Нейросетевые технологии принятия решений

Наш мир всё активнее наполняется развивающимися интеллектуальными системами, нейрокомпьютерами, нейроподобными системами. Успешно развивается нейроинформатика и её различные приложения от нейроинформатики до различных применений нейросетей в технике и технологиях, в финансовых и медицинских проблемах, в распознавании образов, диагностике, прогнозировании и многих других задачах.

Привлекают новые большие возможности распараллеливания процессов, увеличения быстродействия, прямой связи между входными и выходными параметрами, умение нейросетей обучаться и доучиваться в процессе функционирования, реально отражать меняющиеся свойства обслуживаемого нейросетью объекта в течение его эксплуатации и др.

Остановимся на некоторых особенностях нейросетевой методологии, относящиеся к принятию решений.

1. Учить на примерах. Мы успели привыкнуть к тому, что программирование в современных компьютерах осуществляется на основе формализованных алгоритмов. В то же время большинство задач, явлений, процессов не поддаются традиционной формализации. Их можно охарактеризовать набором примеров ("задачником"), среди множества которых в неявном виде проявляются закономерные свойства, т. е. достаточно полный набор примеров является специфическим описанием явления, включающем постановку задачи с входными параметрами, правила и закономерности, промежуточные действия и, наконец, результаты (выходные параметры).

Такой полный набор примеров можно рассматривать как некоторую систему для данного явления, т. е. выделить в этой системе набор элементов с соответствующими связями и проследить, как протекает процесс поступления входных данных, их преобразование и передача к следующим элементам системы и, наконец, выдача выходных параметров. В соответствии с этим пониманием системы можно построить соответствующую архитектуру нейросетевой системы, где роль элементов исполняют нейроны (сумматоры и преобразователи поступающей информации) и связи между ними - синапсы (передающие информацию от одних нейронов другим). Затем можно «обучить» данную систему с соответствующей точностью решения.

В итоге получим аппроксимационную модель явления, которая реагирует на входные параметры выдачей соответствующих выходных решений с определённой точностью.

2. Образное (физическое) представление нейросети. Пусть имеется ряд сосудов на разных этажах, соединённых между собой сетью трубопроводов разного диаметра. Сосуды верхнего этажа имеют входные воронки, а сосуды нижнего этажа — выходные. Во входные воронки верхних сосудов поступает жидкость (информация), имеющая разнообразные известные параметры — консистенцию (например, в одну воронку поступает вода, в другую — спирт, смесь и т. п.), далее эта жидкость, проходя через сеть трубопроводов, поступает в сосуды нижележащих уровней, в которых она смешивается и преобразует свои параметры так, чтобы, выливаясь из выходных воронок нижнего этажа, она имела новые (желаемые) параметры.

Таким образом, достигается преобразование входных данных в выходные. Чтобы данное преобразование происходило с желаемыми результатами, т. е. был налажен технологический процесс, необходимо выбрать структуру (число и расположение сосудов) и подобрать необходимые диаметры трубопроводов (связи между сосудами). Понятно, что через трубы с большими диаметрами жидкости прольётся больше, чем с малыми, т. е. сопротивление трубы определяется её диаметром. Отметим, что на сопротивление прохождению жидкости может оказывать влияние длина трубы, если жидкость не идеальная и в ней имеется давление. Однако для понимания сути вопроса это уже не принципиально, поэтому здесь не учитывается. Подбор диаметров труб происходит на основе «обучения» системы по «задачнику».

Важно отметить, что здесь процесс преобразования имеет односторонний характер («сверху вниз») и не замыкается. Замкнутые и многоцикловые системы — этот более сложный тип преобразования, требующий отдельного рассмотрения. Здесь могут быть использованы разные фильтры, ускорители и другие устройства.

Возможен другой пример нейросетевого устройства в виде электросистемы, элементы которой связаны между собой различными сопротивлениями (связями).

Эти примеры показывают возможность создания нейросети на аналоговой основе, природа которой может быть различна (электро-, гидро-, пневмо-, оптиковолоконная и др.). Математические модели и другие образы позволяют использовать цифровые устройства.

Данные примеры показывают, что многие технологические процессы (антропогенные и природные) функционируют как нейроподобные. Они иллюстрируют «новизну» современной идеи нейросетей (новое — давно забытое старое) и ассоциативную модель их работы.

Таким образом, приходим к выводу, что идеи функционирования нейроподобных сетей в математике и технике давно используются.

Нынешний этап развития теории нейросетей (нейроинформатика) представляет собой некоторый обобщающий современный этап развития теории преобразования информатики и её приложений, выделившийся в отдельную науку.

3. Об обучении нейросети. Под обучением будем понимать процесс, результатом которого является приобретённая способность системы реагировать (откликаться) желаемым образом (по возможности оптимальным) на внешние воздействия, т. е. связать «входы» с желаемыми «выходами», причём наиболее прямым, коротким путём.

Разработаны различные алгоритмы обучения нейросетей, представленные в ряде компьютерных программ. Смысл обучения состоит в подборе синапсов (в приведённом выше примере — это диаметры трубочек, соединяющих сосуды). Условием их подбора является требование минимального отклонения «выходов» от желаемых результатов. Строится, например, вариационный функционал с требованием минимальной квадратичной оценки отклонения, реализующийся в некотором итерационном процессе. Таким образом, создается программа, связывающая «входы» с желаемыми выходами. Обучение строится на использовании «входов» и «выходов» «задачника». Часть примеров берётся в качестве проверочных тестов обученной программы.

Обученные нейросети позволяют решать такие задачи, как распознавание образов световой, акустической, графической и другой природы, обобщать, диагностировать, прогнозировать, управлять процессами. Способность к обучению является одним из важнейших свойств интеллектуальных систем.

Заметим, что качество обучения в первую очередь зависит от содержательности «задачника». На это важнейшее обстоятельство, не поддающееся формализации, часто не обращается достаточного внимания.

Нейроинформатика и её приложения получают всё большие применения в математике (нейроматематика), в различных областях техники, в экономических, финансовых, медицинских, образовательных и других сферах (областях).