Modelarea neuronală este un concept foarte uzitat astăzi în cercetările teoretice, dar în domeniul practic este la început de drum. Rețelele neuronale reprezintă o arhitectură informatică cu totul unică, al cărei potențial abia începe să fie utilizat şi exploatat.
Modelarea neuronală este o soluţie inteligentă la care putem apela, atunci când dorim să facem predicţii sau prognoze pentru anumite serii temporale. Ea este utilizată în aplicaţii care variază de la biocreiere pentru roboţi la refacerea unor seturi de date pierdute.
Ce este special la acest concept şi cum a apărut?
Dacă ne gândim la calculatoare, oricât de avansate ar fi sau oricât de rapide şi de performante ar ajunge, ele nu au putut deţine anumite calităţi ale creierului uman. Aceste calităţi îl fac unic şi îl transformă într-o capodoperă a ingineriei genetice naturale. În categoria acestor calităţi intră creativitatea şi imaginaţia. Aceste aptitudini nu pot fi asimilate de către calculator.
Dar totuşi, chiar nu se poate realiza un soft sau un calculator care să aibă imaginaţie?
Astăzi răspunsul este: da, se poate. Rezolvarea este denumită reţele neuronale [denumite de cercetători şi reţele neuronale artificiale (ANN)] , o manieră de abordare software ce este creată pe arhitectura creierului uman.
Preocuparea oamenilor de ştiinţă pentru reţelele neuronale a fost motivată de înţelegerea faptului că modul în care operează creierul fiinţelor vii este complet diferit de cel al computerelor convenţionale. Plusul creierului uman vine din capacitatea de învăţare şi din legăturile numeroase care se stabilesc între neuroni.
Reţelele neuronale adaptate astfel de la om la computer nu dispun de unităţi de procesare puternice, dimpotrivă, acestea sunt caracterizate printr-o simplitate extremă, însă interacţiunile lor pe ansamblu produc rezultate complexe.
Arhitectura artificială din aplicaţiile informatice are ca punct de plecare două concepte:
:: operarea la nivelul unor unităţi de procesare independente, create pe modelul sinapselor creierului uman
:: existenţa unei legi de învăţare
În literatura de specialitate, reţelele neuronale reprezintă în esenţă ansambluri de elemente care au ca scop o procesare simplă, sunt puternic interconectate şi urmăresc să interacţioneze cu mediul înconjurător într-un mod asemănător creierelor biologice, având capacitatea de a învăţa din greşelile şi erorile sale.
La nivelul empiric, o reţea neuronală este un creier în miniatură. Deşi astăzi, o reţea neuronală “are mintea” unui copil de 12 ani, reuşeşte ca pe baza legii sale de învăţare să se recorecteze şi să ajungă la erori ce tind la zero. Unele probleme pe care le rezolvă sunt chiar vitale.
Aplicaţii ale reţelelor neuronale
Studiul datelor lipsă. O aplicaţie foarte importantă în domeniul hardware a modelării de acest tip este reprezentată de rezultatul muncii unor cercetători ai Politehnicii din Madrid.
Ei s-au ocupat de studiul datele lipsă - o problemă foarte acută a zilelor noastre. Reconstrucţia seturilor de date incomplete în caz de pierdere este un lucru posibil astăzi prin modelare neuronală. Printr-o reţea neuronală fuzzy, putem aproxima existenţa celorlalte informaţii la 90%.
Această descoperire îşi găseşte aplicabilitate în recuperarea datelor de pe hard diskuri sau aplicarea unor sondaje de opinie. Studiul se găseşte în Neural Computing & Applications Review1.
Merită amintite şi eforturile comunităţii ştiinţifice de la University of Ulster de a realiza un biocreier pentru roboţi, de a construi bioproteze care să fie dezvoltate pe bazele modelării neuronale şi nu în ultimul rând de a găsi tratamente pentru boala Alzheimer.
În domeniul securităţii private, pe baza modelării neuronale sunt create aplicaţii pentru recunoaşterea vocii, scanării retinei sau recunoaşterii unor elemente de siguranţă (amprentă, imagine etc).
1. Pilar Rey-del-Castillo, Jesús Cardeñosa. Fuzzy min–max neural networks for categorical data: application to missing data imputation. Neural Computing and Applications, 2011; DOI: 10.1007/s00521-011-0574-x
Bibliografie:
> Pilar Rey-del-Castillo, Jesús Cardeñosa. Fuzzy min–max neural networks for categorical data: application to missing data imputation. Neural Computing and Applications, 2011, disponibil pe: 10.1007/s00521-011-0574-x
> Şuşnea Elena, Using artificial neural networks in e-learning systems, U.P.B. Sci. Bull., Series C, Vol. 72, Iss. 4, 2010
> Nicolescu, O. Sistemul informational managerial al organizatiei, Ed. Economica, Bucuresti, 2001
> Orwig, R., Chen, H., Nunamaker, J.F, A Graphical, Self-Organizing Approach to Classifying Electronic Meeting Output, Journal of the American Society for Information Science, 48(2), 1997
> John D. C. Little, Decision Support Systems for Marketing Managers , The Journal of Marketing Vol. 43, No. 3 (Summer, 1979), pp. 9-26 ,disponibil pe http://www.jstor.org/stable/1250143
