Rețelele Neuronale și Instruirea Lor Teorie și Aplicație

1 Introducere

Sistemele hibride implică folosirea combinată a unor tehnici, aspecte şi modele diverse în scopul obţinerii unor performanţe ale ansamblului mai bune decât cele oferite de fiecare soluţie considerată separat.

Prin sisteme hibride inteligente se va înţelege acea clasă a sistemelor hibride care folosesc combinaţia a cel puţin două paradigme ale inteligenţei artificiale.

Motivaţia folosirii sistemelor hibride inteligente este simplă: deşi diversele tehnici inteligente (reţele neuronale, algoritmi genetici, logica fuzzy, calcul evolutiv, sisteme expert) oferă rezultate încurajatoare în soluţionarea unor probleme cu grad ridicat de particularizare, anumite probleme complexe nu pot fi soluţionate prin intermediul unei singure tehnici inteligente. De exemplu, reţelele neuronale sunt folosite cu succes în recunoaşterea tiparelor, dar nu pot oferi explicaţii în ceea ce priveşte luarea deciziei.

Pentru a putea compara performanţele sistemelor inteligente este necesară definirea unor proprietăţi ale acestora:

a) Achiziţia cunostinţelor

Reprezintă o etapă crucială în dezvoltarea sistemelor inteligente. Ca proces, implică interpretarea şi reprezentarea cunoştinţelor pentru un domeniu specific.

În cazul sistemelor expert această etapă necesită timp îndelungat, este costisitoare şi uneori nefiabilă.

Din acest punct de vedere, tehnici de genul RNA sau algoritmilor genetici, care pot învăţa direct din domeniul detelor de intrare, au anumite avantaje.

b) Fragilitatea

Holland introduce termenul de fragilitate (“brittleness”) a unui sistem inteligent cu referire la funcţionarea sistemului într-un domeniu îngust şi în condiţii de operare limitată. Un aspect al acestei probleme îl constituie şi incapacitatea unui sistem inteligent de a opera având la dispoziţie cunoştinţe inexacte, incomplete sau lipsite de consistenţă.

Având în vedere modul distribuit de reprezentare a cunoştinţelor, RNA prezintă anumite avantaje în acest sens. Chiar dacă o parte din neuroni nu mai sunt operaţionali, restul RNA va funcţiona independent şi va furniza într-o oarecare măsura, răspunsul corespunzător.

Sistemele fuzzy rezolvă problema fragilităţii printr-o abordare specifică a reprezentării cunoştinţelor şi a metodelor de raţionament. Conoştintele sunt reprezentate prin mulţimi fuzzy care permit introducerea unor delimitări vagi între concepte. Acest mod de reprezentare a datelor, în conjuncţie cu mecanismul de raţionament fuzzy permit procesarea datelor inexacte sau parţial corecte.

c) Raţionamentul de nivel ridicat şi cel de nivel scăzut

Existenţa unor procese de prelucrare a informaţiei, paralele şi de nivel scăzut, respectiv secvenţiale şi de nivel ridicat, a fost pusă în evidenţă în comportamentul uman de către diverşi cercetători.

Sistemele expert s-au dovedit modele plauzibile pentru descrierea sarcinilor cognitive de nivel înalt (ex.: generarea şi înţelegerea limbajului). În contrast, RNA au proprietăţi complementare: sunt potrivite în modelarea recunoaşterii tiparelor, de exemplu în sarcini de procesare vizuală, dar sunt inapte pentru modelarea sarcinilor cognitive secventiale de nivel înalt.

Similar RNA, sistemele cu logica fuzzy sunt potrivite sarcinilor ce presupun un nivel scăzut al raţionamentului.

d) Explicarea deciziilor

Posibilitatea furnizarii către utilizator a unor explicaţii privind procesul de raţionament este o trăsătură importantă a sistemelor inteligente. Explicaţiile sunt necesare pentru validarea de către utilizator a soluţiilor generate de către sistemul inteligent, de exemplu în generarea automată a diagnosticelor medicale.

În sistemele cu logică fuzzy decizia finală este generată prin agregarea deciziilor tuturor regulilor de inferenţă existente în baza de reguli. În astfel de sisteme obţinerea lanţului de inferenţe nu este facilă, dar regulile în format “DACĂ -ATUNCI” sunt uşor de înţeles de utilizator.

Algoritmii genetici, în special în forma sistemelor pentru clasificare pot construi modele de raţionament sub forma unor reguli. Ca şi în cazul sistemelor expert, este posibilă urmărirea lanţului de inferenţe şi furnizarea într-un anumit grad a unor explicaţii referitoare la procesul de gândire.

În contrast cu sistemele mai sus mentionate, RNA nu au, în general, posibilitatea de a oferi explicaţii, aceasta întrucât cunoştintele RNA nu sunt explicite şi nici nu există o structură de reprezentare declarativă a cunoştinţelor; dimpotrivă, cunoştintele sunt cedate sub forma ponderilor distribuite în întreaga RNA.

Tab. 1. prezintă proprietatile enumerate mai sus aferente fiecarei tehnici inteligente.

Tab.1 Proprietati ale diferitelor tehnologii ale inteligentei artificiale.

***** - foarte bun; *- foarte prost

2 Algoritmi genetici. Strategii de evoluţie. Programare evolutivă

2.1 Introducere