Искусственный интеллект: популярное введение для учителей и школьников

Редакционное примечание 1. Уважаемые коллеги! Как и в прошлом номере, нумерация рисунков и таблиц сквозная, продолжающая нумерацию № 21. В одном из прошлых номеров мы использовали уникальную нумерацию в пределах одной статьи, что в дальнейшем, к сожалению, создало неудобства. Приносим извинения.

Редакционное примечание 2 (почти шутливое). Приведенные в статье примеры основаны на реальных данных, но с точки зрения школьной информатики имеют исключительно академический характер, и не имеют никакого отношения к политическим взглядам автора и редакции.

Нейросетевой детектор лжи

Правду ли говорит ребенок, обычно легко определить по выражению его лица, движению глаз, покраснению кожи. Ложь взрослого человека выявить значительно труднее. Если измерять давление крови, то можно выяснить, что у одних людей, говорящих неправду, оно повышается, а у других — наоборот, понижается. То же самое может происходить с пульсом, дыханием, движением глаз.

Рис. 13. Экран полиграфа с графическим изображением физиологических параметров, отражающих состояние человека

В следственной практике МВД России в настоящее время применяются полиграфы, система датчиков которых измеряет от четырех до десяти физиологических показателей, таких, как пульс, артериальное давление, частота и глубина дыхания, электросопротивление участков кожи и др. Эти параметры в реальном времени отображаются на экране монитора (рис. 13) в виде пульсирующих кривых. Заключение о правильности ответа подследственного дается компьютерной программой, анализирующей получаемые кривые с помощью набора правил, обобщающих исследования психологов, физиологов и специалистов в области инструментальной детекции лжи.

Ненадежность заключения, вырабатываемого таким детектором лжи, обусловлена тем, что к разным людям, по-разному реагирующим на стрессовые ситуации, применяется одна и та же система решающих правил. Так, широко распространенный в МВД России полиграфный аппарат системы “Эпос” дает правильные заключения только в 70% случаев. Поэтому, помимо компьютерной программы, специалисты-полиграфологи вынуждены применять систему дополнительных, весьма трудоемких и кропотливых приемов. В результате степень объективности заключения об истинности ответов в значительной мере зависит от грамотности, компетентности и моральных качеств специалиста, проводящего опрос.

Нейросетевые технологии позволяют по-новому подойти к проблеме построения детектора лжи. Они позволяют создать компьютерную программу, которая может настраиваться на каждого конкретного человека и учитывать индивидуальные особенности его организма.

Принципиально задача выявления признаков лжи с помощью нейросетевых технологий ничем не отличается от задачи медицинской диагностики, рассмотренной ранее. В качестве входного вектора персептрона Х можно использовать тот же набор параметров, что и в стандартном полиграфе. Выходной вектор D целесообразно принять состоящим всего из двух параметров (как на рис. 14): d₁ = 1, d₂ = 0, если опрашиваемый человек сказал правду, и d₁ = 0, d₂ = 1, если он лжет. Можно также использовать персептрон с одним-единственным выходом, значение которого d = 0, если человек говорит правду, и d = 1, если он лжет.

Множество обучающих примеров формируется в результате предварительных бесед оператора-полиграфолога с обследуемым человеком. Оператор задает вопросы, ответы на которые ему известны. С опрашиваемого человека во время ответов снимаются физиологические параметры, формирующие входной вектор X_q. Выходной вектор D_q формирует оператор, сопоставляя полученные ответы с тем, что ему заранее известно.

Рис. 14. Принципиальная схема нейросетевого детектора лжи

Накопив достаточное количество примеров и обучив на них персептрон, можно задать опрашиваемому человеку тот вопрос, ответ на который интересует следователя. Система датчиков сформирует и передаст персептрону вектор X, а персептрон выдаст вектор Y, позволяющий сделать заключение об истинности полученного ответа. Причем, поскольку персептрон обучался на физиологических реакциях, сформированных самим подследственным, то логично ожидать, что заключение персептрона будет объективно учитывать индивидуальные особенности организма опрашиваемого человека, его индивидуальные физиологические реакции на ложь и на правду.

Приведенный способ создания настраиваемого детектора лжи обладает недостатком, заключающимся в повышенной трудоемкости. Дело в том, что для каждого обследуемого человека приходится заново формировать множество обучающих примеров (примерно 70–100 вопросов-ответов), а затем обучать персептрон на каждом таком множестве. После этого персептрон пригоден для тестирования только одного человека, на которого он был настроен.

Таким образом, указанный способ, с одной стороны, позволяет проводить обследование с учетом индивидуальных особенностей организма опрашиваемого человека, что существенно повышает степень объективности и качества выяснения истины, а с другой — этот способ требует больших трудозатрат. Поэтому его можно рекомендовать для особо важных и ответственных случаев, когда затраты на длительные предварительные беседы следователя с подследственным оправданны. Как показал наш опыт¹, такой нейросетевой полиграф обеспечивает правильные заключения более чем в 97% случаев.

Для увеличения производительности полиграфного аппарата можно настроить персептрон на некоторого “усредненного человека”. В таком детекторе лжи в качестве обучающего множества используются ответы нескольких человек, относящихся к различным психологическим типам (примерно 100 человек). Нейросетевой полиграф, обученный таким способом, может применяться вообще без проведения предварительных симптомокомплексных тестов. Опрашиваемому человеку сразу задаются интересующие следователя вопросы, и снимаемые с датчиков данные передаются на вход персептрона. Эксперименты показали, что такой полиграф способен делать до 85% правильных заключений. Это значит, что его надежность на 15% выше надежности применяемого в практике МВД полиграфного аппарата системы “Эпос”, работающего по принципам экспертной системы, т.е. путем обработки заложенных в него правил.

