Зв'язок нейронних мереж з штучним інтелектом

Семантичний аналіз часто реалізується як етап синтаксичного аналізу в результаті додавання до правил граматики відповідних властивостей і використання порівняння зразків. Тут ми маємо можливість сказати тільки декілька слів про те, як виділяється суть пропозиції у формі мови Ргоlog. Граматика

SN>PVP

NP>N

N >name

VP > V NP

name > мери | джон

verb >любить

S

Ідея використання нейронних мереж для виконання завдань, символьних систем штучного інтелекту, що традиційно відносяться до області, апелює до інтуїції інженерів і не тільки тому, що абстрактна архітектура штучного мозку може видавати нестандартні рішення, але також і тому, що нейронні мережі мають цілий ряд інших привабливих властивостей. Нейронні мережі навчаються виконанню завдання за допомогою адаптації до пропонованих мереж. Система, заснована на навчанні, має можливість виводити знання автоматично, а також виявляти знання, які є специфічними для конкретного завдання і які важко представити у вигляді набору правил (наприклад, як їхати на велосипеді). Мережа рідко пропонує однозначну відповідь, вона зазвичай забезпечує відповідь у вигляді оцінки, але для вирішення практичних завдань оцінені відповіді виявляються більш відповідними. Нейронні мережі можуть також демонструвати плавне зниження своєї ефективності, зберігаючи здатність виконувати завдання (хоча і на гіршому рівні), якщо частина структури мережі виявляється пошкодженою. Нейронні мережі можуть іноді зберігати свою працездатність, навіть якщо якась частина архітектури мережі перестає функціонувати взагалі. Нарешті, нейронні мережі можуть бути реалізовані у вигляді масових паралельних структур, які потенційно можуть запропонувати ефективнішу продуктивність в порівнянні з машинами, що використовують послідовну архітектуру.

Символьні системи мають свої переваги. Засобом комунікації є символи, і в процесі комунікації відбувається передача великого об'єму знань. Наприклад, якщо комусь скажуть, що він загине, якщо торкнеться рейок, по яких йдуть поїзди метро, то, за рідкісним виключенням, людина серйозно віднесеться до такого попередження. Знання, виражене у вигляді правил, може зберегти життя в ситуаціях, які раніше не були випробувані на практиці. Пілот літака, що ненавмисно вводить літак в штопор, стикається з ситуацією, що несе загрозу життю, і хоча практика виходу з штопора може допомогти справитися з ситуацією досвідченому пілотові, молодому пілотові може допомогти знання відповідних правил. Знання, що повідомляється в символьній формі, може також прискорити навчання. Важким етапом підготовки будь-якого пілота є навчання посадки літака. Добрий інструктор може запропонувати емпіричні правила, здатні допомогти пілотові-новачкові і може повторити або підкоригувати інструкції, виявивши неправильне або погане їх виконання.

Отже, і символьна парадигма, і парадигма нейронних мереж мають свої переваги з погляду побудови інтелектуальних систем. Тому недивним є той факт, що проводилося (і проводиться сьогодні) немало досліджень, присвячених можливості налагодження зв'язків між традиційним або символьним штучним інтелектом і нейронними мережами. Ці зв'язки дуже різноманітні, але головним питанням для багатьох прихильників нейронних мереж є, мабуть, питання про те, чи можуть бути створені нейронні мережі, здатні вирішувати когнітивні завдання найвищого рівня, якими є, наприклад, розуміння мови і планування.

Перші додатки нейронних мереж, що послідували за відродженням інтересу до нейронних мереж в 1980-х роках, стосувалися проблем розпізнавання, що відносяться до низького рівня, і виконували, по суті, побудову відображення безлічі початкових даних в безліч відповідних відповідей. А оскільки велися жваві дискусії відносно нейронних мереж як когнітивних моделей, недивно і те, що деякі філософи і когнітивні психологи почали цікавитися можливостями мереж першої генерації. Було з'ясовано, що частина критичних зауважень була заснована на незнанні того, як добитися від нейронної мережі необхідної якості виконання завдання. Слід відмітити, що критичні питання все ще чекають своїх відповідей, але ми сподіваємося, що з цим не буде проблем у міру розширення наших знань в області нейронних мереж.

Трьома характерними особливостями, що відповідають за успіх символьної парадигми, є композиційні структури, сенситивна обробка структур і узагальнення. Всі ці три властивості виявляються тісно пов'язаними.

Композиційні структури можуть бути визначені як ієрархічні структури, в яких вся структура складається з окремих частин. Типовим прикладом таких структур є дерева, а також спадкові і агреговані моделі, які використовують інженери. Композиція структур є основою будь-якої форми розробки конструкцій: при спробах рішення будь-якої складної задачі таке завдання зазвичай розбивається на частини. Ми вже бачили в розділі 5, що композиційний аналіз грає велику роль в системах розуміння мови. Структура виразів пропозиції представлялася у вигляді ієрархії його частин, і семантичний аналіз припускав, що сенс всієї пропозиції може бути знайдений як комбінація змісту частин.

Трансформація ¬ (P /\ Q) в його логічний еквівалент (¬ P \/ ¬ Q) є прикладом операції, яка сенситивно залежить від структури. Якщо Р і Q замінити на R і S, то операція залишається достовірною, оскільки: ¬ (R /\ S) трансформується в логічний еквівалент (¬ R \/ ¬ S). Дана операція може бути також представлена у вигляді складніших виразів, оскільки весь вираз може бути розбитий на частини. Наприклад, ¬ ( (Р v R) /\ Q) все одно має форму: ¬ (A /\ Q), тому йото логічним еквівалентом є (¬ (Р v R) /\ Q).

Абстракція узагальнених виразів теж є природною частиною символьної парадигми. Аргументи у виразі любить (одушевлений, об'єкт) допускають будь-яку комбінацію об'єктів, відповідних для даного відношення. Це дозволяє системі демонструвати регулярну поведінку. Якщо система регулярна, вона повинна допускати семантичне (і синтаксичне) узагальнення. Регулярна система, яка розуміє "джон любить мері", зрозуміє також і "мері любить джона".

Висновок