,

Ο ανθρώπινος εγκέφαλος αποτελείται από περίπου 100 δισεκατομμύρια νευρώνες και σε κάθε νευρώνα αντιστοιχούν κατά μέσο όρο περίπου 1000 συνάψεις (δηλαδή έχουμε ένα σύνολο 100 τρις συνάψεων). Η τρομερή πολυπλοκότητα του εγκεφάλου, τον καθιστά ικανό να εκτελεί με επιτυχία διάφορες λειτουργίες που συλλογικά οδηγούν σε αυτό που αποκαλούμε νοημοσύνη. Τέτοιες λειτουργίες είναι:
- η αναγνώριση εικόνων (προσώπων, αντικειμένων, κλπ.),
- η μνήμη,
- η αναγνώριση φωνής, η κατανόηση και η παραγωγή της γλώσσας,
- η αυτόνομη πλοήγηση στο χώρο,
- η λήψη αποφάσεων,
- η κατάστρωση στρατηγικής, και η επιλογή της καλύτερης με βάση διάφορα κριτήρια κόστους,
- η λογική, η ανάπτυξη επιχειρημάτων, η συνεπαγωγή
- η μάθηση και η αυτοπροσαρμογή σε νέο περιβάλλον και σε νέες καταστάσεις.
Το τελευταίο αντικείμενο, δηλαδή η μάθηση είναι ίσως ένα από τα πιο σημαντικά χαρακτηριστικά του εγκεφάλου και γενικά των βιολογικών νευρωνικών δικτύων. Ο λόγος που η μάθηση θεωρείται το κλειδί της νοημοσύνης είναι το γεγονός, ότι οι περισσότερες από τις υπόλοιπες λειτουργίες που περιγράψαμε παραπάνω μαθαίνονται κατά τη διάρκεια του βίου.
Συνήθως αυτό γίνεται κατά τη βρεφική ή την πρώιμη παιδική ηλικία, και δεν προκύπτουν εκ γενετής. Για παράδειγμα, κανένα παιδί δεν γεννιέται γνωρίζοντας Ελληνικά, Αγγλικά, ή Κινέζικα. Αντίθετα, κάθε παιδί μαθαίνει τη γλώσσα, την οποία θα μιλάει ως μητρική, από 3ο και το 6ο έτος. Κατά τη διάρκεια των πρώτων χρόνων της ζωής του ανάλογα φυσικά με το γλωσσικό περιβάλλον μέσα στο οποίο θα μεγαλώσει.Η αναγνώριση οικείων προσώπων (όπως η μητέρα, ο πατέρας, ο αδερφός και η αδερφή) και του οικείου περιβάλλοντος (όπως το δωμάτιο, το σπίτι και η γειτονιά) δεν είναι εκ γενετής, αλλά μαθαίνεται. Οι συγκεκριμένοι γονείς και το περιβάλλον διαφέρουν από παιδί σε παιδί. Παρόμοιες παρατηρήσεις ισχύουν και για άλλες λειτουργίες που σχετίζονται με την ευρύτερη έννοια της νοημοσύνης.
Μεταπηδώντας τώρα στην Τεχνητή Νοημοσύνη (TN), θα λέγαμε ότι βασική αρχή αυτής, είναι η ύπαρξη ενός υλικού στρώματος πάνω στο οποίο εκτελούνται όλες οι παραπάνω λειτουργίες. Στον άνθρωπο, το υλικό αυτό είναι οι νευρώνες. Η δομή του υλικού είναι ένα πυκνό δίκτυο μεταξύ των νευρώνων με εκατοντάδες έως χιλιάδες συνάψεις ανά νευρώνα. Το αντικείμενο μελέτης της TN είναι διπλό:
- Η ανάπτυξη ενός υλικού το οποίο θα μπορεί να υποστηρίζει τις παραπάνω επιθυμητές λειτουργίες, άσχετα αν αυτό το υλικό μιμείται τους νευρώνες ή όχι. Για παράδειγμα, ένα τέτοιο υλικό είναι το υλικό των υπολογιστών που αποτελείται από ημιαγωγά στοιχεία και τρανζίστορ.