Коротко о главном

Персептрон можно обучить определять, правду ли говорит человек.

Рекомендации по проведению урока

Вопросы выявления лжи интересны для многих, и здесь важно использовать внимание школьников в нужном направлении. Мы рекомендуем рассказать о том, как производятся допросы в МВД России, указать на низкое качество применяемого там полиграфного аппарата “Эпос”, обеспечивающего всего 70% правильных заключений. Можно отметить, что эта проблема касается всех граждан России, т.к. никто не застрахован от некачественного тестирования на детекторе лжи. А потом предложить школьникам всем вместе (это называется мозговой штурм проблемы) подумать над тем, как создать более качественный полиграфный аппарат с помощью персептрона (и таким образом защитить граждан России от произвола силовых структур).

Школьники могут предложить разные варианты применения персептрона, в том числе те, которые приведены в учебнике:

— с индивидуальным обучением на конкретном опрашиваемом человеке,

— с обучением на большом количестве человек.

В первом варианте персептрон настраивается на индивидуальные особенности организма опрашиваемого человека, и поэтому его заключения обладают повышенной надежностью. Во втором варианте персептрон, обучаясь сразу на большом количестве людей, в конечном итоге настраивается на человека с усредненными физиологическими реакциями. Естественно, что его степень надежности несколько снижается, однако остается выше надежности полиграфа, применяемого в МВД РФ.

Можно обратить внимание, что проблема создания надежного детектора лжи существует не только в МВД. Детекторы лжи начинают применять в коммерческих фирмах и в государственных учреждениях для так называемого “скринингового тестирования сотрудников”, обычно проводимого при приеме на работу или при повышении в должности. Целью такого тестирования может быть борьба с коррупцией, борьба с воровством, защита от промышленного шпионажа, защита от происков конкурентов, выявление нелояльного отношения сотрудников, выявление “двойной игры” и др. Детекторы лжи пытаются применять в аэропортах для профилактики террористических актов. Есть попытки применения детекторов лжи в образовательных учреждениях и даже в быту.

Опыт показывает, что в зависимости от области назначения полиграфные аппараты нужно делать узкоспециализированными. У школьников могут появиться идеи относительно таких специализаций, и тут им можно предложить реализовать свои идеи при выполнении курсовых работ. Им можно посоветовать поинтересоваться (с помощью сети Интернет) о современном состоянии дел, сделать обзор имеющихся результатов, изложить свои идеи и, может быть, предпринять попытки их реализаций в курсовой работе.

В итоге учащиеся должны понимать принцип действия нейросетевого детектора лжи, как одного из интересных примеров применения нейросетевых технологий.

Вопросы и задания с ответами и комментариями

1. Чем можно объяснить низкую надежность полиграфного аппарата, применяемого в МВД РФ?

Ответ: Его низкая надежность обусловлена тем, что к разным людям, по-разному реагирующим на стрессовые ситуации, применяется одна и та же система решающих правил.

2. Сколько выходов должен иметь персептрон, предназначенный для распознавания признаков лжи в ответах человека?

Ответ: Можно использовать персептрон с одним выходом, значение которого d = 1, если человек говорит правду, и d = 0, если он лжет. Можно использовать два выхода: d₁ = 1, d₂ = 0, если опрашиваемый человек сказал правду, и d₁ = 0, d₂ = 1, если он лжет.

3. Подумайте над тем, как обучить нейросетевой полиграфный аппарат обнаруживать случаи, когда его пытаются обмануть.

Комментарий: Можно, например, добавить дополнительный выходной нейрон, выходной сигнал которого d₃ = 1, если имеет место попытка обмануть полиграфный аппарат, и d₃ = 0 в противном случае. Соответственно, нужно дополнить обучающее множество примеров случаями, для которых известно, что детектор лжи пытаются обмануть.

4. В каком виде хранятся знания в полиграфном аппарате, применяемом в органах МВД России, и в каком виде они хранятся в нейросетевом детекторе лжи?

Ответ: В полиграфных аппаратах, применяемых в органах МВД России, знания хранятся в виде набора правил, обобщающих исследования психологов, физиологов и специалистов в области инструментальной детекции лжи. В нейросетевом детекторе лжи знания извлекаются из примеров обучающего множества, кодируются и хранятся в виде сил межнейронных синаптических связей.

5. Какой принцип действия детектора лжи вам представляется наиболее перспективным? Почему?

Комментарий: Нейросетевой принцип действия представляется более перспективным, потому что в этом случае имеется возможность учесть физиологические особенности организма опрашиваемого человека. Кроме того, нейронная сеть способна извлекать из обучающих примеров и применять закономерности, которые специалистам-полиграфологам неизвестны.

Прогнозирование результатов выборов президента страны

Результаты выборов президента страны зависят от многих факторов. Это экономическая и политическая обстановка в мире, активность средств массовой информации, активность и степень политизированности самих избирателей, взаимоотношения и политические ходы партий, качество предвыборной кампании и многое другое. Учесть и правильно оценить влияние всех этих факторов на исход выборов чрезвычайно сложно. Но есть и такие факторы, которые определяются только самой личностью претендента в президенты. Это его возраст, пол, семейное положение, количество детей, род занятий, социальная принадлежность. Можно ли при построении прогностической программы ограничиться учетом только этих личностных характеристик претендента?

