База примеров

Нейрокомпьютинг: между наукой и лженаукой

© Авторы, 2015
© ЗАО «Издательство «Радиотехника», 2015

Ю.Ю. Петрунин – д. филос. н., профессор, кафедра стратегических коммуникаций факультета Государственного управления Московского государственного университета им. М.В. Ломоносова, сопредседатель организационного комитета, ведущий симпозиума «Нейрофилософия»
Email: Petrunin@spa.msu.ru

Предложены методологические принципы прикладного нейрокомпьютинга: принцип достоверности и проверяемости методов, принцип эпистемологического эволюционизма, принцип системности и принцип детерминизма. Проанализированы последствия нарушения этих принципов при применении нейрокомпьютинга в управлении персоналом.

Ключевые слова: нейронные сети, нейронауки, методология нейрокомпьютинга, принципы демаркации, искусственный интеллект, анализ данных, логистическая регрессия, дискриминантный анализ, управление персоналом, астрология.

Методология имеет значение: принципы нейрокомпьютинга

«Теория нейронных сетей привлекает сегодня внимание многих исследователей, – писал еще в конце прошлого века профессор Калифорнийского университета в Сан-Диего Роберт Хехт-Нильсен. – С одной стороны, интерес к нейросетевым моделям вызван желанием понять принципы работы нервной системы, с другой – с помощью таких моделей ученые рассчитывают смоделировать поразительные по своей эффективности процессы обработки информации, свойственные живым существам» [17]. Именно в последнем случае, с точки зрения американского ученого, можно говорить о нейрокомпьютинге. Компьютерное моделирование на основе искусственных нейронных сетей – нейрокомпьютинг – стремительно развивается во всем мире, его применение в новых сферах познания можно только всячески приветствовать. Такого рода исследования могут иметь как серьезное теоретическое значение, открывая новые, часто неожиданные закономерности в той или иной предметной области, так и практическое, способствуя решению многих жизненно важных задач. Современные авторы пишут, что «сегодня нейронаука обладает таким же авторитетом, как психоанализ в двадцатом веке. Она претендует на то, чтобы стать ведущей наукой двадцать первого века» [1]. Но споры о научности психоанализа не стихают до сих пор. Так, К. Поппер показал, что психоанализ не соответствует стандартам классической науки.

Мода на нейрокомпьютинг играет не только положительную роль, способствуя привлечению новых пытливых умов к перспективным исследованиям, но и отрицательную, притягивая к себе авантюристов, ищущих быстрых результатов и не менее быстрой популярности, не брезгующих никакими методами для достижения своих целей и дискредитирующих нейронауку в целом. В некоторых публикациях нейросетевые методы и модели выставляются как панацея, своеобразный «философский камень», призванные решить все стоящие перед человечеством проблемы. В связи с этим растет не только интерес к нейрокомпьютингу, но и сомнение среди коллег по познанию окружающего мира в его научности.

Ситуация осложняется тем, что нейронауки представляют собой широчайшее поле исследований, чьи творцы недостаточно осознают единство философии, методологии, стандартов научности и этических принципов своей деятельности. Эти исследования включают в свой универсум не только естественные и инженерные, но и гуманитарные науки. Непривычное объединение разнообразных наук с непростой историей взаимоотношений создает возможности проходимцам легче действовать.

Цель работы – исследование философии и методологии нейрокомпьютинга [2, 3, 9, 18, 19, 20]. поиск единства столь непохожих друг на друга наук, выработка критериев демаркации, разработка основных методологических принципов, которые должны быть положены в основу нейрокомпьютерных исследований. Конечно, это огромная коллективная работа, но хотелось бы высказать несколько соображений по этому важному и крайне актуальному делу.

Первый принцип – принцип достоверности и/или проверяемости состоит в том, что эта философия и методология должна базироваться на реальных нейрокомпьютерных исследованиях, основанных на доступных всем эмпирических фактах, воспроизводимых методах и проверяемых результатах.

