Neuronske mreže uče s razumevanjem  

Na Mašinskom fakultetu u Beogradu osmišljavaju dinamičke neuronske modele koji opisuju rad složenih delova motornih vozila ili autonomno kretanje mobilnog robota u ispitivanju tehnološkog okruženja. Zašto je u svemu tome nezaobilazna stara latinska krilatica „Ponavljanje je majka mudrosti”

Od najranijih dana veštačka inteligencija nastoji da oponaša ljudski mozak, isprva >> Pročitaj celu vest na sajtu Politika << se oslanjajući na ekspertne sisteme, a docnije na veštačke neuronske mreže. U velikoj meri potonje predstavljaju pokušaj oponašanja „biohemijskog čavrljanja” u nepreglednoj mreži od oko stotinu milijardi nerava u čovekovoj glavi.

Inženjeri ih vide utkane u svakojake pametne naprave i sklopove ili, kako to učeno nazivaju, inteligentne sisteme, zbog čega su dvojica ovdašnjih – prof. dr Zoran Miljković i dr Dragan Aleksendrić, sa Mašinskog fakulteta u Beogradu – odlučili da za svoje studente napišu, prvi u nas, univerzitetski udžbenik (sa zbirkom rešenih zadataka), kakvih ima malo i u svetu. Iz višegodišnjeg proučavanja proizišla su dva izvorna računarska programa s velikim odjekom u međunarodnoj naučnoj zajednici.

Koja ste to dva računarska programa osmislili za podučavanje veštačkih neuronskih mreža? Na šta ste se ugledali?

Miljković: Osmišljena su dva originalna računarska programa (BPnet i ART Simulator), namenjena mašinskom učenju pomoću veštačkih neuronskih mreža. Nastali su programiranjem u programskom jeziku „vizual bejzik”, a koriste se za razvoj i primenu neuronskih modela u domenu inteligentnog ponašanja tehničko-tehnoloških sistema kada su pravila nepoznata i/ili su neodređena i/ili nepotpuna, kao što su mašinsko učenje industrijskog robota u baratanju delovima u montaži ili opsluživanju; autonomno kretanje mobilnog robota u ispitivanju tehnološkog okruženja i ostvarenju prethodno postavljenog operativnog zadatka; prepoznavanje slova i cifara; uočavanje i prepoznavanje likova predmeta snimljenih kamerom (CCD); utvrđivanje geometrijske sličnosti mašinskih delova u grupnoj tehnologiji itd.

Kakav su odjek doživeli u svetu?

Aleksendrić: Objavili smo dosta naučnih radova u vrhunskim časopisima koje obuhvata „Indeks naučnih citata”(SCI), sa zapaženom citiranošću u 2009. i 2010. Pozvali su nas da napišemo posebno poglavlje u međunarodnoj naučnoj monografiji posvećenoj inteligentnim tehnološkim sistemima koja je izašla u junu. U pripremi je još jedno koje se tiče inteligentnog neuronskog oponašanja kočnica motornih vozila u drugoj međunarodnoj monografiji.

Otkuda neuronske mreže u mašinstvu? Koliko se dugo izučavaju u Beogradu?

Miljković: U tehnici, a naročito u mašinstvu, potrebno je ovladati metodima i tehnikama zasnovanim na veštačkoj inteligenciji koje će moći da odgovore novim izazovima. Veštačke neuronske mreže, kao deo veštačke inteligencije, mogu rešiti neke neodređene probleme uvođenjem izvesnog stepena inteligentnosti. Integracija inteligentnih sposobnosti u tehnici jedan je od prioritetnih zadataka inženjera u 21. veku. Zbirka rešenih zadataka sa izvodima iz teorije imala je za cilj da objedini teorijske i praktične aspekte primene veštačkih neuronskih mreža u rešavanju tehničkih problema različitog stepena složenosti.

Šta su to neuronske mreže? U čemu se razlikuju od prirodnih, a u čemu su im slične? Gde se najčešće danas primenjuju?