Одна из интереснейших попыток ответа на этот вопрос была предпринята студентами пермских университетов и описана в книге Л.Н. Ясницкого “Интеллектуальные информационные технологии и системы”. // Пермский ун-т. Пермь, 2007. В экспериментах использовалась нейронная сеть с пятью входами: — возраст претендента в президенты; — его происхождение (1 — из бедных, 2 — средний класс, 3 — интеллигенция, 4 — из богатых);
— семейное положение (1 — женат, 0 — холост); — количество детей; — основная область деятельности (1 — военная, 2 — политическая, 3 — общественная, 4 — экономическая). Сеть имела один выходной нейрон, выходной сигнал d которого мог принимать значение 1, означающее победу претендента на выборах и 0 — поражение.

Множество примеров, взятых из истории президентских выборов США и Франции, было разбито на обучающее (табл. 8), использованное для обучения сети, и тестирующее (табл. 9), предназначенное для проверки ее прогностических свойств. Естественно, что примеры тестирующего множества при обучении сети не использовались.

В табл. 9 в предпоследнем столбце d помещены желаемые выходы нейросети, т.е. те, которые имели место в истории США и Франции, а в последнем столбце — прогноз сети y, обученной на множестве примеров предыдущей таблицы. Как видно из последней таблицы, нейросеть, хоть и с погрешностью, но совершенно правильно “предсказала” победу Д.Кеннеди, А.Линкольну и Д.Эйзенхауэру, и поражение — М.Дукакису и Д.Макговерну. Это значит, что она смогла извлечь из весьма скромного обучающего множества некую скрытую закономерность и применить ее при тестовом прогнозировании.

Невероятно, но факт! Получается, что рейтинг претендентов в президенты стран практически не зависит от политической конъюнктуры, лозунгов, обещаний, политических платформ. Получается, что результат голосований в первую очередь определяется неким удачным сочетанием его субъективных личностных характеристик, которое выявила нейронная сеть.

Студентами пермских университетов, изучающими искусственный интеллект, была введена еще одна малообоснованная гипотеза. Они приняли допущение, что менталитет россиян не отличается от менталитета французов и американцев, и на предстоящих через год выборах президента своей страны россияне будут отдавать голоса, пользуясь аналогичными критериями.

Собрав необходимые личностные данные на возможных российских претендентов (табл. 10) и применив к ним обученную на французском и американском опыте нейронную сеть, пермские студенты выполнили прогноз президентских выборов в России на 2008 год (см. последний столбец табл. 10).

На рис. 15 эти прогнозы представлены в виде гистограммы. Если полученные в результате прогноза цифры рассматривать как сравнительный рейтинг претендентов, то можно заключить, что наибольшие шансы стать Президентом России нейронная сеть отдала Д.Медведеву, а наименьшие — Ю.Трутневу. Рейтинги остальных претендентов, занимая промежуточное положение, отличаются между собой незначительно.

Еще раз обратим внимание, что данный прогноз выполнен и опубликован в начале 2007 г., т.е. больше чем за год до выборов Президента России 2008 года. Политическая обстановка в то время складывалась так, что фамилию кандидата в Президенты России Дмитрия Медведева вообще мало кто слышал. Поэтому данные нейросетевого прогнозирования, хотя и были опубликованы в упомянутой выше книге, однако с комментариями о том, что к этому прогнозу “не стоит относиться серьезно”, потому что “прогноз выполнен в предположении, что избирательские менталитеты французов, американцев и россиян совпадают, что, по-видимому, неверно. Такой рейтинг был бы у претендентов на пост президента не в России, а в Америке или во Франции”.

Теперь, после того как Д.Медведев стал Президентом России, мы видим, что автор книги напрасно сомневался в результатах прогнозирования пермских студентов. Их нейронная сеть оказалась права. Прогноз результатов президентских выборов полностью подтвердился, что можно считать серьезным успехом метода нейросетевого математического моделирования.

В заключение отметим, что применение методов нейросетевого моделирования позволяет не только предсказывать будущие события, но и проводить их исследования, ставить над ними виртуальные эксперименты и в конечном счете активно влиять на них, изменять будущее под свои желания и интересы. Варьируя входными параметрами обученной нейронной сети и производя вычисления, можно получить ответы на многие вопросы, интересующие политтехнологов. Например, варьируя возраст политического деятеля и производя вычисления с помощью нейросети, можно проследить, как будет меняться его рейтинг со временем, обнаружить пики его популярности среди избирателей и выбрать момент, когда ему лучше всего уйти в отставку.

Так, на рис. 16 приведены результаты исследований нейросетевой модели, обученной как на зарубежном, так и на российском избирательском опыте. Анализируя полученные с помощью этой модели кривые, можно заключить, что пик популярности президента Д.Медведева придется на 50–55 лет, после чего он начнет резко падать. Рейтинг же В.Жириновского будет постоянно повышаться и к 80 годам может перевалить за 50%.

а

б

Рис. 16. Зависимость рейтинга Д.Медведева (a) и В.Жириновского (б) от их возраста

Проводя целенаправленные исследования нейросетевой модели, можно разработать рекомендации, каким образом тому или иному политическому деятелю изменить свой рейтинг. На рис. 17 приведены результаты моделирования различных возможных изменений в личной и политической жизни известного политического деятеля, кандидата в Президенты России на выборах 2004 г. Ирины Хакамады.