Второй принцип – принцип эпистемологического эволюционизма состоит в том, что методы нейронных сетей не должны заменять (отбрасывать как устаревшие) традиционные методы, используемые в конкретной области познания. Они должны какбы «надстраиваться» над ними, расширять их возможности, дополнять их.

Третий принцип – принцип системности, состоит в том, что нейрокомпьютинг должен дополняться не только традиционными методами исследования, но и близкими ему по происхождению другими методами искусственного интеллекта. Любой метод познания должен конкурировать, а часто – сотрудничать с другими методами. Главная цель науки – истина, и ни у одного из многочисленных методов ее познания нет презумпции непогрешимости. Только практика может разрешить их непрерывный спор.

Четвертый принцип – принцип детерминизма должен состоять в признании того, что главная цель нейрокомпьютинга (как и всех остальных наук) состоит в открытии каузальных закономерностей. Упор должен делаться на содержательную интерпретацию полученных результатов, а не на «прикладных» аспектах (например прогнозирование), так привлекающих широкую публику. К сожалению, часто отсутствует иерархия целей при использовании нейрокомпьютинга. Например, когда предсказание результатов футбольного матча становятся главной целью исследования – вместо открытия закономерностей развития футбола, в том числе в его связи с другими общественными институтами *. Или прогнозирование успешности занятия какойлибо профессии на основе антропологических признаков строится без понимания причинноследственных связей, лежащих в их основе.

Эффективность практических приложений должна базироваться на фундаментальности полученных результатов. В этом смысле четвертый принцип пересекается со вторым, поскольку с неизбежностью означает уважение к конкретным предметным областям, научное сообщество которых располагает богатыми традициями изучения данной области, и сотрудничество с этим сообществом крайне необходимо. Подход «свысока» вызывает отторжение профессионалов, мешает здоровой междисциплинарной коммуникации с пользой для дела. Отсюда же следует, что в идеале сами специалисты в конкретных областях знания должны использовать нейрокомпьютинг, ощущая его полезность, но зная и его ограничения, те условия, при которых его использование неэффективно.

Каждый из вышеназванных принципов нейрокомпьютинга отнюдь не является самоочевидным, более того, может оспариваться. Скажем, второй принцип, может вызвать следующее возражение: познание развивается не только эволюционно, но и революционно. Методы нейронных сетей – это переворот в познании и он не нуждается в «устаревших» методах познания. Известный американский ученыйнейроэкономист Роберт Дж. Шиллер выразил это так:
«Попытки связать нейрологию и экономику начались по большому счету всего несколько лет назад, и развитие нейроэкономики находится сейчас на самых начальных этапах. Но оно идет по колее, характерной для научных революций: как правило, революции начинаются в неожиданных местах. Целые области науки могут переживать состояние засухи, если на горизонте нет фундаментально новых подходов к исследованиям. Ученые оказываются заложниками своих методов и в терминологии, и в приверженности принятым подходам к своей дисциплине — так что начинают повторять друг друга и скатываться к малозначительным деталям. А потом ктонибудь, кто не имел отношения к устоявшимся методикам, производит на свет нечто выдающееся: некую новую идею, которая привлекает молодых ученых и нескольких бунтарей в среде старой гвардии, которые стремятся познать новую науку и использовать новые методы исследования. В определенный момент этого процесса и рождается научная революция» [4].

Если обратиться к истории науки, то скорее и чаще меняются теоретические конструкции, а не методы познания. Безусловно, нейрокомпьютинг – это метод познания. Но до него задачи, для эффективного решения которых он используется, решались другими методами. Большинство из них до сих пор вполне пригодны для научных целей: методы статистики, анализа данных, методы оптимизации и принятия решений.

Что касается четвертого принципа, то часто слышны голоса о том, что цель специалиста по нейрокомпьютингу – открыть зависимости, которые не могли быть открыты традиционными методами, указать на новое, а уж разобраться во внутренних механизмах этих связей оставить для ученых конкретной предметной области. Используя медицинскую терминологию, можно говорить, что нейрокомпьютинг – это диагностика, лечением должны заниматься другие специалисты. Трудно найти еще одну область познания или практики, в которой встречалось бы такое странное разделение труда.

