Распознавание образов и искусственный интеллект

Размещено на http://www.allbest.ru/

РАСПОЗНАВАНИЕ ОБРАЗОВ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Гулямов С.С.,

академик, д.э.н., проф., институт по переподготовке кадров и статистических исследований,

Шермухамедов А. Т.,

доктор ф.-м.н.,проф., Ташкентский филиал Российского экономического университета им. Г.В. Плеханова

Аннотация

В статье рассматриваются вопросы распознавания образов искусственным интеллектом, связанные принципами обучения, распознаванию образов.

Ключевые слова: искусственный интеллект, нейроинформатика, хранение знаний, распознавание образов,

Искусственный интеллект (ИИ) обычно трактуется, как свойство автоматических систем брать на себя отдельные функции мыслительной способности человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий [1]. ИИ логично трансформировалась в нейроинформатику, развивающую некомпьютерный подход к моделированию интеллектуальных процессов, а человеческий мозг, оперирует с нерасчленённой информацией, где каждая мысль имеет свой контекст, знания хранятся в форме образов, которые характеризуются нечёткостью, размытостью, система образов слабо чувствительна к противоречиям. автоматический мыслительный знание интеллектуальный

Система хранения знаний человека характеризуется высокой надёжностью из-за распределённого хранения знаний, а оперирование с информацией характеризуется большой глубиной. Переработка информации в любых интеллектуальных системах основывается на использовании фундаментального процесса - обучения.

Образы обладают характерными объективными свойствами и разные распознающие системы, обучающиеся на различном материале наблюдений, большей частью одинаково и независимо друг от друга классифицируют одни и те же объекты.

Как показал анализ, существуют два основных принципа обучения распознаванию образов - геометрический, основанный на построении разделяющих поверхностей в пространстве образов, и структурный (лингвистический), основанный на выделении базовых структурных признаков и отношений между ними.

Но построение нейронных сетей, нелинейных по своей природе, предоставляет качественно более мощный метод моделирования процесса распознавания образов.

Искусственный интеллект реализуется с использованием четырех подходов: логического, эволюционного, имитационного и структурного. Все эти четыре направления развиваются параллельно, часто взаимно переплетаются.

Основой для логического подхода служит булева алгебра и соответственно, ее логические операторы. Как показали исследования, система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, а правила логического вывода - как отношения между ними.

Эволюционное моделирование представляет собой универсальный способ построения прогнозов макросостояний системы в условиях, когда полностью отсутствует внешняя информация, а априорные данные задают лишь предысторию этих состояний.

Широко используемый подход к построению систем ИИ является имитационный подход, которая связан с понятием - "черного ящика", где информация о его внутренней структуре и его содержании отсутствует полностью, но известны спецификации входных и выходных сигналов. При этом объект и его поведение имитируется и представляет собой «черный ящик". Но, как показал анализ, основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

Под структурным подходом подразумеваются попытки построения систем ИИ путем моделирования структуры человеческого мозга.

В последние десять лет растет интерес по анализу структурных методов самоорганизации ИИ, а именно к нейросетевому моделированию, которое успешно применяется в самых различных областях - бизнесе, медицине, технике, геологии, физике, т.е. везде, где нужно решать задачи прогнозирования, классификации или управления.

Как показали исследования возможности обучающихся систем, в частности, нейронных сетей, основана именно, на теории размерности.

В основе всего нейросетевого подхода лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов - формальных нейронов. Эти нейроны функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации.

Ядром нейросетевых представлений является идея о том, что каждый отдельный нейрон можно моделировать простыми функциями, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами.

Нейронные сети (НС) представляют собой мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, нелинейные по свой природе.

Как правило, нейронная сеть используется тогда, когда неизвестны предположения о виде связей между входами и выходами (хотя, конечно, от пользователя требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты).

На вход нейронной сети подаются необходимые данные, и запускается алгоритм обучения, который автоматически анализирует структуру данных и генерирует зависимость между входом и выходом.

Для обучения НС применяются алгоритмы двух типов: управляемое ("обучение с учителем") и неуправляемое ("без учителя").

Как показал проведенный нами анализ, для моделей, построенные по мотивам человеческого мозга, характерны не только легкое распараллеливание алгоритмов и оно связано не только с высокой производительностью, но и не слишком большой выразительностью полученных результатов, но, способствующая извлечению новых знаний о моделируемой среде.

Искусственный интеллект и машинное обучение уже активно применяются в маркетинге, более того, эти новые технологии решают задачи, которые несколько лет назад казались невыполнимыми.

Как машинное обучение является подвидом искусственного интеллекта, так и глубокое обучение является подвидом машинного (см. картинку в начале статьи).

В глубоком обучении используются те же подходы: алгоритму дают много данных и отмечают его за ошибки. Разница здесь в том, что сами алгоритмы глубокого обучения устроены гораздо сложнее и часто используют более серьезные математические модели. Сейчас под алгоритмами глубокого обучения практически всегда подразумевают нейронные сети. Нейронная сеть -- это последовательность слоев, каждый из которых, в свою очередь, состоит из нейронов, и каждый выполняет свою роль. Есть нейроны (или структуры нейронов), которые учатся выделять важные элементы на изображениях, есть те, которые учатся делать выводы, исходя из выделенных элементов. Эти нейроны объединяются в группы (слои), а они превращаются в единую искусственную нейронную сеть.

Некоторое количество идей, используемых в нейросетях, разработчики почерпнули из знаний об устройстве человеческого мозга. Одни из самых частых задач для нейросетей - это задачи, связанные с работой с изображениями. Для таких задач используют специальный тип нейросетей, внутри которых есть так называемые сверточные слои.

Смысл этой сверточной нейронной сети в том, чтобы оценивать каждый элемент картинки (пиксель) не отдельно, а в группе с несколькими соседними, благодаря чему можно находить как базовые фигуры (линии, углы, и т.д.), так и объекты целиком.

Примерно такой же процесс происходит и в человеческом мозге при обработке визуальной информации. После снятия всех возможных визуальных признаков в нейросети, как и в человеческом мозге, происходит анализ этих признаков, а затем принимается решение. Чтобы корректно обучить любую нейросеть, нужно сделать две вещи: собрать достаточное количество данных и определить его недочеты.

Нейронная сеть, как и любой другой алгоритм машинного обучения, по своей сути является лишь математической функцией, и умеет решать лишь одну конкретную задачу. Процессы же анализа данных, которые происходят в голове у человека, намного сложнее чем те, что происходят в нейросети, так что даже при наличии данных, сопоставимых по размеру с массивом информации, которую за жизнь получает человек, сегодня обучить нейросеть думать, как человек, невозможно.

Хотя в последние годы технология искусственного интеллекта быстро развивалась, дать четкое определение ИИ непросто. Исследования в области искусственного интеллекта широко считаются новой технической наукой, состоящей из теорий, методов, технологий и приложений, которые могут моделировать, расширять и расширять человеческий интеллект. Многие вещи в повседневной жизни людей, такие как расчет, наблюдение, диалог и обучение, требуют «ума». Разведывание может контролировать прогнозы цен на акции, понимать содержание изображения или видео или общаться между людьми письменно или на языке; он может создать хранилище информации, которое постоянно улучшается, рисовать, писать стихи, водить машину или летать на самолете. Сегодня важность ИИ резко возросла. Это междисциплинарная наука, охватывающая многие области, включая информатику, статистику, нейробиологию и социальные науки. Люди надеются, что с помощью исследований искусственного интеллекта можно смоделировать и расширить человеческий интеллект, чтобы помочь или даже заменить многие человеческие способности, включая познание, анализ и принятие решений. Это междисциплинарная наука, охватывающая множество областей, включая информатику, статистику, нейробиологию и социальные науки. Люди надеются, что благодаря исследованиям искусственного интеллекта человеческий интеллект можно смоделировать и расширить, чтобы помочь или даже заменить многие человеческие способности, включая различение, познание, анализ и принятие решений.

Согласно отчету International Data Corporation или IDC, общий объем данных в мире к 2020 году оценивается более чем в 40 зеттабайт (что эквивалентно сорока триллионам гигабайт). Это в 22 раза больше, чем в 2011 году. В последние годы объем данных во всем мире растет со скоростью 58% в год и будет продолжать расти еще быстрее в будущем. По сравнению с прошлым, количество и размер информации, хранящейся в данных, сегодня важнее, чем когда-либо прежде, от простого текста, изображений и звуковых данных до данных о движении, ориентации и траектории человеческого поведения, а также данных об окружающей среде, вроде геолокации и температуры. По мере того, как масштаб данных увеличивается и становится более обширным, их использование для моделирования, естественно, также будет расти. Объем данных в мире растет со скоростью 58% в год, и в будущем эта скорость будет еще выше. По сравнению с прошлым, объем информации, хранящейся в данных сегодня, и ее размеры больше, чем когда-либо прежде, от простого текста, изображений и звуковых данных до данных о движении, ориентации и траектории человеческого поведения, а также данных об окружающей среде, вроде геолокации и температуры[1].

С высоким энергопотреблением появились графические процессоры, подходящие для параллельных вычислений, а также FPGA и ASIC, более подходящие для моделей глубокого обучения и имеющие хорошую операционную эффективность. Энергопотребление микросхем также снизилось, а их гибкость даже увеличилась до такой степени, что теперь они позволяют выполнять специальные функции алгоритмов глубокого обучения.

Что касается уровня алгоритма, сначала нам нужно прояснить некоторые понятия. Так называемое машинное обучение использует алгоритмы, которые позволяют компьютерам извлекать информацию из данных, как это может сделать человек; Глубокое обучение - это подмножество машинного обучения, которое имеет более крупные измерения и более сложные модели, чем другие методы обучения, чтобы обеспечить более глубокое и разумное понимание данных. Традиционное машинное обучение происходит поэтапно, и оптимизация каждого отдельного шага не обязательно приводит к оптимизации конечного результата. Еще один момент для машинного обучения заключается в том, что ручной выбор функций требует времени и энергии, а также требует опыта, а это означает, что он в значительной степени зависит от опыта и удачи. Но глубокое обучение начинается с исходных функций и автоматически учится сочетать их с функциями более высокого уровня. Весь процесс полностью автономен и напрямую гарантирует оптимизацию конечного результата. Однако средний уровень - это черный ящик, и мы не знаем, какие функции были удалены с компьютера. Глубокое обучение начинается с исходных функций и автоматически учится сочетать их с функциями более высокого уровня. Весь процесс полностью автономен и напрямую гарантирует оптимизацию конечного результата.

Машинное обучение сталкивается с несколькими типичными проблемами. Первая - это проблема неконтролируемого обучения: предоставляется фиксированный объем данных, и информация обнаруживается из данных. Входные данные не масштабируются по историческим данным, а выходные данные задачи представляют собой агрегированные и категоризированные данные.

Второй тип проблем - это обучение с учителем: получение меток из этих данных из набора данных. Входные данные - это данные с метками размеров, а желаемые выходные данные - это используемый выходной шаблон.

Третий тип - это проблема обучения с подкреплением: из набора данных выберите действие, которое максимизирует долгосрочное вознаграждение. Входные данные - это условия, действия, а желаемый результат - это оптимальное действие для текущей ситуации. Разница между этим типом и первыми двумя заключается в том, что обучение с подкреплением - это процесс изучения тенденций, но он не имеет установленной цели обучения и конкретных критериев для измерения результатов, достижений [2]. 

Список используемой литературы

1. Е.В. Боровская, Н.А.Давыдова, «Основы Искусственного интеллекта» М.Лаборатория знаний, 2020.

2. https://iot.ru/wiki/iskusstvennyy-intellekt

3. http://lib.madi.ru/fel/fel1/fel16E379.pdf

4. Люгер, Дж.О. Искусственный интеллект: стратегии и методы решения сложных проблем / Дж.О. Люгер. - М.: Диалектика, 2016

5. Нильсон, Н. Принципы искусственного интеллекта / Н. Нильсон. - М.: Радио и связь, 2019

6. https://studref.com/364038/informatika/metodologiya_postroeniya_ekspertnyh_sistem

Размещено на Allbest.ru