Как видно из гистограммы рис. 17, повторное участие в выборах увеличит число голосующих “За” до 8,4% (против исходных 3,5%), а вот третья попытка стать президентом страны, наоборот, приведет к снижению количества голосов до 1,7%. Смена партии на “правящую” приведет к падению ее шансов до нуля. Если Ирина Хакамада сменит свою деятельность с экономической на спорт или культуру, то ее рейтинг увеличится до 8,5% голосов. Если она изберет военную карьеру, то это принесет ей 17,5% голосов, а если станет преемником президента страны, то за нее будут голосовать 67,4% избирателей. Если она разведется, то ее шансы победить на выборах упадут до нуля. Если сменит пол, то ее рейтинг повысится до 5,5% голосов. Если заведет еще одного ребенка, то рейтинг возрастет до 9,6% голосов. Если она заведет двоих детей, то рейтинг повысится до 16,5%, а если троих — то до 24,1%. Если И.Хакамаде удастся радикальным образом повысить свою популярность, то она имеет шансы получить 47,8% голосов российских избирателей.

В заключение отметим, что не верить результатам прогнозирования, представленным на рис. 16 и 17, нет оснований, так как адекватность нейросетевой математической модели исследуемой предметной области проверена при тестовых испытаниях.

Отметим также, что, помимо прогнозирования президентских выборов, нейросетевые математические модели могут быть использованы для прогнозирования исходов любых видов голосований, например — выборов в законодательные собрания областей и краев, в академики РАН и др. Они могут быть использованы для выявления перспективных кандидатов, а также для разработки рекомендаций по изменению рейтинга выдвигаемых кандидатов.

Коротко о главном

Применение методов искусственного интеллекта позволяет выявлять и анализировать закономерности такого сложного политического явления, как президентские выборы.

Нейросетевые математические модели предназначены не только для пассивного предсказания будущих событий: побед или поражений. Исследуя эти модели и выявляя нужные закономерности, можно научиться понимать, каким образом следует оказывать активное влияние на эти будущие события, поворачивать их развитие в нужном направлении, создавать благоприятную ситуацию для достижения своих целей.

Рекомендации по проведению урока

На этом уроке делается разбор уникальной по своим результатам и оригинальности попытки прогнозирования результатов президентских выборов в России 2008 года. Случай интересен тем, что прогноз выполнен студентами пермских университетов, которые для обучения персептрона использовали опыт президентских выборов США и Франции, а затем использовали обученную на зарубежном опыте нейронную сеть для российских условий, и прогноз, выполненный и опубликованный более чем за год до российских выборов, оказался правильным. Выше приведены все исходные данные, которыми пользовались студенты, включая обучающее и тестирующее множества примеров, так что школьники в дальнейшем, когда они освоят аппарат нейромоделирования (выполнят лабораторную работу № 8), смогут самостоятельно повторить эксперимент пермских студентов. Более того, школьникам при выполнении лабораторной работы № 10, а также при выполнении своих курсовых работ будет предоставлена возможность более глубоко попрактиковаться в области применения нейросетевых технологий в политологии.

Желающим можно предложить уже теперь взять эту интересную тему в качестве курсовой работы и начать искать в сети Интернет статистические данные, касающиеся выборов, причем не обязательно президентских, но и, например, выборов в законодательное собрание края или области.

Если школьникам удастся собрать необходимые статистические данные, спроектировать и обучить нейронные сети, правильно прогнозирующие результаты выборов, то созданные таким образом программные продукты можно будет использовать для разработки полезных рекомендаций тем или иным политическим деятелям.

В результате школьники должны знать и понимать, каким образом нейротехнологии могут применяться в области политологии. Они должны проникнуться мыслью, что изучаемый ими инструмент предназначен не только для предсказания будущих событий: побед или поражений, но с помощью него можно оказывать влияние на эти будущие события.

Вопросы и задания с ответами и рекомендациями

1. Для чего нужно тестирующее множество примеров, и чем оно отличается от обучающего множества?

Ответ: Тестирующее множество примеров необходимо для проверки адекватности разрабатываемой математической модели моделируемой предметной области. Примеры тестирующего множества принадлежат той же предметной области, что и примеры обучающего множества, но отличаются от последнего тем, что не используются при обучении сети.

2. Попробуйте создать программу, прогнозирующую результаты президентских выборов в России, используя в качестве обучающего множества примеров отечественный опыт.

Рекомендация: См. лабораторную работу № 10.

3. Каким образом можно использовать обученную таким способом нейронную сеть для разработки рекомендаций политическим деятелям по повышению их рейтинга?

Ответ: Для этого надо подать на вход нейросети параметры интересующегося своим рейтингом политика и попробовать поизменять его параметры, наблюдая за тем, как будет меняться его рейтинг. Например, если на увеличение количества детей политика нейросеть будет отвечать повышением его рейтинга, то это и будет полезной рекомендацией для политического деятеля.

Невербальность и интуиция нейронных сетей

Нейронная сеть — это система, выполненная по образу и подобию человеческого мозга. Вполне естественно, что она наследует его свойства, причем как положительные, так и отрицательные.

