Інформаційні технології та моделювання бізнес-процесів - Томашевський О.М. -
4.2. Нейромережеві технології штучного інтелекту

Штучний інтелект є одним з напрямів інформатики, завданням якого є розробка апаратно-програмних засобів, які дозволяють користувачу формулювати і розв'язувати інтелектуальні задачі.

Сьогодні засоби штучного інтелекту включають в себе:

o експертні системи;

o програмний інструментарій розробки експертних систем;

o машинний переклад;

o інтелектуальні роботи;

o навчання і самонавчання;

o розпізнавання образів;

o нові архітектури комп'ютерів;

o ігри та машинна творчість.

Розробки в галузі штучного інтелекту розпочались з ідеї побудови системи, подібної до нервових клітин людини, що була запропонована Дж.Маккалоком та У.Піттом у 1943 р. та втілена у моделі штучного нейрона і принципах побудови штучних нейронних мереж, що здатні до навчання. Але задача практичного втілення розробленої методики виявилась складною і була розв'язана тільки через 20 років американським нейрофізіологом Ф.Розенблаттом в роботі 1962 р. "Принципи нейродинаміки", де була запропонована модель персептрона.

Штучна нейронна мережа - паралельно розподілений процесор, який володіє здатністю до навчання, збереження і представлення знань, набутих на основі досвіду

Штучні нейронні мережі, зокрема багатошаровий персептрон, вирішують задачі регресії і класифікації. Проте, на відміну від дерев рішень, нейронні мережі не здатні пояснити отримане рішення, тому їх функціонування нагадує "чорний ящик" з входами і виходами.

Нейронні мережі є обчислювальними структурами, що моделюють прості біологічні процеси, подібні до тих, що відбуваються в людському мозку. Вони здатні до адаптивного навчання шляхом реакції на позитивні і негативні дії.

Подібність штучної нейронної мережі з мозком полягає в двох аспектах:

o знання набуваються мережею під час навчання;

o для збереження знань використовуються міжнейронні з'єднання.

В основі нейронних мереж лежить елементарний перетворювач - штучний нейрон, названий так за аналогією з його біологічним прототипом. Штучний нейрон складається з входів (синапсів), суматора, нелінійного перетворювача і виходу (аксона). Всі нейрони з'єднуються між собою зв'язками, які називаються вагами і визначаються певними величинами - ваговими коефіцієнтами.

Структуру нейромережі - багатошарового персептрона - можна описати наступним чином. Нейромережа складається з декількох шарів: вхідний, внутрішній (прихований) і вихідний шари. Вхідний шар реалізує зв'язок із вхідними даними, вихідний - із вихідними. Внутрішніх шарів може бути від одного і більше. В кожному шарі міститься декілька одиниць або десятків нейронів.

Перед використанням нейромережі проводиться її навчання, що є ітераційним процесом налаштування вагових коефіцієнтів. Для навчання використовуються спеціальні алгоритми. Найбільше розповсюдження отримали градієнтні методи - алгоритм зворотного поширення похибки (Back Propagation), зв'язаних градієнтів, RProp і інші. Основна особливість нейронних мереж полягає в тому, що в процесі навчання вони моделюють складну нелінійну залежність між вхідними і вихідними даними.

Для перевірки адекватності побудованої нейронної мережі використовується спеціальний метод - тестове підтвердження, в якому аналізується відсоткове співвідношення між вірними вихідними значеннями та помилковими. При незадовільному результаті перевірки проводиться навчання з використанням інакше підібраної навчальної вибірки даних для потрібної корекції вагових коефіцієнтів.

Загалом, нейронні мережі характеризуються такими факторами:

o структура мережі;

o процес пошуку (метод пересилання інформації з входу на вихід);

o метод навчання мережі.

Вибір топологічної структури мережі здійснюється у відповідності із особливостями і складністю розв'язуваної задачі. Для розв'язання деяких визначених типів задач вже існують оптимальні конфігурації нейронних мереж. Якщо задача не може бути зведена до відомого типу, то розробляється новий тип нейронної мережі.

Способи обробки інформації в нейронних мережах поділяються на:

o асоціацію (взаємозв'язок між інформацією (образом) на вході системи і інформацією (образом), що зберігається в системі);

o класифікацію (вказати або оцінити приналежність образу до відповідного класу).

Нейронні мережі недоцільно застосовувати у таких випадках:

o для задач, що мають точний аналітичний алгоритм розв'язання;

o у випадку потреби високої точності результатів;

o для задач, розв'язання яких вимагає багато етапних логічних висновків і тверджень;

o для задач, в яких використовується символьне представлення;

o для задач, які можуть бути розв'язані засобами з меншою собівартістю застосування.

Проте, нейронні мережі ефективно можуть використовуватись для розв'язання наступних задач:

o прогнозування на основі аналізу часових рядів;

o ідентифікації об'єктів і класифікації;

o оптимізації.

Однією із сфер застосування нейронних мереж є розпізнавання та аналіз вбудованої інформації при стеґанографічному (прихованому) захисті об'єктів: цифрових водяних знаків у зображеннях, цифрових копірайтів в програмних продуктах, і т.д.

Мапи, що самоорганізуються
4.3. Технологія виявлення знань в базах даних (Knowledge Discovery in Databases)
4.4. Нові концепції у теорії штучного інтелекту
5. Створення сховищ даних. Технології OLAP та Data Mining
5.1. Структура сховища даних та оптимізація його обсягів
5.2. Технологія аналітичної обробки даних в реальному часі OLAP
5.3. Технологія аналізу сховищ даних (Data Mining)
6. Автоматизовані інформаційні системи для підприємств та організацій
6.1. Інформаційні системи і технології в сучасному суспільстві
6.2. Основні етапи розвитку інформаційних систем