, человеческих лиц, букв и иероглифов, отпечатков пальцев в криминалистике, речи, сигналов радара и сонара; элементарных частиц и происходящих с ними физических процессов (эксперименты на ускорителях или наблюдение за космическими лучами); заболеваний по симптомам (в медицине); местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам); признаков опасности в системах безопасности; свойств химических соединений по структуре (в хемоинформатике )

3. Прогнозирование в реальном времени: погоды; курса акций (и других финансовых показателей); исхода лечения;политических событий (результатов выборов, международных отношений и др.); поведения противника (реального или потенциального) в военном конфликте и в экономической конкуренции; устойчивости супружеских отношений.

4. Оптимизация — поиск наилучших вариантов: при конструировании технических устройств; при выборе экономической стратегии; при подборе команды (от сотрудников предприятия до спортсменов и участников полярных экспедиций); при лечении больного.

5. Обработка сигналов при наличии больших шумов.

8. Телекоммуникационное мошенничество , его обнаружение и предотвращение с помощью нейросетевых технологий — по мнению некоторых специалистов являются одной из самых перспективных технологий в области защиты информации в телекоммуникационных сетях.

9. Информационная безопасность

1.Ваш возраст?

2.Знаете ли вы что такое нейрокомпьютеры и нейросети ?

Примеры: ( Стиральная машина, компьютер, камера)

3.Есть ли у вас дома нейрокомпьютеры ?

1. Да 2. Нет 3. Не знаю

4.Пользуетесь ли вы ими ежедневно ?

1. Да 2. Нет 3. Иногда

5. Помогают ли нейрокомпьютеры вам ?

1. Да 2. Нет 3.Иногда

Результаты анкетирования

2. Знаете ли вы что такое нейрокомпьютеры и нейросети?

3.Есть ли у вас нейрокомпьютеры:

4.Пользуетесь ли вы ими ежедневно?

5.Помогают ли нейрокомпьютеры вам?

Рекомендации по применению нейрокомпьютеров

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства:

— управление в режиме реального времени: самолетами, ракетами и

технологическими процессами непрерывного производства (металлургического, химического и др.);

— распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

— прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

— оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

1. Воронин А. А. Техника как коммуникационная стратегия // Вопросы философии, № 5, 1997, с. 96-105

2. Галушкин А. И. Теория нейронных сетей М.: ИПРЖР, 2000.

3. Горбань А., Д. Россиев. Нейронные сети на персональном компьютере. //Новосибирск: Наука, 1996.

4. Нейроинформатика (Коллективная монография / А. Н. Горбань и др.). Новосибирск: Наука, 1998.

5. Савельев А. В. Нейросети: фундаментальность или ограниченность взгляда // Нейроинформатика и ее приложения, Красноярск, 1996, с. 12; Савельев А. В. “Модель нейрона как возможная мультицеллюлярная структура”. // Нейрокомпьютеры: разработка и применение, 2002, № 1-2, ст. 4-20.

Человеческий мозг — восхитительное устройство. Он вдохновляет современных исследователей, которые создают искусственные нейроны, словно ученики скульптора, копирующие бюст Сократа. И результат тому — искусственная нейронная сеть (ИНС), одно из самых обсуждаемых явлений современности.

Почему нейронная, почему сеть

Глубокое понимание нейросетей предполагает, что вы в курсе понятий математическая функция, перцептрон и матрица весов. Мы же предлагаем поговорить про это явление на общечеловеческом языке, чтобы всем было понятно.

Искусственная нейронная сеть неспроста получила такое название, ссылаясь к работе нейронов головного мозга. Под нейросетью понимается система вычислительных единиц — искусственных нейронов, функционирующих подобно нейронам мозга живых существ. Как и биологические, искусственные нейроны получают и обрабатывают информацию, после чего передают ее дальше. Взаимодействуя друг с другом, нейроны решают сложные задачи.Среди них:

определение класса объекта,
выявление зависимостей и обобщение данных,
разделение полученных данных на группы на основе заданных признаков,
прогнозирование и т. д.

Нейронная сеть воспроизводит психические процессы, например, речь, распознавание образов, творческий выбор, мышление. Те области, которые еще вчера мыслились нами как возможности исключительно человеческого разума, становятся доступными искусственному интеллекту. Другое преимущество нейросетей перед традиционным ПО — возможность обучаться. Нейронные сети апгрейдятся на основе поступающих данных о мире людей, опыта и ошибок. И, надо сказать, они уже здорово эволюционировали.

Кому это выгодно

Нейросети для развлечений

Нейросети знают многое о человеческих лицах: по фотографии они могут определить возраст, пол, настроение, спрогнозировать, как лицо будет выглядеть в старости, анимировать статическое изображение, заставив Барака Обаму говорить то, что он не говорил, и оживить знаменитую Мону Лизу. По фотографии теперь можно найти человека, а китайские нейросети Megvii даже ищут собак по изображению носа. Причем ИНС работает не только с изображениями, но и со звуком. Массачусетский технологический институт недавно представил нейросеть (Speech2Face), определяющую национальность, пол и возраст человека по голосу.