Как и человеческий мозг, нейронная сеть способна получать знания из данных, обнаруживать скрытые в них закономерности. Но, как и человек, нейронная сеть не способна объяснять, как она это делает.

Архимед открыл свой закон, лежа в ванне, Ньютон — наблюдая за падением яблока. Оба ученых гениальным образом догадались, нашли истину, не объяснив, однако, как они это сделали.

Нейронная сеть, извлекая закономерности из данных, тоже способна получать знания, делать догадки, открывать законы природы. Но, так же как и человек, нейронная сеть не способна к четкой формулировке пунктов алгоритма, позволившего сделать то или иное умозаключение. Она не способна вербализовать свои выводы, т.е. объяснить их словами. Знания, которыми она обладает, невербальны, т.е. необъяснимы словами.

Согласно современным эзотерическим теориям, гений в момент озарения считывает информацию из параллельных миров, поэтому и не может выстроить логическую цепочку, не может объяснить, как он догадался. Нелепо было бы утверждать, что нейронная сеть в момент извлечения знаний проделывает аналогичную операцию. Поэтому моделирование деятельности мозга дает нам основания возразить против эзотерической теории познания. По-видимому, многие из феноменов, которые демонстрируют экстрасенсы, контактеры, шаманы, можно объяснить свойством мозга извлекать информацию из неполных данных — свойством, которое удается моделировать с помощью нейронных сетей.

Известны случаи, когда нейронные сети демонстрируют феномен, называемый в жизни шестым чувством. Шестое чувство, или интуиция, — это способность человека делать правильные выводы и принимать правильные решения, руководствуясь информацией, которой для логического объяснения таких выводов и решений недостаточно. Обычно считается, что шестым чувством в большей степени обладает женская половина человечества. Очень часто женщины совершают поступки и принимают решения, которые мужчины с точки зрения их традиционной логики объяснить не могут. И нередко такие поступки и решения оказываются единственно правильными.

Нейронные сети с успехом извлекают знания при анализе информации, из которой, казалось бы, эти знания извлечь невозможно. В упомянутой ранее книге Л.Н. Ясницкого “Введение в искусственный интеллект” приведен пример диагностики неисправностей авиационных двигателей по совокупности их полетных параметров. Феномен заключается в том, что, помимо всех прочих неисправностей, нейронная сеть диагностирует и такие, которые традиционными диагностическими методами, основанными на законах физики, выявить не представляется возможным. Так, дефект “стружка в масле” считается побочным и обнаруживается только после вскрытия авиадвигателя на испытательном стенде. Этот дефект не выявляется традиционными диагностическими методами, поскольку его наличие, по мнению специалистов, никак не влияет ни на один снимаемый с авиадвигателя полетный параметр. Тем не менее, несмотря на отсутствие какой-либо логической связи между этим дефектом и параметрами работы авиадвигателя, нейронная сеть обнаруживает скрытую от обычных (вербальных) методов диагностики закономерность и ставит правильный диагноз относительно наличия или отсутствия стружки.

Феномены подобного рода в практике применения нейросетевых технологий не являются редкостью. Особенно часто они наблюдаются при исследовании достаточно сложных объектов, когда нейронные сети выявляют связи и закономерности, о существовании которых специалисты, создавшие объект, не знают. Выявляются даже такие взаимосвязи и взаимные влияния, которые при поверхностном рассмотрении противоречат здравому смыслу специалистов и становятся понятными и объяснимыми только после более тщательного изучения объекта.

Способность принимать правильные решения, алгоритм принятия которых с точки зрения известных истин объяснить не представляется возможным, в жизни обычно называют интуицией, или шестым чувством.

Еще один пример проявления нейронной сетью свойства интуиции был рассмотрен выше при описании возможности создания нейросетевого детектора лжи. Предметной областью в данном случае являлся человек. Задача состояла в том, чтобы научить компьютер определять, правду ли говорит человек, отвечая на заданный вопрос.

Как отмечалось ранее, в следственной практике МВД России применяются полиграфные аппараты (детекторы лжи), регистрирующие от четырех до десяти физиологических параметров человека. Регистрируемые физиологические реакции (давление, частота пульса, глубина дыхания, электропроводность кожи и др.) в реальном времени отображаются на экране монитора в виде пульсирующих кривых. Оценка ответа опрашиваемого человека осуществляется компьютерной программой, анализирующей получаемые кривые с помощью набора правил, обобщающих исследования психологов, физиологов и специалистов в области инструментальной детекции лжи.

Однако существующие компьютерные программы, анализирующие полиграммы, не отличаются высокой надежностью. Так, широко применяемая в настоящее время система “Эпос” только в 70 случаях из 100 дает правильные уверенные заключения. По-видимому, низкая надежность современных полиграфных аппаратов является причиной того, что их заключения до сих пор не имеют юридической силы.

Выше была описана попытка применения нейронной сети, которую подключили к таким же датчикам, что и в штатном полиграфном аппарате “Эпос”. После обучения на 150 примерах реальных допросов нейронная сеть при тестировании дала правильные заключения в 85% случаев, т.е. на 15% больше, чем профессиональная программа.

Чем можно объяснить такое повышение надежности детекции лжи? Ведь компьютерную программу системы “Эпос” создавали грамотные психологи и физиологи. Ведь, помимо своих наблюдений, разработчики “Эпоса” заложили в свою программу результаты исследований не одного поколения ученых.

Объяснить этот феномен можно только тем, что нейронная сеть, анализируя результаты реальных допросов в пределах того же самого комплекса физиологических параметров, смогла выявить и использовать такие закономерности функционирования человеческого организма, которые ученым не были известны. Искусственный интеллект оказался сильнее естественного.

Невербальность знаний и шестое чувство нейронных сетей — это качества, вытекающие из самой их природы. Нет ничего удивительного в том, что нейронные сети, являясь моделями человеческого мозга, наследуют его свойства. Человеческий мозг по своей сути является невербальным объектом. В процессе эволюции тысячелетиями от мозга требовалось обрабатывать поступающую информацию, делать из нее выводы и принимать решения. Но при этом не требовалось давать какие-либо объяснения. Потребность в вербализации человеческих умозаключений появилась только в последнее тысячелетие, и далеко не каждый современный человек обладает способностью объяснять все свои поступки. Многие наши действия совершаются под влиянием эмоций, шестого чувства, не имеющего логических объяснений.

Возможно, дальнейшая эволюция человеческого мозга приведет его к еще более совершенной структуре, в которой алгоритм принятия решений и сами знания будут храниться в прозрачной для понимания форме. Но пока мы моделируем мозг, в котором знания представлены неявно. Они закодированы в виде матрицы сил синаптических связей. В отличие от экспертных систем, где имеется возможность проследить всю цепочку логического вывода, нейронная сеть не может ответить на вопрос, почему она пришла к тому или иному выводу. Это является недостатком нейросетевых технологий, и его преодолением занимаются многие ученые. Однако проблема вербализации нейронных сетей в полной мере пока не решена.

По мнению многих специалистов в области искусственного интеллекта, человеческий мозг, являясь самой сложной из известных в природе систем, не хочет раскрывать своих тайн. Подводя итог приведенным рассуждениям, отметим, что последняя фраза может быть отнесена и к моделям человеческого мозга — нейронным сетям. Но это совсем не значит, что их удивительными свойствами не следует пользоваться.

Коротко о главном

Персептрон, являясь моделью человеческого мозга, наследует его свойства, причем не только положительные, но и отрицательные.

К положительным свойствам относятся:

— свойство обобщения;

— свойство интуиции;

— свойство живучести, которое будет рассматриваться далее.

Отрицательным качеством является невербальность.

Рекомендации по проведению урока

Материал этого параграфа относится к теме философского осмысления научных результатов. Среди старшеклассников начала XXI в. редко можно встретить молодых людей, проявляющих интерес к глобальным вопросам мировоззренческого характера. Тем не менее можно сделать попытку кое-кого заинтересовать. Надо сообщить школьникам, что вопрос о том, можно ли вообще говорить о “шестом чувстве нейрокомпьютеров”, является спорным, что этот термин был впервые предложен автором их учебника и еще, что называется, как следует не устоялся. Можно предложить школьникам высказать свое мнение и завязать дискуссию. По-нашему мнению, итог дискуссии должен быть примерно таким: “Не важно, обладает нейрокомпьютер интуицией или нет. Важно, что он является универсальным инструментом для решения широкого круга сложнейших интеллектуальных задач, имеющих практическое значение”.

Второй вопрос этого параграфа касается невербальности нейронных сетей, т.е. их неспособности давать какие-либо обоснования и объяснения получаемым выводам, заключениям, прогнозам. Невербальность выводов, получаемых с помощью нейронных сетей, является серьезным их недостатком, осложняющим процесс “нахождения общего языка” с потребителями нейросетевой программной продукции. Дело в том, что для многих потребителей надо не только получить ответ на вопрос, но и обосновать, а иногда и доказать правильность вывода. Нейросеть же такой возможности не предоставляет.

Здесь можно задать школьникам вопросы:

— Можно ли вербализовать выводы, получаемые с помощью экспертных систем?

Ответ: Да.

— Каким образом?

Ответ: С помощью подсистемы объяснений экспертная система выводит на экран все правила, которые были задействованы при получении вывода. Читая последовательно эти правила, можно проследить всю логическую цепочку и понять, на основании чего сделан тот или иной вывод.

В заключение можно отметить, что проблема вербализации нейросетевых знаний, несмотря на актуальность и предпринимающиеся попытки специалистов, до сих пор не решена. Полезно предложить школьникам самим попробовать свои силы — подумать над тем, как решить эту проблему.

В итоге школьники должны понимать суть терминов “интуиция”, “шестое чувство” и “невербальность”, знать свойства, которые персептрон унаследовал от своего естественного прототипа — человеческого мозга.

Вопросы и задания с ответами и комментариями

1. Перечислите положительные и отрицательные свойства, которые персептрон наследовал от своего прототипа — человеческого мозга.

Ответ: См. выше.

2. Какие выводы, заключения, прогнозы называются невербальными?

Ответ: Невербальными называются выводы, заключения, прогнозы, которые невозможно объяснить словами.

3. Вспомните, каким образом вербализуются выводы, получаемые с помощью экспертных систем.

Ответ: В экспертных системах имеется подпрограмма, называемая “подсистемой объяснений”. Эта подпрограмма выводит на экран монитора последовательно те правила, которые были задействованы при получении логического вывода. В результате последовательного прочтения этих правил вся цепочка логического вывода становится понятной.

4. Подумайте над тем, как можно вербализовать нейросетевые знания.

