img016

16

2.3. Aktualne kierunki badań i zastosowań sieci neuronowych

raz doskonalszych modeli pamięci biologicznej. Do wieloletniej tradycji należą także ścisłe związki łączące problematykę sieci neuronowych z dziedziną tak zwanej sztucznej inteligencji, a zwłaszcza modnych ostatnio systemów ekspertowych. Rozważa się zresztą sieci neuronowe jako generalnie nową technikę obliczeniową, zarówno cyfrową, jak i analogową, oceniając jej efektywność i proponując jej ogólne modele.

Najczęstszym obszarem ogólniejszych badań angażujących sieci neuronowe są prace nad algorytmami automatycznego uczenia się maszyn i ich zdolności do uogólniania nabywanych doświadczeń. Trwają poszukiwania generalnej strategii sterowania uczeniem, podejmowane już w najwcześniejszych pracach [Hebb60], ale ostatnio znacząco rozwinięte i uzupełnione interpretacją geometryczną. Proces uczenia badany jest z punktu widzenia optymalizacji funkcji błędów popełnianych przez sieć, przy czym dokonuje się oceny tego procesu zarówno z punktu widzenia efektywności obliczeniowej, jak i z punktu widzenia czasu wymaganego do osiągnięcia stanu pełnego nauczenia. Zagadnienie to bywa niekiedy rozważane w powiązaniu z tak zwanymi algorytmami genetycznymi, stanowiącymi nową propozycję w zakresie automatyzacji programowania komputerów. Szczególnie ciekawe i trudne zagadnienia uczenia wynikają w kontekście sieci wielowarstwowych, gdzie znaczący postęp uzyskano dopiero w drugiej połowie lat 80-t.ych [Rume86).

Obecnie rozpatrując uczenie sieci wyróżnia się zwykle uczenie sterowane, szczególnie sugestywnie przedstawione w pracy [ClrosOO], ale rozważane także w innych publikacjach oraz uczenie „bez nauczyciela” [VVidr75j, bardziej wiarygodne biologicznie, lecz mające ograniczoną przydatność w technice. Spośród licznych metod uczenia najpowszechniej stosowaną i posiadającą najobszerniejszą literaturę jest metoda wstecznej propagacji błędów, opisana w rozdziale 4, a wykorzystywana obecnie powszechnie, czego dowodem są liczne prace oparte na tej metodzie. Metoda ta jest bardzo skuteczna w praktycznych zastosowaniach, jednak sprawa jej biologicznego prawdopodobieństwa jest wciąż problematyczna.

Sieci neuronowe mają liczne i różnorodne zastosowania poza techniką, na przykład w ekonomii. O wielu z nich będzie jeszcze mowa na kartach tej książki w kontekście omawiania struktury i funkcji konkretnych sieci. Teraz warto jednak wymienić ważniejsze kierunki tych zastosowań bez konkretnej dyskusji o sposobie ich praktycznej realizacji.

1. Predykcja. Sieci neuronowe są często wykorzystywane do tego, aby na podstawie pewnych danych wejściowych przewidywać określone dane wyjściowe. Przykładami tego typu zastosowań mogą być: ocena zdolności kredytowej podmiotów gospodarczych, prognozy ekonomiczne rozwoju przedsiębiorstw, prognozy zmian rynku, automatyczne sterowanie obiektów ekonomicznych na podstawie przewidywania (predykcji) ich zachowania w odpowiedzi na sygnały sterujące. Ważną zaletą sieci neuronowych jako urządzeń prognozujących jest fakt, że w wyniku procesu uczenia sieć może nabyć zdolności przewidywania wyjściowych sygnałów (odpowiedzi systemu ekonomicznego) wyłącznie na podstawie obserwacji tak zwanego ciągu uczącego (t.j. określonej liczby sekwencji sygnałów wejściowych i wyjściowych stanowiących materiał empiryczny z przeszłości) bez konieczności stawiania w sposób jasny hipotez o naturze związku pomiędzy wejściowymi danymi, a przewidywanymi wynikami. Innymi słowy sieć może nauczyć się prognozować sygnały wyjściowe także wtedy, gdy korzystający z niej badacz nie wie nic o naturze związków łączących przesłanki z wnioskami. Wykorzystano to z powodzeniem do gry na giełdzie, gdzie odpowiednio trenowana sieć neuronowa potrafiła z ponad 70% prawdopodobieństwem wskazywać korzystne lokaty kapitału, prognozować hossę i bessę, przewidywać prawdopodobne kursy akcji na kilka dni naprzód itd.