Neuronske mreže
UVOD
Suština inteligencije ali i mogućnost konstruisanja "inteligentnih mašina" koje bi
mogle samostalno da rade, oduvek je privlačila ljude. Još su se mislioci u antičkoj Grčkoj
bavili pitanjima inteligencije, znanja i pravilnog zaključivanja. Vekovima kasnije, Lajbnic i
Paskal pokušavali su da konstruišu mehaničku računsku mašinu za sabiranje. Tridesetih
godina prošlog veka, objavljeni su radovi iz oblasti matematičke logike i iznošene mogućnosti
konstruisanja univerzalnog transformatora informacija. Međutim, tek nekih dvadesetak
godina kasnije, tačnije pojavom prvih računara, možemo govoriti o "inteligentnim
mašinama".
U početku su se računari koristili uglavnom za izvršavanje računskih operacija ali vrlo
brzo je uočeno da oni mogu mnogo više, pa čak i da preuzmu vršenje određenih intelektualnih
operacija. Povoljni rezultati istraživanja naveli su neke od naučnika da daju preuranjene izjave
kako se ubrzo može konstruisati "misleća mašina" ili "elektronski mozak".
Ova konstatacija bliska je i tzv. Tjuringovoj tezi, poznatoj u računarskim naukama,
koja tvrdi da sve ono što može da se izračuna pomoću bilo koje mašine, uključujući na ovaj
način i mentalne procese u mozgu, takođe može da se izračuna i pomoću personalnih
računara, pa se inteligencija svodi na iznalaženje dovoljno dobrog programa za njih.
Polazeći od ovakvog načina razmišljanja, može se malo bolje razumeti kakvu su
predstavu pioniri u ovoj oblasti imali o veštačkoj inteligenciji. Pedesetih godina XX veka
smatrali su da će računari vrlo brzo postati šampioni sveta u šahu, da će otkriti i dokazati neku
novu i značajnu matematičku teoremu kao i da će pisati takvu muziku koja će doživeti sve
pohvale muzičkih kritičara. Smatrali su i to da će većina teorija u psihologiji biti u formi
kompjuterskih programa. Zato je polovinom prošlog veka veštačka inteligencija bila je
između fantastike, mašte, potencijalnih mogućnosti i praktičnih ostvarenja.
Vremenom su ipak postignuti određeni rezultati koji su našli svoju raznoliku primenu i
tako veštačka inteligencija postaje interesantna za veliki broj naučnika u različitim oblastima.
Današnji računari, napravljeni od silicijumskih poluprovodnika povezanih bakarnim žicama,
mogu veoma efektno, efikasno i neverovatno brzo da rešavaju probleme koji prema
postojećim teorijama spadaju u domen inteligencije. U sprezi sa računarima, mašine postaju
sposobne da rade samostalno oslobađajući čoveka fizičkog i monotonog rada, prepuštajući mu
rad na složenijim i kreativnijim poslovima.
Jedna od bitnih odlika prirodne ali i veštačke inteligencije jeste sposobnost učenja,
odnosno obučavanja. To se može vrlo uprošćeno shvatiti kao niz eksperimenata na osnovu
kojih, uvidom u situaciju, mašina (ili čovek) usmerava svoje ponašanje tako da posle
dovođenja određenog broja primera, ta mašina, odnosno taj čovek, počinje da se ponaša
onako kako je poželjno u skladu sa navedenim primerima. Dakle, ponavljanjem
eksperimenata, ponavljanjem nekakvih uvida, nečega što predstavlja uzor ponašanja, mašina,
odnosno živo biće, uči.
Naravno, ne treba mešati "mašinski" način računanja sa razmišljanjem na ljudskom
nivou. Generalna inteligencija traži sposobnost da se pronađu efikasne procedure za rešavanje
novih problema pomoću uvida o kojima govori profesor Stanković. To može mozak ali
simbolički računari ne mogu. Naime, arhitektura ljudskog mozga i nervnog sistema sastoji se
od milijardi aktivnih organskih ćelija, neurona, koji su međusobno povezani. Oni generišu
električne impulse brzinom koja zavisi od unutrašnjih procesa i stimulacije koji pomoću
električnih i hemijskih signala dolaze od drugih neurona i senzorskih ćelija. Kompletan sistem
2
Neuronske mreže
Postoji više modela veštačkih neurona. Svi oni najpre matematički opisuju zbivanja u
prirodnom neuronu, pri čemu nastaje matematički model, sa namerom da se kasnije takav
model realizuje elektronskim kolima, to jest uz pomoć elektronskog modela. Modeli se
međusobno razlikuju u nivou apstrakcije pojava u prirodnom neuronu.
Na ulaz neurona dovodi se n signala, koji se integrišu i obrađuju u izlazni signal. Ovaj
model karakterišu dve funkcije. Prva integriše ulazne signale, a druga funkcija definiše uticaj
aktivacionog signala na izlazni signal neurona i naziva se aktivacionom ili prenosnom
funkcijom neurona.
Veštačka neuronska mreža se formira od većeg broja neurona povezujući izlaze jednih
sa ulazima drugih.
Izvestan broj neurona predstavlja vezu mreže sa radnom okolinom. Ulazni neuroni
prihvataju informacije iz sredine, dok izlazni generišu signale za određene akcije. Ostali
neuroni nisu direktno vezani za okruženje, nazivaju se skriveni (hidden) i služe za internu
interpretaciju informacija o radnom okruženju.
U prirodnom nervnom sistemu nije uobičajena uređenost u povezivanju nervnih ćelija.
Međutim, izvesni ograničavajući faktori kao što su procedure za učenje i konkretne primene
diktiraju strukture veštačkih neuronskih mreža. Zbog toga veštačke mreže ipak poseduju
izvesnu uređenost u svojoj topologiji.
Između neurona u istom sloju ne postoji povezanost. Signali se kroz ovakvu mrežu
prenose samo u jednom smeru od ulaza ka izlazu.
Nakon konstruisanja mreže određene arhitekture, učenje mreže se odvija tako što se
mreži prezentuje skup trening podataka, tj. poznatih parova ulaza i izlaza mreže. Učenje se
odvija promenom težine veza, tako da na delovanje sredine neuronska mreža reaguje
promenom svojih sinapsi. Pravila za te promene nazivaju se procedurama za učenje i
predstavljaju značajan faktor pri projektovanju neuronskih mreža. Od naučene mreže se
očekuje da na određenu pobudu reaguje korektno.
Stvarni odziv mreže se upoređuje sa odzivom koji je mreža izračunala, a mera
odstupanja, tj. greška se vraća proceduri za učenje. Na osnovu ove greške procedura učenja
vrši promenu parametara mreže, težeći da minimizira razliku ova dva odziva.
Većina algoritama za nadgledano učenje koristi sličnu metodologiju za promenu težina veza u
neuronskoj mreži. Funkcija greške, kao važan parametar procedure za učenje predstavlja meru
razlike željenog i stvarnog odziva neuronske mreže.
U jednom ciklusu učenja, mreži se prezentuje ceo trening skup. Ovaj ciklus se obično
naziva epoha. Izbor algoritma za učenje mreže zavisi od vrste i arhitekture mreže.
Cilj procedure za učenje mreže je da se razlika između stvarnog i mrežom
predviđenog izlaza svede na minimum, tj. da se greška mreže svede na minimum. Kada se
obučena mreža pobudi ulazom koji nije bio u trening skupu, od nje se očekuje da generalizuje
problem.
4
