Увеличение эффективности работы программиста наблюдается в случаях, когда существенная часть интеллектуальной нагрузки приходится на вычислительные машины. Один из наиболее эффективных вариантов достичь наибольшего прогресса в этом направлении при имеющимся уровне развития технологий состоит в использовании искусственного интеллекта. При этом компьютеры будут брать на себя выполнение не только схожих циклических задач, но и смогут самообучаться.
Принципиальное различие между нейронными и автоматизированными системами заключается в умении первых самостоятельно получать недостающие данные из имеющейся базы, в то время как вторые прекращают выполнение поставленной задачи при отсутствии части вводных данных. Решение сложно формализуемых задач вполне под силу системам искусственного интеллекта, построенных даже на фундаментальных алгоритмах.
Модели обучения
Понятие обучения искусственных нейронных систем аналогично с применяемым относительно человеческого индивида, и сводится к способности приобретать и со временем совершенствовать незнакомые раньше умения. Система искусственного интеллекта анализирует получаемую информацию, строит полезные закономерности, оптимизирует пути решения задач и таким образом постоянно самосовершенствуется. Происходить эти процессы могут различными способами.
На основе имеющихся данных выводится общая закономерность, а недостающая информация выводится из логического следствия. Такая модель обучения схожа с прогнозированием, но имеет под собой прочный научный фундамент и результат получается более точным.
Например: Есть последовательность чисел 3, 6, 9, 12, … Требуется определить, какое число будет следующим?
В случаях, когда требуется узнать принцип работы при наличии только входящих и выходящих данных из анализируемого устройства, используется модель индуктивного синтеза. Заключение о внутреннем содержимом делается на основе идентификации поступающих и конечных сигналов.
Например: Требуется расшифровать код, определить систему письменности, распознать набор образов.
Моделям образования по принципу добавления новых примеров свойственны два атрибута: они сводятся к нахождению описаний и предлагаемые примеры недостаточны для однозначного описания. Не редки ситуации, при которых очередной пример не меняет уже полученного решения. Четкого алгоритма, определяющего количество требующихся примеров и, соответственно, момента установления решения, не существует. Тогда в дело вступает дедуктивно-гипотетический подход, включающий четыре последовательных этапа:
- Подготовление – сбор исходной информации;
- Обобщение – предположение об искомом решении;
- Умозаключение – выдвижение гипотез;
- Подтверждение – проверка умозаключений.
Если предположение оказывается верным, то оно остается в качестве используемого. В обратном случае оно заменяется на следующее и цикл запускается сначала.
Методы обучения
Возможность развиваться делает искусственные нейронные системы уникальными для нахождения решений задач, алгоритмизация которых крайне затруднительна, трудоемка или в принципе невозможна. Суть обучения состоит в замене внутренних переменных системы таким образом, чтобы в результате генерировалось направление значений, идентичное с итогами обучающих примеров из выборки. Изменение переменных может производится разными методами в зависимости от заложенных алгоритмов обучения конкретной ИНС.
Разделяют два основных направления научных установок в обучении:
- Контролируемое обучение (с учителем) – известны входные и выходные направления системы, заданы примеры с правильными ответами, система порождает приближенные к имеющимся правильным ответам решения;
- Неконтролируемое обучение (без учителя) – условия и решения заданы попарно, предпринимаются попытки самостоятельного определения структуры данных, система способна выдавать новые решения.
Существует мнение, что именно неконтролируемое обучение является наиболее подходящим для систем искусственного интеллекта. В процессе такого обучения система сама меняет параметры, выдает как известные решения, так и получает новые. Если на входе задано направление, которое ранее не применялось в обучении, то система будет сама искать наилучшие в рамках алгоритма значения на выходе.
Повышение эффективности обучения
Повысить эффективность обучения проще и действеннее всего с помощью мотивации. Возможности стимулирования интеллектуальных самообучающихся систем крайне ограничены. Верное решение может быть одобрено по умолчанию, но ошибочное часто требует ручной корректировки со стороны учителя. В свою очередь, для системы не имеет никакого отличия правильно она решила задачу или нет ввиду отсутствия ощущения отрицательных эмоций. Работа в направлении создания стимулов на псевдо эмоциональном уровне постоянно продолжается. В настоящее время положительные и отрицательные эмоции привязывают к плюсовым и минусовым обратным связям, которые свойственны любой автоматической системе. Отрицательная обратная связь ведет к прекращению процесса, а положительная – продолжает или циклически повторяет его. Так для искусственной нейронной системы может быть сымитировано чувство вины за допущенную ошибку.
Присоединяйтесь к каналу в Telegram - https://t.me/ita_lab