GotAI.NET

Форум: Проблемы искусственного интеллекта

 

Регистрация | Вход

 Все темы | Новая тема Стр.6 (6)<< < Пред.   Поиск:  
 Автор Тема: На: Искусственный интеллект для обывателя.
Обыватель
Сообщений: 221
На: Искусственный интеллект для обывателя.
Добавлено: 10 мар 19 22:26
Вдруг кто не смотрел.


[Ответ][Цитата]
Обыватель
Сообщений: 221
На: Искусственный интеллект для обывателя.
Добавлено: 17 мар 19 2:07
Небольшое предисловие.
Человек увлекавшийся авиацией и понимающий принципы полёта, в состоянии представить пегаса. Но представить пегаса, машущего крыльями в полёте, уже нет. Так и с искусственными нейронными сетями. За всё время моего интереса к теме, мне встречалось множество объяснений того как работает машинное обучение и многие из них рисовали ясную картину возможного применения нейронных сетей. Вот только объяснения, рисующего интуитивно понятную модель мышления, мне встретить так и не удалось.
Создаётся впечатление, что в современном подходе к искусственным нейронным сетям, решение подгоняется под требуемый результат, сводя понимание работы нейронной сети до логики чёрного ящика… И вот, вопреки здравому смыслу, без возможности управлять полётом и шанса на удачную посадку, пегас обученный нейронной сетью полетел.
С другой стороны, какой бы подход не использовался для понимания процесса мышления, всегда оказывалось, что «живая» память возможна только на нейронах. Но вокруг них наплодили такое количество домыслов, что любое обращение к этой теме, превращается в борьбу с лишними сущностями и ветряными мельницами. Поэтому в дальнейшем, насколько это возможно, подобная терминология употребляться не будет. Хотя речь, безусловно о концепции мышления, основанной на принципах нейронных сетей.
***
Собственно, к делу.
Сразу стоит уточнить, что в данном примере требуется некое допущение, позволяющее существовать двум видам памяти:
- Один вид памяти является профессиональным, позволяющем запоминать данные, связанные с профессиональной деятельностью. Примером такой памяти может служить зрительная память или память на цифры.
- Второй вид памяти используется только для обучения профессиональным навыкам. Например, мышечная память позволяет обучатся игре на музыкальных инструментах или заниматься такими видами спорта, в которых важную роль играет правильность движений.
В первую очередь речь будет идти о втором виде памяти.
***
Теперь гипотеза описывающая механизм памяти.
Хранящаяся в памяти информация должна быть взаимосвязана, что подразумевает существование памяти как некой обособленной структуры. Следовательно, должен существовать механизм структурирования такой памяти, который можно приравнять к процессу обучения – воздействию на память, вносящему изменения в её структуру.
В этом случае, о наличие памяти будет свидетельствовать действия, согласующиеся с моделью заложенной обучением. То есть память, подвергнутая структурированию в процессе обучения, будет проявлять те реакции, которые закладывались в ходе обучения. В рамках рассматриваемой гипотезы, такие проявления будут примером интеллектуальных способностей.
Но, чем устойчивей структура, тем сильней и продолжительней должно быть воздействие для её изменения. Это является результатом процесса структурирования, сущность которого заключается в создании устойчивых структур за счёт повышения прочности внутренних связей. Со временем это приведёт к тому, что будут проявляться реакции не согласующиеся с моделью закладываемой обучением, из-за появления устойчивых к воздействию связей. А значит, и оценка интеллектуальных способностей будет снижаться.
Иначе говоря, полностью структурированная память не в полной мере обладает интеллектом. Структурированная память утрачивает свою пластичность, что не позволяет адаптироваться к постоянным изменениям и приводит к устареванию давно наработанных навыков. В свою очередь, не структурированная память, ещё не обладает интеллектом. Так как обработка неструктурированного материала, требует внешнего воздействия для создания начальной формы способной к дальнейшему самостоятельному развитию. Отсюда следует, что интеллект – это этап процесса структурирования памяти, от момента, когда мышление уже возможно, до того момента, кода ресурс памяти исчерпан.
Так бывает - явление которому свойственно развитие, содержит собственное отрицание в своём развитии. Исходя из чего, уровень интеллекта определяемый тестами на IQ, мог бы являться показателем деградации памяти через обучение, если бы был известен начальный объём памяти. Рассматривая пример врача, начинающего свою карьеру с изучения анатомии человека и заканчивающего специалистом по одному единственному виду опухоли, можно сказать что к концу карьеры был в значительной мере исчерпан ресурс памяти, которой хватило только на узкую специализацию. Но, для того чтобы иметь возможность практического применения такого представления о памяти, необходимо понимать, что такое память.
Есть два подхода к пониманию памяти:
- Один подход рассматривает память как свойство объекта, что позволяет только предполагать протекающие в объекте процессы, отвечающие за память. Например, наблюдение за объектами обладающими памятью позволило выделить четыре основные функции памяти: запоминание, хранение, воспроизведение, забывание. При этом процессы, стоящие за этими функциями остаются скрыты.
- Другой подход рассматривает, саму память, как структуру которая выполняет исключительно вышеуказанные функции: запоминание, хранение, воспроизведение и забывание. При таком рассмотрении, память – это объект способный влиять на всего самого себя с целью внесения в себя изменений. Самостоятельно и осознано изменяться под влиянием обстоятельств.
Так человек ведущей какие-то осмысленные записи на листе бумаги, является системой обладающей памятью. Он способен записать поступающую информацию, сохранить её, воспроизвести прочитав с листа и удалить, зачеркнув то, что по его мнению стало не актуальным. Но такая система не может рассматривается как память, так как для занятия подобной деятельностью человек уже должен обладать интеллектом, а значит и собственной памятью. Каждый отдельно взятый элемент такой структуры, не должен выполнять все функции свойственные памяти, иначе именно этот элемент и будет являться памятью.
Из всего вышесказанного можно сделать вывод, что память — это структура, состоящая из неизменных элементов, качественные изменения в которой определяются взаимосвязью между этими элементами. Взаимосвязь между элементами структуры формируется под внешним или внутреннем воздействием. Но если такое воздействие будет одинаково влиять на все связи в рассматриваемой структуре, то можно будет определить только сам факт воздействия.
Для дифференциации информации в памяти, должна существовать такая возможность её структурирования, при которой воздействие на отдельные связи будет происходить исходя из их семантической близости. Для чего в формировании внутренней структуры памяти должны участвовать базовые элементы. Их задача, исходя из активности собственных связей, определять семантическую близость происходящего события и того события с которым они ассоциированы. Если семантическая близость очевидна, то активные связи необходимо укрепить.
***
Такую структуру памяти можно рассмотреть на примере системы имеющей сенсоры, объединённые в единое сенсорное пространство. Сенсоры в данном случае могут принимать значение 0 или 1, и для каждого сенсора имеется запись его активности, представленная в виде списка: {x1, x2…xn}.
Предположим, что на сенсорное пространство оказывается воздействие двух типов. Первое – хаотично. Второе воздействие соответствует одному и тому же событию, на которое нужно научиться реагировать.
Определить такое событие можно выполнив следующие вычисления.
Для каждого сенсора складываем значения активности за определённый интервал времени dt: dMm = x1+x2+…+xn. В следствии чего, формируется список содержащий активность сенсорного пространства в выбранном временном интервале: {dM1, dM2…dMm}.
При этом, главное требование, предъявляемое к поступающей информации – это отсутствие искажений. Но ситуация может осложняется наличием шумов. Для борьбы с ними, в полученном списке, находим сенсор с самой высокой активностью dMmax, с помощь которого задаётся пороговое значение фильтра шума P = dMmax/2, что также может быть равнозначно P = n/2 или P = dt/2. После чего из активности каждого сенсора вычитаем найденное пороговое значение {q1, q2…} = {dM1-Р, dM2-Р…dMm-Р}, таким образом формируется маска, где отрицательные значения соответствуют сенсорам, чья активность была вызвана шумом и(или) являлась недостаточно высока. Собственно. происходит появление отрицательных связей.
С целью упрощения последующих вычислений, приводим маску к унифицированному виду, при котором сумма значений всех элементов маски не будет превышать единицы: q1+q2+…+qm ≤ 1. Для чего находим сумму всех положительных значений SM = q1>0+q2>0+…+qm>0, на которое делим каждый элемент маски Q = {q1/SM, q2/SM…qm/SM}.
Для дальнейшего определения события по воздействию на сенсорное пространство необходимо записать текущую активность сенсоров: {x1, x2…xm}. После чего найти сумму произведений текущей активности сенсоров на маску A = q1* x1+ q2* x2+…+qm* xm. И тогда переменная «A» покажет, насколько уместно присутствие искомого события в контексте текущей ситуации, исходя из активности сенсорного пространства.
Таким образом, в моделируемой системе, информация может записываться за счёт изменения самой системы, храниться и воспроизводится, что соответствует признакам памяти.
Для моделирования процесса забывания, предположим, что воздействие на сенсорное пространство для одного и того же события со временем изменяется. Маска так же должна адаптироваться вслед за изменяющимся представлением события, с целью сохранения своей актуальности. Такая актуализация возможна в следствии того, что значение «A» близкое к 1 свидетельствует о схожести текущего воздействия на сенсорное пространство и обучающей выборки. Следовательно, обучающая выборка должна быть дополнена вновь поступившими данными. Для чего актуализируем выборку активности сенсорного пространства в интервале времени dt, которая была взята как эталонное представление события: {dM1+x1, dM2+x2… dMm+x m}.
После чего повторяем обучения для выбранной маски:
P = dMmax/2,
{q1, q2…} = {dM1-Р, dM2-Р…dMm-Р},
SM = q1>0+q2>0+…+qm>0,
Q = {q1/SM, q2/SM…qm/SM}.
Это позволяет, с определённой инерцией свойственной системе, плавно замещать ранее сохранённую информацию новыми данными. Адаптироваться к изменяющимся условиям.
Но, из-за фильтрации шумов, будет снижена точность оценки ситуации, создающая искажения при уточнении хранящейся в памяти информации. Что бы минимизировать такое влияние, для каждого события необходимо использовать ассоциированный, с этим событием, кластер масок Q1, Q2…Qk, записанных в разные интервалы времени dt1, dt2…dtk. Для согласования работы такого кластера в методах рассматриваемой модели, необходима ещё одна маска, стоящая над ассоциированным кластером. Для новой маски входящими значениями будет активность A1, A2…Ak масок Q1, Q2…Qk кластера, и работа всего кластера будет определяться именно по этой маске, стоящей над кластером.
В таком случае, при устойчивом искажении, затронувшем только часть масок, появляется возможность разделить исходный кластер на два самостоятельных, каждый из которых будет ассоциирован со своим событием. Один из кластеров будет отвечать за старое событие, второй – за вновь выявленное.
Со временем, бесконтрольное деление ассоциированных кластеров, может привести к тому, что представление о событии чрезмерно усложнится. Что приведёт к снижению эффективность модели, за счёт увеличения затрат на обработку события.
Чтобы этого избежать, необходимо дополнить поступающую информацию, данными из источника c высокой достоверностью, то есть из самой памяти. Для чего требуется ввести маску V’ обратную ассоциированному кластеру. Тогда, при частичной активации кластера, обратная маска поможет возбудиться всему кластеру, или же полностью затормозит его, таким образом, не дав искажению укорениться в кластере.
Исходной информацией для обратной маски V’ будут значения A1, A2… активности масок Q1, Q2…Qk входящих в ассоциированный кластер, записанные за время dt’: dQk= a1+a2+…+al. Благодаря чему, появляется список содержащий активность масок ассоциированного кластера в выбранном временном интервале: {dQ1, dQ2…dQk}.
Для дальнейшего использования списка с целью дополнения поступающей информации, приводим список к унифицированному виду, при котором сумма значений всех элементов списка не будет превышать единицы: dQ1+ dQ2+…+ dQk ≤ 1. Для чего в полученном списке, находим элемент с максимальным значением dQmax, на который делим каждый элемент списка {q’1, q’2…} = {dQ1/dQmax, dQ2/dQmax …dQk/dQmax}. Таким образом формируется обратная маска V’.
При этом в качестве выхода маски V’, будет использован список сформированный таким же образом как прямая маска, но за время dt’:
dM’m = x1+x2+…+xn,
{dM’1, dM’2…dM’m},
P = dM’max/2,
{v1, v2…} = {dM’1-Р, dM’2-Р…dM’m-Р},
SM = v1>0+v2>0+…+vm>0,
{v’1, v’2…} = {v1/SM, v2/SM… vm/SM}.
Полученная маска V’, дополняет поступающую информацию следующим образом. Находим значение A’ = q’1+ q’2+…+ q’k, после чего выход маски перемножаем на полученное значение, что даёт корректирующий список {a’1, a’2…} = {v’1*A’, v’2*A’… v’m*A’}. В свою очередь корректирующим дополняем информацию, поступающую на вход Q1, Q2…Qk входящих в ассоциированный кластер {x1+ a’1, x 2+ a’2… x m+ a’m}.
Теперь при поступлении информации на вход кластера, она дополняется через обратную маску. И если объёма поступившей информации недостаточно, значение A’, начинает снижаться. В противном случае, если информации достаточно, её недостающие фрагменты дополняются через обратную маску, при этом значение A’ начинает расти. Такое поведение A’ приводит к тому, что воздействие на кластер запоминается, на то время пока A’ не снизится до исходного значения. Получается, что в ходе обработки поступающей информации ассоциированный кластер выступает в роле постоянной памяти, а обратная маска реализует возможность кратковременной памяти.
При этом, так как существует разница между временем записи масок dt и обратной маски dt’, обратная маска обучается на более поздней информации, в которой могут содержаться незначительные изменения ситуации, что даёт возможность прогнозирования в пределах разницы между временем записи масок.
Получается, что обратная маска, передаёт на вход ассоциированного кластера внутреннюю информацию, в виде, не отличающемся для кластера от внешней информации. То есть происходит формирование на сенсорном уровне воплощения внутренних процессов – формирование мысли.
[Ответ][Цитата]
Обыватель
Сообщений: 221
На: Искусственный интеллект для обывателя.
Добавлено: 23 мар 19 2:51
Изменено: 23 мар 19 2:53


[Ответ][Цитата]
 Стр.6 (6)1  2  3  4  5  [6]<< < Пред.