VIII Международная студенческая научная конференция Студенческий научный форум - 2016

Направления развития искусственного интеллекта

Сегодня искусственный интеллект – это обширная область исследований и разработок интеллектуальных систем, предназначенных для работы в трудно формализуемых областях деятельности человека. Для задач, решаемых методами искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантом поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ, системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, жить самостоятельной, не зависящей от воли разработчика жизнью.

Разработка интеллектуальных систем, основанных на знаниях

До недавнего времени это направление считалось основным и наиболее плодотворным в развитии искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем.

Нейросетевые и нейрокомпьютерные технологии

 

Рис. 1. Строение биологического нейрона

Это направление является альтернативным предыдущему как в идеологическом, так и в практическом плане. Искусственные нейронные сети и нейрокомпьютеры в значительной мере заимствуют принципы работы головного мозга. Знания в них не отделены от процессора, а равномерно распределены и существуют неявно в виде сил синаптических связей. Такие знания не закладываются изначально, а приобретаются в процессе обучения.

 

Биологический и искусственный нейроны

Мозг человека состоят из нейронов (рис. 1.), соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами. Рассмотрим строение биологического нейрона. Дендриты идут от тела нервной клетки к другим нейронам, где они принимают сигналы в точках соединения, называемых синапсами. Принятые синапсом входные сигналы подводятся к телу нейрона. Здесь они суммируются, причем одни входы стремятся возбудить нейрон, другие – воспрепятствовать его возбуждению. Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая по аксону сигнал другим нейронам. У этой основной функциональной схемы много усложнений и исключений, тем не менее большинство искусственных нейронных сетей моделируют лишь эти простые свойства.

 

Рис.2 Искусственный нейрон:

n - число входов нейрона

x_i – значение i-го входа нейрона

w_i – вес i-го синапса

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона (рис.2). На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синоптической силе, и все произведения суммируются, определяя уровень активации нейрона.

 

Искусственная нейронная сеть(ИНС, нейронная сеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети.

Существует великое множество различных алгоритмов обучения, которые однако делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором – она производится на основе действий, подчиняющихся некоторому случайному процессу.

Искусственные нейронные сети прочно вошли в нашу жизнь и в настоящее время широко используются при решении многих неформализуемых или трудно формализуемых самых разных задач и активно применяются там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. В числе задач, решение которых доверяют искусственным нейронным сетям, можно назвать следующие: распознавания и синтеза речи; прогнозирования котировки ценных бумаг и курса валют; оценки стоимости недвижимости; оценки финансового состояния предприятий и риска невозврата кредитов; добычи знаний из больших объемов данных в бизнесе, финансах и научных исследованиях.

Нейронные сети можно использовать при следующих условиях: если задачу может решать человек; если при решении задачи можно выделить множество входных факторов (сигналов, признаков, данных и т.п.) и множество выходных факторов; если изменения входных факторов приводит к изменению выходных.

Сегодня существует большое число различных конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. В качестве примера рассмотрим многослойную полносвязанную нейронную сеть прямого распространения (рис. 3), которая широко используется для поиска закономерностей и классификации образов.

Рис. 3. Пример многослойной полносвязанной нейронной сети прямого распространения сигнала.

Полносвязанной нейронной сетью называется многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми нейронами предыдущего слоя, а в случае первого слоя — со всеми входами нейронной сети. Прямое распространение сигнала означает, что такая нейронная сеть не содержит петель.

Построение нейронных сетей

Построение нейронных сетей проходит в два этапа:

1. Выбор типа (архитектуры) нейронной сети.

2. Подбор весов (обучение) нейронной сети.

На первом этапе следует выбрать следующее: какие нейроны мы хотим использовать (число входов, передаточные функции); каким образом следует соединить их между собой; что взять в качестве входов и выходов нейронной сети.

Эта задача на первый взгляд кажется необозримой, но, к счастью, нам необязательно придумывать нейронную сеть "с нуля" - существует несколько десятков различных нейросетевых архитектур, причем эффективность многих из них доказана математически. Наиболее популярные и изученные архитектуры - это многослойный перцептрон, нейронная сеть с общей регрессией, нейронные сети Кохонена и другие.

На втором этапе следует "обучить" выбранную нейронную сеть, то есть подобрать такие значения ее весов, чтобы она работала нужным образом. Необученная нейронная сеть подобна ребенку - ее можно научить чему угодно. В используемых на практике нейронных сетях количество весов может составлять несколько десятков тысяч, поэтому обучение - действительно сложный процесс. Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса нейронной сети определенным образом. Наиболее популярный из этих алгоритмов - метод обратного распространения ошибки (Error Back Propagation), используемый, например, для обучения перцептрона.

Обучение нейронных сетей

Обучение нейронных сетей напоминает процесс интеллектуального развития человеческой личности. Но, к сожалению, возможности обучения искусственных нейронных сетей ограниченны, и нужно решить много сложных задач, чтобы определить, на правильном ли пути мы находимся.

Сеть обучается, чтобы для некоторого множества входов давать желаемое (или, по крайней мере, сообразное с ним) множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор.

Подготовка входных и выходных параметров

Подбор обучающих примеров. От удачного подбора обучающих примеров во многом зависит успех создания нейронной сети, адекватно моделирующей предметную область. Прежде всего необходимо понимать, что не все параметры предметной области влияют на выходной вектор Y.

Параметры, которые не оказывают влияния на вектор Y, называют незначимыми для этого выходного вектора. Естественно, что незначимые параметры не следует включать в список параметров входного вектора X.

Однако на практике часто бывает трудно и даже невозможно установить, какие из параметров предметной области являются значимыми, а какие нет. Поэтому на первом этапе в вектор X включают как можно больше параметров, избегая только те из них, незначимость которых представляется очевидной.

После первоначального создания и обучения нейронной сети, незначимые параметры могут быть выявлены двумя способами.

Путем анализа значений весовых коэффициентов входных нейронов. Если окажется, что у какого-либо входного нейрона синоптические веса значительно меньше, чем у других нейронов, то этот входной нейрон, скорее всего, соответствует незначимому параметру вектора X.

Путем возмущения значений входных параметров и анализа реакции сети на эти возмущения. Если сеть не реагирует или слабо реагирует на изменения значения какого-либо входного параметра, то этот параметр не является значимым.

После выявления и исключения входных нейронов, соответствующих незначимым параметрам, качество нейросети улучшается, так как снижается ее размерность. Однако надо понимать, что слишком малое число входных параметров может привести к тому, что нейросети не хватит данных для выявления требуемых от нее закономерностей предметной области.

Предобработка обучающих примеров и интерпретация ответов. Параметры, описывающие предметную область, могут иметь самый разнообразный характер. Но поскольку нейросеть в состоянии обрабатывать только числа, то вся нечисловая информация должна быть закодирована в числовом виде. Числовую информацию, приготовленную для нейросетевой обработки, желательно масштабировать, т.е. выровнять диапазоны изменения величин. Желаемые выходные сигналы перцептрона должны быть также закодированы в приемлемой форме и масштабированы в приемлемом диапазоне.

Пример применение нейронных сетей при анализе результата экзаменационной оценки.

Пользуясь некоторыми знаниями из области нейросетевых технологий, в данной работе я с помощью перцептрона решил прикладную задачу, использование нейронных сетей получение оценки по результатам экзамена. Выбор данной темы был обусловлен тем, что в данной области пока еще не применяли методов искусственного интеллекта. Данная тема является актуальной так как, студенту и школьнику всегда интересно узнать предварительные результаты экзамена и посмотреть какие факторы и в какой степени будут влиять на исход экзамена.

 

Рис.4. Нейросимулятор

Целью моей работы: показать, можно ли использовать нейронные сети и эффективно ли их применение в данной области. Достижение поставленных целей предопределило постановку и решение следующих задач: провести обучение одного из нейросимуляторов; проанализировать работу нейросимулятора; сделать выводы можно ли применять его в исследуемой области.

 

Для своего исследования я использовал нейросимулятор (Рис.4.), разработанный в Пермском государственном университете [1].

На вход (Хn) подавались следующие параметры:

Х(n)		параметр	значение
студент	Х1	статус	отличник	0
			среднечок	1
			двоечник	2
	Х2	знание предмета	>50%	0
			50/50	1
			не знает	2
	Х3	% выученных билетов	>70%	0
			50-70%	1
			10-50%	2

Код для цитирования: Скопировать