Neural network (нейронная сеть)

Аппаратные или программные средства, имитирующие принципы работы биологического мозга.

На рис. 12.13 показаны два нейрона мозга пиявки. Сома (или нервная клетка) в центре действует как переключатель, возбуждая другие нейроны и возбуждаясь в свою очередь. Выходящий из нейрона отросток — это аксон, который обеспечи­вает активную связь с дендритами других нейронов. Аксоны и дендриты — это «провода», электрически соединяющие нейроны друг с другом. Соединение двух нейронов называется синапсом. Эта простая биологическая модель — метафора развития нейронных сетей. Нейронная сеть состоит из аппаратных или программ­ных средств, которые имитируют принципы работы биологического мозга.

Человеческий мозг имеет около 100 млрд (10^й) нейронов, каждый из которых включает около 1 тыс. дендритов, формирующих 10¹⁴ (100 тыс. млрд) синапсов. Нейроны мозга работают параллельно, человеческий мозг может выполнять око­ло 10¹⁶ (или 10 млн млрд) соединений в секунду. Это намного превышает способ­ность любой известной машины или компьютера, задуманных или когда-либо построенных с помощью современной технологии.

Однако сложные сети нейронов моделируются на компьютерах. На рис. 12.14 показана искусственная нейронная сеть с двумя нейронами. Резисторы в схемах являются переменными и могут использоваться для обучения сети. Если сеть ошибается (т. е. выбирает неправильный путь и приходит к ложному заключе-

нию), можно поднять сопротивление в некоторых цепях, вынуждая возбуждать­ся другие нейроны. Если этот процесс обучения продолжать для тысяч циклов, машина выучит правильный ответ. Нейроны тесно связаны и работают в парал­лельном режиме.

Нейронная сеть имеет большое количество узлов считывания и обработки, непрерывно взаимодействующих друг с другом. На рис. 12.15 показана нейрон­ная сеть, включающая уровень ввода, уровень вывода и скрытый уровень обра­ботки. В сеть передается обучающая последовательность данных, для входов которой порождается известный набор выходов или заключений. Это помогает компьютеру на примере изучить правильное решение. Если передать компьюте­ру больше данных, каждый случай сравнивается с известным результатом. Если он отличается, то будет определена поправка, которая применяется к узлам на скрытом уровне обработки. Эти шаги повторяются до тех пор, пока поправка не станет меньше некоторой величины. Показанная на рис. 12.15 нейронная сеть «обучается» тому, как определить низкий риск невыплаты кредита. Различие между нейронными сетями и экспертными системами

Чем отличаются нейронные сети от других подобных систем? Экспертные систе­мы пытаются имитировать или моделировать способ, которым человек-эксперт решает задачи, а разработчики нейронных сетей утверждают, что они не модели­руют человеческий интеллект, не программируют решения и не стремятся решить определенные задачи сами по себе. Вместо этого проектировщики нейронных се­тей стремятся встроить интеллект в аппаратные средства в форме обобщенной способности обучаться. Напротив, экспертная система слишком специфична для данной проблемы и не может легко переобучаться.

Нейронные сети применяются в медицине, науке и бизнесе, обеспечивая раз­решение проблем классификации образцов, прогнозирования и финансового ана­лиза, управления и оптимизации. Система Papnet, построенная на основе ней­ронной сети, различает нормальные и аномальные клетки при исследовании мазков Папаниколау на рак шейки матки. В этом случае обеспечивается намного большая точность, чем при визуальном наблюдении со стороны специалиста-ме­дика. Компьютер не способен принять окончательное решение, поэтому специа­лист должен проверить все отобранные аномальные клетки. Используя систему Papnet, специалист тратит на проверку мазка в пять раз меньше времени, причем достигается точность, в десять раз большая, чем у существующего ручного метода.

Нейронные сети используются финансовыми приложениями для распознава­ния признаков в обширных массивах данных, позволяющих инвестиционным фирмам прогнозировать эффективность ценных бумаг, рейтингов корпоратив­ных облигаций или корпоративного банкротства (Walczak, 1999). Компания VISA International Inc. использует нейронную сеть для выявления случаев мошенниче­ства с кредитными карточками, контролируя все транзакции VISA на предмет выявления резких изменений в моделях покупок владельцами кредитных карто­чек. Следующий раздел книги иллюстрирует другие приложения нейронных се­тей (для распознавания образов).

