Нейроинформатика і його приложения

Нейроинформатика і його докладання Олександр Горбань, [email protected].

Вычислительный центр ЗІ РАН, Красноярск-36.

Що таке нейронные сети?

Задачи для нейронних сетей Примеры приложений Истинные переваги нейронних сетей?

Каждый, хто вперше знайомиться з нейронними мережами, ставить запитання: що таке нейроинформатика? Відповісти нього можна по-різному. Можна сміливо сказати, що нейроинформатика це спосіб розв’язання різноманітних завдань із допомогою штучних нейронних мереж, реалізованих за комп’ютером. Такий відповідь, яка пояснювала б лише внутрішню сутність нейроинформатики, майже нікого не задовольняє, навіть якщо докладно розповідати про нейронних мережах, завдання й засобах розв’язання. Насправді потрібно ще визначити місце нейроинформатики серед інших засобів вирішення завдань і спробувати розібратися, у яких ж істинні переваги нейронних мереж, якщо існують? Безумовно, ті ж завдання можна вирішити та інші способами? Нейросетевые методи які завжди ефективніше традиційних. До того ж, багато нейросетевые методи це нова редакція відомих математичних підходів. Чому ж тоді чимало туристів любить нейромережі? Одні щоб заробити на модної новинці, інші щоб пограти у нову інтелектуальну іграшку, не відставати моди спробувати нову технологію і виникає таке інше. То у чому ж реальні переваги нейронних мереж? Щоб цей питання, по-перше, звернімося десятирічному досвіду застосування цієї технології красноярської групою НейроКомп, а по-друге, спробуємо розгадати логіку світового нейросетевого «бума».

Что таке нейронные мережі? Термін «штучні нейронные мережі» в багатьох асоціюється з фантазіями про андроидах і бунті роботів, про машинах, які заміняють і які імітували людини. Це посилюють багато розробники нейросистем, розмірковуючи у тому, як і майбутньому, роботи почнуть освоювати різні види діяльності, просто спостерігаючи за людиною. Якщо переключитися до рівня повсякденної роботи, то нейронные мережі це лише мережі, які з пов’язаних між собою простих елементів формальних нейронів. Більшість робіт з нейроинформатике присвячена переносу різних алгоритмів вирішення завдань таких мережі. У основу концепції покладено ідея у тому, що нейрони можна моделювати досить простими автоматами, а вся складність мозку, гнучкість його функціонування та інші найважливіші якості визначаються зв’язками між нейронами. Кожна зв’язок подається як зовсім простий елемент, службовець передачі сигналу. Коротко цю думку можна сформулювати так: «структура зв’язків все, властивості елементів ніщо». Сукупність ідей науково-технічний напрям, обумовлений описаним поданням щодо мозку, називається коннекционизмом (connection зв’язок). З реальним мозком усе це співвідноситься приблизно таке ж, як карикатура чи шарж зі своїми прототипом. Важливо не буквальне відповідність оригіналу, а продуктивність технічної ідеї. З коннекционизмом тісно пов’язаний наступний блок ідей: однорідність системи (елементи однакові та Ющенка надзвичайно прості, все визначається структурою зв’язків); надійні системи з ненадійних елементів і «аналоговий ренесанс» використання простих аналогових елементів; «голографічні» системи при руйнуванні випадково обраної частини система зберігає свої властивості. Передбачається, що широкі можливості систем зв’язків компенсують бідність вибору елементів, їх ненадійність і можливі руйнації частини зв’язків. Для описи алгоритмів і пристроїв в нейроинформатике вироблено спеціальна «схемотехника», у якій елементарні устрою (сумматоры, синапсы, нейрони тощо.) об'єднують у мережі, призначені на вирішення завдань. Багатьом початківців здається несподіваним, що ні апаратної реалізації нейронних мереж, ні у професійному програмне забезпечення ці елементи зовсім необов’язково реалізуються як частини чи блоки. Використовувана в нейроинформатике ідеальна схемотехника представляє собою особливий мову описи нейронних мереж, і їх навчання. При програмної і апаратної реалізації виконані цією мовою описи переводяться на кращі мови іншого рівня. Найважливіший елемент нейросистем адаптивний акумулятор, який обчислює скалярне твір вектора вхідного сигналу x на вектор параметрів a. Адаптивним вона називається через наявність вектора настраиваемых параметрів a. Нелінійний перетворювач сигналу отримує скалярний вхідний сигнал x і переводить їх у задану нелінійну функцію f (x). Крапка розгалуження служить для розсилки одного сигналу з кількох адресами. Вона отримає скалярний вхідний сигнал x і передає його за всі свої виходи. Стандартний формальний нейрон складається з вхідного сумматора, нелінійного перетворювача і точки розгалуження не вдома. Лінійна зв’язок синапс окремо від сумматоров не зустрічається, проте до деяких міркувань буває зручно виділити цей елемент. Він множить вхідний сигнал x на «вагу синапса» a. Отже, ми коротко описали основні елементи, у тому числі складаються нейронные мережі. Перейдемо тепер до питання формуванні цих мереж. У принципі, їх можна будувати скільки завгодно, аби входи отримували якісь сигнали. Зазвичай використовується кілька стандартних архітектур, у тому числі шляхом вирізання зайвого чи (рідше) додавання будують більшість використовуваних мереж. Спочатку слід визначити, як узгодять робота різних нейронів у часі. Щойно у системі з’являється більше елемента, йдеться про синхронізації функціонування. Для звичайних програмних імітаторів нейронних мереж на цифрових ЕОМ це запитання не актуальним тільки з властивостей основного комп’ютера, у якому реалізуються нейронные мережі. Для інших засобів реалізації він дуже важливий. Ми ж станемо розглядати ті нейронные мережі, які одночасно функціонують в дискретні моменти часу: все нейрони спрацьовують «разом». У зоопарку нейронних мереж можна назвати дві базових архітектури шаруваті і полносвязные мережі. Шаруваті мережі. Тут нейрони перебувають у кілька шарів. Нейрони першого шару отримують вхідні сигнали, перетворять їх і крізь точки розгалуження передають нейронам другого шару. Далі спрацьовує другий тощо. до шару k, який видає вихідні сигнали для інтерпретатора і користувача. Якщо гидке не обумовлено, то кожного вихідного сигнал шару і подається на вхід всіх нейронів шару i+1. Кількість нейронів у кожному шарі може бути будь-якою і заздалегідь не пов’язані з кількістю нейронів за іншими шарах. Стандартний спосіб подачі вхідних сигналів: все нейрони першого шару отримують кожен вхідний сигнал. Особливо поширені тришарові мережі, у яких кожен шар має найменування: перший вхідний, другий прихований, третій вихідний. Полносвязные мережі. Тут кожен нейрон передає свій вихідний сигнал іншим нейронам, зокрема й сам себе. Вихідними сигналами мережі можуть бути усі поголовно чи деякі вихідні сигнали нейронів після кількох тактів функціонування мережі. Усі вхідні сигнали подаються всім нейронам. Елементи шаруватих і полносвязных мереж можуть вибиратися по-різному. Існує, втім, стандартний вибір: нейрон з адаптивним неоднорідним лінійним сумматором на вході. Для полносвязной мережі вхідний акумулятор нейрона фактично розпадається на два: перший обчислює лінійну функцію від вхідних сигналів мережі, другий лінійну функцію від вихідних сигналів інших нейронів, отриманих на попередньому кроці. Функція активації нейронів (характеристичний функція) це нелінійний перетворювач вихідного сигналу сумматора. Якщо функція одна всім нейронів мережі, то мережу називають однорідної (гомогенної). Якщо ж характеристичний функція залежить ще від однієї чи навіть кількох параметрів, значення яких змінюються від нейрона до нейрона, то мережу називають неоднорідною (гетерогенної). Складати мережа з нейронів стандартного виду необов’язково. Шарувата чи полносвязная архітектури не накладають істотних обмежень на що у них елементи. Єдине жорстка вимога, пропоноване архітектурою до елементам мережі, це відповідність розмірності вектора вхідних сигналів елемента (вона визначається архітектурою) числу його входів. Якщо полносвязная мережу функціонує до відповіді заданий число тактів k, що його можна видати за окреме питання k-слойной мережі, усі верстви якої однакові і з них відповідає такту функціонування полносвязной мережі. Істотне різницю між полносвязной і шаруватої мережами стає очевидним, коли кількість тактів функціонування заздалегідь необмежена шарувата мережу так працювати неспроможна. Доведені теореми про повноті: для будь-який безупинної функції кількох змінних можна побудувати нейронну мережу, яка обчислює цю функцію з будь-якої заданої точністю. Отож нейронные мережі у сенсі можуть все.