Aleksendrić: U prirodi iskustvo menja stanje živog organizma tako što on sledeći put funkcioniše bolje u istovetnoj situaciji. Veštačke neuronske mreže danas se koriste za naučna istraživanja kao što su projektovanje novih proizvoda i tehnologija, procesiranje podataka, modeliranje rada sistema, upravljanje, prepoznavanje likova, planiranje i dijagnostika itd. U visokom stepenu predstavljaju pojednostavljen model ljudskog mozga, a definisane su kao grupa međusobno povezanih procesuirajućih elemenata (neurona) čiji je način rada sličan stvarnim ljudskim neuronima. Zahvaljujući paralelnom procesiranju podataka, veštačke neuronske mreže su korisne za rešavanje problema gde ne možemo da pronađemo rešenje uvođenjem unapred poznatog algoritma ponašanja, ali možemo da nađemo dosta podataka – primera (uzoraka) o prirodi problema koji istražujemo.

Kako ih učite i naučite da ubuduće same uče?

Miljković: Veštačke neuronske mreže su snažan paralelno povezani procesor koji ima prirodnu sposobnost prikupljanja znanja iz eksperimentalnih podataka i korišćenje toga slično ljudskom mozgu. Zbog toga je obuka jedan od najvažnijih delova osmišljavanja budućeg neuronskog modela. Neuronska mreža mora da nauči kakva je funkcionalna veza između promene ulaza i tako izazvane promene izlaza, a još važnije je da to „uči s razumevanjem”. Mora da bude obučena da pronađe ili „iskopa” suštinski važno znanje o pojavi ili procesu.

Ko je smislio i načinio prvu veštačku neuronsku mrežu? Čemu je služila?

Aleksendrić: Izučavanje ljudskog mozga i njegovog rada traje hiljadama godina. Nastanak veštačkih neuronskih mreža vezuje se za 1943. i pionirski rad matematičara Voltera Pitsa i neuropsihijatra Vorena Makaloka, a ne smemo zanemariti ni psihologa Donalda Hebsa (knjiga „Organizacija ponašanja” 1949) koji je prvi uočio da, ukoliko su dva neurona u kontaktu aktivnija, sinaptička veza između njih se pojačava. Drugim rečima, kada nešto učimo kroz veći broj ponavljanja, mi ojačavamo veze u neuronskim vezama mozga i time podstičemo učenje („Ponavljanje je majka mudrosti”). Frenk Rozenblat, neuropsihijatar sa Univerziteta Kornel, 15 godina posle prve dvojice započeo je rad na „perceptronu”, što se smatra prvom praktičnom primenom ili pokušajem primene veštačkih neuronskih mreža.

A današnja najsloženija? Koliko su se naučnici približili ostvarenju zavetnog cilja – veštačkom ljudskommozgu?

Miljković: Veštački ljudski mozak je i dalje teško ostvariv, s obzirom na ogromnu teškoću vernog predstavljanja 100 milijardi neurona, od kojih svaki uspostavlja oko 10.000 veza sa susedima. Ovakav matematički aparat nije još napravljen u veštačkim uslovima jer ima ogroman broj, kako bismo u tehnici rekli, stepena slobode da nauči i opiše najsloženije pojave i procese. Razvoj minijaturnih verzija, namenjenih pojedinim specifičnim namenama može se smatrati mnogo bližim ciljem. Na Mašinskom fakultetu osmišljavamo dinamičke neuronske modele koji opisuju rad složenih delova motornih vozila, kao što je to kočioni sklop, ili autonomno kretanje mobilnog robota u ispitivanju tehnološkog okruženja.

Može li se veštački dočarati tajanstveno pucketanje koje opstrujava živcima u mozgu? Da li je takav naučni poduhvat ostvarljiv?

Aleksendrić: Pucketanje izazvano prenosom elektrohemijskih signala kroz sinaptičke veze u toku rada ljudskog mozga nije od primarne važnosti za funkcionisanje budućih veštačkih neuronskih modela, ali bi bilo lepo i to simulirati.

Stanko Stojiljković

objavljeno: 04/09/2010

Nastavak na Politika... 0 0

Dodajte komentar