В отличие от экспертных систем, как правило, объясняющих свои решения, нейронные сети не всегда могут объяснить, почему они пришли к определенному решению. Кроме того, они не всегда могут гарантировать совершенно точное ре­шение, вновь прийти к тому же решению с одними и теми же входными данными или гарантировать лучшее решение (Trippi, Turban, 1989-1990). Они весьма чувствительны и не могут хорошо работать, если их обучение охватывает слиш­ком мало или слишком много данных. В современных приложениях нейронные

Нейронные сети на службе управления системами Скотланд-Ярда

Когда ассоциация Computer Associates (СА) впервые разработала свое про­граммное обеспечение для нейронных сетей, она надеялась использовать эту технологию для совершенствования своих программ по управлению ИТ-инф-раструктурой. Нейронная сеть обучается на отношениях между исторически­ми данными для распознавания образов и применения полученных знаний в обнаружении изменений и прогнозировании результатов. Ассоциация СА хотела привлечь агентов нейронной сети, дублирующих «нейрогентов», что­бы помочь своим программам управления системой предприятия управлять крупной и сложной сетевой системой. Наблюдая за поведением систем, ней­ронный агент самообучается, совершенствуясь с каждым событием так, что в итоге он может спрогнозировать системные проблемы прежде, чем они про­исходят. Например, наблюдающий за почтовым сервером нейронный агент может распознать случай очереди сообщений, которая со временем может вызвать сбой в работе сервера. Другой нейронный агент может обнаружить такие ситуации, как замедление работы сервера, выход из строя или деятель­ность вируса; кроме того, он может спрогнозировать рабочие нагрузки и ре­комендовать системные конфигурации.

В компании AGFBrasil (филиале международной страховой компании AGF) работают 15 тыс. зарегистрированных в Бразилии брокеров и агентов. Обес­печение брокеров и агентов самой последней информацией о предоставляе­мых компанией услугах по страхованию жизненно важно для ее успеха. Для этой цели AGF Brasil сформировала сеть AGF NET с 800 узлами, состоящую из серверов IBM AIX (Unix), серверов Dell, работающих под управлением Windows NT, и 50 локальных сетей. Компания использует СА UnicenterTNG для поддерж­ки единого центра управления, чтобы справиться со всей ИТ-инфраструкту-I рой, включая серверы, настольные компьютеры, принтеры, маршрутизаторы I и концентраторы. Нейронные агенты системы СА помогают контролировать | рабочие характеристики, у них есть аварийные системные администраторы

сети лучше всего используются как вспомогательные средства для лиц, принима­ющих решения, а не как их заменители.

Нечеткая логика

Традиционные компьютерные программы требуют точности: «включено — вы­ключено», «да — нет», «правильно — неправильно». Однако люди не воспринима­ют мир таким образом. Все согласятся, что +45° — это жарко, а -25° — холодно; но тогда что такое 25°: жарко, тепло, удовлетворительно или холодно? Ответ зави­сит от многих факторов: ветра, влажности, индивидуальных ощущений темпера­туры, одежды и чьих-то ожиданий. Многие из наших действий также неточны. Водители трейлеров-тягачей сочли бы почти невозможным дать задний ход в про­странстве, которое по ширине не превышает прицеп на дюйм со всех сторон.

Нечеткая логика — относительно новая ИИ-технология, работающая на осно­ве правил, допускает неточность даже в случае решения задач, которые, воз-

для разных процессоров, сети, память и критические параметры базы дан­ных, а также потребность в обеспечении дополнительных web-возможностей. Нейронные агенты одинаково хорошо поддерживают AGF-смесь различных типов серверов, поскольку они «изучают» индивидуальные отличительные особенности машин. Используя технологию нейронной сети, AGF может под­держивать важные услуги, выполняющиеся без помех круглосуточно немно­гочисленным персоналом.

Другие приложения могут также извлекать пользу от работы с нейронными агентами. Современный Скотланд-Ярд в Лондоне экспериментирует с ней­ронными агентами, облегчающими анализ данных. Столкнувшись с повыше­нием уровня преступности и уменьшением числа полицейских, лондонская полиция искала способ лучше использовать свои данные о преступлениях. Новый Скотланд-Ярд поручил нейронными агентам следить за данными в пяти базах данных (включая сообщения о преступлениях, судебно-медицинские улики и фотографии для паспортов), надеясь, что им удастся обнаружить об­разцы, особенно связанные с совершением грабежей, чтобы помочь полиции идентифицировать серийные ограбления.

