Концепция построения искусственного разума на базе нейросемантического подхода icon

Концепция построения искусственного разума на базе нейросемантического подхода



НазваниеКонцепция построения искусственного разума на базе нейросемантического подхода
страница1/3
Дата конвертации10.08.2012
Размер406.03 Kb.
ТипДокументы
  1   2   3


КОНЦЕПЦИЯ ПОСТРОЕНИЯ ИСКУССТВЕННОГО РАЗУМА

НА БАЗЕ НЕЙРОСЕМАНТИЧЕСКОГО ПОДХОДА

(На правах рукописи) 09.08.12


Бодякин В.И.

Институт проблем управления РАН им. В.А. Трапезникова, Москва

body@ipu.ru , http://www.informograd.narod.ru , служ.тел.:334-92-39


Москва 2005


Список основных обозначений и сокращений


ИИ – искусственный интеллект

ИК – информационный канал

ИP – искусственный разум

ИРС – информационный ресурс

ИС – информационная система

НСС – нейросемантическая структура

ПО – предметная область

ТФ  текстовая форма

ТЭ – текстовая энтропия

ОТЭ – относительная текстовая энтропия

ЭСЕ – элементарная семантическая единица

A – алфавит

L – длина текста


^ Аксиоматический базис


Постулат №1. Так как время жизни физической вселенной конечно, то для всех ее субъектов существует только одно разумное решение – подняться над энтропийной сущностью ее процессов.

^ Постулат №2. Интеллектуальность является необходимым свойством информационных систем для аккумуляции возможностей по управлению естественными потоками энергий и оптимизации (сокращении) времени решения задач в любой предметной области.

^ Постулат №3. Информационная система всегда выбирает эвристику, которая наиболее эффективно уменьшает энтропию в прилегающей к ней области внешней среды.

Постулат №4. Каждый процесс предметной области должен иметь свое имя, каждое имя – меру и все меры должны быть функционально связанными в единый контекст эволюции разума.

^ Постулат №5. Корректная концепция искусственного разума должна быть понятна не только образованному человеку, но и законам природы, в форме экспоненциальной эволюции.


Введение. Для ознакомления с состоянием дел по проблемам искусственного интеллекта (ИИ) можно посмотреть фундаментальный обзор 2003 года в 860 страниц [11], отметим, что этот обзор содержательно повторяет книгу "Системы искусственного интеллекта" Ж. Л.Лорье 1987 года (русский перевод в 1991 году), некоторые значительные фрагменты полностью тождественны. Это характерно для всей области автоматизации интеллектуальной деятельности.
За полтора десятилетия в разрешении "основного вопроса философии" ни теоретически, ни практически не было сделано ни одного серьезного шага вперед. Хотя наверняка, будущие историографы науки найдут в работах ученых XX века разрозненные фрагменты работ, объединение которых позволило бы уже несколько десятилетий назад нашей цивилизации пользоваться плодами ИИ, но торопливость разработчиков и эгоизм политиков не позволили организовать фундаментальное наступление на наше незнание об окружающем нас мире.

В одиночку и малыми силами, проблему построения ИИ всеохватывающей сложности полномасштабно не решить, учитывая психофизиологическую ресурсную ограниченность человека (скорость биологической элементной базы ~ десятки Гц, объем памяти ~ Мегаобразы, максимальное число параллельных процессов ~ 2-3.). С другой стороны, видны масштабы открывающихся перспектив интеллектуализации нашей цивилизации с появлением ИИ (скорости электронной элементной базы ~ гигагерцы, объем памяти ~ практически не ограничен, число параллельных процессов ~ тысячи и миллионы). И особенно сегодня, во времена стихийного, как из ящика Пандоры, появления различных технологий глобального воздействия (ядерных, био-, информационных и пр., и пр.), порождающих с собой "сотни тысяч" проблем, отсутствие функционирующего ИИ, с его неограниченной интеллектуальной мощностью, ставит под сомнение дальнейшее существование нашей цивилизации уже в XXI веке.

Проведенный нашей группой анализ теоретических наработок в области нейрокомпьютинга и искусственного интеллекта показывает их сегодняшнюю достаточность для формирования технического задания на построение искусственного разума (ИP). Появившиеся за последние полувека новые данные нейрофизиологии, лингвистики, психологии, computer science и других смежных дисциплин позволяют концептуально увидеть проект ИP, который по функциональным и количественным характеристикам будет превосходить биологический прототип. Стало понятно, что в основе становления ИP должно быть положено ограниченное число простых принципов, которые были бы способны его самосовершенствовать эволюционным путем. Наша группа предлагает рассмотреть тезисы проекта построения ИP на основе нейросемантической парадигмы. Основная цель предварительных обсуждений представленных тезисов, выявление возможных их концептуальных несоответствий заявленной задаче (инженерное задание по проектированию ИР). Проект находится в стадии разработки и подробное и формальное ознакомление с ним и его разделами (механизм эволюции, природа информации, текстовая энтропия, информационная система и пр.) будет возможно в Институте проблем управления РАН в ближайшие месяцы. Цель данного обсуждения, это выявление возможных некорректностей предлагаемого проекта современной научной парадигме или неполноты его изложения в рамках поставленной задачи, как инженерный проект построения ИР.


^ 1. Зарождение и механизмы направленности эволюции простейших информационных систем (ИС). В качестве модели среды зарождения ИС предположим, что первоначальный "Большой символьный взрыв" порождает множество символов "а" алфавита А {a,b,c,d,…,w,x,y - аналоги химических элементов и z - как аналог пространства). Далее, символы в соответствии со своим "полупериодом синтеза" начинают эволюционировать в тексты (abbz; bbbccz; bbccccz; ccbddcbz; …). В результате порождается "текстовой бульон". Известно, что простейшие компьютерные вирусы состоят из нескольких сотен байт. Следовательно, таким случайным образом могут сформироваться простейшие самодублирующиеся ИС, которые за счет дальнейших мутаций могут эволюционировать в "символьной среде" ("текстовая жизнь").



Рис. 1.


Для оценки скорости экспансии ИС предлагается структура простейшей обобщенной самодублирующейся ИС (см. рис. 2) и формальное описание окружающей её среды (предметной области – ПО). При этом тексты среды рассматриваются одновременно: как строительный материал, как носитель энергетического потенциала (a>b>c>d>…>w>x>y>z=0) и как источник упреждающей информации.




Рис. 2.


Первый эволюционный аттрактор ИС – "рецепторный". Он выражается в тенденции к расширению диапазона рецепторного окна ИС, т.к. при линейном увеличении размеров окна (L   длины воспринимаемых текстов через "Ввод", см. рис. 2) разнообразие и количество воспринимаемых текстов увеличивается в степенной функции, как AL, где А – алфавит текстов (см. рис. 3).



Рис. 3.


Если бы, например, в ИС эволюционировал блок "Выводы – воздействие" (см. рис. 2), увеличившись в n-раз, то при неограниченности ресурсов ПО, количество воспринимаемых текстов через "Ввод" могло бы возрасти, но только не более чем в n-раз, т.е. не более чем линейно. Поэтому на первых эволюционных ступенях первоочередность развития в ИС "рецепторного" блока очевидна. Это наглядный пример безальтернативности эволюции ИС через этапы аттракторов.

Первый эволюционный аттрактор ИС, это пример положительной обратной связи, приводящий к экспоненциальному взрыву численности ИС, с естественной вынужденной последующей длительной стабилизацией при (заполнении) использовании всего энерго-вещественного ресурса ниши, это уже пример отрицательной обратной связи. Т.е. положительная обратная связь,  скачок эволюционного развития и отрицательная обратная связь,  эволюционный консерватизм.

Чем больше у ИС возможностей получать энерго-вещественных ресурсов текстового материала, тем больше её эволюционный потенциал [2]. Величина эволюционного потенциала ИС отражает доступный для неё энерго-вещественный объем (ресурс) экологической ниши, курируемой исследуемым сообществом ИС (сообщество – оптимальная численность самокопирующихся ИС при конкретных условиях ПО). Будем считать, что при конкуренции за ресурс нескольких видов ИС всегда побеждает тот из них, у которого больший эволюционный потенциал.

На примере эволюции биологических ИС, рассматривая её текущего лидера (например, "венца творения"), можно проследить его эволюционную траекторию от самого "начала". При этом можно аналитически отследить решающие этапы (аттракторы) его конкурентной борьбы и причины сохранения эволюционного лидерства. Мы попытаемся провести эту работу, но уже в рамках нашей модели, выявив все эволюционно прогрессивные пять аттракторов (как относительные нелинейности в характеристиках ПО).

^ Кратко резюмируя материал этого раздела [2] отметим, что в нем:

- показана возможность начального описания модели ПО ("текстовой бульон");

- показана практическая возможность самозарождения простейшей ИС;

- приведена структура простейшей ИС;

- показан первый аттрактор (как нелинейность ПО) и механизм направленности эволюции простейшей ИС (расширение рецепторного окна);

- введено понятие эволюционного потенциала.


^ 2. Комплекс: "Предметная область  Информационный канал  Информационная система". Любую физическую ПО можно рассматривать как некоторую дискретную пространственно-временную область с взаимодействующими объектами (ai, aj, см. рис.4). При попадании нескольких объектов, в одну и ту же ячейку (область взаимодействия), происходит процесс их взаимодействия, выражающийся в некотором физическом процессе.



Рис. 4.


^ Процесс взаимодействия объектов осуществляется в течение нескольких тактов времени t2 t1 (такт времени, – это минимальная измеряемая физическая дискретность времени, ее квант). Результат взаимодействия объектов выражается в изменении величины одного или нескольких параметров (W) характеризующих этот процесс. Этот процесс изменения параметров может быть преобразован в текстовую форму, см. рис. 5.



Рис. 5.


Амплитуда изменения параметров процесса отображается в некотором алфавите А={a, b, c, …, z} с физически допускаемой дискретизацией W = W / |A|, а число символов отображаемого процесса определяется его длительностью t2 - t1 и дискретизацией по времени t. Очевидно, что произвольный физический процесс любой мерности (графической, акустической, текстовой и т.д.), можно взаимнооднозначно отобразить в текстовую форму (ТФ) и обратно, с любой наперед заданной степенью точности (соответствия) [3]. ТФ – это цифровая форма представления аналогового сигнала, со всеми вытекающими отсюда последствиями.

Таким образом, при анализе и моделировании происходящих в ПО процессов, достаточно использования только текстовой формы (см. рис. 5г.), т.е. мы остаемся в рамках модели "текстовой жизни") (см. рис. 1).

При взаимодействии объектов (например, {ai*aj}), в соответствии с F(ПО) (см. рис. 4), порождается ЭСЕ - элементарная семантическая единица (s{ai*aj} = ), которая однозначно отображает процесс взаимодействия этих объектов, как "скрытых параметров" ПО. Все множество процессов в данной ПО, представляет собой семантическое пространство, как совокупность ЭСЕ (см. рис. 6.).

В качестве примеров ЭСЕ различных ПО можно привести: взаимодействие элементарных частиц – ; <Привет Петров, как дела? Нормально!> – взаимодействие объектов макроуровневых ПО; образование двойной звезды из двух астрообъектов – (на гигауровне) [3]

При анализе одновременного взаимодействия не более чем d объектов ("пар", "троек", … , "d", см. рис. 6.), мы получаем d-мерный куб со стороной n (n равно числу типов объектов ПО). В d-мерном кубе всевозможные одномоментные взаимодействия объектов {a1, a2, …, an}, детерминировано отображаются множеством элементарных информационных единиц Su ={s1, s2, …, su}, где u  nd.




Рис. 6.


Если же в реальной ПО одновременно взаимодействуют d+1 или более объектов, то при возможности анализа не более чем d объектов получается статистическое распределение ЭСЕ, например, < >.

ЭСЕ, породаемые в ПО, суперпозиционно "сливаются" в непрерывный информационный поток (см. рис. 7,8 – информационный канал (ИК)). В ИК происходит процесс формирования информационного ресурса, как в передающей субстанции между ПО и ИС. В отличие от ПО, в ИК осуществляется только суперпозиция и интерференция информационных компонент процессов (ЭСЕ) произошедших в ПО и их транспортировка к ИС.

Физическая плотность и особенности законов F(ПО) определяют частоту происходящих в ПО процессов. Понятно, что при постепенном увеличении плотности, сначала, в среднем, будет формироваться изолированное во времени следование ЭСЕ (см. рис. 7а), далее - слитное (см. рис. 7б) и до перекрытия в различной степени (см. рис. 7 в).



Рис. 7.


Эксперименты на тестовых ПО показали, что во всех трех случаях (см. рис. 7 а,б,в) ИС успешно выделяла ЭСЕ. Но в будущем, при теоретическом рассмотрении функционирования ИС, мы будем опираться только на анализ результатов полностью слитного, априорно неопределенного текстового потока (см. рис. 7б).