Звучит впечатляюще и пугающе. Конечно, мы можем развлекаться, играя со своей фотографией, но только представьте, какой отнюдь не развлекательный потенциал у этой технологии. Уже сейчас можно найти любого человека по фото, создать реалистичные несуществующие лица для рекламы, модельного бизнеса или кино, заставить статичные изображения говорить и двигаться. Нетрудно представить, что нейросети скоро станут целой индустрией.

Нейросети на службе правительства

Уже есть несколько примеров проектов внедрения искусственных нейронных сетей в России. В ГИБДД хотят научить нейросеть обнаруживать факт кражи автомобильных номеров. По изображению автомобиля ИНС сможет установить, соответствует ли машина своему номеру. Это поможет своевременно выявлять подделку или кражу номеров. Руководитель Департамента транспорта Москвы Максим Ликсутов подтвердил, что данная программа сейчас проходит тестирование.

Еще один пример возможностей нейросетей в распознавании изображений – эксперимент Департамента информационных технологий Москвы по созданию сервиса для передачи показаний приборов учета воды. Возможно, вскоре нам не придется вводить показания вручную, достаточно будет лишь сфотографировать свой счетчик, а нейросеть сама распознает цифры с изображения.

Нейросети и бизнес

Нейросети — настоящий подарок для бизнеса и горе для работников. Мы живем в эпоху, когда данные имеют огромную ценность. Поверьте, мировые корпорации уже проанализировали ваш профиль в соцсетях и предоставляют вам персонализированную рекламу. Только представьте, что способности сетей искусственных нейронов к анализу и обобщению можно использовать для получения еще большего массива знаний о потребителях. Например, в 2019 году компания McDonald’s наняла специалистов по разработке нейросетей для создания индивидуальной рекламы. Потом не удивляйтесь, откуда бизнес знает о том, какую еду, одежду и косметику вы предпочитаете.

Нейросети в сфере искусства

Специалисты компании OpenAI заявляют, что их программа по созданию текстов пишет любые тексты без человеческого вмешательства. Тексты за авторством нейросети не отличаются от тех, что написаны человеком. Однако в общественный доступ программа не попала, авторы опасаются, что ее будут использовать для создания фейк-ньюс.

Удивительно, как органично нейросети вписались в мир современного искусства. Получим ли мы робота-Толстого через пару лет? Сможет ли нейросеть постигнуть все глубины человеческих проблем и чувств, чтобы творить не компиляцию, а настоящее искусство? Пока эти вопросы остаются открытыми.

Нейросети в медицине

Нейросети уже помогают улучшить качество диагностики различных заболеваний. Анализируя данные пациентов, искусственный интеллект способен выявлять риск развития сердечно-сосудистых заболеваний, об этом заявляют ученые Ноттингемского университета. По данным исследования, обученная нейросеть прогнозирует вероятность инсульта точнее, чем обычный врач по общепринятой шкале.

В открытом доступе появились даже приложения для диагностики на основе нейросетей, например SkinVision, которое работает с фотографиями родинок и определяет доброкачественность или злокачественность вашего невуса. Точность приложения — 83 %.

Скайнет готовится к атаке?

Все ли так оптимистично в применении нейросетей? Есть ли сценарии, при которых эта технология может нанести вред человечеству? Вот несколько самых актуальных проблем на сегодняшний день.

Фейки. Благодаря возможностям нейросетей появились программы для замены лиц и даже времени года на фото и видео. Как, например, нейросеть Nvidia на основе генеративной состязательной сети (GAN). Страшно представить, какие фото и видео можно получить, если применять подобные программы с целью создания убедительных фейков. Также нейросеть может на основе короткого фрагмента голоса создать синтетический голос, полностью идентичный оригиналу. Подделать чью-то речь? Легко. Подделать чью-то фотографию? Проще простого.
Трудности понимания. Когда процесс обучения нейросети завершается, человеку становится трудно понять, на каких основаниях она принимает решения. До сих пор непонятно, как у ИНС получилось обыграть лучшего игрока мира в Го. В этом смысле нейросеть — ящик Пандоры.

Оружие хакеров и мошенников. Считается, что хакеры могут использовать возможности нейросетей для преодоления систем антивирусной защиты и создания нового поколения вредоносных программ. Также нейросети соблазнительны для мошенников, например, искусственный интеллект, способный имитировать общение с живым человеком и заполучать доверие.

Выводы и прогнозы

Нейросети стремятся сделать мир более персонализированным: каждому из нас будут предлагаться блюда, музыка, фильмы и литература по вкусу. В сериалах мы сможем выбирать развитие сюжета, кстати, Netflix уже экспериментирует с такими решениями.

Однако искусственный интеллект по-прежнему не может заменить человеческий мозг. В вопросах ответственности, норм морали и нравственности, а также критических систем безопасности нам не следует доверять нейросети безраздельно, пусть она и умнее нас. Доверяй, но проверяй.

Читайте также: