Inteligență computațională

1. Introducere

Ultimele generaţii de calculatoare numerice sunt capabile de a executa sute de milioane de operaţii în virgulã mobilã într-o secundã, dar, totuşi, nu pot rezolva probleme simple din punct de vedere uman. Un exemplu în acest sens îl reprezintã recunoaşterea formelor plecând de la imagini, adicã interpretarea imaginilor în sensul extragerii informaţiilor utile despre prezenţa şi caracteristicile unor obiecte de interes. Un om realizeazã o astfel de operaţie într-o zecime de secundã, pentru imagini de o varietate şi o complexitate foarte mare. Rezolvarea unei probleme similare de cãtre un calculator, pentru clase restrânse de imagini, de mult mai micã complexitate, dureazã de obicei un timp mult mai mare. De asemenea, rezultatele obţinute de calculator sunt deseori nesatisfãcãtoare din punct de vedere calitativ.

Aceste diferenţe de performanţă se datoreazã principiilor diferite care stau la baza sistemelor de procesare a informaţiei întâlnite în aceste douã cazuri. Un sistem de calcul clasic executã un program, compus din secvenţe explicite de instrucţiuni, program creat pentru de cãtre un programator. Orice set de date de intrare, care nu corespund unei situaţii prevãzute anterior de cãtre programator, va determina un rãspuns eronat al sistemului de calcul, pentru cã acesta, spre deosebire de un sistem biologic, nu are capacitatea de a se adapta la condiţii noi de mediu (în cazul nostru datele de intrare). Un sistem neuronal nu funcţioneazã dupã un program anterior fixat, ci învaţã treptat sã rãspundã la stimulii din mediul exterior, fiind capabil astfel sã se adapteze la schimbãrile mediului. O altã diferenţã majorã priveşte structura celor douã tipuri de sisteme. Astfel, structura hardware actualã a unui sistem de calcul presupune realizarea localã (la nivelul microprocesorului) a unor operaţii complexe şi nu presupune decât un numãr relativ mic de conexiuni interprocesor, deci un grad redus de paralelizare (pânã la 1000 de procesoare în sistemele evoluate actuale). Sistemele neuronale presupun operaţii foarte simple la nivelul local al neuronului (nodul de procesare), dar un grad foarte ridicat de paralelizare a procesãrii, de unde şi numele de reţele neuronale (de exemplu, în creierul uman existã aproximativ 10 10 neuroni, fiecare conectat cu cca. 104 vecini). Date fiind aceste caracteristici, în special puterea redusã de calcul la nivel local a sistemelor neuronale, apare o diferenţã semnificativã şi în ceea ce priveşte structura memoriei, care în sistemele neuronale este distribuitã, fiind realizatã de fapt prin ponderarea conexiunilor între nodurile de procesare ale sistemului. Memoria distribuitã, într-un sistem cu un numãr foarte mare de conexiuni, produce o delocalizare a informaţiei, astfel încât, eliminarea accidentalã a unui nod din reţea nu este criticã din punct de vedere funcţional. Aceastã caracteristicã a sistemelor neuronale se numeşte robusteţe structuralã, şi împreunã cu proprietatea de adaptabilitate directã la mediul extern sunt cele douã principale aspecte ce motiveazã dezvoltarea de reţele neuronale artificiale (RNA), modelate dupã principiile biologice de procesare a informaţiei.

RNA trebuie privite ca sisteme de procesare a informaţiei complementare calculatoarelor numerice, având avantaje şi limitãri specifice. De exemplu, este inutilã proiectarea unei RNA pentru realizarea înmulţirii numerelor, pentru cã aceasta, în cel mai bun caz, va avea performanţe asemãnãtoare cu cele ale unui om, deci mult mai slabe decât cele ale unui simplu calculator de buzunar. Pe de altã parte, proiectarea unei RNA pentru recunoaşterea scrisului (operaţia pe care o executaţi în acest moment) este utilã, având în vedere faptul cã nu existã încã un sistem de calcul clasic care sã realizeze aceasta cu rezultate cât de cât comparabile cu cele ale unui cititor obişnuit.

1.1. Neuronul natural

Un neuron tipic are mai multe dendrite, care recepţioneazã informaţia de la alţi neuroni şi un singur axon, folosit pentru transmiterea informaţiei colectate şi procesate spre alţi neuroni. Informaţia se transmite în principal prin impulsuri electrice de activare, care apar în momentul în care impulsurile cumulate recepţionate la dendritele neuronului depãşesc un anumit prag. Axonul se ramificã într-o multitudine de terminaţii axonale, care se cupleazã prin sinapse cu dendritele sau cu corpul altor celule nervoase (Figura 1).

Faţã de aceastã structurã de bazã, realitatea neuro-biologicã a confirmat o serie de excepţii, pe care se bazeazã clase largi de sisteme neuronale artificiale evoluate:

a) Existã neuroni care nu au axon individualizat ca parte specificã ce transmite informaţia, pentru care se presupune cã dendritele au rolul atât de emiţãtor cãt şi de receptor (caracter bi-direcţional al legãturilor)

b) Axonii pot forma sinapse cu alţi axoni

c) Dendritele pot forma sinapse cu alte dendrite (caracter complex al legãturii dintre neuroni).

d) Axonul poate sã nu emitã impulsuri, ci doar sã formeze un gradient de potenţial, mai ales în structurile neuronale compacte, în care informaţia se transmite pe distanţe mici.