Технологии нейронной сети не требуется выборки данных для обнаруже­ния образов. Программное обеспечение может производить поиск в строках в таких текстах, как полицейские отчеты. По словам Патрика Драйдена (Patrick Dryden), аналитика Illuminata Group из города Нэшуя (штат Нью-Гэмпшир), нейронные сети могут предпринимать «лобовую атаку» данных большого объема для выявления интересных тенденций. Тем не менее бизнесмены должны проверять имеющиеся тенденции, определяя наиболее важные сре­ди них.

Информация к размышлению. Насколько полезна технология нейронных сетей для описанных в этой главе приложений? Доверили бы вы нейронно­му агенту управление большой и сложной клиент-серверной системой? Обос­нуйте ответ.

Источники: Sami Lais. «CA Bundles Neural Net, App Development Tools», Computerworid, August 7, 2000; ivwvv.ca.com/proc/ucfs/neugenfsand www. security7.com/products/neugents.

можно, не были бы решены прежде. Нечеткая логика включает целый ряд по­нятий и методов для представления и вывода неточных, сомнительных или ненадежных знаний. Нечеткая логика может породить правила, использующие приближенные или субъективные значения и неполные или неоднозначные дан­ные. Выражая логику с помощью некоторых тщательно определенных неточно­стей, нечеткая логика ближе к способу, которым люди на самом деле думают, чем традиционные правила IF-THEN.

Компания Ford Motor разработала приложение нечеткой логики, которое по­зволяет дать задний ход имитируемому трейлеру-тягачу на некоторой площадке паркования. Приложение использует следующие три правила:

IF грузовик близок к «складыванию», THEN уменьшить угол поворота.

IF грузовик находится далеко от дока, THEN направить к доку.

IF грузовик находится около дока, THEN направить грузовик прямо в док.

Эта логика для людей имеет смысл, поскольку она отражает способ мышления водителя, когда он дает грузовику задних ход, въезжая на место парковки.

Каким образом компьютер понимает это программирование? Ответ относи­тельно прост. Условия (известные функции принадлежности) неточно опреде­ляются таким образом, чтобы, например (рис. 12.16), «прохладно» находилось в диапазоне 50-70° (по шкале Фаренгейта), хотя температура «наиболее ясно, что прохладно» держалась между 60-67°. Обратите внимание, что «прохладно» пере­секается с «холодно» или «нормально». Чтобы управлять климатом в помеще­нии, используя рассматриваемую логику, программист разработал бы анало­гичные неточные определения для влажности и других факторов, например ветреность и температуры внешней среды. Допустим, одно из правил гласит: «Если температура находится в пределах "прохладно" или "холодно" и влажность "низкая", в то время как ветреность вне помещения "высокая" и наружная темпе­ратура "низкая", необходимо повысить температуру и влажность в помещении». Компьютер объединил бы данные функции принадлежности методом взвешива­ния и, используя эти правила, поднимал бы и опускал температуру и влажность.

Нечеткая логика широко используется в Японии и популярна в США. Эта по­пулярность частично вызвана тем, что менеджеры считают, будто могут исполь­зовать нечеткую логику для уменьшения затрат и сокращения продолжительности разработки. Реализация нечеткой логики требует меньше правил IF-THEN, что делает ее проще традиционного кода. Чтобы реализовать в традиционной логи­ке правила из предыдущего примера и определения их условий, потребуется несколько сотен инструкций IF-THEN. Компактный код требует меньше вы­числительных возможностей, что позволило американской компании Sanyo Fisher реализовать средства управления видеокамерой без использования в своей продукции дополнительной дорогой памяти.

Нечеткая логика также позволяет решать ранее неразрешимые задачи, улуч­шая качество изделий. В Японии система метро Sendai использует средства управ­ления на основе нечеткой логики для плавного ускорения поездов, чтобы сто­ящим пассажирам не нужно было держаться за поручень. Токийская компания Mitsubishi смогла на 20% уменьшить потребляемую мощность своих кондиционеров в результате реализации программ управления по нечеткой логике. Устройство автоматической фокусировки в камерах работает только благодаря нечеткой логике.

Руководство также находит нечеткую логику полезной для принятия реше­ний и организационного управления. В фирме Wall Street разработали систему, которая выбирает компании для потенциального приобретения и использует язык, понимаемый биржевыми маклерами. Недавно была разработана система для обнаружения возможного мошенничества в медицинских патентных формулах, представляемых на рассмотрение поставщикам системы здравоохранения США.

⇐ Предыдущая103104105106107108109110111112Следующая ⇒

Поделиться:

Воспользуйтесь поиском по сайту: