Neurala nätverk
Neurala nätverk kallas de anordningar -- att kalla dem maskiner vore fel, som vi skall se -- som genom att efterlikna den mänskliga hjärnan försöker vara intelligenta. Att detta är en mycket svår, för att inte säga omöjlig sak förstår alla, och neurala nätverk har också fått utstå allt större kritik under senare år. En del av denna kritik har varit rättvis: ett neuralt nätverk kan inte till 100% efterlikna den mänskliga hjärnan, men en stor del av den är felaktigt. För vissa applikationer är ett nätverk den enda realistiska lösningen. Det mest kända exemplet är bild-behandling, då man försöker få en maskin att se vad en bild består av.
Ett tidigt exempel på ett nätverk som klarade att känna igen föremål på bilder och som också ger en mycket enkel bild av hur ett nätverk fungerar var den amerikanska MINOS-serien. Den konstruerades för den amerikanska armén under 1960-talet och beskrivs i DDJ #157.
Det mest utmärkande draget för ett nätverk är att det kan lära sig saker -- det är inte bara bundet av den kunskap som programmerats in i det från början ""[not: Man kan tycka att detta är en egenskap som nätverket har gemensamt med expertsystemet. Så är dock inte fallet, eftersom ett nätverk helt på egen hand, bara genom att utsättas för det okända, kan lära sig det, medan ett expertsystem, för att på ett tillförlitligt sätt kunna lära sig nya saker, måste fråga användaren en massa, för att säkert veta att den nya kunskapen är riktig. ]
Rent praktiskt är ett nätverk uppbyggt av en mängd s.k. TLU (Threshold Logic Unit -- tröskelbundna logiska enheter) som har den egenskapen att de, då de kopplas till ett antal in-signaler, bara skickar en signal vidare om en majoritet av in-signalerna är satta. De fungerar alltså som ett vanligt neuron ""[se även Kaos i biologi]. TLU:erna är ordnade i flera lager, som ger signaler till varandra. I MINOS-systemet hade man t.ex. 63 stycken TLU i ett första lager, som fick sina in-signaler direkt från bilden man skulle studera, och 9 stycken i ett andra lager, där var och en var förbunden med 7 i det första lagret. Den stora fördelen med att på detta sätt dela upp behandlingen i flera lager är att man inte blir beroende av att alla TLU:er ger korrekta signaler: om en ger fel rättas den av sina granar. ""[Återigen en direkt överensstämmelse med hjärnans neuron.]
När man nu har nätverket uppe är allt som återstår att börja träna det. Detta går till på så sätt att man ger nätverket en bild, och ser vilken utsignal man får från det. Denna signal, som kan vara från 2 till 2Ü9=512 då man har nio TLU i översta lagret, jämförs med den som man vill ha. De bitar i den som är rätta lämnas åt sidan (det kan i och för sig vara så att en av de sju TLU som bestämmer den biten är fel, men det rättas i så fall av dess grannar, jfr ovan). För de övriga justerar man tröskelvärdena, alltså hur många in-signaler som krävs för att ge ut-signal, en liten aning och ser om det ger någon förbättring. Denna process fortsätter sedan tills man har en så perfekt som möjligt överensstämmelse -- systemet har lärt sig att känna igen bilden.
Men vad är förbindelsen mellan kaos och nätverk? Om kaos sluppe lös i ett nätverk borde all dess inlärda kunskap ju försvinna, kan man tycka. Så är det dock inte och kaos spelar -- eller kan spela -- en stor roll för den fortsatta utvecklingen av nätverk. Det som saknas i såväl MINOS som alla andra nätverk är nämligen ett tillstånd som människan känner igen väl: att inte kunna något. Med hjälp av kaos skulle man kunna -- viktigt att notera här är att detta är vad en forskare inom området anser, det är på intet vis något som accepteras av alla (men vad inom kaos-teorin är det?) -- få en TLU att, trots att den inte egentligen vet någonting, kunna leta sig fram och gissa vad den skall svara (*) . Om man kombinerar detta med att den frågar sina kamrater om vad de tror om det, och handlar utefter detta, skulle man kunna få ett system som behövde ännu mindre tid på sig att lära in nya saker och som skulle kunna känna igen nästan vad som helst åtminstone delvis.
- Noter
- Ett lite mindre luddigt sätt att beskriva det är att ge ett mer specifikt exempel. Antag att ett nätverk har lärt sig att skilja på rektanglar och kvadrater. Det känner dessutom igen punkter och linjer. Om det nu utsätts för en cirkel, skulle det inte kunna ge något resultat alls: den signal man får från det skulle vara rent slumpmässig. Antag nu att man hade en viss del kaos i nätverket. Nu kanske en del TLU:er skulle känna igen cirkeln som något som är en blandning av punkter och besynnerliga, böjda linjer. Aha! skulle en annan TLU tänka: linjer. När sedan en annan har oberverat att linjerna ligger i ett mönster som liknar en kvadrats (de omsluter helt en yta), skulle nätverket kunna ge en utsignal som är nästan likadan som den för en kvadrat, men som skiljer sig på en del punkter. Och på detta sätt skulle nätverket slälv ha lärt sig hur en cirkel ser ut.
- även om exemplet med en kvadrat som ger en cirkel kan tyckas vara svårt, är det relativt lätt att på samma sätt lära ett nätverk att känna igen en ellips om det vet vad en cirkel är eller en rektangel om det kan kvadraten.