Аннотация

Описывается новый тип нейронных сетей (п-сети), способных к быстрому обучению и не подверженных типичным для классических нейронных сетей проблемам. Приводятся данные экспериментов по сравнению предложенной сети с имеющимися на рынке классическими нейронными сетями, описываются перспективные направления использования п-сетей в ТРИЗ и в бизнесе.

Введение

Весной 1981 года Г. Альтшуллер и Б. Злотин проводили месячный цикл обучения по ТРИЗ для лучших изобретателей электротехнической промышленности. На церемонии завершения обучения Альтшуллер сказал: «Рано или поздно с помощью ТРИЗ будет сделано изобретение высшего пятого уровня, которое изменит жизнь множества людей. И тогда ТРИЗ наконец будет признана всеми…». Прошло 34 года и мы хотим рассказать об именно таком изобретении, сделанном с помощью ТРИЗ, которое неизбежно изменит всю информационную индустрию, ее хардвэр, софтвер, теорию и идеологию, а потом изменит и всю нашу жизнь.

Проблема

В начале пятидесятых годов, когда началось бурное развитие информационной техники, сформировались два основных направления:

• Последовательные вычислительные машины Тьюринга - это все наши современные компьютеры, работающие под управлением написанных программистами софтвэров
• Искусственные нейронные сети или персептроны, воспроизводящие некоторый упрощенный вариант структуры мозга, которые не программируются, а обучаются и могут выполнять некоторые «интеллектуальные» функции.

Вначале казалось, что нейронные сети могут дать куда больше, чем машины Тьюринга, ожидалось, что на их базе будет быстро создан полноценный искусственный интеллект, но после первых успехов нейронные сети фактически остановились в развитии, а Тьюринговские программируемые компьютеры развивались очень быстро. Главным препятствием для развития оказалось очень долгое время обучения нейронных сетей. Обучение сводилось к изменению характеристик электронных элементов (чаще всего просто ячеек памяти), названных «синаптические веса», причем проблема была в том, что все эти веса связаны в сети таким образом, что изменение одного из них влияет на все остальные. Поэтому обучение можно вести только путем множества (десятки и сотни тысяч в не очень больших сетях) очень малых изменений каждого из весов. И каждое изменение для каждого веса приходилось рассчитывать на компьютере, решая системы алгебраических уравнений с количеством неизвестных, равным количеству всех весов. Для этого были нужны компьютеры очень большой вычислительной мощности и даже для очень мощных компьютеров вычисления были слишком длительными. Кроме того, при обучении нейронных сетей непредсказуемо и необъяснимо возникали неприятные явления «зависания» или «паралича» сети, делавшие дальнейшее обучение невозможным.

В 1969 году М. Минский¹ и С. Паперт ^[1] теоретически доказали, что интеллектуальность нейронной сети растет линейно с ростом количества нейронов, а время ее обучения растет как произведение экспоненты количества элементов в сети на экспоненту количества задач, которым надо сеть обучить. Оказалось, что для достижения сетью достаточно высокой интеллектуальности требуется время сравнимое с геологическими эпохами. Кроме того, Минский и Паперт доказали что склонность таких нейронных сетей к «параличам» и «зависаниям» в процессе обучения не недостатки конкретных конструкций, а неотъемлемое свойство таких сетей. Это надолго остановило развитие в данной области, перенесло научный интерес и субсидии на другие направления.

С появлением в начале 21 века мощных и быстродействующих многоядерных компьютеров интерес к нейронным сетям опять вырос, потому что эффективные системы поиска информации в сети Интернет и в больших базах данных (особенно государственных, коммерческих, финансовых и научных), опознавание опасных людей и действий в режиме реального времени, а также многие другие задачи практически невозможно решить без нейронных сетей. Возникло удивительное явление – у самых рациональных людей, специалистов по информационным технологиям, появилась ничем не обоснованная надежда на чудо – на то, что если создать очень большую нейронную сеть, то она каким-то образом самоорганизуется и станет работать устойчиво и быстро. Были вложены огромные деньги, годы работы тысяч людей – но чуда не случилось, прорыва не произошло. В последнее десятилетие разные правительства и крупные компании типа Google и IBM вкладывают огромные средства в развитие нейронных сетей. На общеевропейский проект Human Brain предполагается выделение 7 миллиардов евро в течение 10 лет. Аналогичные работы, хотя и в существенно меньшем масштабе, ведутся и в России.

