Статья долго ждет вмешательства умных и серьезных людей, ей уже ждать надоело). Поэтому пусть живет уже, как есть.
Все новое – хорошо забытое старое. Та же нейросеть- математическая модель, ее автоматическое воплощение. Статистика, формулы…
Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий. Например, один из популярных наборов (Википедия нам в помощь)
линейные и нелинейные модели;
сосредоточенные или распределенные системы;
детерминированные или статические;
статические или динамические;
дискретные или непрерывные
и так далее.
Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом — распределённые модели и т. д
Деревянные счеты нейросетям не чета. Сети в разы более быстрые, да что там в разы…
И объемы информации перегоняют через себя несопоставимые. Туда же и имитационные модели. Какой студент мог мечтать за ночь проверить 900 моделей бизнеса? А вот, буквально в июне этого года мой товарищ проверил, не выходя из дома. Фантастика? Нет.
Понятно, что можно обучить сеть нарисовать картину, написать поэму и спрогнозировать успешность бизнеса. Оно распознает, оно сотворит и определит. «Оно» бегает, учится, выдает.
Искусственная нейронная сеть представляет собой систему соединённых и взаимодействующих между собой простых процессоров. Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах. Будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи.
· С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п.
· С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации .
· С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники.
· С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма.
А где-то сидит человек и решает будет оно растить дерево или лес (решений).
Можно научить сетку, можно проанализировать с ее помощью.
Но что проанализировать? Допустим, для того чтобы нам нарисовать картину «а-ля Ван Гог» отправим мы анализировать Ван Гога? Может всех импрессионистов? Может всю живопись? Может историю?
Улавливаете идею?
Реальность сейчас такова: нейросети изучили КАКУЮ-ТО информацию, сделали на основе КАКОГО-ТО алгоритма КАКОЙ-ТО расчет и ответили нам на наш вопрос «42».
Т.е. пока еще это все требует присмотра человека с его естественным интеллектом.
Если речь идет о скорингах, чат-ботах, то это рабочий инструмент, а дальше? Чат-ботов уже научили настолько хорошо, что часто их почти невозможно отличить от живого человека. На деловой игре, отвечая на телефонные звонки, я сама смогла определить только одного робота из 4.
Просчитать вероятностные сценарии и сделать на основе вариантов собственные выводы сети могут. А если речь идет об огромных массивах данных, об очень дорогих расчетных мощностях, об этической составляющей, насколько можно довериться?
В определенных областях стоимость ошибки машинного расчета слишком высока, а ответственность на ком?
Вы сами в своей деятельности применяете нейросети? Какие есть удачные примеры практические? Живое вам эти сети притащили?
