Использование искусственных нейронных сетей в современном обществе

Использование искусственных нейронных сетей в современном обществе

Автор: Алферьев Дмитрий Александрович

Журнал: Социальное пространство @socialarea

Рубрика: Социально-экономические исследования

Статья в выпуске: 3 т.6, 2020 года.

Бесплатный доступ

В настоящий момент исследования в области искусственного интеллекта являются одними из наиболее актуальных и перспективных в научной среде. При этом вопросы и проблемы по данной тематике рассматриваются различными научными направлениями: философией, математикой, техническими дисциплинами и многими другими. Растущий интерес к указанной теме обусловлен научным прорывом XX века в сфере компетенций нейрофизиологии и нейроанатомии, на основании чего были разработаны математические и аппаратнотехнические модели искусственных нейронных сетей. Этот инструмент в значительной мере позволил сымитировать различные аспекты человеческого мышления. В результате современные компьютеры обзавелись множеством человекоподобных функций, которые обусловили значительный рост научнотехнологического прогресса и, по сути, запустили глобальную революцию всеобщей цифровизации. В связи с этим целью статьи является попытка систематизировать знания об имеющихся достижениях в сфере моделирования искусственных нейронных сетей и их недостатках при решении различного рода прикладных задач, что, в свою очередь, позволит специалистам разных научных направлений успешно использовать данный инструмент в своих работах и ориентироваться в его ограничениях. Научная новизна обзора вытекает из потребности регулярного мониторинга указанной тематики ввиду частых прорывов и успехов в этой области. В рамках работы представлены имеющиеся в настоящий момент архитектуры и топологии искусственных нейронных сетей, которые нашли широкое и эффективное применение в современной человеческой жизнедеятельности (сети прямого распространения, сверточные и рекуррентные нейронные сети). Разобраны основные недостатки моделей, выявленные по результатам сравнения с фактической работой человеческого мозга, характеризующей мыслительный процесс и интеллект, что также является весомым ограничением при создании полноценной человекоподобной компьютерной интеллектуальной системы. Использовались общенаучные методы, такие как обобщение, анализ, систематизация и др.

Еще

Искусственный интеллект, искусственные нейронные сети, мышление, нейрофизиология, распознавание образов, классификация

Короткий адрес: https://sciup.org/147225542

IDR: 147225542   |   DOI: 10.15838/sa.2020.3.25.6

Список литературы Использование искусственных нейронных сетей в современном обществе

