Сегодня компьютеры и компьютерные системы стали неотъемлемой частью нашей жизни. За последние несколько десятилетий было создано множество интеллектуальных компьютерных систем, которые могут выполнять различные задачи для облегчения жизни человека. Почти в каждой сфере используются современные компьютеры.
Сегодня компьютеры не только принимают решения о событиях, так и узнают взаимосвязь между событиями. Неразрешимые проблемы также могут быть решены с помощью современных компьютеров.
К примеру, существуют компьютерные системы, способные помогать врачам обрабатывать медицинские данные и ставить диагнозы, осуществлять планирование лечения, проводить операции, решать различные математические уравнения в символическом виде, понимать и разбирать объем речи человека и т.д.
Искусственный интеллект (ИИ) – это система или машина, которая может имитировать поведение человека и постепенно учиться на данных, которые она получает для выполнения определенных задач. Целью исследований в области искусственного интеллекта является возможность решения множества различных сложных задач путем создания систем, не требующих человеческого интеллекта.
Ученые в 50-е годы делали попытки в построении оборудования, которое бы имитировало мозг человека. Такие эксперименты оказались неудачными, потому что была полная недостаточность программных и аппаратурных средств. Но возможность разрабатывать программы и аппаратуры, которые выполнят сложные интеллектуальные задачи, появилась только после Второй мировой войны.
В 1950 году Алан Тьюринг предложил простой тест для определения того, что думают компьютеры. Этот тест создал условия для начала развития «умных» машин.
В 1956 году впервые Джон Маккарти использовал термин «искусственный интеллект». Он назвал искусственный интеллект «наукой и техникой, делающими машины разумными» [1].
Американский психолог Фрэнк Розненблатт, работая в Корнеллской авиационной лаборатории заинтересовался механизмом работы мозга и стал искать пути создания его электронной модели. В 1957 году он создал нейронную сеть, которая была названа им персептроном (восприятие). Перцептрон стал одной из первых моделей нейросетей, а в 1958–1960 годах Фрэнк Розенблатт в Корнеллском университете создал первый в мире нейрокомпьютер Mark-1 [1].
Нейронные сети помогают компьютерам принимать разумные решения с ограниченным участием человека и используются для поддержки принятия решений в различных сферах деятельности и для решения сложных задач.
Принцип работы нейронной сети заключается в изменении входных сигналов, в результате чего преобразуется внутреннее состояние сети и формируются выходные значения. Существует множество видов нейронных сетей с различной архитектурой, правилами обучения и возможностями.
Каждая нейронная сеть имеет первый слой нейронов, называемая входным. Слои – это место, где происходит обучение. Внутри слоев находится бесконечное количество нейронов. Задача входного слоя: принимать и распределять входные сигналы по остальным нейронам.
1. Однослойная нейронная сеть. Простейший тип нейронной сети, состоит только из входного и выходного слоев. Здесь сигналы со входного слоя сразу направляются на выходной слой, т.е. входной слой только принимает и распределяет сигналы, а нужные вычисления происходят уже во втором слое. В однослойной структуре скрытых нейронов не бывает [2]. Выходные единицы связаны со всеми входными единицами, и каждая связь имеет вес. Однослойная нейронная сеть, состоящая из двух входов и одного выхода, представлена на рисунке1.
Рис. 1. Однослойный перцептрон
2. Многослойная нейронная сеть. Здесь, кроме выходного и входного слоёв, есть ещё несколько скрытых промежуточных слоёв (рис 2). Скрытыми они называются по тому, что их входы и выходы неизвестны для внешних по отношению к нейронной сети программам и пользователю. Число этих слоёв и число нейронов в каждом слое определяют сложность функции.
Рис. 2. Многослойный перцептрон
Кроме количества слоёв, нейронные сети можно разделить по направлению распределения информации по синапсам (связь между формальными нейронами):
Однонаправленные. Нейронные сети с прямой связью допускают односторонний поток сигналов. Кроме того, большинство нейронных сетей с прямой связью организованы слоями. В однонаправленной структуре сигнал перемещается строго по направлению от входного слоя к выходному. Движение сигнала в обратном направлении не осуществляется и в принципе невозможно [1]. Для решения некоторых задач такие структуры подходят лучше, например для задач распознавания и прогнозирования. Органы чувств получают информацию и передают ее в одном направлении, и в процессе эта информация преобразуется и распознается.
Рекуррентные нейронные сети. Когда мы читаем предложение, то понимаем каждое слово на основе предыдущего слова, то есть запоминаем предыдущее слово и придаем смысл следующему слову или словам. Обычные нейронные сети не могут этого сделать, и это большой недостаток. Но рекуррентные нейронные сети решает такие проблемы. Основная идея рекуррентной нейронной сети заключается в использовании последовательной информации и была придумана в 1980-х годах как простая рекуррентная сеть. Позже он был предложен Джеффом Элманом в 1990-х годах. Здесь сигнал двигается и в прямом, и в обратном направлении. У этих сетей есть эффект «памяти» благодаря тому, что данные передаются в двух направлениях. В результате они воспринимают предыдущую полученную информацию и могут более глубоко разбирать. Они выполняют одну и ту же задачу для каждого элемента последовательности, причем выход зависит от предыдущих значений. Рекуррентные нейронные сети применимы в таких задачах, где целостное разбито на части, например: распознавание рукописного текста или распознавание речи.
Сверточная нейронная сеть СНС представляет собой алгоритм глубокого обучения, который может принимать входное изображение и разделять различные объекты на изображении.[3] Архитектура Простой свёрточной нейронной сети представляет собой упорядоченный набор слоёв, где каждый слой преобразует одно изображение в другое с использованием некоторой дифференцируемой функцией. В отличие от обычных нейронных сетей, слои в свёрточной нейронной сети располагают нейроны в 3 измерениях – ширине, высоте, глубине. Для построения свёрточных нейронных сетей, мы используем три главных типа слоёв: свёрточный слой, слой подвыборки и полносвязный слой. Для получения архитектуры СНС эти слои располагают последовательно. Свёрточный слой является основным слоем при построении свёрточных нейронных сетей.
Существует ещё большое количество архитектур искусственных нейронных сетей, некоторые из которых уже устарели, а некоторые только разработаны и ещё не до конца исследованы. Среди таких искусственных нейронных сетей можно назвать следующие: когнитрон и неокогнитрон, осцилляторная нейронная сеть, вероятностная нейронная сеть Решетова, нейронная сеть адаптивного резонанса, импульсная нейронная сеть, нечёткая нейронная сеть и даже хаотическая нейронная сеть.
В последние годы тема искусственного интеллекта является одной из главных в области высоких технологий. Он используется во многих областях, таких как обнаружение целей в вооруженных силах, промышленное производство, роботы, компьютерные игры, финансы, транспорт, безопасность, медицина, образование, космос и инженерия.
На сегодняшний день все школьники и студенты более эффективно используют современные информационные технологии. Это поколение окажет положительное влияние на развитие искусственного интеллекта.
.png&w=640&q=75)
