Широкий круг задач, решаемый НС, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные НС, функционирующие по различным алгоритмам.

Модели НС могут быть программными и аппаратными. Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.

Во-первых, основу каждой нейронной сети составляют относительно простые, в большинстве случаев — однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Под нейроном здесь подразумевается искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он имеет группу синапсов — однонаправленных входных связей, соединенных с выходами других нейронов, а также аксон — выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рис. 1. Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

В качестве примера простейшей НС приведем схему трехнейронного перцептрона (рис. 2). Нейроны данной сети имеют активационную функцию в виде единичного скачка². На n входов поступают некие сигналы, проходящие по синапсам на три нейрона, которые образуют единственный слой этой НС и выдают три выходных сигнала.

Очевидно, что процесс функционирования НС, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными).

Этот этап называется обучением НС, и от того, насколько качественно он выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения, кроме параметра качества подбора весов, важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью, и выбирая их, приходится идти на компромисс.

Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.

Существует великое множество алгоритмов обучения, которые, однако, делятся на два больших класса: детерминистские и стохастические. В первом подстройка весов представляет собой жесткую последовательность действий, во втором — она производится на основе действий, подчиняющихся некоторому случайному процессу.

Робототехника как направление ИИ

В чем главное отличие интеллекта человека от интеллекта универсальных вычислительных машин? Чтобы ответить на этот вопрос, вспомним слова великого русского физиолога И. М. Сеченова: «…все бесконечное разнообразие внешних проявлений мозговой деятельности сводится окончательно лишь к одному явлению — мышечному движению». Другими словами, вся интеллектуальная деятельность человека направлена в конечном счете на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат, прежде всего, для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем ИИ состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер и обычно не связанных ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов.

Первых роботов трудно назвать интеллектуальными. Только в 60-х годах появились экземпляры с органами чувств, управлявшиеся универсальными компьютерами. К примеру, в 1969 году в Электротехнической лаборатории (Япония) началась разработка промышленного интеллектуального робота. Цель ее — создание «очувствленного» манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем. Робот Электротехнической лаборатории мог распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями, при специальном освещении. Стоимость экспериментального образца составляла примерно 400 тысяч долларов.
Постепенно роботы совершенствовались, но и по сей день они далеки по понятливости от человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К примеру, удерживают на лезвии ножа шарик для настольного тенниса.

В киевском Институте кибернетики, где под руководством Н. М. Амосова (и ранее В. М. Глушкова, ныне покойного) ведется комплекс исследований, направленных на разработку элементов интеллекта роботов. Особое внимание в этих исследованиях уделяется проблемам распознавания изображений и речи, логического вывода (автоматического доказательства теорем) и управления с помощью нейроподобных сетей.

Экспертные системы на основе ИИ

Но пока теоретики спорят, практики не сидят сложа руки! Искусственный интеллект приобрел полезные рыночные свойства. Рынок нейросетей могуч; банкиры уважают своих технических аналитиков, а те без нейросети — ни шагу. Где нейросеть — там и генетический алгоритм, где генетический алгоритм — там и искусственная жизнь, а дальше — «пришла виртa, отворяй воротa», как недавно выразился один юный поэт. Девиз всей этой деятельности — четкая формула одного сурового персонажа братьев Стругацких: «Нам известно, что задача не имеет решения, — мы хотим знать, как ее решать!»

Экспертные системы (ЭС) — широчайшая и сложнейшая дисциплина. И чтобы не лезть в дебри, мы будем исходить из следующего определения: экспертная система — это программа (на современном уровне развития технологий), которая заменяет эксперта в той или иной области.
Отсюда вытекает простой вывод: все, что рассматривалось нами выше относительно систем с ИИ, своей конечной целью ставит разработку ЭС.
ЭС предназначены, главным образом, для решения практических задач, возникающих в слабо структурированной и трудно формализуемой предметной области. ЭС были первыми системами, которые привлекли внимание потенциальных потребителей продукции ИИ.
С ЭС связаны некоторые распространенные заблуждения.

Заблуждение первое: ЭС будет делать не более (а скорее даже менее) того, что может эксперт, создавший данную систему. Для опровержения данного постулата можно построить самообучающуюся ЭС в области, в которой вообще нет экспертов, либо объединить в одной ЭС знания нескольких экспертов и получить систему, которая может то, на что не способен ни один из ее создателей.
Заблуждение второе: ЭС никогда не заменят человека-эксперта. Уже заменяют, иначе зачем бы их создавали?
В заключение отметим важнейшие экспертные системы, использующие алгоритмы ИИ:

- MICIN — экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стенфордского университета. Ставит диагноз, исходя из сообщенных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил;
- PUFF — анализирует нарушения дыхания. Эта система представляет собой MICIN, из которой удалили данные по инфекциям и вложили данные о легочных заболеваниях;
- DENDRAL — служит для распознавания химических структур. Старейшая, из экспертных систем. Ее первые версии появились еще в 1965 году все в том же Стенфордском университете. Пользователь вводит в систему некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та, в свою очередь, называет химическую структуру, удовлетворяющую этим условиям;
- PROSPECTOR — экспертная система, созданная для содействия поиску месторождений полезных ископаемых, разработка которых коммерчески выгодна.

Литература
[1] Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.
[2] Keun-Rong Hsieh and Wen-Tsuen Chen, A Neural Network Model which Combines Unsupervised.
[3] Richard P. Lippmann, An Introduction to Computing with Neural Nets, IEEE Acoustics, Speech, and Signal Processing Magazine, April, 1987.
[4] Короткий С. Нейронные сети: алгоритм обратного распространения.
[5] Короткий С. Нейронные сети: обучение без учителя.
[6] Монахова Е. «Нейрохирурги» с Ордынки, PC Week/RE, № 9, 1995.
[7] Уоссермен Ф. Нейрокомпьютерная техника. — М., Мир, 1992.