  • Алферьев Д.А. Технологии ИИ как метод прогнозной аналитики // Искусственные общества. 2018. T. 13. Вып. 4. DOI: 10.18254/S0000137-9-1
  • Горбачевская Е.Н., Краснов С.С. История развития нейронных сетей // Вестн. Волж. ун-та им. В.Н. Татищева. 2015. № 1 (23). URL: https://cyberleninka.ru/article/n/istoriya-razvitiya-neyronnyh-setey (дата обращения 17.06.2020).
  • МакКаллок У., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы. М.: ИЛ, 1956. С. 363–384.
  • McCulloch W.S., Pitts W. A logical calculus of ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 1943, no. 5, pp. 115–133.
  • Венецкий С. Виды архитектур нейронных сетей // GeekBrains. 2019. URL: https://geekbrains.ru/events/1461 (дата обращения 05.06.2020).
  • Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир, 1965. 478 с.
  • Rosenblatt F. Principles of Neurodynamics. Perceptrons and the Theory of Brain Mechanisms. Washington, D.C.: Spartan Books, 1962. 616 p.
  • LeCun Y., Boser B., Denker J.S. [et al.]. Back-Propagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1989, no. 1 (4), pp. 541–551. DOI: 10.1162/neco.1989.1.4.541
  • Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM, 2017, vol. 60, no. 6, pp. 84–90. DOI: 10.1145/3065386
  • Raina R., Madhavan A., Ng A.Y. Large-Scale Deep Unsupervised Learning Using Graphics Processors. ICML'09: Proceedings of the 26th Annual International Conference on Machine Learning, 2009, pp. 873–880. DOI: 10.1145/1553374.1553486. Available at: https://dl.acm.org/doi/10.1145/1553374.1553486 (accessed 05.06.2020).
  • Иванов С. Закон Мура больше не работает. Как развивает вычислительная техника сегодня // Хайтек. 2019. URL: https://hightech.fm/2019/08/19/moore (дата обращения 05.06.2020).
  • Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ. СПб.: ООО «Альфа-книга», 2018. 688 с.
  • Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.
  • Hinton G.E., Sabour S., Frosst N. Dynamic Routing Between Capsules. arXiv, 2017. Available at: https://arxiv.org/abs/1710.09829 (accessed 05.06.2020).
  • Baker J.M., Deng L., Glass J. [et al.]. Developments and Directions in Speech Recognition and Understanding, Part 1. IEEE Signal Processing Magazine, 2009, no. 3 (26), pp. 75–80. DOI: 10.1109/MSP.2009.932166
  • Kneser R., Ney H. Improved backing-off for M-gram language modeling. International Conference on Acoustics, Speech, and Signal Processing, 1995. DOI: 10.1109/ICASSP.1995.479394
  • Boulanger-Lewandowski N., Bengio Y., Vincent P. Modeling Temporal Dependencies in High-Dimensional Sequenced: Application to Polyphonic Music Generation and Transcription. arXiv, 2012. Available at: https://arxiv.org/abs/1206.6392 (accessed 05.06.2020).
  • LeCun Y., Boser B.E., Denker J.S. [et al.]. Handwritten Digit Recognition with a Back-Propagation Network. Advances in Neural Information Processing Systems 2, 1990, pp. 396–404. DOI: 10.5555/109230.109279
  • Graves A., Liwicki M., Fernández S. [et al.]. A Novel Connectionist System for Unconstrained Handwriting Recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, no. 31 (5), pp. 855–868. DOI: 10.1109/TPAMI.2008.137
  • Jain V., Seung S. Natural Image Denoising with Convolutional Networks. NIPS'08: Proceedings of the 21st International Conference on Neural Information Processing Systems, 2008, pp. 769–776. DOI: 10.5555/2981780.2981876
  • Prokhorov D.A. Convolutional Learning System for Object Classification in 3-D LIDAR Data. IEEE Transactions on Neural Networks, 2010, no. 21 (5), pp. 858–863. DOI: 10.1109/TNN.2010.2044802
  • Silver D., Huang A., Maddison C. [et al.]. Mastering the game of Go with deep neural networks and tree search. Nature, 2016, no. 529, pp. 484–489. DOI: 10.1038/nature16961
  • Brown N., Sandholm T. Safe and Nested Endgame Solving for Imperfect-Information Games. arXiv, 2017. Available at: https://arxiv.org/abs/1705.02955 (accessed 05.06.2020).
  • Moravčík M., Schmid M., Burch N. DeepStack: Expert-level artificial intelligence in heads-up no-limit poker. Science, 2017, no. 356 (6337), pp. 508–513. DOI: 10.1126/science.aam6960
  • Finn C., Levine S., Abbeel P. Guided Cost Learning: Deep Inverse Optimal Control via Policy. ICML'16: Proceedings of the 33rd International Conference on International Conference on Machine Learning, 2016, pp. 49–58. DOI: 10.5555/3045390.3045397
  • Gu S., Holly E., Lillicrap T. [et al.]. Deep Reinforcement Learning for Robotic Manipulation. arXiv, 2016. Available at: https://arxiv.org/abs/1610.00633 (accessed 05.06.2020).
  • Bojarski M., Testa D.D., Dworakowski D. End to End Learning for Self-Driving Cars. arXiv, 2016. Available at: https://arxiv.org/abs/1604.07316 (accessed 05.06.2020).
  • Lake B.M., Ullman T.D., Tenenbaum J.B. Building Machines That Learn and Think Like People. arXiv, 2016. Available at: https://arxiv.org/abs/1604.00289 (accessed 05.06.2020).
  • Spelke E.S., Kinzler K.D. Core Knowledge. Development Science. 2007, no. 10 (1), pp. 89–96. DOI: 10.1111/j.1467-7687.2007.00569.x
  • Lerer A., Gross S., Fergus R. Learning Physical Intuition of Block Towers by Example. arXiv, 2016. Available at: https://arxiv.org/abs/1603.01312 (accessed 05.06.2020).
  • Baker C.L., Saxe R., Tenenbaum J.B. Bayesian Theory of Mind: Modeling Joint Belief-Desire Attribution. ResearchGate, 2011. Available at: https://www.researchgate.net/publication/228727729_Bayesian_Theory_of_Mind_Modeling_Joint_Belief-Desire_Attribution (accessed 05.06.2020).
  • Lake B.M., Salakhutdinov R., Tenenbaum J.B. Human-Level Concept Learning through Probabilistic Program Induction. Science, 2015, no. 350 (6266), pp. 1332–1338. DOI: 10.1126/science.aab3050
  • Lake B.M, Lee C., Tenenbaum J.B. [et al.]. One-Shot Learning of Generative Speech Concepts. Semantic Scholar, 2014. Available at: https://www.semanticscholar.org/paper/One-shot-learning-of-generative-speech-concepts-Lake-Lee/fc362caf22c206d1d22df495c2bd4eef2f537e0c (accessed 05.06.2020).
  • Karpathy A., Fei-Fei L. Deep Visual-Semantic Aligments for Generating Image Descriptions. Stanford Vision Lab., 2015. Available at: https://cs.stanford.edu/people/karpathy/deepimagesent (accessed 05.06.2020).
  • Mikolov T., Joulin A., Baroni M. A Roadmap towards Machine Intelligence. arXiv, 2015. Available at: https://arxiv.org/abs/1511.08130 (accessed 05.06.2020).
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp