ОБРОБКА І ПЕРЕДАЧА ІНФОРМАЦІЇ. СУЧАСНІ КОМП'ЮТЕРНІ ТЕХНОЛОГІЇ - Золота колекція рефератів - 2018
НЕЙРОІНФОРМАТИКА ТА ЇЇ ДОДАТКИ
Кожен, хто вперше знайомиться з нейронними мережами, ставить собі питання: що таке нейроінформатика? Відповісти на нього можна по-різному. Можна сказати, що нейроінформатика — це спосіб розв’язання різноманітних завдань за допомогою штучних пейронних мереж, реалізованих на комп’ютері. Така відповідь, Що пояснює тільки внутрішню сутність нейроінформатики, майже нікого не задовольняє, навіть якщо докладно розповідати про нейронні мережі, завдання і способи їхнього розв’язання. Насправді потрібно ще визначити місце нейроінформатики серед інших способів розв’язання завдань і розібратися, в чому ж істинні переваги нейронних мереж, якщо такі існують.
Безумовно, ті ж самі завдання можна розв’язувати й іншими способами.
Методи нейромережі далеко не завжди ефективніші традиційних. До того ж чимало цих методів — це просто нова редакція відомих математичних підходів.
Чому ж тоді багато хто віддає перевагу нейромережі? Одні — щоб заробити на модній новинці, інші — щоб пограти в нову інтелектуальну іграшку, не відстати від моди, спробувати нову технологію й так далі.
Так у чому ж реальні переваги нейронних мереж? Щоб відповісти на це питання, по-перше, звернемося до десятилітнього досвіду застосування цієї технології красноярською групою «Нейрокомп», а по-друге, спробуємо розгадати логіку світового буму нейронних мереж.
ЩО Ж ТАКЕ НЕЙРОННІ МЕРЕЖІ?
Термін «штучні нейронні мережі» у багатьох асоціюється з фантазіями про андроїдів і бунт роботів, про машини, що заміняють і імітують людину. Це враження підсилюють багато розроблювачів нейросистем, розмірковуючи про те, як у недалекому майбутньому роботи почнуть освоювати різні види діяльності, просто спостерігаючи за людиною.
Якщо переключитися на рівень повсякденної роботи, то нейронні мережі — це всього-на-всього мережі, що складаються зі зв'язаних між собою простих елементів формальних нейронів. Більша частина робіт з нейроінфоматики присвячена перенесенню різних алгоритмів розв’язання завдань на такі мережі.
В основу концепції покладена ідея проте, що нейрони можна моделювати досить простими автоматами, а вся складність мозку, гнучкість його функціонування й інших найважливіших якостей визначаються зв’язками між нейронами. Кожний зв’язок представляється як абсолютно простий елемент, що слугує для передачі сигналу. Коротко цю думку можна висловити так: структура зв’язків — все, властивості елементів — ніщо.
Сукупність ідей і науково-технічний напрямок, обумовлений описаним уявленням про мозок, називається конекціонізмом (connection — зв’язок). З реальним мозком усе це співвідноситься приблизно так само, як карикатура або шарж зі своїм прототипом. Важливою є не буквальна відповідність оригіналу, а продуктивність технічної ідеї.
З конекціонізмом тісно пов’язаний такий блок ідей:
— однорідність системи (елементи однакові й надзвичайно прості, усе визначається структурою зв’язків);
— надійні системи з ненадійних елементів і «аналоговий ренесанс» (використання простих аналогових елементів);
— «голографічні» системи (при руйнуванні випадково обраної частини система зберігає свої властивості).
Передбачається, що широкі можливості систем зв’язків компенсують бідність вибору елементів, їхню ненадійність і можливі руйнування частини зв’язків.
Для опису алгоритмів і пристроїв у нейроінформатиці вироблена спеціальна «схемотехніка», у якій елементарні пристрої (суматори, синапси, нейрони тощо) об’єднуються в мережі, що призначені для розв’язання завдань. Для багатьох початківців здасться несподіваним, що і в апаратній реалізації нейронних мереж, і в професійному програмному забезпеченні ці елементи зовсім необов’язково реалізуються як окремі частини або блоки. Використовувана в нейроінформатиці ідеальна схемотехніка являє собою особливу мову опису нейронних мереж і їхнього навчання. При програмній і апаратній реалізації виконані цією мовою описи переводяться на більш підходящі мови іншого рівня.