Комментарий: Один из способов вербализации нейросетевых знаний, предложенный красноярскими учеными А.Н. Горбанем и Е.М. Миркесом, и состоит в последовательном упрощении (редуцировании) сети до такой степени, при которой она становится прозрачной для понимания выполняемых ею действий. Других способов вербализации нейросетевых знаний нам пока неизвестно. Если кто-либо из школьников предложит новый способ вербализации нейросетевых знаний, то об этом просим сообщить авторам учебного курса.

Круг решаемых задач

Список примеров практического применения нейросетевых технологий можно во много раз увеличить. Однако и те немногие, приведенные выше примеры убедительно показывают, что мы имеем универсальный и весьма эффективный инструмент для построения математических моделей самых разнообразных физических, технических, химических, экономических, социальных и другого рода объектов, процессов, явлений. Исследуя эти модели, мы можем решать широкий круг разнообразных практических задач. Так, если нам удалось построить математическую модель какого-то сложного технологического процесса, например, выплавки стали в электродуговой печи, или крекинга нефти в химическом реакторе, или производства электроэнергии на электростанции, то, исследуя математическую модель, изучая влияние входных параметров на выходные, можно решить задачу оптимизации моделируемого технологического процесса. Это значит, что можно подобрать оптимальное сочетание входных параметров, обеспечивающих, например, максимально высокое качество выплавляемой стали. Это значит, что можно рассчитать наиболее благоприятный ход химической реакции крекинга нефти. Это значит, что можно выбрать наиболее эффективный режим работы электростанции.

Аналогично решаются задачи оптимизации в сфере бизнеса и экономики. В этом случае выходом нейронной сети может быть некая целевая функция, имеющая смысл экономической эффективности предприятия: валового продукта, или прибыли, или рентабельности фирмы.

Если математическая модель является нестационарной, т.е. составлена с учетом фактора времени, то ее можно использовать для решения задач прогнозирования. Это значит, что с помощью математической модели можно узнать, какими будут технологические, экономические, социальные, политические и другие показатели моделируемого объекта или процесса в будущем и как на них можно повлиять, принимая те или иные меры сегодня.

Если математическая модель работает в реальном режиме времени, т.е. оперативно получает сведения о текущих изменениях параметров моделируемого объекта, если результаты математического моделирования могут быть оперативно переданы оператору, управляющему объектом, или могут быть непосредственно введены в приборы, дозирующие подачу руды, кислорода и других химических компонентов в электропечь, либо управляющие парамет­рами работы химического или ядерного реактора, то такая математическая модель будет решать задачу управления моделируемым объектом или процессом.

Наконец, если нейросеть вербализовать, то ее можно использовать для понимания явлений и процессов, происходящих в изучаемой предметной области.

Помимо перечисленных задач — понимания, оптимизации, прогнозирования и управления, как мы видели, персептрон может решать задачи распознавания и классификации образов, причем под образами понимают зрительные изображения, символы, тексты, запахи, звуки, шумы, наборы параметров (вектора), характеризующие состояние здоровья пациента или состояние технического устройства и пр.

Отметим, что во всех примерах построения нейросетевых математических моделей не требовалось знание и использование законов природы, экономики, общества. Вместо этого нужно было лишь подготовить обучающее множество примеров, содержащее статистические данные о предметной области. И если это множество примеров оказывается достаточно репрезентативным (представительным), то нейросеть сама извлекает закономерности, необходимые для формирования математической модели, адекватной рассматриваемой предметной области.

Коротко о главном

С помощью нейросетевых технологий можно решать задачи оптимизации, прогнозирования, управления, понимания моделируемых явлений, процессов, объектов, а также задачи распознавания и классификации образов.

Рекомендации по проведению урока

Изложив материал урока, рекомендуется предложить школьникам самим придумать задачи, которые можно решать с помощью нейросетевых технологий. Еще раз напомнить им, что в ходе выполнения лабораторных работ они освоят и получат в свое распоряжение компьютерную программу, с помощью которой можно проектировать персептроны и обучать их решению различных задач. Обяжите школьников (всех или выборочно по желанию) выполнить самостоятельную (курсовую) работу, заключающуюся в следующем.

1. Выбрать из предлагаемого ниже списка или придумать самим тему курсовой работы.

2. Сформировать множество обучающих и тестирующих примеров для выбранной предметной области. Примеры можно скачать из сети Интернет, взять из средств массовой информации, придумать самим, взять с какого-либо предприятия, например, с фирмы, где работают родители или знакомые. Последнее наиболее предпочтительно.

3. С помощью программы “Нейросимулятор”, которая будет освоена при выполнении лабораторной работы № 8, спроектировать и обучить персептрон. Путем тестирования (об этом будут даны объяснения позже) убедиться, что полученная нейросетевая модель адекватна моделируемому объекту, процессу, явлению.

4. Исследовать полученную нейросетевую модель: получить с помощью нее полезные выводы, зависимости, по возможности решить проблему оптимизации, прогнозирования, управления, понимания моделируемого явления, объекта, процесса.

Примечание. Пункты 3 и 4 задания школьники смогут выполнить после выполнения лабораторной работы № 8.

Список примерных тем курсовых работ

1. Интеллектуальный детектор лжи.

2. Интеллектуальный антиспамер.

3. Интеллектуальная система диагностики сложных технических устройств.

4. Интеллектуальная система диагностики здоровья человека.

5. Интеллектуальная система распознавания автомобильных номерных знаков.

6. Интеллектуальная система распознавания криминальных ситуаций по данным видеонаблюдений.

