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]
Достижения современных искусственных нейронных сетей позволяют решать следующие классы задач:
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 {y(t 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.
Еще одна современная тенденция использования искусственных нейронных сетей — это вычисления. Современные нейрокомпьютеры в основном используются в программных продуктах, поэтому редко используют свой потенциал «параллелизма». Параллельные нейровычисления начнут бурно развиваться тогда, когда на рынке появится большое число специализированных нейрочипов и плат расширений, предназначенных для обработки речи, видео, статических изображений и других типов образной информации. Пока это время еще не наступило по причине их дороговизны или их выпуска только в составе специализированных устройств.
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.
Также намечается перспектива модификации интерфейса взаимодействия пользователя с нейронной сетью — интерфейс будет основан на новом виде программного обеспечения («Agentware») — интеллектуальных агентах. Агенты будут осуществлять взаимодействие не только со своим пользователем, но и с другими такими же агентами и со специальными сервисами. Вследствие этого в сети возникнет новый социум с самообучающимися агентами, принимающими решения от имени пользователя. [4]
Литература:
- Аксенов С. В., Новосельцев В. Б. Организация и использование нейронных сетей (методы и технологии) / Под общ. ред. В. Б. Новосельцева. — Томск: Изд-во НТЛ, 2006. — 128 с.
- Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети финансовые рынки: принятие решений в торговых операциях. — М.: ТВП, 1997. — 236 с.
- Заенцев И. В. Нейронные сети: основные модели. — Воронеж, 1999. — 76 с.
- Каллан Роберт Основные концепции нейронных сетей: Пер. с агл. — М.: Вильямс, 2001. — 287 с.
- Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия — Телком, 2002. — 382 с.
- Обучение нейронной сети. [Электронный ресурс]. URL: httр://www.аiроrtаl.ru/аrtiсlеs/nеurаl-nеtwоrks/lеаrning-nеunеt.html
- Хайкин Саймон Нейронные сети: полный курс: Пер. с англ. — М.: ООО «И. Д. Вильямс», 2006. — 1104 с.