Найважливіший елемент нейросистем — адаптивний суматор, то обчислює скалярний добуток вектора вхідного сигналу х на вектор параметрів а. Адаптивним він називається через наявність вектора надбудованих параметрів а.
Нелінійний перетворювач сигналу одержує скалярний вхідний сигнал x і переводить його в задану нелінійну функцію f(х).
Точка розгалуження слугує для розсилання одного сигналу за декількома адресами. Вона одержує скалярний вхідний сигнал х і передає його на всі свої виходи.
Стандартний формальний нейрон складається з вхідного суматора, нелінійного перетворювача й точки розгалуження на виході.
Лінійний зв’язок сипапс окремо від суматорів не зустрічається, однак для деяких міркувань буває зручно виділити цей елемент. Він помножує вхідний сигнал х на «вагу синапса» а.
Отже, ми коротко описали основні елементи, з яких складаються нейронні мережі. Перейдемо тепер до питання про формування цих мереж. Власне, їх можна будувати як завгодно, аби тільки входи одержували які-небудь сигнали. Зазвичай використовується кілька стандартних архітектур, з яких шляхом вирізання зайвого або (рідше) додавання будують більшість використовуваних мереж. Для початку слід визначити, як буде погоджена робота різних нейронів у часі. Як тільки в системі з’являється більше одного елемента, постає питання про синхронізацію функціонування. Для звичайних програмних імітаторів нейронних мереж на цифрових ЕОМ це питання не актуальне тільки через властивості основного комп’ютера, на якому реалізуються нейронні мережі. Для інших способів реалізації воно досить важливе. Ми ж будемо розглядати тільки ті нейронні мережі, які синхронно функціонують у дискретні моменти часу: усі нейрони спрацьовують «разом».
У зоопарку нейронних мереж можна виділити дві базові архітектури — шаруваті й повнозв’язні мережі.
Шаруваті мережі. Тут нейрони розташовані в кілька шарів. Нейрони першого шару одержують вхідні сигнали, перетворюють їх і через точки розгалуження передають нейронам другого шару. Далі спрацьовує другий шар і т. д. до шару k, що видає вихідні сигнали для інтерпретатора й користувача. Якщо інше не заборонено, то кожний вихідний сигнал шару і подається на вхід всіх нейронів шару і + 1. Кількість нейронів у кожному шарі може бути будь-якою і ніяк заздалегідь не пов’язаною з кількістю нейронів в інших шарах. Стандартний спосіб подачі вхідних сигналів: кожний нейрон першого шару одержує вхідний сигнал. Особливо широко розповсюджені тришарові мережі, в яких кожний шар має своє найменування: перший вхідний, другий прихований, третій вихідний.
Повнозв’язні мережі. Тут кожний нейрон передає свій вихідний сигнал іншим нейронам, включаючи самого себе. Вихідними сигналами мережі можуть бути всі або деякі вихідні сигнали нейронів після декількох тактів функціонування мережі. Усі вхідні сигнали подаються всім нейронам.
Елементи шаруватих і повнозв’язних мереж можуть вибиратися по-різному. Існує, утім, стандартний вибір: нейрон з адаптивним неоднорідним лінійним суматором на вході.
Функція активації нейронів (характеристична функція) — це нелінійний перетворювач вихідного сигналу суматора. Якщо функція одна для всіх нейронів мережі, то мережу називають однорідною (гомогенною). Якщо ж характеристична функція залежить ще від одного або декількох параметрів, значення яких змінюються від нейрона до нейрона, то мережу називають неоднорідною (гетерогенною).
Складати мережу з нейронів стандартного виду не обов'язково. Шарувата або повнозв’язна архітектури не накладають істотних обмежень на елементи, що беруть участь у них. Єдина жорстка вимога, що висувається архітектурою до елементів мережі,— це відповідність розмірності вектора вхідних сигналів елемента (вона визначається архітектурою) кількості його входів. Якщо повнозв'язна мережа функціонує до одержання відповіді задану кількість тактів k, то її можна представити як окремий випадок k-шаруватої мережі, всі шари якої однакові й кожний з них відповідає такту функціонування повнозв’яної мережі.
Істотне розходження між повнозв’язною і шаруватою мережами стає очевидним, коли кількість тактів функціонуванпя заздалегідь не обмежена — шарувата мережа так працювати не може.
Доведені теореми про повноту: для будь-якої безперервної функції декількох змінних можна побудувати нейронну мережу, що обчислює цю функцію з будь-якою заданою точністю. Так що складати нейронні мережі в певному розумінні можуть всі.
Завдання для нейронних мереж
Багато завдань, для розв’язання яких використовуються нейронні мережі, можуть розглядатися як окремі випадки таких основних проблем:
— побудова функції за кінцевим набором значень;
— оптимізація;
— побудова відношень на безлічі об’єктів;
— розподілений пошук інформації й асоцативна пам’ять;
— фільтрація;
— стискання інформації;
— ідентифікація динамічних систем й управлінь мереж;
— реалізація класичних завдань і алгоритмі в обчислювальної математики через нейронну мережу: розв’язання систем лінійних рівнянь, розв’язання задач математичної фізики тощо.
Однозначно побудувати функцію (зазвичай багатьох дійсних змінних) за кінцевим набором значень не можливо без спеціальних додаткових умов. Як такі умови в класичних підходах використовуються вимоги мінімізації деяких регуляризаційних функціоналів, наприклад, інтеграла суми квадратів других похідних, вимога максимальної гладкості. При цьому відомі в кінцевій множині точок значення функції перетворюються на набір обмежень, при яких знаходиться мінімум функціонала.
За допомогою нейронних мереж будується, природно, відповідна реалізація функції: створюється нейронна мережа, яка, одержуючи на вході вектор аргументів, видає на виході значення функції. Зазвичай передбачається, що будь-яка типова нейромережева реалізація підійде для розв’язання завдання. У випадку необхідності замість вимоги максимальної гладкості мінімізують кількість шарів, кількість нейронів і/або кількість зв’язків, а також уводять умову «максимально пологої» функції активації нейронів.
Побудувати функцію за кінцевим набором значень зазвичай потрібно при розв’язанні одного з найактуальніших для користувачів і аналітиків завдань: заповнення пропусків у таблицях. Нехай, як зазвичай, кожний рядок таблиці даних відповідає якому-небудь об’єкту, а в рядках зазначені значення ознак (властивості) відповідних об’єктів. У переважній більшості випадків дані неповні: принаймні, для частини об’єктів невідомі значення деяких ознак. Необхідно якось відновити пропущені значення. Достовірна статистична оцінка повинна давати для відсутніх даних їх умовне математичне очікування (умови, відомі значення інших ознак) і характеристику розкиду в довірчому інтервалі. Це, однак, вимагає або непомірно великого обсягу відомих даних, або дуже сильних припущень про вид функцій розподілу. Доводиться замість статистично достовірних рівнянь регресії використовувати правдоподібні нейромережеві реалізації.
Термін «правдоподібні» узятий нами з книги Дж. Пойя «Математика й правдоподібні міркування». Будь-яка, навіть найбільш строга математична конструкція спочатку створюється всього лише як правдоподібна гіпотеза. Правдоподібними ми називаємо ті висновки, які ще не пройшли випробування на вірогідність і строгість, однак саме так відбуваються відкриття. Крім того, нагадаємо, що твердження про статистичну вірогідність базуються на досить обмежених гіпотезах про статистичну природу емпіричного матеріалу (відповідно до цієї природи дані являють собою результати незалежних статистичних випробувань вибору з фіксованої генеральної сукупності).
Завдання класифікації також може розглядатися як завдання заповнення пропусків у таблицях: для кожного класу в таблиці є поле, у якому вказується, чи належить об’єкт цьому класу. У ці поля можуть поміщатися числові значення, наприклад, 1, якщо об’єкт належить класу, і 0 (або -1) — у протилежному випадку.
При навчанні класифікації з учителем для частини об’єктів, що складають навчальну вибірку, відомо, до яких класів вони належать. Потрібно побудувати нейронну
мережу, яка за ознаками об’єкта (записаними в інших полях таблиці) визначала б, до якого класу він належить, тобто заповнювала б відповідні поля.
Побудова відношень на множині об'єктів — одна з найбільш загадкових і відкритих для творчості перспективних галузей застосування штучного інтелекту. Перший і найпоширеніший приклад цього завдання — класифікація без учителя. Припустимо, заданий набір об’єктів, причому кожному об’єкту присвоєний вектор значень ознак (рядок таблиці). Потрібно розбити ці об’єкти на класи еквівалентності. Навіщо будувати відношення еквівалентності між об’єктами? Насамперед для фіксації знань. Ми накопичуємо знання про класи об’єктів - це практика багатьох тисячоріч, зафіксована в мові: знання відноситься до імені класу (приклад стандартної давньої форми: «люди смертні», «люди» — ім’я класу). У результаті класифікації з’являються нові імена й правила їхнього присвоєння.
Для кожного нового об’єкта ми повинні зробити дві речі:
— знайти клас, до якого він належить;
— використовувати нову інформацію, отриману про цей об’єкт, для виправлення (корекції) правил класифікації.
Яку форму можуть мати правила віднесення до класу? Традиційно клас представляють його «типові», «середні» та ін. елементи. Такий типовий об’єкт є ідеальною конструкцією, що персоніфікує клас. Об’єкт відносять до якого-небудь класу в результаті порівняння з типовими елементами різних класів і вибору найближчого. Правила, що використовують типові об’єкти, дуже популярні і є основою для нейромережевої класифікації без учителя.
Нейромережі сьогодні широко використовуються для розв’язання класичної проблеми виробництва (розкопок) знань із накопичених даних. Навчальні нейронні мережі можуть отримувати з даних приховані знання: створюється навичка пророкування, класифікації, розпізнавання образів тощо, але його логічна структура зазвичай залишається прихованою від користувача. Для прояву (контрастування) цієї прихованої логічної структури нейронні мережі приводяться до спеціального «логічно прозорого» розрідженого вигляду. Сама нейронна мережа після видалення зайвих зв’язків може розглядатися як логічна структура, що представляє явні знання.
Технологія одержання явних знань із даних за допомогою навчальних нейронних мереж виглядає досить просто й начебто не викликає утруднень.
Її реалізація включає кілька етапів.
Перший етап: навчаємо нейронну мережу розв’язувати базове завдання (зазвичай це розпізнавання або пророкування). У більшості випадків його можна трактувати як завдання заповнення пробілів у даних. Такими пробілами можуть бути ім’я образу при розпізнаванні, номер класу, результат прогнозу й т. д.
Другий етап: крім найменш значущих зв'язків (і доучуючи мережі, найчастіше неодноразово), приводимо нейронну мережу до логічно прозорого вигляду так, щоб отриману навичку можна була «прочитати».
Кінцевий результат неоднозначний: якщо стартувати з іншої початкової карти зв’язків, то можна одержати іншу логічно прозору структуру. Кожній базі даних відповідає кілька варіантів явних знань. Можна вважати це недоліком технології, але, можливо, навпаки, технологія, яка дає єдиний варіант явних знань, недостовірна, а множинність результатів є фундаментальною властивістю виробництва явних знань із даних.
Простий приклад: нейрониа мережа навчалася пророкувати результати виборів президента США за рядом економічних і політичних показників. Навчені мережі були мінімізовані за кількістю вхідних параметрів і зв’язків. Виявилося, що для надійного пророкування результату виборів у США досить знати відповіді всього на п’ять питань, які наведені нижче в порядку значущості:
> Чи була серйозна конкуренція при висуванні від правлячої партії?
> Чи відзначалися під час правління істотні соціальні хвилювання?
> Чи був рік виборів часом спаду або депресії?
> Чи зробив правлячий президент значні зміни в політиці?
> Чи була в рік виборів активною третя Партія?
Від використання інших ознак нейромережа відмовилася. Більше того, ці п’ять «симптомів» політичної ситуації в країні входять у розпізнавальне правило двома «синдромами». Нехай відповіді на питання кодуються числами: +1 — «так» і -1 — «ні». Перший синдром є сумою відповідей на питання 1, 2, 5. Його природно назвати синдромом політичної нестабільності (конкуренція у своїй партії плюс соціальні хвилювання плюс додаткова опозиція). Чим він більший, тим гірше для правлячої партії. Другий синдром — різниця відповідей на питання 4 і 3 (політичне новаторство мінус економічна депресія). Його наявність означає, що політичне новаторство може, в принципі, врівноважити в очах виборців економічний спад. Результати виборів визначаються співвідношенням двох чисел значень синдромів. Проста, але досить переконлива політологічна теорія, яка чимось нагадує чи концепцію Маккіавеллі, чи Леніна («Єдність партії насамперед, вона є найважливішим складником політичної стабільності»).
Саме нейромережева технологія виробництва знань, можливо, є «точкою росту», що по-новому розгорне нейроінформатику, перетворить багато розділів інформатики й створить нові.
Приклади додатків
Наскільки ми можемо судити з відкритої преси, додатки нейронних мереж розподілені приблизно в такий спосіб: більше 60 % ринку займають фінансові й військово-технічні додатки; медичні додатки теж перебувають на досить почесному місці — близько 10 %.
Більшість додатків, створених красноярською групою «Нейрокомп», пов’язані з розв'язанням завдань класифікації. Роботи ведуться в декількох напрямках: медична діагностика, проблеми психологічної сумісності, педагогіка й соціологія. Крім того, наше програмне забезпечення використовувалося іншими дослідниками для передбачення коливань рівня Каспійського моря й прогнозу кліматичних змін, а також для розв’язання завдань технічної діагностики, космічної навігації тощо. Наші мережі навчаються методами, що грунтуються па мінімізації помилки. Усі вони докладно описані в роботі.
Основні користувальницькі переваги нейромережевого ПЗ перед іншими системами — «демократичність» (лікарі практично самостійно створювали собі експертні системи) і універсальність, здатність упоратися з великим спектром завдань. Крім того, нейроімітатори з успіхом можуть використовуватися також у медичних дослідженнях.
Ось кілька характерних прикладів побудованих систем.
Приклад 1. Вимірювання накопиченої дози радіоактивного опромінення.
Навіть невелика величина накопиченої дози радіоактивного опромінення помітно впливає на стан багатьох органів і систем організму, насамперед імунної й ендокринної. Традиційні методи дозволяють досить точно оцінити стан цих систем, однак часто буває важко встановити, чим викликана зміна їхніх параметрів: підвищеною дозою опромінення або самостійним захворюванням.
Дослідники прагнули виявити зв’язки між накопиченою дозою радіоактивного опромінення й комплексом імунологічних, гормональних і біохімічних параметрів крові людини, створити метод, що дозволяє за цими параметрами судити про величину дози. Для цього був застосований нейромережевий класифікатор. Навчальними прикладами були перераховані параметри (усього 35) у півтори сотень людей, зайнятих у виробництві на підприємстві атомної промисловості.
Серед обстежуваних був проведений дозиметричний контроль, і за величиною накопиченої дози вони були розділені па 3 класи. 4-й клас склали люди, величина дози в яких була в межах природних фонових значень.
При статистичному аналізі навчальної вибірки за більшістю параметрів не виявлялося достовірних розходжень між класами, а наявні розходження не простежувалися в усіх класах. Однак нейромережа, використовуючи весь комплекс параметрів, повністю навчилася розпізнавати клас кожного прикладу. При тестуванні на вибірці із заздалегідь відомими відповідями клас визначався правильно в 100 % випадків. Навченою мережею були протестовані 140 осіб, які проживають у зоні впливу підприємства атомної промисловості, але не зайнятих на виробництві.