7. Интеллектуальная система оценки жилой недвижимости.

8. Интеллектуальная система оценки стоимости подержанных автомобилей.

9. Интеллектуальная система прогнозирования курсов валют, котировок акций и ценных бумаг (с учетом влияния различных факторов).

10. Интеллектуальная система оценки банковских рисков.

11. Интеллектуальная система оценки кредитоспособности физических лиц.

12. Интеллектуальная система выявления клиентов-мошенников страховых компаний.

13. Интеллектуальная система оценки вероятности банкротств организаций.

14. Интеллектуальная система прогнозирования расхода зданиями тепловой и электрической энергии.

15. Интеллектуальная система прогнозирования индексов потребительских цен.

16. Интеллектуальная система прогнозирования результатов голосований.

17. Интеллектуальная система прогнозирования результатов выборов президента страны.

18. Интеллектуальная система прогнозирования результатов выборов в законодательное собрание области, края.

19. Интеллектуальная система оценки шансов поступления абитуриента в вуз.

20. Интеллектуальная система-советчик выбора профессии.

21. Интеллектуальная система-советчик выбора партнера супружеской пары.

22. Интеллектуальная система прогнозирования пола будущего ребенка.

23. Интеллектуальная система поддержки принятия решений руководителя.

24. Интеллектуальная система формирования коэффициентов исхода спортивных матчей (прогнозирование букмекерских коэффициентов).

25. Интеллектуальная система распознавания лиц.

26. Интеллектуальная система прогнозирования результатов автомобильных гонок, скачек и пр.

27. Интеллектуальная система прогнозирования вероятности дорожно-транспортных происшествий.

Примечание. При выборе тем и выполнении курсовых работ полезно воспользоваться книгой “Пермская научная школа искусственного интеллекта и ее инновационные проекты”, авторы: Л.Н. Ясницкий, В.В. Бондарь, С.Н. Бурдин и др. Москва – Ижевск: НИЦ “Регулярная и хаотическая динамика”, 2008, а также литературой из списка трудов Пермской научной школы искусственного интеллекта, помещенного на сайте http://www.LbAI.ru.

Вопросы с ответами

1. В чем состоит задача оптимизации моделируемого объекта или процесса, и как она решается с помощью нейросетевых технологий? Приведите примеры.

Ответ: Задача оптимизации состоит в поиске параметров (размеров, характеристик), которые обеспечивают наиболее благоприятные свойства моделируемого объекта или наиболее благоприятный режим протекания моделируемого процесса. Решается эта задача путем построения и исследования математической модели соответствующего объекта или процесса. Например, определяется геометрическая форма строительной конструкции, обеспечивающая ее прочность при минимальном весе, или определяются параметры траектории полета самолета, обеспечивающие минимальный расход топлива.

2. В чем состоит задача прогнозирования поведения моделируемого объекта, явления, процесса, и как она решается с помощью нейросетевых технологий? Приведите примеры.

Ответ: Задача прогнозирования состоит в том, чтобы узнать, какими будут технологические, экономические, социальные, политические и другие показатели моделируемого объекта, явления или процесса в будущем и как на них можно повлиять, принимая те или иные меры сегодня. Решается эта задача путем построения и исследования математической модели соответствующего объекта, явления или процесса. Например, прогнозирование погоды, прогнозирование курсов валют, прогнозирование экономических показателей развития региона.

3. В чем состоит задача управления моделируемым объектом, процессом, и как она решается с помощью нейросетевых технологий? Приведите примеры.

Ответ: Задача управления состоит в том, чтобы влиять на объект или процесс путем оперативной передачи получаемых с помощью математической модели управляющих параметров. Эта задача обычно решается путем создания математической модели, работающей в реальном режиме времени, способной оперативно обмениваться с управляемым объектом или процессом входными и выходными параметрами. Например, управление режимом работы электростанции или управление полетом беспилотного самолета.

Возможен также более мягкий способ решения задачи управления, заключающийся в том, чтобы повлиять на будущие события, воспользовавшись результатами прогнозирования. Например, варьируя входными параметрами и решая для каждого набора входных параметров задачу прогнозирования, разработать рекомендации по повышению политического рейтинга какого-либо депутата и тем самым изменить в свою пользу результаты будущих депутатских (и даже президентских) выборов.

4. В чем состоит задача распознавания (классификации) образов, и как она решается с помощью нейросетевых технологий? Приведите примеры.

Ответ: Задача распознавания (классификации) образов состоит в том, чтобы определить, к какому классу относится предъявляемый образ. Причем под образом понимаются зрительные изображения, символы, тексты, запахи, звуки, шумы, наборы параметров (вектора), характеризующие состояние здоровья пациента или состояние технического устройства и пр. Например, распознавание символов с помощью программы FineReader, или постановка диагноза болезни пациенту по набору параметров, характеризующих его состояние здоровья, или определение вида неисправности технического устройства по комплексу его рабочих характеристик, таких, как температура, давление, уровень вибраций и пр.

Продолжение следует

---

1 Во всех рассмотренных здесь примерах практического применения нейросетевых технологий непосредственное участие принимали авторы учебного курса. Более подробно эти примеры описаны в книге: “Пермская научная школа искусственного интеллекта и ее инновационные проекты”; под ред. Л.Н. Ясницкого. Москва – Ижевск: НИЦ “Регулярная и хаотическая динамика”, 2008.