Перейти к содержимому

Рубрика: МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

БИБЛИОТЕКА 0

СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ТЕОРЕТИКО-МНОЖЕСТВЕННЫЙ ПОДХОД И ЛОГИЧЕСКИЙ УРОВЕНЬ ПОНИМАНИЯ


В основе пособия лекционный курс специальной дисциплины «Системы
искусственного интеллекта» для студентов специальности 230102 «АСОИУ»
направления 230100 «Информатика и вычислительная техника». Предназнача-
ется для студентов вуза и аспирантов, использующих методы математической
логики, алгоритмы входных языков систем программирования и математиче-
ских пакетов в решении научно-практических задач построения систем искус-
ственного интеллекта, сопутствующих интеллектуальных технологий.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Как устроена система правосудия в мозгу


Одно из самых фундаментальных отличий человека от животных — это наша тяга к общественной справедливости: мы хотим наказать преступника, который лично нам ничего плохого не сделал. Способность человека выступать судьёй в чужом споре позволяет существовать большим общностям, где каждый сознаёт себя частью племени, народа, человечества. Это возможно благодаря передаваемым от индивида к индивиду представлениям о социальных нормах, причём эти нормы выглядят не просто как сухие законы и запреты: они опираются на эмоциональный отклик. Убийство вызывает внутри нас протест, и желание покарать убийцу не есть лишь стремление следовать положениям уголовного кодекса.

МОДЕЛЬ ДАННЫХ 0

Главные компоненты


Можно предположить, что наш мозг активно использует выделение факторов как одну из процедур познания окружающего мира. Выделяя факторы, мы получаем возможность строить новые описания происходящего с нами. Основа этих новых описаний – выраженность в происходящем тех явлений, что соответствуют выделенным факторам.

Data Mining 0

Выделение набора факторов


Если идеология нейронной сети это допускает, то использовать правило «победитель забирает все» очень удобно, так как искать максимум активности значительно проще, чем итерационно обсчитывать активности с учетом взаимного торможения.

МОДЕЛЬ ДАННЫХ 0

Персептрон


В машинном обучении разделяют два основных подхода: обучение с учителем и обучение без учителя. Описанные ранее методы выделения главных компонент – это обучение без учителя. Нейронная сеть не получает никаких пояснений к тому, что подается ей на вход. Она просто выделяет те статистические закономерности, что присутствуют во входном потоке данных. В отличие от этого обучение с учителем предполагает, что для части входных образов, называемых обучающей выборкой, нам известно, какой выходной результат мы хотим получить. Соответственно, задача – так настроить нейронную сеть, чтобы уловить закономерности, которые связывают входные и выходные данные.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Сверточные сети. Неокогнитрон


Задача простого нейрона следить за своим рецептивным полем и узнавать образ, на который он обучен. Простые нейроны собраны в группы (плоскости). Внутри одной группы простые нейроны настроены на один и тот же стимул, но каждый нейрон следит за своим фрагментом рецептивного поля. Все вместе они перебирают все возможные положения этого образа (рисунок ниже). Все простые нейроны одной плоскости имеют одинаковые веса, но разные рецептивные поля. Можно представить ситуацию по-другому, что это один нейрон, который умеет примерять свой образ сразу ко всем позициям исходной картинки. Все это позволяет узнавать один и тот же образ независимо от его положения.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Фоновая активность


Самая простая модель, навеянная импульсной активностью нейрона, – это модель порогового сумматора. При этом, исходя из того, что спайк можно сопоставить с бинарным сигналом, полагают, что входы и выход сумматора принимают значения только 0 и 1. Если на входы такого формального нейрона подавать импульсную картину, повторяющуюся от такта к такту, то нейрон в зависимости от настройки его весов должен либо каждый такт выдавать ответный сигнал, либо молчать. Это вполне логично – постоянная входная картина соответствует постоянному результату на выходе.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Система проекций


Из наших рассуждений вытекает, что мозгу свойственны два типа проекций. Первый наиболее понятный тип – это так называемое топографическое отображение. Например, зрительный сигнал от глаз по зрительным нервам распространяется до хиазмы. Там волокна перераспределяются так, что одно полушарие получает волокна только от левых, а другое только от правых половин сетчатки. Далее по зрительному тракту информация поступает в наружное коленчатое тело, а оттуда на зрительную кору. Зрительный нерв содержит порядка миллиона волокон, что соответствует разрешению, которое доступно глазу. На первичную зрительную кору эта информация проецируется через зрительную радиацию. Зрительная радиация – это равномерное распределение пучка нервных волокон по всей площади первичной зрительной коры (рисунок ниже). Топографичность этого отображения заключается в том, что сигналы, соседствующие на сетчатке, оказываются рядом и в своей проекции на кору. При такой передаче сохраняется позиционность сигналов. Изображение от каждого места сетчатки попадает в свою область коры, что позволяет сохранить информацию о взаимном расположении объектов.

МОДЕЛЬ ДАННЫХ 0

Интерфейс


Заканчивая краткий экскурс в теорию переселения душ, отмечу, что если миграция человеческого разума на компьютер – это вопрос достаточно сложный, то вот научить говорить животных, при наличии волнового интерфейса – задача куда более простая. Компьютер может помочь компенсировать животным отсутствие зон Брока и Вернике, и смоделировать хотя бы на начальном уровне речевые функции.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Выделение волновых факторов


Надо отметить, что Хеббовское обучение, выделяющее первую главную компоненту, приведено чисто иллюстративно, чтобы показать, что локальное рецептивное поле любого нейрона коры содержит всю необходимую информацию для обучения его как универсального детектора. Реальные алгоритмы коллективного обучения нейронов, выделяющие множество разнообразных факторов, организованы несколько сложнее.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Стабильность – пластичность


И факторный анализ, и многие другие методы описания отталкиваются от поиска определенных закономерностей и выделения соответствующих факторов или признаков классов. Но часто встречаются наборы данных, где этот подход практически неприменим. Например, если мы возьмем положение часовой стрелки, то окажется, что у нее нет предпочтительных направлений. Она равномерно движется по циферблату, отсчитывая день за днем. Чтобы передать положение стрелки, нам не надо выделять какие-либо факторы, да они и не выделятся, а достаточно разбить циферблат на соответствующие секторы и пользоваться этим разбиением. Очень часть мозг имеет дело с данными, которые не подразумевают деления, учитывающего плотность распределения событий, а просто требуют введения какого-либо интервального описания. Собственно, принцип адаптивного резонанса и предлагает механизм создания такого интервального описания, способный работать даже тогда, когда пространство данных представляет собой достаточно равномерную распределенную среду.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Паттерны нейронов-детекторов


Логику такого преобразования нейронных описаний можно сопоставить с логикой словесных описаний, что не удивительно, так как эти явления тесно связаны между собой. Предположим, мы видим различных зверей. Каждого из них мы можем описать набором признаков. Например, мы видим зверя с описанием: большой, коричневый, лохматый. Не зная, что это за зверь, мы можем так его и называть: большой-коричневый-лохматый. Само сочетание признаков образует идентификатор этого животного. Если этот зверь встречается нам часто, то мы можем зафиксировать закономерность того, что эти признаки встречаются совместно, и дать этому сочетанию собственное название, например — медведь. Далее мы можем оперировать понятием «медведь» как самостоятельным. При этом мы имеем возможность в случае необходимости восстановить по понятию «медведь» все его исходные признаки.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Формирование паттернов. Обратная проекция


Паттерн нейронов-детекторов, настроенных на общий стимул, позволяет запустить собственную уникальную волну идентификатора. Это соответствует узнаванию образа и включению советующего понятия в описание происходящего. Чтобы идентификатор был уникальным, достаточно, чтобы нейроны-детекторы создавали свой узор, непохожий ни на один из волновых узоров, проходящих через их место расположения. Опишем простую модель, создающую такой паттерн.

МОДЕЛЬ ДАННЫХ 1

Динамические нейронные сети. Ассоциативность


Наиболее просты для понимания и моделирования нейронные сети, в которых информация последовательно распространяется от слоя к слою. Подав сигнал на вход, можно так же последовательно рассчитать состояние каждого из слоев. Эти состояния можно трактовать как набор описаний входного сигнала. Пока не изменится входной сигнал, останется неизменным и его описание.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Ассоциативность памяти


Когда мы говорили о распространении нейронных волн, мы исходили из того, что нейрон хранит на внесинаптической мембране те волновые картины, участником которых он является. Встретив знакомую картину, нейрон своим спайком создает продолжение уникального узора. И тут важно, что нейрон не просто в состоянии узнать волновую картину, а то, что он сам – часть распространяющегося узора. Только будучи сам частью уникальной волны нейрон способен участвовать в ее распространении.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Гиппокамп


Традиционные теории о роли гиппокампа строятся на аналогии мозга и компьютера. В таких рассуждениях гиппокампу отводится роль «оперативной памяти», то есть места, где накапливаются новые воспоминания. Затем же, предположительно во сне, эти воспоминания переносятся в области мозга, ответственные за хранение долговременной памяти. И хотя механизмы такого переноса непонятны, но, по крайней мере, это позволяет объяснить, почему нарушение работы гиппокампа блокирует формирование событийной памяти.