Обратимся к первому принципу. Если с необходимостью использовать только доступные всем участникам процесса познания факты согласятся все или почти все, то вопросы воспроизводимых методов и проверяемых результатов не так просты. Например, общеизвестно, что обучение нейронных сетей никогда не приводит к абсолютно одинаковым результатам, например, значениям весов нейронов сети. Ситуация осложняется тем, что многие специалисты в области нейрокомпьютинга создают для своих нужд собственные программы нейронных сетей. Естественно, если у других коллективов другие программы, то как мы можем быть уверены в тождестве их работы? Тем более, что программы, как правило, не являются открытыми. В этом случае предпочтительней использовать общераспространенные коммерческие программы, хотя бы в качестве нейтрального «арбитра». Иначе мы должны положиться на декларируемые «открытия» коллег, не имея возможности их проверить.

Более того, получается, что нейронная сеть строится по кибернетической модели «черного ящика» и нам фактически ничего не известно о том, почему был получен конкретный результат. Вряд ли в таком случае приходится говорить о каузальных моделях, что противоречит также четвертому принципу. Получается, что задача нейросетевого подхода состоит не в объяснении, а только в обнаружении связей – довольно широко распространенная точка зрения. Вряд ли с ней можно согласиться.

Можно поставить более общий философский вопрос: что считать «результатами» нейрокомпьютинга? Иногда полагают, что достаточно более или менее точного прогноза какихто событий, иногда – зарегистрированный патент или свидетельство регистрации программы или устройства, иногда – просто часто повторяющиеся выступления на конференциях или в средствах массовой информации. Здесь лучше обратиться к практике классической науки. В естественных науках результаты опытов проверяются в других лабораториях. Тоже самое должно быть и в нейрокомпьютинге. Исходные данные должны быть доступны для всех. Если их нет в готовом виде (например, в виде таблиц), то должны быть указаны источники, из которых их можно извлечь при разумной обработке. Никто не возбраняет использовать самостоятельно разработанные сети, но проверяться полученные с их помощью результаты должны с помощью общепризнанных (общераспространенных) компьютерных программ. Наконец, все результаты должны сопоставляться с традиционными методами: есть ли общие результаты? чем отличаются результаты? какие выводы можно сделать из этого различия? что в этом случае исследователю делать дальше? Необходимо признать, что предшествующие исследования не были пустой тратой времени и, при прочих равных обстоятельствах, доверие к ним должно быть больше. Хотя бы потому, что они более проверены и прозрачны. Это не значит, что новые методы не могут открыть чегото принципиального нового, а значит лишь то, что серьезный исследователь должен вложить не меньше труда для убеждения коллег в оригинальности полученных результатов, чем вложили его предшественники при использовании «старых» методов. Нельзя не вспомнить слова И. Ньютона о том, что он достиг много потому, что «стоял на плечах гигантов». Только карлики думают иначе.

Методология в действии: трудный путь познания

Проиллюстрируем все вышесказанное конкретными примерами. Далее речь идет о научных работах. Однако некоторые отступления от вышеназванных методологических принципов ведут в опасную сторону от подлинной науки. Обратимся к исследованиям хорошо известной в научном мире Пермской школы нейрокомпьютинга, активно применяющей его методы и в социальногуманитарных и управленческих сферах. В частности одной из последних статей был использован оригинальный подход к достаточной новой, но быстро развивающейся области управления персоналом [5].

Данная работа является пионерской по своему характеру и поэтому заслуживает особого внимания. Авторы поставили перед собой задачу выделить факторы, влияющие на эффективность работы руководителя, точнее сказать на «способность человека выполнять руководящую работу». При этом исследовались не только традиционные качества, могущие повлиять на эту эффективность (пол, возраст, семейный статус и др.), но и непривычные для классической науки астрологические характеристики человека (знак Зодиака, стихия и другие натальные характеристики).