В рамках рассматриваемого комплекса: ПО  ИК  ИС, задача ИС (см. рис. 2) заключается в: а) восприятии (отображении), б) хранении (память), в) преобразовании (логика ИС) и г) выдаче (эффекторы) информации в ПО. Но в отличие от определяемого ранее как приоритетного энерго-вещественного ресурса (самокопирование) (см. рис. 2 и сравните его с рис.8), теперь в ИС все осуществляется уже с приоритетом информационного ресурса (ИРС).

При этом, в саморазвивающихся ИС появляется дополнительное свойство - д) субъектность, которое проявляется в выборе более полезных для ИС процессов ПО (градуированной оценкой между "+" и "-", см. рис. 8). Блок субъектность эволюционно формируется в генетическую программу, управляющую начальным поведением ИС. Субъектность служит основанием для формирования оценки желательности или нежелательности любой семантической единицы (возможно даже очень сложной) для ИС (см. рис. 8).




Рис. 8.


Будем предполагать, что про ПО известно, только то, что в любой из них выполняются:

- принцип причинности (детерминированности во времени и пространстве), si  sj, т.е. процесс si всегда вызывает sj;

- принцип глобальной дискретности (гладкости) процессов взаимодействия, т.е. если si  () ~ sk (), и si  sj, то и, скорее всего, sk  sj ;

  • принцип субъектности, оценка полезности каждого процесса ПО (si) для ИС.


^ Задача восприятия усложняется тем, что остальные характеристики ПО априорно не определены и, соответственно, в ИК не заданы какие-либо маркеры-подсказки разделяющие ЭСЕ. Если в процессе квантования информационного потока на информационные единицы (образы) в памяти ИС не будет кратного вложения в них ЭСЕ, то потребность в ресурсе памяти ИС будет выражаться комбинаторными зависимостями от числа различных ЭСЕ в ПО и, в результате, практически будет невозможно построить ни одной ИС. Не решив эту задачу, классическое направление ИИ свелось к "игрушечным примерам".

Таким образом, для эффективного решения задачи восприятия необходимо предварительно решить проблему автоструктуризации непрерывного информационного потока (ИК) на образы в ИС кратные ЭСЕ (элементарным семантическим единицам) в ПО.

Первым шагом по решению проблемы автоструктуризации стало расширение понятия формального нейрона МакКаллока-Питтса, вводом в него относительности времени активации входов, что позволило получить нейроподобный N-элемент (см. рис. 9), который работает в векторном пространстве образов и уже в единственном числе может отражать причинно-следственные процессы реальных физических ПО.




U(t)= Fi (U(X,t)), Fi (t) = FИС(U(t-1))


Рис. 9.


Схемами на базе из N-элементов можно моделировать любые логические схемы, включающие "и", "или", "не", но основное их предназначение, это структурированное хранение подпоследовательностей текстовых форм. Из N-элементов можно образовать послойные структуры (см. рис. 10), открывающие возможность иерархического построения памяти ИС.




Рис. 10.


Объединив N-элементы в многодольный иерархический граф, удалось получить структуру аналогичную естественно-языковым. Первый слой (доля графа) N-элементов – терминальный, фактически отображает алфавит А ЭСЕ, второй слой – "псевдослоги" и строится на пространственно-временных ссылках на предыдущий (терминальный) слой - информационное содержание N элемента (см. рис. 9), слой "псевдослов" – ссылается на "псевдослоги" и т.д., до самого верхнего N элемента, отображающего в себе через связи всю ПО (см. рис. 11).



Рис. 11.


В зависимости от качества кратности вхождения ЭСЕ в образы, для памяти ИС требуются существенно различное число (М) N элементов. Для лучшего и худшего случаев это соотношение характеризуется как: М и М 3-:-5 [6]. Анализ информационного содержимого N элементов в иерархической структуре НСС, в том числе и на тестовых ПО, показал, что при формировании ее алгоритмами минимизирующими ее физический ресурс (RИС в битах), одновременно достигается свойство кратности (тождественности) образов и ЭСЕ.


RИС = f(число N-элементов, число связей слоев)

1 / P(компрессия) = --------------------------------------------------------- 0, (1а)

при t   TИС = объем текстовой информации в ИС


или RИС / TИС 0 (1б)

при t  


RИС const = м, при t  M (1в)


В работах [3,4,5] описаны алгоритмы автоструктуризации, которые из непрерывного информационного потока эффективно выделяют отрезки текста, соответствующие семантическим единицам (ЭСЕ) исследуемой ПО.

