Нейрокибернетика

Лекция 1-2

Введение в интеллектуальные системы

 

Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума витала в воздухе еще с древнейших времен. Так, в Древнем Египте была создана «оживающая» механическая статуя бога Амона. У Гомера в «Илиаде» бог Гефест ковал человекоподобные существа-автоматы ит.д. Однако родоначальником искусственного интеллекта считается средневековый испанский философ, математик и поэт Раймонд Луллий, который еще 13 веке попытался создать механическую машину для решения различных задач, на основе разработанной им всеобщей классификации понятий.

В 18 веке Лейбниц и Декарт независимо друг отдруга продолжили эту идею, предложив универсальные языки классификации всех наук. Эти работы можно считать первыми теоретическими работами в области искусственного интеллекта.

Окончательное рождение искусственного интеллекта как научного направления произошло только после создания ЭВМ в 40-х годах 20 века. В это же время Норберт Винер создал свои основополагающие работы по новой науке – кибернетике.

Термин «искусственный интеллект» - ИИ – (AI – artificial intelligence) был предложен в 1956 г на семинаре с анологичным названием в Дартсмутском колледже в США. В английском языке данное словосочетание не имеет столь фантастической окраски, которое оно приобрело в довольно неудачном русском переводе. Пословный перевод – искусственное умение рассуждать разумно.

Вскоре после признания ИИ отдельной областью науки произошло разделение его на 2 направления:

- нейрокибернетика

- кибернетика «черного ящика».

 

Основную идею этого направления можно сформулировать следующим образом:

Единственный объект, способный мыслить, - это человеческий мозг. Поэтому любое мыслящее устройство должно каким-то образом воспроизводить его структуру.

Таким образом, нейрокибернетика ориентированна на программно-апаратное моделирование структур, подобных структуре мозга. Физиологами давно установленно, что основой человеческого мозга является большое количество( до 10) связанных между собой и взаимодействующих нервных клеток – нейронов. Поэтому усилия нейрокибернетики были соредоточены на создании элементов, аналогичных нейронам, и их объединения в фунуционирующие системы. Эти системы принято называть нейронными сетями, или нейросетями.

Первые нейросети были созданы американскими нейрофизиологами Френком Розенблаттом и Мак-Каллоком в 1956-1965 гг. Это были попытки создать системы, моделирующие человеческий глаз и его взаимодействие с мозгом. Устройство, созданное ими тогда, получило название персептрона (perceptron) .

Иску́сcтвенные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Первой такой моделью мозга был перцептрон. Впоследствии эти модели стали использовать в практических целях, как правило в задачах прогнозирования.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.