Задачи для нейронних мереж Багато завдання, на вирішення яких використовують нейронные мережі, можуть розглядатися як окремі випадки таких засадничих проблем: побудова функції кінцевому набору значень; оптимізація; побудова відносин на безлічі об'єктів; розподілений пошук інформації та асоціативна пам’ять; фільтрація; стиснення інформації; ідентифікація динамічних систем і управління ними; нейросетевая реалізація класичних завдань і алгоритмів обчислювальної математики: рішення систем лінійних рівнянь, вирішення завдань математичної фізики сеточными методами та інших. Однозначно побудувати функцію (зазвичай багатьох дійсних змінних) по кінцевому набору значень вимагає спеціальних додаткових умов. Як таких умов у класичних підходах використовуються вимоги мінімізації деяких регуляризирующих функционалов, наприклад, інтеграла суми квадратів других похідних вимога максимальної гладкості. У цьому відомі у кінцевому безлічі точок значення функції перетворюються на набір обмежень, у яких перебуває мінімум функціоналу. З допомогою нейронних мереж будується, природно, нейросетевая реалізація функції: створюється нейронна мережу, яка, одержуючи на вході вектор аргументів, видає не вдома значення функції. Зазвичай передбачається, що будь-яка типова нейросетевая реалізація підійде на вирішення завдання. При необхідності замість вимоги максимальної гладкості мінімізують число верств, кількість нейронів і/або число зв’язків, і навіть вводять умова «максимально пологою» функції активації нейронів. Побудувати функцію по кінцевому набору значень зазвичай потрібно під час вирішення однієї з найбільш актуальних для користувачів і аналітиків завдань: заповнення перепусток в таблицях. Нехай, звісно ж, кожна рядок таблиці даних відповідає якомусь об'єкту, а рядках вказані значення ознак (властивості) відповідних об'єктів. Переважна більшість випадків дані неповні: по крайнього заходу, частині об'єктів невідомі значення рис. Необхідно якось відновити пропущені значення. Достовірна статистична оцінка має давати для відсутніх даних їх умовне математичне очікування (умови відомі значення інших ознак) і характеристику розкиду довірчий інтервал. Однак це, вимагає або непомірно великого об'єму відомих даних, або дуже сильних припущень про вигляді функцій розподілу. Доводиться замість статистично достовірних рівнянь регресії використовувати правдоподібні нейросетевые реалізації. Термін «правдоподібні» взятий нами з оповідання Дж. Пойя «Математика і правдоподібні міркування». Будь-яка, навіть найбільш сувора математична конструкція спочатку створюється лише як правдоподібна гіпотеза. Правдоподібними ми називаємо ті висновки, котрі пройшли випробування на достовірність та строгість, проте у такий спосіб відбуваються відкриття. Крім того, нагадаємо, що твердження про статистичної достовірності базуються за обмежувальних гіпотезах про статистичної природі емпіричного матеріалу (відповідно до цієї природі дані є результати незалежних статистичних випробувань вибрати з фіксованою генеральної сукупності). Завдання класифікації він може розглядатися як завдання заповнення перепусток в таблицях: кожному за класу в таблиці є полі якому вказується, належить об'єкт даному класу чи ні. У ті поля можуть поміщатися чисельні значення, наприклад, 1, якщо об'єкт належить класу, і 0 (чи -1) інакше. Якщо навчання відбувалося класифікації з учителем частині об'єктів, складових навчальну вибірку, відомо, яким класам вони належать. Потрібна побудувати нейронну мережу, котра, за ознаками об'єкта (записаним за іншими полях таблиці) визначала б, якого класу належить, т. е. заповнювала відповідні поля. Побудова відносин на безлічі об'єктів одне з загадкових і великих відкритих до творення найперспективніших областей застосування штучного інтелекту. Перший, і найпоширеніший приклад це завдання класифікація без вчителя. Припустимо, заданий набір об'єктів, причому кожному об'єкту сопоставлен вектор значень ознак (рядок таблиці). Потрібна розбити ці об'єкти на класи еквівалентності. Навіщо потрібне будувати відносини еквівалентності між об'єктами? Передусім для фіксації знань. Ми накопичуємо знання про класах об'єктів це практика багатьох тисячоліть, зафіксована у мові: знання належить до імені класу (приклад стандартної древньої форми: «люди смертні», «люди» ім'я класу). У результаті класифікації з’являються нові імена і правил їх присвоєння. До кожного об'єкта ми має зробити дві вещи:

1. знайти клас, якому він принадлежит;

2. скористатися новою інформацію, отриману про цей об'єкт, для виправлення (корекції) правил класифікації. Яку форму може мати правила віднесення до класу? Традиційно клас представляють його «типові», «середні», тощо. елементи. Такий типовий об'єкт є ідеальної конструкцією, яка уособлювала клас. Об'єкт належать до якомусь класу внаслідок перевірки типовими елементами різних класів та вибору найближчого. Правила, використовують типові об'єкти, дуже популярні і є основою для нейросетевой класифікації без вчителя. Нейромережі сьогодні широко йдуть на рішення класичної проблеми виробництва (розкопок) знань із накопичених даних. Обучаемые нейронные мережі виробляти з наведених даних приховані знання: створюється навик передбачення, класифікації, розпізнавання образів тощо., та його логічна структура зазвичай залишається прихованої від користувача. Для прояви (контрастування) цієї прихованої логічного структури нейронные мережі наводяться до спеціального «логічно прозорого» розрідженому виду. Сама нейронна мережу після видалення зайвих зв’язків може розглядатися як логічна структура, що становить явні знання. Технологія отримання явних знань із даних із допомогою учнів нейронних мереж досить проста і ніби бракує труднощів. Її реалізація включає кілька етапів. Перший етап: навчаємо нейронну мережу вирішувати базову завдання (зазвичай розпізнавання чи пророцтво). Найчастіше яку можна трактувати як завдання поповнення прогалин у цих. Такими прогалинами може бути ім'я образу при розпізнаванні, номер класу, результат прогнозу тощо. буд. Другий етап: виключаючи найменш значимі зв’язку (і доучивая мережі найчастіше, неодноразово), наводимо нейронну мережу до логічно прозорого виду так, щоб навик можна було «прочитати». Кінцевий результат неоднозначний якщо стартувати з іншого початковій карти зв’язків, можна опанувати іншу логічно прозору структуру. Кожній базі даних відповідає кілька варіантів явних знань. Можна вважати цю недоліком технології, але гадаю, що, навпаки, технологія, дає єдиний варіант явних знань, недостовірна, а множинність результатів є фундаментальним властивістю виробництва явних знань із даних. Простий приклад: нейронна мережу навчалася пророкувати про результати виборів президента США за низкою економічних і полі-тичних показників. Навчені сітці були мінімізовані за кількістю вхідних параметрів і зв’язків. Виявилося, що з надійного передбачення результату виборів у США досить знати відповіді всього п’ять питань, наведених нижчий за порядку значимости:

1. Чи була серйозна конкуренція при висування від правлячої партии?

2. Відзначалися під час правління суттєві соціальні волнения?

3. Чи був виборний часом спаду чи депрессии?

4. Виробив чи правлячий президент значних змін в политике?

5. Чи була на рік виборів активна третя партія? Від інших ознак нейросеть відмовилася. Понад те, ці п’ять «симптомів» політичної ситуації у країні входить у распознающее правило двома «синдромами». Нехай запитання кодуються числами: +1 «так» і -1 «немає». Перший синдром є сума відповіді питання 1, 2, 5. Його природно назвати синдромом політичної нестабільності (конкуренція в свою партію плюс соціальні хвилювання плюс додаткова опозиція). Чим він більше, гірше для правлячої партії. Другий синдром різницю відповіді питання 4 і трьох (політичне новаторство мінус економічна депресія). Його наявність означає, що політична новаторство може, у принципі, врівноважити у власних очах виборців економічний спад. Результати виборів визначаються співвідношенням двох чисел значень синдромів. Проста, але досить переконлива політологічна теорія, чимось нагадує концепцію чи Маккіавеллі, чи Леніна («єдність партії передусім, є найважливішим доданком політичну стабільність»). Саме нейросетевая технологія виробництва знань, по-моєму, є «точкою зростання», яка по-новому розгорне нейроинформатику, перетворює багато розділи інформатики, і створить новые.

Примеры додатків Як ми можемо бачити у відкритій друку, докладання нейронних мереж розподілені приблизно так: більш 60% ринку займають фінансові та військово-технічні докладання; медичні докладання теж перебувають у дуже місці близько 20%. Більшість додатків, створених красноярської групою «НейроКомп» пов’язано з рішенням завдань класифікації. Роботи досліджують декількох напрямах: медична діагностика, проблеми психологічної сумісності, педагогіка і соціологія. З іншого боку, наше програмне забезпечення використовувалося іншими дослідниками для передбачення коливань рівня Каспійського морів і прогнозу кліматичних змін, і навіть вирішення завдань технічної діагностики, космічної навігації та інших. Наші мережі навчаються методами, заснованими на мінімізації помилки. Усі вони докладно описані у роботі. Основні користувальні переваги нейросетевого ПО над іншими системами його «демократичність» (лікарі практично самостійно створювали собі експертні системи) і універсальність, здатність справитися з великим спектром завдань. З іншого боку, нейроимитаторы успішно можуть вживатись і в медичних дослідженнях. Ось лише кілька характерних прикладів побудованих систем. Приклад 1. Вимірювання накопиченої дози радіоактивного опромінення Навіть невеличка величина накопиченої дози радіоактивного опромінення помітно впливає стан багатьох органів прокуратури та систем організму, передусім, імунній й ендокринної. Традиційні методи дозволяють досить точно оцінити стан цих систем, проте це часто буває важко сказати, ніж викликано зміна їх параметрів: підвищеної дозою опромінення чи самостійним захворюванням. Дослідники прагнули виявити зв’язок між накопиченої дозою радіоактивного опромінення і комплексом иммуннологических, гормональних і біохімічних параметрів крові людини, створити метод, дозволяє за цими параметрами будувати висновки про величині дози. І тому застосували нейросетевой класифікатор. Навчальними прикладами були перелічені параметри (всього 35) у півтори сотні людина, зайнятих у виробництві для підприємства атомної промисловості. Серед обстежуваних було проведено дозиметричний контроль, за величиною накопиченої дози вони було поділено на 3 класу. 4-й клас склали люди, величина дози які мають був у межах природничих фонових значень. При статистичному аналізі навчальною вибірки за більшістю параметрів не виявляли достовірних різниці між класами, а наявні відмінності не простежувалися за всіма класами. Проте нейросеть, використовуючи сув’язь параметрів, повністю навчилася розпізнавати клас кожного прикладу. При тестуванні на вибірці із відомими відповідями клас визначався правильно в 100% випадків. Навченої мережею були протестовані 140 людина, що у зоні впливу підприємства атомної промисловості, але з зайнятих з виробництва. За даними нейромережі тільки в 3 людина величина накопиченої дози був у межах природного фону; у 51 людини визначалася слабка доза, у 82 середня, і в 4 людина сильна. Приклад 2. Рання діагностика злоякісних пухлин судинної оболонки очі Меланоми судинної оболонки очі становлять 88% всіх внутрішньоочних пухлин, але можна розпізнати тільки пізньої стадії розвитку. Традиційні методи виявлення захворювання у ранній стадії недостатньо надійні, доволі-таки складні й дорого коштують. Запропонований спосіб ранньої діагностики меланом хориоидеи включає застосування нового лабораторного методу, розробленого в Красноярському межобластном офтальмологическом центрі їм. Макарова, та інтерпретування одержуваних даних нейросетевым класифікатором. Лабораторний метод грунтується на непрямому вимірюванні вмісту пігменту (меланіну) в віях. Отримані дані спектрофотометрии, проведеної на кількох частотах кожному за очі, і навіть деякі загальні характеристики обстежуваного (підлогу, вік та інших.), подаються на вхідні синапсы 43-нейронного класифікатора. Нейросеть вирішує, чи є в пацієнта пухлина, і якщо так, то визначає стадію розвитку захворювання, видаючи у своїй відсоткову ймовірність своєї впевненості. Навіть якби підозрі на наявність пухлини хворий спрямований надалі поглиблене обстеження. Отже, дана технологія може використовуватися для скринінгових профілактичних обстежень населення. Стартове навчання нейросетевого класифікатора провели на параметрах 195 обстежених людей ранніми і пізніми стадіями пухлин, і навіть які мають пухлини. Нейроклассификатор може подальшого накопичення досвіду принаймні використання. Приклад 3. Нова класифікація імунодефіцитів Якщо хорошою предсказывающей чи діагностичної системи побудувати не вдається, виникає припущення щодо «прихованих параметрах», неврахованих і незміряних властивості. Спостережувані параметри залежить від них, тому й не вдається побудувати хорошою залежності. Один із найпростіших форм припущення прихованих параметрах гіпотеза — про якісної неоднорідності вибірки. Вона означає, що приховані параметри приймають порівняно невеличке кінцеве число значень й усю вибірку може бути розбитий на класи, всередині яких суттєві приховані параметри постійні. Досить велика нейронна мережу може освоїти будь-яку несуперечливу навчальну вибірку, проте, як свідчить практика, коли досить мала нейронна мережу неспроможна навчитися, те з цього можна отримати корисну інформацію. Якщо вдасться побудувати задовільну регрессионную залежність при заданому (невеличкому) числі нейронів і фіксованою характеристиці («крутизні» функції активації) кожного нейрона, те з навчальною вибірки виключаються найскладніші приклади до того часу, поки мережу не навчиться. Так виходить клас, який може бути відповідає одному значенням прихованих параметрів. Далі навчання можна продовжити на відкинуті прикладах тощо. У одному з досліджень нейросеть навчали діагностиці вторинного імунодефіциту (недостатності імунної системи) по імунологічні і метаболическим параметрами лімфоцитів. У умовах по зрушень цих параметрів трапляється важко зробити правильне висновок (і це добре відома у імунології проблема). Були обстежені здорові, й хворі люди, параметри яких використовувалися на навчання. Проте мала нейросеть не навчалася, причому добре розпізнавала все без винятку приклади здорових людей, а частина прикладів хворих плутала із здоровими. Тоді було зроблено наступний крок: щоразу, коли мережу зупиняла роботу, з навчальною вибірки забирався приклад, нині найважчий для розпізнавання, і після цього знову запускався процес навчання. Поступово з навчальною вибірки були виключена приблизно третину хворих (при цьому жодного здорового!), і тільки тоді ми мережу навчилася повністю. Так як не один здорова людина ні виключили з навчання, група здорових не змінилася, а група хворих виявилася розділена на 2 підгрупи решта і виключені приклади хворих. Після завершення статистичного аналізу з’ясувалося, що з здорових і вихідна група хворих мало відрізняються одна від друга по показниками метаболізму лімфоцитів. Проте дві підгрупи хворих статистично достовірно від здорових покупців, безліч друг від друга по кільком показниками внутрішньоклітинного метаболізму лімфоцитів. Причому однієї підгрупі спостерігалося зростання активності більшості лимфоцитарных ферментів порівняно з здоровими, а інший підгрупі депресія (зниження активності). Для цих підгруп і прогноз течії хвороби, і лікування различны.

Истинные переваги нейронних мереж? Нейронные мережі нині у моді, але чи варто слідувати з ним? Ресурси обмежені особливо в б нас і особливо тепер. То що таке Нейрокомп’ютер інтелектуальна іграшка, або нова технічна революція? Що нового і потенційно корисного може зробити нейрокомп’ютер? Вочевидь, що у нові іграшки, навіть високоінтелектуальні, коштів немає; нейрокомп’ютер повинен ще довести свої незвичайні можливості б здійснити те, що ні у змозі звичайній ЕОМ, інакше нею годі витрачатися. У ентузіастів є свої рекламні способи відповідати на поставлені запитання, малюючи райдужні горизонти. Але це у майбутньому. Нині ж? Відповіді парадоксальні: нейрокомпьютеры це нова технічна революція, яка надходить до нас у вигляді інтелектуальної іграшки (згадайте, і ПК придумані для гри); для будь-який завдання, яку здатний вирішити нейрокомп’ютер, можна побудувати спеціалізовану ЕОМ, яка нібито вирішить її гірше, а інколи навіть краще. То навіщо ж тоді нейрокомпьютеры? Беручи творчу гру, ми можемо знати, що вона скінчиться, інакше це Гра. Поезія і реклама дають нам фантом, привид результату, гонитва на яких найважливіша частина гри. Настільки ж примарними можуть опинитися й прозові відповіді гра може далеке від них відвести. Але вони необхідні ілюзія практичності настільки ж важлива, як і ілюзія величі. Ось лише кілька варіантів прозових відповіді питання «навіщо?». А. Нейрокомпьютеры дають стандартний спосіб розв’язання багатьох нестандартних завдань. І дарма, що спеціалізована машина краще вирішить один клас завдань. Важливіше, що перший нейрокомп’ютер вирішить і це завдання, і той, і третю не треба щоразу проектувати спеціалізовану ЕОМ, нейрокомп’ютер завжди робить усе сама і майже гірше. Б. Замість програмування навчання. Нейрокомп’ютер навчається потрібно лише формувати навчальні задачники. Праця програміста заміщується новим працею вчителя (то, можливо, краще сказати тренера чи дресирувальника). Краще це чи, гірше? Ні перше, ні інше. Програміст наказує машині всі деталі роботи, вчитель створює «освітню середу», до котрої я пристосовується нейрокомп’ютер. Постають нові змогу роботи. У. Нейрокомпьютеры особливо ефективні там, де потрібен аналог людської інтуїції для розпізнавання образів (впізнавання осіб, читання рукописних текстів), підготовки аналітичних прогнозів, перекладу з однієї природної мови в інший тощо. Саме з завдань зазвичай важко скласти явний алгоритм. Р. Нейронные мережі дозволяють створити ефективне програмне забезпечення для комп’ютерів з високим рівнем розпаралелювання обробки. Проблема ефективне використання паралельних системи відома багатьом. Як домогтися, щоб усе елементи це й без зайвого дублювання робили корисне? Створюючи математичне забезпечення з урахуванням нейронних мереж, можна для широкого класу завдань розв’язати проблему. Д. Нейросетевые системи «демократичні», вони також дружні, як текстові процесори, тому із нею може працювати будь-який, зовсім недосвідчений користувач. Усе це вкупі служить раціональним основою нейрокомпьютерной моди.

Литература

А. Горбань, Д. Россиев. Нейронные мережі на персональному комп’ютері. //Новосибірськ: Наука, 1996.