В результате усилий ученых разных стран достигнуты серьезные успехи в развитии нейронных сетей, в частности созданы специализированные нейронные микрочипы и реализовано ускорение вычислений в несколько раз с использованием видеокарт и метода "глубокое обучение" (“deep learning”). Однако скорость работы все еще остается слишком низкой для большинства практических применений и основные проблемы, описанные Минским и Папертом остаются нерешенными.

История инновации пятого уровня

В 1990 г. на одном из месячных учебных семинаров по ТРИЗ для инженеров, проводившихся в Кишиневе компанией «Прогресс» прошел обучение ученик 10 класса Дима Песчанский. С тех пор книги по ТРИЗ и сформировавшееся «ТРИЗовское мышление» стали его постоянным спутником жизни. В дальнейшем он освоил профессию программиста и в 2002 году заинтересовался нейронными сетями. В то время он не знал о работе Минского и Паперта, и наверное поэтому, изучив с точки зрения программиста – ТРИЗовца физиологию головного мозга и проведя тысячи компьютерных экспериментов сумел разработать принципиально новую конструкцию нейронной сети (получившую название «п-сеть») и алгоритм быстрого обучения п-сети, обходящий «запреты» Минского и Паперта.

Д. Песчанский развил и доработал известную в биологии концепцию множества различных медиаторов на каждом синапсе нейрона и использования нейроном разных наборов медиаторов для передачи каждого конкретного сигнала, в зависимости от его характеристик (частоты, амплитуды, фазы, кода, формы и т.п.) этого сигнала. Он также построил собственную теорию работы биологического нейрона, введя понятие внутренней обратной связи в самом нейроне^[2], реализующейся путем передачи возбуждения от выхода нейрона к его входу тубулиновыми микротрубочками, являющимися частью цитоскелета. Обучение синаптических весов происходит благодаря взаимодействию прямых и обратных сигналов, проходящих через нейрон по разным каналам. Оказалось, что в опубликованных материалах по экспериментальной биологии имеется множество фактов, труднообъяснимых с точки зрения принятых в биологии концепций, зато полностью подтверждающих теоретическую модель Песчанского.

Все известные искусственные нейронные сети построены на базе «формального нейрона», описанного в 1943 году У. Маккалоком и У. Питтсом, основанного (по умолчанию) на «принципе Дейла»: один нейрон — один медиатор. Этот принцип, сформулированный в двадцатых годах, был экспериментально опровергнут более 30 лет назад, но до сих пор оставался в основе всех работ по искусственным нейронным сетям (здесь медиаторы называются «синаптическими весами»). Легко понять – почему это так. Даже при одном синаптическом весе на каждом синапсе время обучения катастрофически быстро растет с ростом числа нейронов. А что если весов будет много? Такая мысль создает почти непреодолимую психологическую инерцию.

Д. Песчанский создал новую архитектуру нейронной сети, включающую:

• Более чем один изменяемый элемент на каждом синапсе. Эти элементы получили название «корректирующие веса»
• Набор распределителей сигналов, определяющих для каждого сигнала какой из корректирующих весов будет использован для обучения.
  

Такое перераспределение сигналов по уровням «разрывает» воздействие изменяемых элементов друг на друга. Это позволило создать простейший алгоритм обучения, при котором, в отличие от классических нейронных сетей:

• Нет необходимости решать уравнения, корректирующая поправка вычисляется в два действия как разность между получившимся и желаемым выходными сигналами нейрона, разделенная поровну между всеми весами участвующими в формировании данного выходного сигнала 
• Корректируется не каждый вес по отдельности, а сразу весь набор весов, связанных с конкретным нейроном
• Обучение (изменение весов) идет не путем множества малых изменений, а за один шаг, сразу на всю величину погрешности.

Это и обеспечивает огромное ускорение обучения п-сети, причем:

• Время обучения пропорционально количеству задач, которым система обучается, а не растет экспоненциально при росте числа задач, как у классических нейронных сетей
• Время обучения зависит от размера сети линейно для софтверной эмуляции п-сети, а в эмуляции на специальном микрочипе вообще от размера сети не зависит.
• Не возникают явления «зависания» и «паралича»
• В отличие от классических нейронных сетей, которые пройдя обучение не допускают «доучивание», «переучивание» или стирание заученной информации, п-сеть может доучиваться и переучиваться в любой момент, в том числе «набираться опыта» и становиться «умнее» в процессе ее использования. Возможно также стирание ненужной или устаревшей информации.

Некоторые особые «таланты» п-сети

В отличие от классических нейронных сетей, п-сеть неограниченно масштабируема, то есть допускает при необходимости наращивание мощности просто путем добавки новых нейронов. Это позволяет реализовать сети любого желаемого размера, в частности сети для хранения Больших и Сверхбольших Данных.

В п-сети могут быть эмулированы практически любые программные продукты, включая такие сложные, как операционные системы, при этом они будут функционировать лучше за счет того, что п-сеть выполняет все операции в режиме параллельной работы и обладает существенно большей памятью и надежностью. То есть персональный компьютер будет обладать вычислительной мощностью современного сервера, сервер достигнет мощности лучших современных суперкомпьютеров, суперкомпьютер же обретет возможности, сегодня почти непредставимые.

Очень существенным является также то, что п-сеть может хранить любые виды данных (документы, картинки, аудио, программы и т.п.) и при том практически в любых форматах. При записи информации в п-сеть автоматически происходят:

• Свертывание информации, резко уменьшающее объем данных и тем самым позволяющее уменьшить стоимость устройств хранения;
• Кодирование информации, делающее невозможным ее кражу.

Одно из важных направлений повышения производительности компьютеров - использование многоядерных процессоров, способных на параллельные вычисления, например путем применения вычислительных возможностей графических процессоров (GPU) видеокарт. Однако, выигрыш от параллельных вычислений ограничивается законом Амдала, согласно которому при распараллеливании задачи суммарное время её выполнения не может быть меньше времени выполнения самого длинного фрагмента и тем фактом, что многие операции при их программной реализации не поддаются разделению на фрагменты. Например, если можно распараллелить 95% программы, то максимальное ускорение будет не более чем в 20 раз, невзирая на то, сколько процессоров используется. Нейронные сети после обучения работают в параллельном режиме, однако, само обучение распараллеливанию принципиально не поддается. А п-сети обеспечивают 100% параллельность вычислений как при обучении, так и при функционировании, что является одной (не единственной) из причин их «скорострельности».

Действие вредоносных программ (вирусов, троянов и червей), а также атаки хакеров всегда основаны на использовании известных адресов памяти и прерываний компьютера. Поскольку п-сеть не использует адресной системы хранения информации, она принципиально неприкосновенна для вредных программ и хакеров.

П-сеть обладает некоторыми специфическими свойствами, связанными с тем, что она фактически повторяет структуру нейронных сетей человеческого мозга, в частности:

• Интеллект п-сети зависит не от написанной программистом программы, а, как у человека, от обучения, в частности возможно дополнительное обучение п-сети во время ее работы, накопление опыта в решении задач, проведении анализа и т.п. Поэтому интеллект п-сети «с возрастом» может достигать очень высокого уровня и сети способны «приобретать индивидуальность». При этом существует возможность «обмена опытом», поэтому возможно создать, например п-сеть, имеющую опыт сотен или тысяч водителей, которая будет управлять автомобилем лучше любого человека. И ее можно будет массово размножить и поставить на все автомобили, причем в процессе эксплуатации п-сети всех автомобилей будут согласовывать свои действия, предупреждать друг друга о проблемах, обучаться и делиться опытом, постоянно повышая эффективность и безопасность всей системы движения.
• Высокая, но все же не 100% надежность ячеек памяти плат памяти в обычных программных продуктах приводит к тому, что выход из строя всего одной ячейки из многих миллиардов может привести к фатальной и невосполнимой потере информации. Особенно велика эта опасность для Баз Больших Данных. А в п-сети, реализующей принципы распределенного хранения информации, характерные для человеческого мозга, потеря даже нескольких процентов ячеек не приводит к потере информации.
• П-сеть обеспечивает ассоциативное распознавание характеристик любых объектов и отдельных деталей этих объектов, включая детали изображений, формул, звуков, причем в условиях нечеткой и сильно зашумленной информации, как это делает мозг человека, но не способны делать никакие другие софты.
• Вместо последовательного адресного (по ключевым словам или индексам) весьма длительного поиска информации, п-сеть реализует свойственный человеческому мозгу ассоциативный поиск. Такой поиск не требует предварительной индексации и может работать для любых типов файлов, в том числе таких, в которых индексация невозможна (картинки, аудио и т.п.). Причем, независимо от размеров сети и количества записанных данных, поиск осуществляется всего за несколько тактов работы компьютера. При частоте современных процессоров порядка 3 ГГц (миллиардов колебаний в секунду) это значит, что поиск займет время порядка нескольких миллиардных долей секунды. Кроме того, при обычном поиске информации успех более всего зависит от искусства формулирования поискового запроса, а использование п-сети позволяет обеспечить поиск с автоматическим формулированием поискового запроса по некоторому заданному образцу и автоматическую корректировку этого запроса с учетом уже найденной информации.
• П-сеть значительно превосходит возможности человеческого мозга в осуществлении некоторых весьма сложных интеллектуальных функций, например, кластеризации, классификации и сравнения данных, выявлении в массивах данных корреляций (паттернов, трендов, закономерностей), использовании выявленных корреляции для прогнозирования, оценке вероятность тех или иных событий, выработке решений для разных классов проблем, оценке их вероятной успешности, формировании предложений по достижению тех или иных целей и т.п.
• В работе со сложными системами, например при исследований самоорганизации в нелинейных средах, экономики, социальных проблем и т.п. ученые все чаще сталкиваются с не алгоритмизируемыми (нетьюринговскими) задачами, для решения которых обычные компьютеры непригодны. А вот п-сеть для таких задач – естественный инструмент. С помощью п-сетей может быть осуществлено моделирование и анализ сложных нелинейных систем, не поддающихся обычному математическому и компьютерному анализу.
• П-сеть способна в режиме реального времени осуществлять управление различными автоматическими устройствами.

Безусловно, п-сеть способна обеспечить создание высокоэффективного «искусственного интеллекта», но не может (и скорее всего никогда не сможет) заменить людей во всех интеллектуальных функциях, например, в творчестве. Мозг человека имеет настолько сложную структуру, что нельзя ожидать ее полноценного искусственного воспроизведения. Но, зато, мозг для обработки информации использует довольно медленные электрохимические процессы в нервных клетках, а п-сеть использует на много порядков более быстрые электронные и электромагнитные процессы в кремневых или оптических микрочипах. Это открывает великолепные возможности создания исключительно эффективных гибридных «человеко-машинных» интеллектуальных систем

Экспериментальная проверка концепции п-сетей

В настоящее время все приведенные выше утверждения в той или иной мере проверены на разработанных прототипах п-сети. В частности:

Сравнение п-сетей с другими софтвэрами:

Сравнение п-сети с коммерческим программным продуктом NeuroSolutions Data Manager при обучении на выборке 1000 изображений показало, что п-сеть обучилась много быстрее и притом с более высокой точностью – стандартное отклонение меньше в 3 раза. NeuroSolutions Data Manager просто не смогла дойти до наперед заданной величины 0.005, а п-сеть довела отклонение до меньшей, чем задано, величины 0.0035.

Сравнение п-сети эмулированной в компьютере Apple iMac 27" с коммерческим программным продуктом IBM SPSS Statistic 22 показало, что при обучении системы на выборке 4000 изображений п-сеть работала в 500 раз быстрее, а при обучении на выборке 7000 изображений – в 3350 раз быстрее чем «Statistic 22» . Обучение большему количеству образов сети IBM SPSS Statistic 22 оказалось невозможным из-за паралича, а в п-сети проблем не возникло, она обучилась на выборке 100.000 изображений за время порядка одной минуты, при этом время обучения росло строго линейно с ростом количества изображений.

Были также проведены эксперименты по эмулированию п-сети с использованием графических процессоров видеокарт. П-сеть была реализована с использованием одной видеокарты Nvidia GTX 780 Ti GPU Engine Specs на которой было реализовано 60 параллельных вычислительных потоков. П-сеть сравнивалась с Caffe - одной из лучших среди известных сегодня систем «глубокого обучения» нейросетей (deep learning), разработанной в Berkeley Vision and Learning Center, реализованной на: 

1. CPU (ЦПУ) компьютера
2. Наборе графических процессоров (GPU)
3. Наборе GPU с использованием cuDNN - NVIDIA CUDA Deep Neural Network library – динамической библиотеки примитивов, разработанной для ускорения обучения нейронных сетей при использовании GPU.

Ускорение обучения п-сети по сравнению с вариантом 1 с использованием CPU – 200 000 раз, по сравнению с вариантом 2 с использованием GPU – 18 000 раз, а по сравнению с самым продвинутым вариантом с использованием cuDNN – 14 000 раз.

Эксперименты по распознаванию с помощью п-сети

Опознавание и подсчет пыльцы разных растений, уловленной липкими ловушками. Использование п-сети заменило очень трудоемкий и чреватый человеческими ошибками процесс ручного подсчета пыльцы под микроскопом (см. ^[3]).

Контроль с помощью п-сети состава микросферы в биологическом реакторе в режиме реального времени позволяет оперативно управлять параметрами реактора, подачей и отводом продуктов и, самое главное, своевременно принимать меры при размножении вредных микроорганизмов

Специализированная п-сеть для распознавания изображений оказалась способна осуществлять функции, недоступные никаким существующим софтверам, например:  

• После обучения по одной фотографии уверенно распознавать лицо человека (или иные объекты) на других фотографиях
• Распознавать разные виды образов – лица, взрослых и детей, животных, любые неживые объекты и т.п.
• «На лету» распознавать, например, мелькнувшего перед камерой человека и столь же быстро вносить его в память для будущего распознавания.
• Распознавать изображения замаскированные, неполные, искаженные, «размытые», зашумленные, деформированные, данные под разными ракурсами и т.п.
  

Хардверная эмуляция п-сети

Кроме софтверной реализации п-сети была проверена также возможность ее хардверной реализации. Для этого была изготовлена экспериментальная электронная система, моделирующая работу п-сетевого микрочипа. Проведенные эксперименты подтвердили:

• Принципиальную реализуемость хардвэрной реализации больших п-сети на специализированных микрочипах и их очень большой потенциал
• Принципиальную возможность использования п-сетей в аналоговом и цифро-аналоговом режиме.

Дальнейшее развитие п-сетей

Естественно, вышеприведенная принципиальная схема п-сети – самый простой вариант, дальнейшим его развитием является множество специализированных п-сетей «заточенных» под выполнение разных функций и использование специализированных алгоритмов обучения. Для дальнейшего развития п-сетей и их коммерциализации создана компания «Progress Inc.», получено начальное инвестирование, ведутся переговоры с несколькими компаниями по расширению разработок и развертыванию рынка п-сетей. Компания ведет разработку п-сетей и связанных с нею вопросов, в частности:

• Разработаны 3 базовых программных модуля - «движки» для реализации разных вариантов п-сети, а также система автоматизированного построения оптимизированных п-сетей путем задания их желаемых выходных параметров
• Разработана теория и основы математического расчета п-сетей
• Сделано около 50 изобретений связанных с дополнительным ускорением обучения, расширением функциональности и различными приложениями п-сети
• Осуществлена защита интеллектуальной собственности, в частности поданы патентные заявки ^[4-8], эта работа продолжается
• Опубликованы статьи, в которых описывается биологическая теория Д. Песчанского ^[2], а также конструкция и простейший вариант алгоритма обучения п-сетей ^[9]. Эти материалы, а также презентации по п-сетям доступны на русском языке, заинтересовавшиеся могут связаться с нами по адресу: http://p-progress.com
• Выполнено 2 проекта по использованию п-сети для:
  • Управления финансовыми потоками
  • Опознания биологических объектов
    
    

Возможные коммерческие применения п-сети

Возможности коммерческого применения п-сетей представляются практически неограниченными, приведем лишь некоторые, наиболее впечатляющие:

• Радикальное повышение эффективности существующих и создаваемых компьютеров всех классов, от «смарта» до суперкомпьютера
• Дальнейшего развития и улучшения информационных сетей, включая Интернет, социальные сети, торговые и финансовые сети и базы данных, «облачные системы» и т.п.
• Создание нового языка и новых методов программирования, позволяющих совмещать использование п-сетей с использованием обычных программных продуктов
• Обеспечение статистического анализа больших наборов данных
• Создание быстро работающих безопасных баз знаний, особенно для оперирования с Большими Данными в таких областях как государственные системы, финансы, бизнес, наука, медицина, производство и т.п.
• Эффективная компрессия информации (уменьшение размеров файлов) для улучшения ее передачи, обработки и хранения
• Создание эффективных систем виртуальной и дополненной реальности для разного рода тренажеров, компьютерных игр, коммуникационных устройств, систем поддержки и т.п.
• Создание эффективных систем обеспечения безопасности в разных областях – от предотвращения терроризма и преступности до обеспечения безопасности на транспорте и различных производствах, включая создание «интеллектуальных» охранных систем, способных в режиме реального времени обнаруживать опасных людей, опасные предметы (например, скрытое оружие), опасные ситуации и поведение, опасные природные явления и т.п.
• Радикальное улучшение систем типа «компьютерный агент», превращение их в эффективных «компьютерных партнеров», в особенности для инвалидов и людей имеющих проблемы с здоровьем или психикой.
• Создание систем моделирования сложных и крупных систем и процессов
• Создание автоматических систем управления для автомобилей, дронов, роботов, конвейерных линий, различных производственных процессов, маркетинга, торговли и т.п.
• Улучшение прогнозирования погоды, социальных и экономических процессов, медицинских процедур, развития технологий и т.п.
• Создание систем анализа, обеспечивающих эффективную медицинскую диагностику, а также расследование причин производственного брака, аварий, преступлений и других нежелательных явлений
• Радикальное улучшение систем распознавания любых объектов, перевода на разные языки, автоматического синтеза текстов, речи, музыки, изображений и т.п.
• Радикальное улучшение систем защиты компьютеров и информационных сетей от разного рода нежелательных программ, хакерских атак, спама.
• Создание систем выявления и использования трендов и тенденций развития в любых областях, от работы бирж до развития моды
• Повышение интеллектуального уровня человеческого окружения – от «умных» домов и часов до стиральных машин, пылесосов, унитазов и т.п.
• Создание эффективных персонализированных систем интерактивного обучения для людей любых возрастов
• Создание интеллектуальных систем поддержки научной работы

Применение п-сети для развития ТРИЗ

Авторы являются специалистами по ТРИЗ, поэтому нас интересует улучшение изобретательства во всех областях человеческой деятельности. И п-сети предоставляют для этого широкие возможности.

В настоящее время существует ряд программных обеспечений, систематизирующих и существенно улучшающих изобретательство. Искусственный интеллект на основе п-сети будет следующим шагом улучшения этих программ, позволяющим реализовать интерактивный процесс человеко-машинной творческой работы за счет использования специальных программных модулей, например:

• Модуль обучения решению творческих задач, обеспечивающий адаптированный к данному конкретному человеку процесс обучения с учетом его информированности, характера, способностей, интересов и т.п.
• Игровой модуль для психологической подготовки пользователя к решению творческих задач и снятия психологической инерции
• Информационный модуль, включающий вопросник, способный соответствующим образом формулировать и уточнять вопросы, учитывая уже данные ответы, а также проводить ассоциативный поиск на Интернет в режиме «компьютерного агента» и оценивать значимость и релевантность найденной информации
• Автоматический формулятор задач на основе причинно-следственных отношений между элементами системы, обеспечивающий выбор возможных путей решения, способный:
  • К «дискуссии» с человеком при построении причинно-следственных диаграмм
  • К интеллектуальному выбору операторов решения задачи и линий развития системы, а также их наилучших комбинаций для обеспечения возможности решения проблемы
  • К самообучению и накоплению опыта в процессе работы с человеком для лучшей адаптации к данному пользователю, типу задач и конкретной задаче
  • К саморазвитию и дополнению по мере появления новой информации и нахождения идей пользователем
• Набор линий развития и операторов, способных адаптироваться к конкретной задаче, в том числе формулировать тексты рекомендация с учетом ее специфики и найденных ранее идей
• Аналитический модуль выявляющий необъясненные эффекты, связанные с решаемой проблемой и помогающий искать релевантные объяснения.
• Модуль «черного прогноза», проверяющий найденные идеи на предмет выявления их недостатков, особенно потенциальной опасности или вредности
• Блок фиксации и развития идей, способный активировать процесс улучшения полученных идей, предлагая варианты их развития
• Модуль защиты интеллектуальной собственности, направленный на подготовку эффективных патентов, предотвращение обхода патентов и постоянное отслеживание возможных нарушений патентных прав
• Модуль для постоянного мониторинга развития системы, автоматически отлеживающий по разным источникам информации критические события, способные повлиять на развитие системы
• Сетевой, постоянно пополняющийся, Банк Эволюционных Альтернатив

***

Б. Злотин и А. Зусман, начиная с 1985 года, работали над применением ТРИЗ для создания общей теории эволюции. Несмотря на длительную работу завершить теорию никак не удавалось, оставались «проклятые вопросы». Неожиданно оказалось, что именно теория п-сетей стала тем «необходимым звеном», которое позволило построить теоретические модели происхождения и эволюции жизни, социальных, научных, технических и других систем.

Заключение

Суммарный опыт в ТРИЗ трех авторов этой статьи составляет ровно 100 лет (40 + 35 + 25). На базе этого опыта мы пришли к выводу, что п-сеть по ТРИЗовской классификации является изобретением 5 (высшего) уровня, и это, по-видимому, самое важное изобретение в области информатики за последние 50 лет. Оно должно в короткие сроки полностью изменить всю компьютерную индустрию, и через нее и всю нашу жизнь:

• Сначала радикально изменятся информационные технологии и компьютерная индустрия
• На следующем этапе распространение эффективного искусственного интеллекта улучшит большинство промышленных технологий, практически всю технику.
• Параллельно будет изменяться бизнес. Например, п-системы смогут эффективно предсказывать изменения биржевых курсов, оценивать экономическую информацию, оптимизировать управленческие процессы и логистику и т.п.
• С некоторым запозданием начнутся соответствующие изменения в воспитании и образовании, в развитии культуры и искусства, системах развлечений, медицины и вообще всех областей жизни. В частности, резко возрастет роль творчества в жизни и деятельности человека
• В значительной степени изменится социальная жизнь, в частности, станет реальной «электронная демократия», основанная не на простом подсчете голосов избирателей, но и на оценке компетентности людей подающих голос. Уменьшится власть бюрократии и ее влияние на развитие.

Благодарности

Все трое авторов очень везучие люди – жены активно нас поддерживают в наших, не совсем обычных занятиях. Мы благодарим:
• Анастасию Бодишевскую, специалиста по микробиологии и биологической информатике, внесшую большой вклад в работы Д. Песчанского
• Аллу Зусман, специалиста по ТРИЗ, уже более 30 лет работающую вместе с Б. Злотиным
• Светлану Вишнепольскую, специалиста по ТРИЗ уже более 25 лет работающую вместе с В. Просяником

1. Марвин Минский MIT– один из создателей первых нейронных сетей в пятидесятые годы а сегодня один из самых авторитетных в мире ученых в области искусственного интеллекта

Литература
1. Минский М., Пейпер С. «Персептроны» М.: Мир, 1971
2. D. Pescianschi, “Main Principles of the General Theory of Neural Network with Internal Feedback,” The 17th International Conference on Artificial Intelligence (ICAI'15), CSREA Press, US 2015
3. Kempe K. Boudichevskaia, A. Jerchel R., Pescianschi D., Schmidt R., Martin Kirchhoff M., Schachschneider R., Gils M. “Quantitative Assessment of Wheat Pollen Shed by Digital Image Analysis of Trapped Airborne Pollen Grains”, ARTICLE • DECEMBER 2013 with 11 READS DOI: 10.4172/2329-8863.1000119
4. Патентная заявка PCT/US2015.019236 Neural network and method of neural network training , 06.03.2015;
5. Патентная заявка US 61/949,210, 06.01.2014 Artificial Intelligence System
6. Патентная заявка US 62/106,389, 22.01.2015 Progressive neural network and method of the neural network training
7. Патентная заявка US 62/173163 , 09-JUN-2015, Analog and Digital Neural Network with Internal Feedback
8. Патентная заявка Prioritized Examination: US 14/862337, 23-SEP-2015, Neural network and method of neural network training
9. D. Pescianschi, A. Boudichevskaia, B. Zlotin, and V. Proseanic, “Analog and Digital Modeling of a Scalable Neural Network,” The 17th International Conference on Artificial Intelligence (ICAI'15), CSREA Press, US 2015