Již půl století známý pojem neuronové sítě, který koncem světové války vznikl jako pokus o matematický model struktury a činnosti nervové tkáně, se po mnoha peripetiích dnes dočkal statutu perspektivní třídy univerzálních počítačů "šesté generace" (tento název opět razí Japonci). Jde o systémy kvalitativně odlišné od dosavadních počítačů, které se opírají o vonNeumannovo schéma a jeho variace. V USA se již běžně objevují na trhu pro řešení speciálních úloh (přičemž velký zájem a podporu projevuje DARPA - vojenská výzkumná agentura), ale vzhledem k tomu, že je dokázána jejich univerzálnost (jsou schopny realizovat libovolné funkce), nalézají stále širší uplatnění i v civilní sféře. Existují desítky prosperujících firem, profitujících v oblasti marketingu, finančních analýz, obecného zpracování signálů, expertních systémů, hledání suboptimálních řešení algoritmicky těžko řešitelných úloh, výzkumných projektů chemie, fyziky atp.
Rok 1990 je považován za předěl, v němž se neuropočítače "stěhují" i do Evropy, zejména do Francie a Německa. I u nás existují skupiny, které tento vývoj systematicky sledují a mohou se pochlubit i prvními úspěšnými aplikacemi a teoretickými výsledky. V úzké spolupráci s "pražskou skupinou" se další výsledky objevují i na technikách, v SAV i jinde. Na ÚVT MU se problematikou neuronových sítí zabývá v rámci aspirantury RNDr. Petr Sojka.
Neuronová síť (NS) je v podstatě síť velmi jednoduchých procesorů (neuronů), které si podél husté množiny spojnic (axonů) předávají číselné signály, modifikované tzv. (synaptickou) vahou každé z mnoha těchto spojnic. Na vstup jistého neuronu tak dochází z okolních neuronů (daných geometrií sítě) modifikované hodnoty, které se ve většině modelů prostě sečtou (určují pak tzv. vnitřní potenciál neuronu) a na výstupu neuronu se objeví v podobě dané nelineární přenosovou funkcí, často tvaru sigmoidy. Mnohonásobnou kombinací lineárních a nelineárních zobrazení lze pak vysvětlit univerzálnost NS. Tento model, přebírající mnoho podnětů i termínů z neurofyziologie mozku, má však s funkcí živých organismů daleko hlubší souvislosti.
Nejvýznamnější z nich je schopnost samočinné adaptace. NS se neprogramují, ale učí. Na vstup se v "adaptačním režimu" předkládají jisté vzory z konečné "tréninkové množiny" T a síť se pomocí nich učí stanovit vhodnou konfiguraci vah, která je s T kompatibilní (nejjednodušším případem jsou sítě s učitelem, kdy prvky z T obsahují dvojice [vstup; žádoucí výstup] a úkolem sítě je, aby se původně náhodně generované váhy - a tím náhodně určená zobrazení - postupně na základě odchylek adaptovaly na T tak, že skutečné reakce = žádoucí). To samo o sobě by však bylo málo; v podstatě by síť uměla jen tabelovat T. Daleko podstatnější je, že přitom síť v ideálním případě (dosti rozsáhlé a v jistém smyslu nezávislé množiny vzorů) dovede z "příkladů" T extrahovat jejich vnitřní zákonitosti a tím "rozumně" odpovídat i na vstupy = dotazy, které v T nebyly obsaženy, že dovede nabyté zkušenosti generalizovat i na dosud nepoznané situace.
V tomto smyslu dovede napodobit inteligenci živých bytostí, které na základě své dosavadní životní historie jsou schopny přiměřeně reagovat i v neznámých situacích, a tato schopnost je v některých případech až šokující. Jako kdyby velice vágní a silně zjednodušený izomorfismus mezi strukturou NS a mozku vynutil i jistý izomorfismus v chování. Formálně matematicky přitom dovedeme zdůvodnit jen některé jednoduché speciální případy; na druhé straně ale je třeba přiznat, že takováto "mysteriozní" generalizace není zcela běžná, byť zase ne (pokud si vybereme vhodný z mnoha různých modelů NS a dáme si práci s nalezením některých jeho parametrů) tak vzácná, aby nebylo možno ji prakticky využít.
První z komerčně slavných aplikací byla např. u kreditních společností (American Express Card apod.). Požaduje-li majitel kreditní karty zboží nad určitý cenový limit a výši svého vkladu, bylo obvykle nutné svolat komisi finančních expertů, aby případné povolení úvěru minimalizovalo riziko ztráty půjčky a případné odmítnutí minimalizovalo riziko ztráty zákazníka. Ukázalo se, že vhodná NS, nasycená údaji o historii zákazníka, se dovede rozhodnout lépe a daleko rychleji. V jiném případě šlo o to, nahradit zkušeného pracovníka odcházejícího do důchodu, úspěšně ovládajícího řízení určitého systému, pro nějž neexistoval žádný analytický či stochastický model a kde rozhodnutí záviselo na zkušenostech získaných zaměstnancem po dobu dvacetileté praxe (a tím jisté "intuici", kterou neuměl formulovat ve formě algoritmizovatelných pravidel). NS, která ho několik měsíců "pozorovala" a pro niž byl učitelem, ho nakonec dovedla dobře zastoupit.
Současné neuronové sítě se dobře uplatňují při převodu mluvené řeči na psanou a naopak (phonetic typewriter), "neurosvalové" koordinaci robotů, klasifikaci a predikci, vystižení různých stochastických závislostí, automatické tvorbě expertních systémů (v nichž míry závislostí tvrzení neudává expert, ale prohlídka databází konkrétních případů) apod.
Neuropočítač je implementovaná neuronová síť. Může jít o klasický počítač, při malých rozměrech sítí i PC, popř. obohacené vhodným speciálním koprocesorem-akcelerátorem, o různé paralelní systémy, ale i o speciální čipy, optoelektrická zařízení apod. Účinnost a možnosti NS se projeví, zejména pokud máme možnost implementovat ne stovky (jako na PC), ale miliĎny neuronů (což umožní již neuroakcelerátory pro PC).
Pro zájemce u nás začal vycházet ve spolupráci s fy IDG speciální časopis Neural Network World, který je na rozdíl od asi deseti obdobných časopisů ve světě cenově dostupný za Kčs (několik set za rok, se slevou pro studenty) a který přináší na pokračování i úvodní tutoriál. Případní zájemci nechť laskavě zanechají svou adresu na ÚVT MU.
předchozí článek