- Η ανάπτυξη αλγορίθμων που θα μιμούνται αυτές τις λειτουργίες, δηλαδή θα κάνουν αναγνώριση φυσικής γλώσσας, θα κάνουν αναγνώριση προσώπων και περιβάλλοντος και θα επιτυγχάνουν αυτόματη πλοήγηση ενός ρομπότ σε περιβάλλον με φυσικά εμπόδια. Ταυτόχρονα, αναπτύσσουν βέλτιστες στρατηγικές για την επίλυση προβλημάτων, εκτελούν συλλογισμούς και καταλήγουν σε λογικά συμπεράσματα. Επίσης, παίρνουν αποφάσεις, αυτοπροσαρμόζονται σε νέες καταστάσεις και σε νέο περιβάλλον, και μαθαίνουν από την εμπειρία τους. Όλοι οι παραπάνω στόχοι είναι βέβαια πολλοί και ιδιαίτερα απαιτητικοί και αποτελούν το κύριο αντικείμενο μελέτης της Τεχνητής Νοημοσύνης.
Τα τεχνητά νευρωνικά δίκτυα είναι μοντέλα που μιμούνται τη λειτουργία των βιολογικών νευρώνων και τη δομή των βιολογικών νευρωνικών δικτύων. Το αντικείμενο των τεχνητών νευρωνικών δικτύων είναι η ανάπτυξη και η μελέτη μαθηματικών αλγορίθμων που μιμούνται την αρχιτεκτονική και το πρότυπο των βιολογικών νευρωνικών δικτύων. (Διαμαντάρας, 2007)
Τα τελευταία χρόνια, το ενδιαφέρον για τα νευρωνικά δίκτυα έχει εκτοξευθεί. Αυτά εφαρμόζονται με μεγάλη επιτυχία σε πολλούς τομείς της επιστήμης και της τεχνολογίας, όπως τα χρηματοοικονομικά, η ιατρική, η γεωλογία, η φυσική, η ρομποτική και η επεξεργασία σήματος. Χρησιμοποιούνται σε κάθε περίπτωση που απαιτεί πρόβλεψη, ταξινόμηση ή έλεγχο. Η σαρωτική αυτή επιτυχία, μπορεί να αποδοθεί σε δύο βασικά στοιχεία: την ισχύ και την ευχρηστία.
Ισχύς:
Τα νευρωνικά δίκτυα είναι πολύ εξελιγμένες τεχνικές (μη γραμμικής μοντελοποίησης), ικανές να μοντελοποιήσουν εξαιρετικά πολύπλοκες λειτουργίες. Η γραμμική μοντελοποίηση υπήρξε ευρέως διαδεδομένη για πολύ καιρό, δεδομένου ότι στα γραμμικά μοντέλα εφαρμόζονται πολύ γνωστές στρατηγικές βελτιστοποίησης. Στις συνήθεις όμως περιπτώσεις, όπου η γραμμική προσέγγιση δεν ήταν έγκυρη, τα μοντέλα αυτά αποτύγχαναν αναλόγως. Τα νευρωνικά δίκτυα επιτρέπουν τη μη γραμμικότητα μέσω μη γραμμικών συναρτήσεων ενεργοποίησης. Ωστόσο, αυτό μεταθέτει το πρόβλημα στη διάσταση, δηλαδή στο πλήθος των διαφορετικών εισόδων (inputs) και εξόδων (outputs). Αυτή η διάσταση αποτελεί αγκάθι στις προσπάθειες μοντελοποίησης μη γραμμικών συναρτήσεων με μεγάλο αριθμό μεταβλητών.
Ευχρηστία:
Τα νευρωνικά δίκτυα μαθαίνουν από παραδείγματα.Ο χρήστης συγκεντρώνει αντιπροσωπευτικά δεδομένα και τα τροφοδοτεί στο δίκτυο με κατάλληλους αλγορίθμους εκπαίδευσης. Το δίκτυο αντιλαμβάνεται τη δομή των δεδομένων και εκφράζει τη γνώση του με κατάλληλες επιλογές συναπτικών βαρών. Το τελικό αποτέλεσμα της εκπαίδευσης είναι ο προσδιορισμός των κατάλληλων βαρών του δικτύου.
Ο χρήστης χρειάζεται να έχει κάποιες ουσιώδεις γνώσεις σχετικά με τον τρόπο επιλογής και προετοιμασίας των δεδομένων, τον τρόπο εκλογής του κατάλληλου νευρωνικού δικτύου και στο πως θα ερμηνευτούν τα αποτελέσματα. Παρόλα αυτά, ο χρήστης χρειάζεται πολύ λιγότερες γνώσεις για να εφαρμόσει επιτυχώς νευρωνικά δίκτυα, σε σύγκριση με την περίπτωση που θα χρησιμοποιούσε παραδοσιακές, μη γραμμικές στατιστικές μεθόδους. (Νευρωνικό Δίκτυο, Wikipedia)