Развитие интуиции. Как принимать верные решения без сомнений и стресса - Гай Клакстон

В качестве примера можно рассмотреть задачу, где нужно выявить наличие подводных мин при помощи гидролокатора. Основная проблема: по отраженному сигналу отличить мину от камня или какого-нибудь другого предмета на дне. Невооруженным ухом сделать это практически невозможно. При этом, разумеется, отраженные эхо-сигналы мины и камня различны, но точно так же отличаются сигналы от камней из разных пород, от мин разного размера и конструкции или от предметов из других материалов. Размер, форма, расположение на дне – все эти факторы влияют на параметры отраженного эхо-сигнала. Так что эта задача, актуальная во время военных действий или при очистке акватории от мин после них, очень непроста. Некоторые устойчивые признаки есть, но они носят комбинаторный характер, то есть включают в себя множество комбинаций подобных характеристик. Мы не сможем свести различия эхо-сигналов от разных предметов (мин и камней) к каким-либо единичным характеристикам – например, мощности сигнала и его частоте. Для того чтобы отличить мину от камня, мы должны оперировать совокупностью параметров.

Предположим, нам надо проанализировать определенный эхо-сигнал на 13 частотных диапазонах и измерить амплитуду сигналов в каждом диапазоне. Обозначим частоты буквами латинского алфавита: А, В и далее до М – и чисто теоретически скажем, что мощность сигнала в каждом диапазоне может варьироваться от 0 до 10 баллов. Маловероятно, что данные, полученные хотя бы в одном из диапазонов, были достаточны для принятия четкого решения – камень или мина. В данном случае решить эту задачу, то есть установить отличительные признаки камней и мин, совсем не так просто. Недостаточно сказать – все камни отражают сигнал мощностью выше 7 баллов в диапазоне Н, а все мины – меньше 7 или, скажем, «если эхо-сигнал обнаружил камень, то мощность его в диапазоне С будет в 2–3 раза больше мощности в диапазоне J», тогда задача решалась бы просто. Единственная вразумительная схема, благодаря которой можно отличить камень от мины, должна выглядеть примерно следующим образом: «Есть вероятность, что эхо-сигнал получен от мины, если либо суммарное значение в диапазонах A, D и L в 6 раз превышает значения, полученные в диапазонах E и F, и в то же время H минус K меньше, чем половина J деленное на B; либо суммарное знание G, H, K и L более чем в 3,5 раза превышает суммарное значение A, B и C, поделенное на разницу между I и M». Чтобы точно определить разницу между миной и камнем, если это вообще возможно, нам нужны схемы именно такой степени сложности: их очень трудно обнаружить, распознать и еще труднее описать.

На самом деле операторы, которые обрабатывают данные эхолотов, временами могут довольно точно отличать камень от мины, однако, как участники экспериментов на познание путем впитывания, не могут четко выразить, что именно они знают. И все же человек не безупречен, а подобные ошибки могут стоить очень дорого. Чтобы научить искусственный интеллект отличать мины от камней, мы должны сделать так, чтобы он столкнулся с такой ситуацией на практике и накопил собственный опыт.

Нейронная сеть, включающая в себя только 22 разных нейрона, смогла на удивление верно показать, как осуществляется этот процесс. Нейроны расположены в три яруса (см. рис. 9). На первом ярусе находятся 13 чувствительных, или сенсорных, нейронов, соответствующих 13 диапазонам, на которые раскладывается звуковой спектр эхо-сигнала. Они настроены на определение мощности сигнала внутри определенного диапазона, а также излучают сигнал, пропорциональный их мощности, как настоящие нейроны передают потенциал действия. Все 13 нейронов посылают сигналы каждому из семи, находящихся на следующем ярусе, а каждый из них, в свою очередь, посылает отраженный сигнал каждому из двух нейронов с последнего яруса, обратный сигнал которых распознается как «мина» или «камень». Такая упрощенная модель мозга не способна построить больше связей, при этом она может четко продемонстрировать избирательную чувствительность каждого нейрона ко всем сигналам, которые он получает, именно так, как это происходит с настоящими нервными клетками.

Рис. 9. Простая нейронная сеть, помогающая отличить подводные камни от мин

Задача сети заключается в том, чтобы на основе опыта постепенно отрегулировать эту чувствительность так, чтобы поток возбуждения через связи гарантированно возбудил нейрон «камень», если там камень, и нейрон «мина», если есть мина. Ни программист, ни тем более компьютер изначально не знают, какая именно нужна чувствительность. Они даже не знают, существует ли такая чувствительность, которая нужна, чтобы справиться с задачей. Самое лучшее, что может сделать программист, – взять много разных настоящих эхо-сигналов, которые точно были получены от мины или камня, и один за другим запустить их в сеть. После того как сеть сформирует решение, программист должен определить, правильное оно или ошибочное. На этапе подготовки компьютеру задают несколько простых правил, с их помощью он может отрегулировать или подстроить чувствительность нейронов, основываясь на информации об успешности выполненной операции. Например, можно запрограммировать сеть таким образом, чтобы она определяла чувствительность после каждой попытки, исходя из того, был ли сигнал связан с правильным или ошибочным ответом. Величина поправки сигнала зависит от его отклонения в ту или иную сторону: правильные сигналы подстраиваются лишь немного, ошибочные – сильнее. Сначала «мозг» получает большое количество ответных реакций, после которых ему говорят – правильные это реакции или ошибочные. После этого его можно протестировать, используя новую серию сигналов, с которыми он никогда не встречался, и посмотреть на результат.

В этом примере сеть ведет себя точно так же, как участники экспериментов на познание путем впитывания. Простые нейронные сети отлично моделируют этот путь познания. Сеть начинает угадывать, делая при этом много ошибок, но постепенно начинает работать все лучше и лучше, пока, в конце концов, не научится точно различать камень и мину по эхо-сигналу, чего раньше ей не удавалось. Такая модель ясно показывает, что мозг делает то же, что делают люди: сначала он обнаруживает запутанные схемы, которые нельзя описать словами, и эти схемы включены в огромный спектр разных событий и ощущений, затем схемы используются для определения подходящего действия. Ни реальный человек, ни искусственный мозг не знают, что именно они делают и чем при этом руководствуются. Эти знания – весь наш опыт и мудрость – зависят от настроек, которые определяются взаимодействием нейронов мозга друг с другом. Эти настройки просто направляют поток возбуждения по разным каналам и по-разному их комбинируют. Все, что нужно нашему мозгу, – это пища: впечатления, обратная реакция и неосознанное широкое внимание к тому, что происходит вокруг. Все остальное мозг сделает сам.

Стоит отметить, что в модели определения разницы между минами и камнями искусственный мозг лучше справился с задачей и дал большую точность, чем оператор гидролокатора на подводной лодке за всю свою долгую карьеру. Несмотря на простоту схемы, нейронная сеть превосходит человека не потому, что компьютер умнее, а в силу того, что за весь период эволюции у нас так и не развились настолько чувствительные уши, чтобы они могли разложить все эхо-сигналы на множество частотных диапазонов. Можно совершенно уверенно предположить, что если бы в задаче вместо сигналов слышался плачь младенца и нужно было определить, малыш хочет есть или у него болит живот, то матери дали бы компьютеру сто очков вперед. При этом есть шанс, что если научить дельфина определять разницу между камнями и минами, то он бы выиграл и у компьютера, и у оператора локатора.