Первоначально в качестве зависимой переменной выдвигается понятие «психологический потенциал руководителя – ППД». Однако авторы отметают традиционно используемые для измерения этого потенциала психологические (и иные) методы изза их «субъективности» и призывают использовать «объективные» параметры (пол, возраст, и т.д.), а в качестве единственного результирующего показателя ППД – деловой статус человека: является ли он руководителем или рядовым сотрудником. Вряд ли можно отождествить «психологический потенциал руководителя» и фактически занимаемое респондентом положение в организации (деловой статус респондента). Получается, что если респондент является руководителем, то это автоматически соответствует его высокому ППД. Практика, да и теория, управления показывают, что это не соответствует действительности.

Отсюда иными получаются и выводы. Если, в одном случае, мы будем считать модель эвристической, т.е. способной помогать отбирать эффективных менеджеров, то во втором лишь описывающей сложившуюся практику занятия руководящих должностей, мнение людей, назначающих руководителей. То есть, либо верно то, что 40- и 50-летние мужчины, имеющие детей, наиболее эффективны для управления организацией, либо то, что они чаще всего становятся руководителями... Как говорят в Одессе, это «две большие разницы». В специальной литературе по кадровому менеджменту для обозначения этого различия вводится понятие результативности деятельности человека в конкретной позиции в организации [6].

Почему произошла такая странная подмена зависимой переменной? Неужели авторы не заметили, что исследуют не то, что вначале декларировали? Нет, дело в другом. Авторы исследования абсолютизировали принцип достоверности эмпирических данных – ведь начальник ли респондент или простой сотрудник известно абсолютно достоверно. Однако при этом первый методологический принцип был сужен, сведен только к достоверности эмпирических данных и полностью отброшен второй методологический принцип: борьба с субъективностью привела к отбрасыванию наработанного инструментария социологии и психологии управления. Таким образом, отдельные методологические принципы могут вступать в противоречие между собой в конкретных исследованиях. Более того, достоверность эмпирических данных не такое простое понятие, что известно хотя бы из истории науки, особенно гуманитарной. Можно ли, например, полагать, что отношения людей в группе, вычисленные социометрическими методами являются достаточно достоверными? Представители Пермской школы нейрокомпьютинга видимо считают, что нельзя. Ученые из Красноярска полагают, что можно и активно используют нейронные сети для традиционно полученных организационнокоммуникативных характеристик сотрудников [7, 8].

Далее, принцип достоверности исходных данных не распространяется авторами указанного исследования на достоверность применяемых методов. Речь идет о том, что используемая в данном случае программа, моделирующая деятельность нейронных сетей, не является доступной для других исследователей. Впрочем, даже если бы и была, мы не могли бы быть уверены, почему получаются именно такие результаты, так как текст программы не известен и не проверен другими специалистами.

В результате нейрокомпьютерного исследования связи вышеперечисленных переменных с деловым статусом респондента были получены следующие выводы. В качестве оптимальной архитектуры сети был подобран персептрон с семью входами, одним выходом и двумя скрытыми слоями, состоящими из восьми и шести нейронов. В качестве активационных функций нейронов скрытого слоя и выходного нейрона использовались сигмоидные функции. После обучения на 64 наблюдениях прогностические свойства нейронной сети проверялись на 16 примерах тестирующего множества. Использование только традиционных переменных привело к среднеквадратической ошибке, равной 69%; только астрологических переменных – 54%; совместное использование тех и других уменьшило среднеквадратическую ошибку до 6,6%, что можно считать хорошим результатом.

Проверка результатов данного исследования (в соответствии с первым принципом) в широко распространенной и доступной программе «NeuroShell Predictor» компании «Ward Systems Group, Inc» показала значительные отличия результатов от полученных пермскими учеными. Действительно, если использовать в качестве предикторов отдельно только «традиционные» переменные (пол, возраст и т.д.) или только «астрологические» переменные (знак Зодиака, стихию и т.д.), то модель показывает худшие результаты, чем если использовать совместно обе группы предикторов. Среднеквадратическая ошибка обученной нейросети для традиционных переменных равна 8%; для астрологических – 12,5%; при совместном использовании всех переменных она уменьшается до 6%. (рис. 1).

Рис. 1. График наблюдаемых и прогнозируемых значений переменной «статус респондента» на основе обученной нейронной сети с семью входами (все переменные). Здесь и далее – графики являются оперированными экранными формами программы “NeuroShell Predictor” компании “Ward Systems Group, Inc.”

Однако применение обученной нейросети к тестовым данным приводит к таким величинам ошибок, что о прогнозах вряд ли вообще можно говорить, поскольку среднеквадратичная ошибка доходит до 60% и выше (см. рис. 2). Приведенные в статье низкие показатели величины ошибок относятся к обученным нейросетям. Когда они начинают применяться к тестовым данным, результаты становятся удручающими.

Полученные выводы были также проверены в профессиональной программе «Statistica» американской компании Statsoft, в которую, начиная с восьмой версии, включен модуль нейронных сетей. Для прогнозирования использовался многослойный персептрон и сеть с базовыми радиальными функциями. Первые показали лучшие результаты.

Рис.2. График наблюдаемых и прогнозируемых значений переменной «статус респондента» на основе применения обученной нейронной сети к тестовым значениям независимых переменных

Доля ошибочных прогнозов обученной сети составляет не менее 20%, за исключением четвертого варианта. Однако при тестировании на новых данных она все равно превышает 25%. Подробные характеристики нейросетей отражены в табл. 1. Еще хуже прогнозы для тестовых данных на основе обученной RBF-нейросети. Результаты одного из вариантов RBF–сети показаны в табл. 2. В данном случае доля ошибочных прогнозов составляет не менее 30%.

Таблица 1. Основные характеристики обученных нейросетей на основе персептрона

Таблица 2. Предсказание делового статуса респондента на основе RBF архитектуры нейронной сети

Полученные в разных, достаточно распространенных нейросетевых программах, результаты существенно отличаются от полученных в анализируемой работе. Проверить программу авторов статьи невозможно, поскольку она недоступна, и каким образом происходит обработка данных, которые предлагается ввести на сайте, никому достоверно неизвестно [10–13].

Ссылка на то, что работу программы можно проверить на сайте, вряд ли может вызвать чтото иное, кроме улыбки. Вспоминается вечный двигатель, который хотел в свое время купить император Петр Великий в Западной Европе, в недрах которого скрывался небольшого роста человечек, приводивший искусный механизм в действие своими собственными силами. Как известно, в науке используются методы, приборы и инструменты, в полной мере доступные другим участникам познавательного процесса, чем собственно и отличается научная деятельность.

В чем причина расхождений полученных пермскими учеными результатов и результатов, полученных в программах «Statistica» и «NeuroShell Predictor»? Можно ли доверять используемой Пермской школой программе? Это непростой вопрос. Проверка с помощью общеизвестных компьютерных программ, моделирующих нейронные сети, других результатов работы программы пермского университета «Нейросимулятор» (расположенной на сайте www.PermAi.ru), показала, что она работает вполне эффективно с другими примерами. В частности, прогнозы президентских выборов в США и во Франции [14] подтвердились достаточно точно.

Нельзя не заметить, что в анализируемом исследовании (как и во многих других) второй методологический принцип полностью отбрасывается. Можно ли считать нейронные сети панацеей, или волшебной палочкой, открывающей последние истины, недоступные для других методов познания? Попробуем разобраться.

Классическими методами решения поставленной в анализируемой статье задачи являются метод логистической регрессии и дискриминантный анализ. Их использование в программе Statistica дало следующие результаты (табл. 3 и 4). Среднеквадратическая ошибка для логистической регрессии составила 0,15; число ошибочных прогнозов составило 13 из общей выборки 80 (16,25%). Все эти показатели не удовлетворительны. Дискриминантный анализ семи независимых и одной зависимой переменной показал 17,5% ошибочно предсказанных исходов. При этом только переменная «пол» оказалась статистически значимой. Таким образом, статистический анализ показал свою неспособность с удовлетворительной точностью и надежностью описать связь между переменными. Значит ли это, что он ничего не может дать для решения данной задачи и его нужно просто отбросить? Нет, не значит.

Таблица 3. Значения коэффициентов дискриминантных функций

Таблица 4. Результаты дискриминантного анализа

Неудовлетворительные результаты статистического анализа при использовании логистической регрессии и при дискриминантном анализе объясняются тем, что большинство предикторов описываются низко информативными переменными – номинальными (пол, сфера деятельности, знак Зодиака, стихия) или порядковыми (число детей в семье). Поэтому качество регрессии и не может быть хорошим, особенно при небольшом числе наблюдений. Напрашивается, что использование нейронных сетей более перспективно. Однако вполне можно проанализировать статистические связи между отдельными парами или даже группами переменных (несколькими независимыми и одной зависимой), а затем сравнить их с результатами, полученными с помощью нейросети.

Поскольку независимые переменные имеют разные типы, то необходимо использовать различные методы. Например, для определения связи между номинальной зависимой переменной (деловой статус респондента) и числом детей и/или возрастом (интервальная или порядковая переменная) применение критерия Стьюдента (или критерия Манна–Уитни, когда не выполняются условия применения критерия Стьюдента) показывает, что имеется надежно установленная статистическая зависимость между этими переменными (см. табл. 5–7).

Таблица 5. Результаты t-теста Стьюдента для определения связи между деловым статусом респондента и его возрастом (иными словами, как влияет возраст на статус)

Таблица 6. Результаты t-теста Стьюдента для определения связи между деловым статусом респондента и числом его детей

Таблица 7. Результаты непараметрического теста Манна–Уитни для определения связи между деловым статусом респондента и числом его детей

Для номинальных переменных «пол» и «деловой статус респондента», а также стихия/знак Зодиака и деловой статус респондента наилучшими способом поиска зависимости является таблица кросстабуляции и критерий хиквадрат. Гистограммы на рис.3, 4 и 5 показывают графически, что имеется статистическая зависимость между этими показателями.

Таким образом, наличие статистической связи между некоторыми «традиционными» и «астрологическими» переменными в качестве независимых с зависимой «деловой статус респондента» определяется и без нейронных сетей. Что добавляют в таком случае нейронные сети? * Как быть, если результаты о наличии связей, полученные разными методами, отличаются или даже противоположны? Эти вопросы в статье даже не ставятся.

Наконец, игнорируется у указанных выше исследователей и третий методологический принцип. Между тем, многие специалисты включают в нейрокомпьютинг не только нейронные сети, но и другие классы адаптивных структур обработки информации: обучающиеся автоматы, нечеткую логику, имитационные системы, работающие по принципу «отжига» и др. [17]. Конечно, применение других методов искусственного интеллекта было бы вполне разумным и оправданным. Тогда можно было бы сравнить результаты нейронных сетей с результатами не только классических статистических методов, но и с другими методами искусственного интеллекта. Известно, например, что метод генетического алгоритма для первоначального поиска весов входов нейронных сетей помогает улучшить качество моделей. В большинстве используемых (коммерческих) программ нейронных сетей такие возможности предусмотрены.

Рис. 3. Гистограмма плотности распределения переменных «пол» и «деловой статус респондента». Характер распределения показывает, что пол существенно детерминирует деловой статус респондента

Проведенное автором данной статьи обучение нейронной сети в программе «NeuroShell Predictor» с использованием метода генетического алгоритма показало, что качество обучения улучшается: среднеквадратическая ошибка меньше 0,3%. Однако применение обученной нейросети к тестовым данным хотя и уменьшает (по сравнение с указанными выше результатами) среднеквадратическую ошибку, но оставляет ее всетаки чрезмерно большой – свыше 25%.

Серьезным недостатком использования нейронных сетей является сложность интерпретации связей между различными переменными, т.е. между входами и выходом. Нельзя сводить науку к прогнозированию, а ее эффективность – к точности предсказаний. Поиск содержательных связей между переменными, открытие закономерностей является главной отличительной чертой науки (четвертый методологический принцип). Поэтому представляется оправданным использовать такой метод интеллектуального анализа, как обнаружение логических закономерностей (правил) в данных [15, 16]. Воспользуемся для этих целей программой «WizWhy» компании «WizSoft». Базовые данные и данные тестовой выборки были объединены в одну совокупность из 80 наблюдений.

Анализ выделенных правил позволяет сделать следующие выводы. Существует гендерное неравенство при воздействии на деловой статус респондента: принадлежность к мужскому полу значительно детерминирует возможность быть руководителем (правила 1, 3, 8, 20), особенно если он работает в сфере управления человекчеловек; также увеличивает шансы мужчины стать руководителем наличие детей (правила 2 и 21), возраст свыше 47 лет (правило 5). Возраст и число детей сами по себе являются положительными предикторами делового статуса (правила 10, 13, 14, 15 и др.). Из астрологических показателей единственное значение имеют значение Земля переменной Стихия (правило 17, 22) и Огонь (для женщин) (правило 18). Статистический анализ также показывает влияние значение Земля переменной Стихия на возможность стать руководителем.

Рис. 4. Гистограмма плотности распределения переменных «стихия» и «деловой статус респондента». Характер распределения показывает, что существенное влияние на деловой статус респондента оказывает только значение Земля переменной «стихия»

Рис. 5. Гистограмма плотности распределения переменных «знак Зодиака» и «деловой статус респондента». Характер распределения показывает, что только два значения переменной Зодиак – Козерог и Дева – оказывают существенное влияние на переменную «деловой статус респондента». Оба указанных знака Зодиака относятся к стихии «земля» * (1 – сотрудник, 2 – руководитель)

Однако других астрологических влияний на деловой статус программа не находит. Поскольку к Стихии Земля относятся весьма непохожие времена года (декабрь-январь, апрель-май, август-сентябрь), то говорить о погодно-климатическом влиянии на деловой статус респондента не приходится. Несомненно, результаты использования метода поиска закономерностей являются лучше интерпретируемыми. Они открывают связи, которые прозрачней, понятней для исследователя.

  • Отношение к использованию искусственного интеллекта, в частности, нейронных сетей, как методу получения нового, неожиданного, более глубокого знания в научном сообществе (и не только в научном!) неоднозначное. Некоторые специалисты считают этот метод в лучшем случае игрушкой, в худшем – возвратом к поиску пресловутого философского камня. Чтобы нейрокомпьютинг не путали с нейромошенничеством, необходимо придерживаться методологических принципов, выработанных всей предыдущей историей науки. Среди основных таких принципов должны быть: достоверность эмпирических фактов и проверяемость полученных результатов, эпистемологический эволюционизм, системный подход и детерминизм. Пренебрежение методологическими принципами даже у серьезных исследователей способно приводить к постепенному превращению научных исследований в лженаучные.

Исследование выполнено при финансовой поддержке РГНФ в рамках проекта № 151300519а «Постнеклассическая парадигма искусственного интеллекта».

* Вспомним в связи с этим поучительную историю возникновения теории вероятностей.

* Если бы даже такая связь была установлена, что в данном конкретном примере не является доказанным.

* И в астрологии, действительно, стихия «земля» считается важнейшей для деловой карьеры.

Литература:

1. Hess E., Jokeit H. Neurocapitalism // Merkur. 2009. № 6. P. 1–8.

2. Нейрокомпьютерная парадигма и общество / Под ред. Ю.Ю. Петрунина. М.: МГУ. 2012.

3. Chechkin A.V., Alexeev A.Yu., Petrunin Yu.Yu., Savelyev A.V., Yankovskaya E.A. Neurophilosophy // Нейрокомпьютеры: разработка, применение. 2014. № 10. С. 3–13.

4. Шиллер Р. Экономика мозга // Vedomosti.ru. 23.11.2011.

5. Ясницкий Л.Н., Михалева Ю.А., Черепанов Ф.М. Возможности методов искусственного интеллекта для выявления и использования новых знаний на примере задачи управления персоналом // Журнал формирующихся направлений науки. 2014. № 6 (2). C. 32–41.

6. Тюрина И.О. Кадровый менеджмент: процесс отбора персонала // Социологические исследования. 2000. № 4. С. 22–32.

7. Доррер М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе // Методы нейроинформатики / Под ред. А.Н. Горбаня. Красноярск: КГТУ. 1998. 205 с.

8. Доррер М.Г. Психологическая интуиция искусственных нейронных сетей: Дисс. … канд. техн. наук. Красноярск: СТГУ. 1998. 124 с.

9. Алексеев А.Ю., Кузнецов В.Г., Петрунин Ю.Ю., Савельев А.В. Нейрофилософия как концептуальная основа нейрокомпьютинга // Нейрокомпьютеры: разработка, применение. 2015. № 5. С. 69–77.

10. Черепанов Ф.М. Симулятор нейронных сетей для вузов // Вестник Пермского университета. Математика. Механика. Информатика. 2012. № 3. С. 98–105.

11. Черепанов Ф.М., Ясницкий Л.Н. Исследовательский симулятор нейронных сетей // Искусственный интеллект: философия, методология, инновации: Материалы Пятой Всероссийской конференции. Москва, МГТУ МИРЭА. 9–11 ноября 2011 г. М.: Радио и связь. 2011. С. 137–139.

12. Черепанов Ф.М., Ясницкий Л.Н. Исследовательский симулятор нейронных сетей // X всероссийская научная конференция «Нейрокомпьютеры и их применение»: тезисы докладов. М.: МГППУ. 2012. С. 31.

13. Черепанов Ф.М., Ясницкий Л.Н. Свидетельство об отраслевой регистрации разработки № 8756. Симулятор нейронных сетей «Нейросимулятор 1.0». Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007.

14. Ясницкий Л.Н., Черепанов Ф.М. Искусственный интеллект для политтехнологов // http://www.permai.ru/files/projects/P05.pdf

15. Бонгард М.М. Проблема узнавания. М., 1967.

16. Дюк В., Самойленко А. Data Mining. Учебный курс. СПб. 2001. C. 184–244.

17. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы. СУБД. 1998. № 4. С. 10–14.

18. Петрунин Ю.Ю. Наследие И.М. Сеченова и современный прикладной нейрокомпьютинг // Биомедицинская радиоэлектроника. 2015. № 4. С. 56–57.

19. Алексеев А.Ю., Кузнецов В.Г., Петрунин Ю.Ю., Савельев А.В., Янковская Е.А. Актуальные вопросы нейрофилософии // Нейрокомпьютеры: разработка, применение. 2015. № 4. С. 9–11.

20. Петрунин Ю.Ю. Нейрофилософия в системе нейронаук // Нейрокомпьютеры: разработка, применение. 2015. № 4. С. 63–64.


В начало


Узнайте больше на курсах Академии Анализа Данных StatSoft

Список курсов    Календарь    Расписание груповых занятий






info@statsoft.ru       (495) 787-77-33       (499) 674-06-15       STATISTICA Data Miner 13.2 Trial

Авторские права на дизайн и материалы сайта принадлежат компании StatSoft Russia.
Все права защищены.

© StatSoft Russia
1999-2017

StatSoft Russia – компания, зарегистрированная и действующая в соответствии с законами России, которые могут отличаться от законов других стран, имеющих офисы StatSoft. Каждый офис StatSoft является самостоятельным юридическим лицом, имеет право предлагать услуги и разрабатывать приложения, которые могут быть, а могут и не быть представлены в офисах StatSoft других стран.

Лицензионное соглашение      Карта сайта