Исследования особенностей развития нейронных сетей в современном мире



Статья посвящена исследованию различных сфер применения нейронных сетей для решения прикладных задач.

Ключевые слова: нейронные сети, персептрон, нейрон

В современном мире, большое количество задач решается программным способом. Сейчас без труда можно посчитать дифференциальное уравнение или создать точный прогноз погоды. Задачи, которые считались трудновыполнимыми для человека ранее — теперь решает компьютер. Но существуют задачи, которые компьютеру решить не под силу. Безуспешно пытаться требовать компьютер рассказать о разнице между восприятием искусства ребенком и взрослым. Для решения данной проблемы в 50-х годах 20-го века были изобретены искусственные нейронные сети.

В последнее время в мире огромный интерес обращает на себя эта новая область прикладной математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в данной области подтверждается огромным количеством самых разнообразных практических применений ИНС.

Теоретическая часть

Работа головного мозга заключается в непосредственной передаче электрического импульса через тесно взаимосвязанные нейроны, которые соединяются через так называемые «нейронные проводки», состоящие из аксонов, синапсов и дендритов. Самый первый искусственный нейрон представлял из себя переключатель, который в зависимости от полученной на входе информации, приводился в действие, либо оставался неактивным. На основе данной модели была построена первая нейронная сеть [1]. В узле искусственной нейронной сети полученные сигналы умножались на веса синапсов и суммировались, полученные коэффициенты могли быть как положительными, так и отрицательным. В дальнейшем было доказано, что такие нейронные модели обладали свойствами, сходными с человеческим мозгом, поскольку могли выполнять свою работу, даже теряя некоторые связи между нейронами.

Искусственные нейронные сети создавались путём имитации на компьютере модели сетей нейронов. Пользуясь алгоритмами, имитирующими процессы реальных нейронов, можно провести обучение нейронной сети, что помогает решить множество различных проблем. На рис. 1 модель нейрона представляется как пороговая величина, таким образом она получает данные от различных внешних источников, определяя значение каждого входа и добавляя эти значения. Если значение общего входа превышает пороговое, то выход узла нейронной сети равен 1, если значение общего входа не превышает пороговое, то выход узла нейронной сети равен 0. Таким образом, выход может изменяться от 0 до 1, в то время как взвешенная сумма входов равна пороговой величине.

Рис. 1. Персептрон

Практическое применение

Искусственные нейронные сети применяются в различных областях науки: от обучения распознавания рукописного текста до классификации различных видов рака.

Для обучения нейронной сети необходимо большое количество информации, поскольку невозможно добиться высокой точности работы ИНС на достаточно малом количестве данных. Так, к примеру, для анализа изображений, Google в качестве обучающего набора данных использовал информацию с видеохостинга YouTube.

В случае решения задачи распознавания речи, в качестве обучающей выборки использовалась серия аудиоклипов с приложенными к ним описаниями. Первая представленная версия распознавания речи на основе нейронной сети содержала уровень ошибок, достигающий 25 %, через три года результат был улучшен и составлял уже 8 % ошибок.

Не только компания Google использовала нейронные сети для решения практических задач. Алгоритм распознавания лиц, предложенный Facebook (рис. 2), работает с точностью в 97 %.

Рис. 2. Алгоритм DeepFace

Цифровой персональный ассистент Cortana от компании Microsoft достиг такой высокой точности, что может различить породы пемброк-вельш-корги и кардиган-вельш-корги, представленные на рис. 3.

Рис. 3. Фотографии пемборг и кардиган-корги

На основе аппарата нейронных сетей проводятся исследования задач прогнозирования динамики цен на фондовом рынке. Точность данных исследований достигает 60–75 % верно угаданных значений цены, а количество верно угаданных тенденций рынка — 90 % [2].

Еще одним применением искусственных нейронных сетей являются задачи в области геологоразведки. К примеру, компанией Amoco используется ИНС для выделения характерных пиков в показаниях сейсмических датчиков. Надежность распознавания пиков — 95 % по каждой сейсмо-линии. По сравнению с ручной обработкой скорость анализа данных увеличилась в 8 раз.

В некоторых областях искусственный интеллект достиг таких вершин, что стал превосходить профессионалов данной области. Так, например, программа AlphaGo, использующая нейронные сети, обыграла лучшего игрока Го за последнее десятилетие со счётом 4–1.

Также, нейронные сети используются для решения жизненно важных задач в медицине.

Исследователи из университета Дьюка обучили нейронную сеть распознавать маммограммы злокачественной ткани на основе восьми особенностей, с которыми обычно имеют дело радиологи. Данная сеть может решить задачу с почти 100 % чувствительностью, а после лечения рака молочной железы так же помогает эффективно предсказывать возникновение рецидива.

Сейчас можно говорить, что нейронные сети уже являются инструментом кардиодиагностики в Англии для предупреждения инфаркта миокарда. Данный пакет был разработан фирмой RESInformatica. Сеть продемонстрировала достаточно высокую точность при обнаружении инфаркта миокарда — 92 % и лишь в 4 % случаев дала ложный сигнал, подтверждающий диагноз.

Высокие результаты работы нейронных сетей в области медицины исходят из того, что качество работы экспертной системы всегда стабильно и не зависит от внешних человеческих факторов. Также, искусственная нейронная сеть способна извлекать и применять знания, ранее неизвестные современной медицине.

В последние несколько лет наблюдается огромный интерес к искусственным нейронным сетям. Они применяются в самых различных областях: в медицине, физике, технике. Нейросети вошли в практику везде, где есть необходимость решить задачи прогнозирования, классификации или управления. Огромный успех применения ИНС можно охарактеризовать несколькими причинами: они позволяют воспроизводить чрезвычайно сложные зависимости и справляются с задачами высокой размерности.

Литература:

1. Розенблат Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. // М.: Мир, 1965, с. 302.
2. Мицель А., Ефремова Е. Прогнозирование динамики цен на фондовом рынке // Социально-экономические и гуманитарные науки, Томск, 2006, с. 197–201.
3. Золин А., Силаева А. Применение нейронных сетей в медицине // Актуальные проблемы науки, экономики и образования XXI века: материалы II Международной научно-практической конференции, 5 марта — 26 сентября 2012 года, Самара, c. 264–271.