Стакан наполовину полон или наполовину пуст? :)

[DK]

Задача построения оптимизированного программного кода похожа на задачу игры в шахматы. Когда-то я пытался решить ее перебором всех возможных вариантов последовательностей машинных команд, пока не найдется последовательность дающая наилучший эффект. Это работало на очень коротких последовательностях. На длинных нет - требовалось очень много времени. Человек играет в шахматы не так - человек видит в позиции укрупненные объекты из множества фигур а не только отдельные фигуры. Человек видит различные системные элементы, типа как детали машины, выполняющие определенные функции, причем одни и те же функции могут выполняться самыми различными конфигурациями фигур.

Так вот слабость классического шахматного алгоритма в том что он НЕ РАСПОЗНАЕТ такие объекты в шахматной позиции. А если и распознает какие либо то очень жестко прописанные, не способен распознать одно и то же но проявленное в бесчисленном многообразии конкретных форм. Слабость классического шахматного алгоритма в том что он распознает только конкретные формы а не образы возникающие на этих формах.

Использование нейронных сетей позволяет решить эту проблему. Нейронные сети могут распознавать не заданные явно но возникающие из взаимодействия элементов объекты, как изображения появляющиеся на экране.

Когда человек смотрит на стакан из которого вытекает вода он может видеть как вода вытекает из стакана и... видеть как пустота заполняет стакан. В классических методах математического моделирования физических явлений всегда явно прописывается в формулах только "вода" и законы взаимодействия между "водами" но классический подход В УПОР не видит ПУСТОТЫ между "водами" и никак явно ее не описывает. Использование нейронных сетей позволяет преодолеть это ограничение и легко решать задачи ранее не решаемые на имеющихся выч. ресурсах.

[Andrew Lever]

А по моим сведениям, игра в шахматы для компьютера реализуется построением дерева вариантов, с отсечением малоперспективных. Самое главное в алгоритме - хорошо настроить оценочную функцию, которая учитывает силу фигур, динамику позиции, открытость короля, пешечные островки (конфигурации) и т.п.

[DK]

А по моим сведениям, игра в шахматы для компьютера реализуется построением дерева вариантов, с отсечением малоперспективных. Самое главное в алгоритме - хорошо настроить оценочную функцию, которая учитывает силу фигур, динамику позиции, открытость короля, пешечные островки (конфигурации) и т.п.

Ваши сведения верны. Вопрос здес вот в чем - дерево вариантов чего строит шахматный алгоритм? Так вот - это дерево варантов ходов ФИГУР. Шахматный алгоритм рассматривает фигуры и не видит абстрактных объектов состоящих из фигур и уж тем более не рассматрвиает варианты взаимодействия этих абстрактных объектов. И это полностью определяет слабые места классических шахматных алгоритмов.

хорошо настроить оценочную функцию, которая учитывает силу фигур, динамику позиции, открытость короля, пешечные островки (конфигурации) и т.п.

А вот в этом уже есть зачатки принципов по которым работают нейронные сети. Только очень примитивные зачатки. Оценочная функция подобна одному единственному нейрону. Между тем нейронные сети гораздо эффективней если они не только состоят более чем из одного нейрона но к тому же организованы в многослойные, и более того - в многомерные структуры.

Кстати шахматный алгоритм на основе нейронных сетей я возможно так же как пример реализую в недалекой перспективе. Но в первую очередь конечно реализую более насущные для моего практического применения вещи.

Вообще попытки оперирования абстрактными категориями были при создании различных высокоуровневых языков программирования, при создании объекто-ориентированного программирования. Но все же для того чтобы такой язык мог оперировать абстрактной категорией необходимо оперируемые данные представить в строго отформатированном для этого виде. До сих пор не существовало систем способных распознать абстрактные категории в неподготовленных реальных данных и оперировать с ними как с конкретными абстрактными объектами.

Например не существовало пока систем способных на фотографии обнаружить и определить диаметр колеса автомобиля. Хотя систем оперирующих геометрией и понятием диаметра достаточно - например автокад. В классических системах проблема состоит в том что реальные неподготовленные данные должны быть переведены человеком в строго конкретный формат, чтобы компьютерная система могла оперировать этими данными. А ведь абстрактные объекты могут быть не только в внешних источниках данных но и в данных порождаемых в работе самой компьютерной системы - и этих абстрактных объектов не видит ни человек ни компьютер - они все остаются за кадром, не могут быть использованы для оперирования.

Системы на основе нейронных сетей способны АВТОМАТИЧЕСКИ обнаруживать абстрактные категории В ЛЮБЫХ, неформатированнных, и не подготовленных специально для этого данных, в т.ч. в данных порождаемых работой самого компьютера, например в ходе анализа дерева вариантов в шахматах. Т.е. это не просто некий количественный прирост в возможностях. Это качественно новые возможности недоступные ранее.

[DK]

Вообще то что я написал выше означает что системы на нейронных сетях способны в некотором смысле "понимать" СОДЕРЖАНИЕ данных а не только обрабатывать данные ФОРМАЛЬНО.

Т.е. могут делть то чего не могут большинство участников этого форума:) Машина может то чего не могут большинство людей:)

[Dora]

Машина может то чего не могут большинство людей.

Я честно вчитывалась в посты Вайса...но я не чувствую там жизненного опыта в этих вопросах...

viewtopic.php?f=142&t=7163&p=533073#p533073

Люди понимают, что они слабы, перед стихиями, природой, перед другими людьми, поэтому "добирают" силу какими-то знаниями, навыками, ищут эти знания "чуйкой" и стремятся к ним... и перестают чувствовать и искать человека.