Заданими несйромерсжі, тільки в 3 осіб величина накопиченої дози була в межах природного фона; у 51 особи визначалася слабка доза, в 82 — середня і в 4 осіб сильна.
Приклад 2. Рання діагностика злоякісних пухлин судинної оболонки ока.
Меланоми судинної оболонки ока складають 88 % всіх внутрішньоочних пухлин, але їх можна розпізнати лише на пізній стадії розвитку. Традиційні методи виявлення захворювання на ранній стадії не цілком надійні, досить складні й дорогі.
Пропонований спосіб ранньої діагностики меланом хоріоідеї включає застосування нового лабораторного методу, розробленого в Красноярському міжобласному офтальмологічному центрі ім. Макарова, й інтерпретацію одержуваних даних нейромережевим класифікатором.
Лабораторний метод грунтується на непрямому вимірюванні вмісту пігменту (меланіну) у віях. Отримані дані спектрофотометрії, проведеної на декількох частотах для кожного ока, а також деякі загальні характеристики обстежуваного (стать, вік та ін.) подаються на вхідні синапси 43-нейронного класифікатора. Нейромережа вирішує, чи є в пацієнта пухлина, і якщо так, то визначає стадію розвитку захворювання, видаючи при цьому процентну ймовірність своєї впевненості. Навіть при підозрі на наявність пухлини хворий може бути направлений на подальше поглиблене обстеження. Таким чином, ця технологія може використовуватися для скринінгових профілактичних обстежень населення.
Стартове навчання нейромережевого класифікатора було проведене па параметрах 195 обстежених людей з ранніми й пізніми стадіями пухлин, а також таких, що не мають пухлини. Нейрокласифікатор має здатність до подальшого нагромадження досвіду в міру використання.
Приклад 3. Нова класифікація імунодефіцитів.
Якщо ефективної пророкувальної або діагностичної системи побудувати не вдається, виникає припущення про «приховані параметри», невраховані й невиміряні властивості. Спостережувані параметри залежать від них, тому й не вдається побудувати ефективної залежності.
Одна з найпростіших форм припущення про приховані параметри — гіпотеза про якісну неоднорідність вибірки. Вона означає, що приховані параметри приймають порівняно невелике кінцеве число значень, і всю вибірку можна розбити на класи, усередині яких істотні приховані параметри постійні.
Досить велика нейронна мережа може освоїти будь-яку несуперечливу навчальну вибірку, однак, як показує практика, якщо досить мала нейронна мережа не може навчитися, то з цього можна взяти корисну інформацію. Якщо не вдається побудувати задовільну регресійну залежність при заданій (невеликій) кількості нейронів і фіксованій характеристиці («крутості» функції активації) кожного нейрона, то з навчальної вибірки виключаються
найскладніші приклади доти, поки мережа не навчиться.. Так утворюється клас, який приблизно відповідає одному значенню прихованих параметрів. Далі навчання можна продовжити на відкинутих прикладах і г. д.
В одному з досліджень нейромережу навчали діагностиці вторинного імунодефіциту (недостатності імунної системи) за імунологічними і метаболічними параметрами лімфоцитів. У звичайних умовах, констатуючи зміни за цих параметрів, іноді буває важко зробити правильний висновок (і недобре відома в імунології проблема). Були обстежені здорові й хворі люди, параметри яких використовувалися для навчання. Однак мала нейромережа не навчалася, причому добре розпізнавала всі до єдиного приклади здорових людей, а частину прикладів хворих плутала зі здоровими. Тоді був зроблений наступний крок: щоразу, коли мережа припиняла роботу, з навчальної вибірки забирався приклад, який на цей момент був найважчим для розпізнавання, і після цього знову запускався процес навчання.
Поступово з навчальної вибірки була виключена приблизно третина хворих (при ньому жодного здорового!), і тільки тоді мережа навчилася повністю. Оскільки жодна здорова людина не була виключена з навчання, група здорових не змінилася, а група хворих виявилася поділеною на 2 підгрупи — ті приклади хворих, що залишилися, й ті, що були виключені.
Після проведення статистичного аналізу з’ясувалося, що група здорових і вихідна група хворих практично не відрізняються за показниками метаболізму лімфоцитів. Однак дві підгрупи хворих статистично вірогідно відрізняються від здорових людей і одна від одної за декількома показниками внутрішньоклітинного метаболізму лімфоцитів. Причому в одній підгрупі спостерігалося збільшення активності більшості лімфоцитарних ферментів у порівнянні зі здоровими, а в іншій підгрупі — депресія (зниження активності). Для цих підгруп і прогноз перебігу хвороби, і лікування різні.
Істинні переваги нейронних мереж
Нейронні мережі нині в моді, але чи варто йти за нею? Ресурси обмежені особливо в нас і особливо тепер. Так що ж таке нейрокомп’ютер - інтелектуальна іграшка чи технічна революція? Що нового і корисного може зробити нейрокомп’ютер? Очевидно, що па нові іграшки, навіть високоінтелектуальні, коштів немає; нейрокомп’ютер повинен ще довести свої незвичайні можливості зробити те, що не під силу звичайній ЕОМ, інакше на нього не варто витрачати гроші.
В ентузіастів є свої рекламні способи відповідати на поставлені питання, малюючи райдужні обрії. Але все це в майбутньому. А зараз? Відповіді парадоксальні:
— нейрокомп’ютери — це нова технічна революція, що приходить до нас у вигляді інтелектуальної іграшки (пригадайте, і ПК були придумані для гри);
— для будь-якого завдання, яке здатний розв’язати нейрокомп’ютер, можна побудувати спеціалізовану ЕОМ, яка розв'яже її не гірше, а часом навіть краще.
Навіщо ж тоді нейрокомп’ютери? Вступаючи у творчу гру, ми не можемо знати, чим вона скінчиться, інакше це не гра. Поезія й реклама дають нам фантом, примару результату, гонитва за яким — найважливіша частина гри. Настільки ж примарними можуть виявитися й прозаїчні відповіді: гра може далеко від них завести. Але й вони необхідні: ілюзія практичності настільки ж важлива, як і ілюзія величі. Ось кілька варіантів прозаїчних відповідей на питання «навіщо?».
> Нейрокомп’ютери дають стандартний спосіб розв’язання багатьох нестандартних завдань. І не важливо, що спеціалізована машина краще розв’яже один клас завдань. Важливіше, що один нейрокомп’ютер розв’яже і це завдання, і друге, і третє. І не треба щоразу проектувати спеціалізовану ЕОМ, нейрокомп’ютер зробить усе сам і не гірше.
> Замість програмування — навчання. Нейрокомп’ютер учиться, треба тільки формувати навчальні задачники. Праця програміста заміщається новою працею вчителя (можливо, краще сказати тренера або дресирувальника). Краще це або гірше? Ні те, ні інше. Програміст пропонує машині всі деталі роботи, учитель створює «освітнє середовище», до якого пристосовується нейрокомп’ютер. З'являються нові можливості для роботи.
> Нейрокомп'ютери особливо ефективні там, де потрібний аналог людської інтуїції для розпізнавання образів (упізнавання обличчя, читання рукописних текстів), підготовки аналітичних прогнозів, перекладу з однієї природної мови іншою і т. п. Саме для таких завдань зазвичай важко скласти явний алгоритм.
> Нейронні мережі дозволяють створити ефективне програмне забезпечення для комп’ютерів з високим ступенем розпаралелювання обробки. Проблема ефективного використання паралельних систем добре відома багатьом. Як домогтися того, щоб всі елементи одночасно й без зайвого дублювання робили щось корисне? Створюючи математичне забезпечення на базі нейронних мереж, можна для широкого класу завдань вирішити цю проблему.
> Нейромережеві системи «демократичні», тому з ними так само, як і з текстовими процесорами, може працювати будь-хто, навіть зовсім недосвідчений користувач.
Усе це разом є раціональною основою для нейрокомп’ютерної моди.
