2017. január 8. vasárnap, 10:47
mesterséges intelligencia, iLex, Kása Richárd
Az iLex Systems Zrt. és együttműködő partnerei által indított jogi technológiai sorozat idei első cikkében dr. Kása Richárd, a BGE Kutatóközpontjának tudományos munkatársa mutatja be, miként képes a mesterséges intelligencia innovatív módon és kreatívan gondolkodni.

Szándékaink szerint előző cikkünket azzal folytattuk volna, hogy milyen előzmények és körülmények mellett hogyan lesz használható a mesterséges intelligencia az innováció mérésére és javítására, s hogyan teheti majd sikeresebbé a mai digitális feltörekvő vállalkozásokat. Jó pár olvasói levél érkezett azonban, amelyben azt kérték, hogy – ha már a témánál vagyunk – írjunk bővebben arról is, hogy hogyan működik a mesterséges intelligens agy, azaz mi is pontosan a mesterséges neurális háló?

A neurális rendszerek használata műszaki területeken és az informatikában meglehetősen elterjedt a huszadik század végére, működésük leírásában alapműnek számít Rumelhart – McClelland 1986-os és Kohonen 1982 munkája.

A mesterséges neurális háló egy olyan speciális információfeldolgozó rendszer, amely nagyszámú egyszerű processzáló elemből, ún. idegsejtből áll, melyek sűrűn összekötöttek, párhuzamos felépítésűek csakúgy, mint az emberi agyban lévő biológiai neuronok: elosztott adatfeldolgozásuk révén tanulási, általánosítási és zajtoleráló képességekkel rendelkeznek. Az összeköttetések változó numerikus értékekkel rendelkeznek. Ezen súlyok, illetve a neuronok topológiája képviselik a rendszer tudásbázisát, módosításuk a számítás, a tanulás alapja. Ilyen módon a háló a tanulási szabályok és a tárolt információ visszahívásának folyamata, paramétereiket és felépítésüket – válaszul a korábban megszerzett információkra – változtatni tudják.

A rendszer egyszerű, de nagyszámú neuron együttese képes bonyolult nemlineáris leképzéseket produkálni. Ez az információ feldolgozó rendszer tehát az emberi agy analógiájára működik, topográfiájának alapegysége a neuron, mely nagymértékben hasonlít az emberi agy neuronjaihoz, annak leegyszerűsített sémája.

Az agy az ember elsődleges információ feldolgozó egysége. Képes tanulni, nagyságrendekkel gyorsabb, mint a jelenlegi processzorok, hibatűrő képessége kiemelkedő. Az agy fő feldolgozó egységei a neuronok, az idegrendszer alapegységei, ingerületképzésre és ingerületvezetésre specializálódott sejtek. Az idegsejtek az idegszövet meghatározó sejtjei, melyeket gliasejtek vesznek körül.

A következő két ábra jól szemlélteti a biológiai és a matematikai információ-feldolgozási folyamat azonosságait és eltérőségeit!

Tekintsük először a biológiai neuront! A lenti ábrán két motorikus neuron kapcsolata látható: a jelet küldő preszinaptikus sejt, és a vele kapcsolatban lévő, jelet vevő posztszinaptikus sejt. Jól látható a neuron két fő részre különülése: A neuronok fő tömegét a sejttest képezi. A plazmából hosszabb-rövidebb nyúlványok indulnak ki.

A dendritek (a rövidebb nyúlványok) más sejtektől veszik át az ingerületet és továbbítják a sejttest felé.

Az axon (a hosszabb nyúlvány), amelyből neurononként általában csak egy van, az ingerületet a sejttest felől az axonvég felé vezeti. Amíg a neuron sejttestét és dendritjeit csak az ektoplazmatikus (plazmán kívüli) membrán határolja, addig az ugyancsak ektoplazmatikus membránnal borított axon körül az idegszövet támasztósejtjei velőshüvelyt alakítanak ki.

A velőshüvellyel körülvett axon az idegrost.

És most nézzük a mesterséges intelligens információ-feldolgozást! A mesterséges (matematikai) neuron működése logikailag megegyezik a biológiai neuronnal. Olyan egység, amely különböző súlyozott kapcsolatokon keresztül kap információkat, melyeket különböző függvényekkel dolgoz fel és továbbít.

A különböző függvények információ-feldolgozása úgy történik, hogy az n súlyozott bemenetet és egy konstansra választott bemenetet (bias) egy összegzés és valamilyen – általában nemlineáris – függvény követ.

Ezt az összegzést és a függvényt szokás transzfer függvénynek is nevezni.

A neuron rendelkezhet akár lokális memóriával is, amelyet például késleltetéseken, visszacsatolásokon, lineáris szűrőkön keresztül érhetünk el.

Az idealizált mesterséges neuronon a sejttest a feldolgozóelem (szóma), ingerületnek tekinthetjük a kapott xi(t) és a továbbított o(t) információt, az axonnak a dendritekkel és szinapszisokkal együtt az irányított kapcsolatok, a szinapszisok erejének pedig a wi súlyok felelnek meg (Kasabov, 1998).

A mesterséges neuron esetében a konfluencia művelet nem más, mint az új információ.

Az ilyen neuronokból felépülő rendszert nevezzük (mesterséges) neurális hálónak.

A mesterséges neurális hálózatok legfontosabb tulajdonsága tanulási képességük: környezetükből tanulni tudnak, tanulással javítják képességeiket. (Magáról a tanulási folyamatról egy későbbi cikkünkben majd részletesen írunk.)

Források

  • Rumelhart, D. E. & McClelland, J. L. Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Cambridge, MA: MIT Press, 1986.
  • Kohonen, T. „Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, 1982: 59-69.
  • Tarsoly, Emil. Funkcionális anatómia. Edge 2000, 2004.
  • Kasabov, Nikola K. Foundations of Neural Networks, Fuzzy Systems and Knowledge Engineering. Massachusetts: A Bradford Book, MIT Press, 1998.
  • Retter, Gy. Fuzzy, neurális, genetikus, kaotikus rendszerek. Budapest: Akadémiai Kiadó, 2006.
  • Zahedi, F. Intelligent systems for business: Expert systems with neural networks. Belmont: Wadsworth Publications Co., 1993.
  • Zell, A. Simulation neuronaler Netze. Bonn: Addison-Wesley, 1994.
  • Kosko, B. „Fuzzy associative memories.” In Fuzzy expert systems, szerkesztő: A. Kandel. Reading, MA: Addison-Weley, 1987.
  • Borgulya, István. Neurális hálók és fuzzy rendszerek. Budapest-Pécs: Dialóg Campus Kiadó, 1998.

dr. Kása Richárd PhD
tudományos munkatárs
BGE Kutatóközpont


Cég és szolgáltatás kereső
Twitter megosztás Google+ megosztás
A szerkesztő ajánlja