При написании искусственного интеллекта встает вопрос: как осуществить распознание входного образа и получить в зависимости от этого выходной сигнал. Наиболее полно этой задаче отвечают искусственные нейронные сети (далее ИНС).

Что же такое ИНС? Что они могут делать? Как они работают? Как их можно использовать? Найти вразумительный ответ нелегко. Университетских курсов мало, семинары слишком дороги, а соответствующая литература слишком обширна и специализированна. Если кратко, то ИСКУСCТВЕННАЯ НЕЙРОННАЯ СЕТЬ — это математическая модель, а также устройство параллельных вычислений, представляющие собой систему соединённых и взаимодействующих между собой искусственных нейронов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами.
Представим, что на вход ИНС подается множество принимаемых с датчиков параметров, в совокупности составляющих некий образ окружающей среды. Каждое такое входное (или выходное) множество рассматривается как вектор. Чтобы для некоторого множества входов давать желаемое (или, по крайней мере, сообразное с ним) множество выходов, сеть обучается. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор, который можно считать правильным результатом.

Стоит также отметить следующие полезные свойства нейросетей:
1. Нелинейность, которая является чрезвычайно важным свойством, особенно если сам физический механизм, отвечающий за формирование входного сигнала, тоже является нелинейным (например, человеческая речь).
2. Отображение входной информации в выходную.
3. Адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. В частности, нейронные сети, обученные действовать в определенной среде, могут быть легко переучены для работы в условиях незначительных колебаний параметров среды. Более того, для работы в нестационарной среде могут быть созданы нейронные сети, изменяющие синаптические веса в реальном времени. Для того чтобы использовать все достоинства адаптивности, основные параметры системы должны быть достаточно стабильными, чтобы можно было не учитывать внешние помехи, и достаточно гибкими, чтобы обеспечить реакцию на существенные изменения среды.
4. Очевидность ответа. В контексте задачи классификации образов можно разработать нейронную сеть, собирающую информацию не только для определения конкретного класса, но и для увеличения достоверности принимаемого решения. Впоследствии эта информация может использоваться для исключения сомнительных решений, что повысит продуктивность нейронной сети.
5. Отказоустойчивость. Это значит, что при неблагоприятных условиях производительность нейронных сетей падает незначительно. Например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется. Однако, принимая в расчет распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезные повреждения структуры ИНС существенно повлияют на ее работоспособность. Поэтому снижение качества работы нейронной сети происходит медленно. Незначительное повреждение структуры никогда не вызывает катастрофических последствий. Это — очевидное преимущество робастных вычислений, однако его часто не принимают в расчет.

К недостаткам нейросетей относятся «непрозрачность» процесса их работы и трудности интерпретации результатов, а также, что в них, в отличие от экспертных систем с логическим выводом при анализе, приходится приводить исходные данные к цифровой форме. Кроме того, правильно настроенная сеть, хотя и может адекватно оценивать сходные ситуации, обычно плохо проводит анализ принципиально новых ситуаций, не представленных ранее примерами в материале обучения.
Подобно людям, структуру мозга которых они копируют, ИНС сохраняют в определенной мере непредсказуемость. Единственный способ точно знать выход состоит в испытании всех возможных входных сигналов. В большой сети такая полная проверка практически неосуществима и должны использоваться статистические методы для оценки функционирования. В некоторых случаях это недопустимо. Например, что является допустимым уровнем ошибок для сети, управляющей системой космической обороны? Большинство людей скажет, любая ошибка недопустима, так как ведет к огромному числу жертв и разрушений. Это отношение не меняется от того обстоятельства, что человек в подобной ситуации также может допускать ошибки. Проблема возникает из-за допущения полной безошибочности компьютеров. Так как искусственные нейронные сети иногда будут совершать ошибки даже при правильном функционировании, то, как ощущается многими, это ведет к ненадежности – качеству, которое мы считаем недопустимым для наших машин.
Сходная трудность заключается в неспособности традиционных ИНС "объяснить", как они решают задачу. Внутреннее представление, получающееся в результате обучения, часто настолько сложно, что его невозможно проанализировать, за исключением самых простых случаев. Это напоминает нашу неспособность объяснить, как мы узнаем человека, несмотря на различие в расстоянии, угле, освещении и на прошедшие годы. Экспертная система может проследить процесс своих рассуждений в обратном порядке, так что человек может проверить ее на разумность. Сообщалось о встраивании этой способности в искусственные нейронные сети, что может существенно повлиять на приемлемость этих систем.

ИНС не являются панацеей. Они, очевидно, не годятся для выполнения таких задач, как начисление заработной платы. Похоже, однако, что им будет отдаваться предпочтение в большом классе задач распознавания образов, с которыми плохо или вообще не справляются обычные компьютеры. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоемки или неадекватны. Этот класс приложений во всяком случае не меньше класса, обслуживаемого обычными вычислениями, и можно предполагать, что ИНС займут свое место наряду с обычными вычислениями в качестве дополнения такого же объема и важности.


В представленной статье содержится информация из сторонних источников. Она является лишь вводной и обзорной, в последующих статьях будет рассматриваться практическое применение нейросетей.