Например, уже начиная с 50 символьного отрезка - <ДОМЗЕБРЫСКИТНАДОМДОМВ НАДОМВСКИТВНАСКИТВВЗЕБРЫНАВНА>, на втором слое ИС правильно выделяются все ЭСЕ данной ПО в образы ИС: <ЗЕБРЫ> <СКИТ> <ДОМ> <НА> <В>. Все тестовые примеры при выполнении условий (1а и 1б) показывают 100% реализацию свойства автоструктуризации в рассмотренной ИС (см. рис. 11 и рис. 12).

Для желающих почувствовать себя в роли ИС, можно попытаться выделить ЭСЕ из двух текстов, семантически тождественных ваышеприведенному: <ЕПНИЖВСЬТЛЙУОБЕП НЕПНГОЕПНГТЛЙУГОБТЛЙУГГИЖВСЬОБГОБ>, или . Только первый получается сдвигом номера символа в алфавите А на +1 в ASCII кодах, относительно исходного текста, а второй на -133.

Структуру памяти ИС, в которой выполняется свойство изоморфного отображения ЭСЕ ПО и их структуры в образы ИС и обратно, будем называть нейросемантической структурой (НСС). Т.е. если информационные содержания N элементов ИС тождественны всевозможным ЭСЕ, подчиняющимся принципу причинности и принципу подобия ПО (см. выше), то минимальную структуру (в битах) такой памяти ИС будем называть НСС (N элемент  ЭСЕ).

Только минимизируя физическую ресурсоемкость памяти ИС (RИС), мы автоматически получаем в ее памяти причинно-следственную структуру процессов в ПО. НСС – это фактически готовая структура данных (процессов и объектов) произвольной ПО для любой ИС. Понятно, что ее автоматическое формирование открывает широкие горизонты для инженерии ИС. Назовем процесс формирования НСС – автоструктуризацией.

НСС – это пример 1-го формального преобразования количественной (естественной) текстовой формы представления информации в качественную форму, в которой из континуальной (практически непрерывной, неструктурированной) текстовой формы, образуется иерархическое множество образов данной ПО в виде многодольного графа, отображающего причинно-следственные связи образов (объектов-процессов) ПО. Для инженерной практики НСС – это готовая причинно-следственная структура объектов-процессов ПО при разработке вычислительной системы для конкретных задач.

Качество самой НСС отображается отношением числа корректных пар (N элемент  ЭСЕ) на общее число N элементов ИС(НСС). Естественно, что в процессе автоматической подстройки ИС под конкретную, априорно неизвестную ПО, на начальном этапе ввода текстового потока, "НСС-качество" не велико (<< 1), а далее, "НСС-качество" полностью зависит от алгоритмов ИС. На рис. 12, приведен характерный вид графика: "НСС-качество" – log (tn).




Рис. 12.


При достаточности текстового материала всегда достигаются величины "НСС-качество" близкие к 1. (Критерии достаточности: а) все возможное пространство состояний; б) если человек может правильно структурировать данный текстовой материал в непривычной, но взаимнооднозначной нотации, в) наличие характерных особенностей динамического процесса при минимизации ресурса RИС).

Скорость автоструктуризации можно существенно улуч­шить, выделив и введя уже известные экспертам ЭСЕ – "семантические затравки". Такой процесс автоструктуризации принято на­зывать обучением "с учителем" (см. рис. 12). Полезность обучения "с учителем" хорошо известна для биологических ИС. В работе [2] исследовано и показано, что высокое качество автоструктуризации (N-элемент  ЭСЕ) является необходимым условием для запуска возможных самоорганизующихся процессов в ИС.

Следует также отметить, что все технические характеристики памяти на базе НСС (время доступа, коэффициент компрессии-сжатия, надежность-пла­стичность хранения информации и др.) имеют тенденцию к улучшению, как в среднем, так и в абсолютных значениях по мере роста объема вводимой информации из ПО (см. рис. 13). Это пример второго эволюционного аттрактора самоорганизующихся ИС.




Рис. 13.

Предлагаемая модель нейроподобной структуры (см. рис. 11) функцио­нально является более близкой к естественному прототипу - централь­ной нервной системе, чем современные модели нейронных се­тей [1], за которыми исторически закрепилось направление нейрокомпьютинга. Особенности вышеперечисленных характеристик НСС являются основанием для построения на её базе крупномасштабной ассоциативной па­мяти (ИС), работающей со слабоструктурированными текстовыми пото­ками.

В завершении раздела, отметим, что к теоретическим результатам НСС-технологии можно отнести и формальную структуризацию информационного ресурса (ИРС), как совокупности сигнала, информации и знания: "сигнал"  неструктурированная последовательная суперпозиция ЭСЕ; "информация"  сигнал, структурированный на иерархию последовательных ЭСЕ; "знание" – структурная иерархия НСС в ИС (см. рис. 15). Следует отметить, что функциональный характер компрессии ИРС в структуре образов НСС (при постоянном потоке ИРС и t) объективно подтверждает данную классификацию: "линейный – сигнал", "логарифмический - информация" и "const - знание". При этом подчеркнем, что величина компрессии отражает потенциальную интеллектуальность ИС (см. соотношения 1а и 1б), что в свою очередь, является аккумуляцией ее возможностей для управления по целенаправленному выбору физических параметров ПО: энергии и времени.


Резюмируя материал второго раздела отметим, что в нем:

- формализовано понятие ПО и ИК;

- расширено формальное описание ИС;

- расширено понятие элементарной функциональной единицы ИС – N-элемента;

- введена в рассмотрение иерархическая архитектура ИС, как многодольного графа;

- дано определение автоструктуризации и НСС;

- ИСС открывает возможность построения памяти ИС практические неограниченной емкости;

- показано, что НСС решает задачу эффективного хранения информации в ИС и что, на базе НСС можно строить практические приложения: крупномасштабную ассоциативную память и высокоэффективный канал передачи данных ("Земля - Космос – Земля"), работающих в слабоструктурируемых информационных потоках.

  1   2   3




Похожие:

Концепция построения искусственного разума на базе нейросемантического подхода iconВ. И., Чистяков А. А. Нейросемантическая форма представления информации
Обсуждаются метод и свойства взаимно однозначного структурного преобразования текстового потока данных в нейросемантическую форму...
Концепция построения искусственного разума на базе нейросемантического подхода iconПартнерская Система
В основу пс "зоран" положена новая концепция искусственного интеллекта. Данная система может быть использована как самостоятельный...
Концепция построения искусственного разума на базе нейросемантического подхода iconПартнерская Система
В основу пс "зоран" положена новая концепция искусственного интеллекта. Данная система может быть использована как самостоятельный...
Концепция построения искусственного разума на базе нейросемантического подхода icon«цивилизационный подход»
Концепция исторического развития в наследии русских и европейских основателей цивилизационного подхода
Концепция построения искусственного разума на базе нейросемантического подхода iconУрок "Базы данных мs аccess и принципы построения запросов и отчетов"
Формировать у учащихся знания об основных объектах базы данных ms access; познакомить учащихся с различными видами и методами построения...
Концепция построения искусственного разума на базе нейросемантического подхода iconА. М. Казанцев о реальных возможностях и уже практически проверенных методах создания глобального искусственного интеллекта тезисы
Современный уровень производства технической базы компьютеров, а также реализация software аванварианта Системы обработки данных...
Концепция построения искусственного разума на базе нейросемантического подхода iconКонцепция
Одним из условий реализации личностно-ориентированного подхода в обучении химии и биологии является организация дифференцированного...
Концепция построения искусственного разума на базе нейросемантического подхода iconТаблица №1. Объем изучаемого материала в категориях философии на уроках по шахматам. Принципиальная сущность построения учебной программы по шахматам. (Подготовка шахматистов IV разряда) на базе философии

Концепция построения искусственного разума на базе нейросемантического подхода iconТаблица №1. Объем изучаемого материала в категориях философии на уроках по шахматам. Принципиальная сущность построения учебной программы по шахматам. (Подготовка шахматистов IV разряда) на базе философии

Концепция построения искусственного разума на базе нейросемантического подхода iconУдк 004. 93 Синтез распознающих нейромоделей для классификации изображений
Для автоматизации построения современных … Для автоматизации построения современных …[1-3]. Для автоматизации построения современных...
Разместите кнопку на своём сайте:
Документы


База данных защищена авторским правом ©podelise.ru 2000-2014
При копировании материала обязательно указание активной ссылки открытой для индексации.
обратиться к администрации
Документы

Разработка сайта — Веб студия Адаманов