"Egy jól működő neurális hálót hogyan lehet köveni, hogy bent mit is csinál, amikor jól működik ?"

 

Egy másik hálóval. Egy kiértékelő hálóval. De ez nem győzelemre értékel, mint a sakk és egyéb programoknál a "külső" kiértékelő rutin, hanem érdekességre, tanulásra értékel.

 

Hogy jobban értsük, hogy ez micsoda és miként működhet. Mondjuk pl. veszünk egy hálót amit macskák felismerésére tanítunk. Mutatunk nekik macskás képeket, meg macska nélküli képeket. Szépen betanítjuk macskák felismerésére. Ha macskát lát a kimenetén mondjuk lesz egy "1.0" érték. Ha nem akkor "0". De a tanítás folyamán az érték nullától egyig folyamatosan változik. Egyre jobban közelít egyhez a kimeneti szám ahogy tanul ha macskát lát. Tehát mi kiválogatjuk a képeket, macskásra "1.0"-re tanítjuk, nem macskásra "0"-ára. Mi vagyunk a külső szelektálók akik kiválogattuk a képeket. Ez macskás ezt tanítani kell, ez nem macskás ezt nem. Ez egy külső szelektálás.

 

Ha most ugyanezt a hálót nem macskákra tanítjuk, hanem mindenféle képet adunk neki mondjuk a lakásunk belsőjéről és mindig "1.0" -re tanítjuk. Függetlenül attól, hogy mit lát. Na most én olyan hálókkal játszadozok, amik kicsit mások mint a szokásos. Ezek olyanok, ha olyan képet látnak amit még soha akkor nulla környékén van a kimenetük. Ha többször beadom neki a képet akkor idővel "1" re tanul. Tehát egy ilyen hálót tanítgatok a világra. Ha újat lát a kimene közelebb van a nullához, ha ismerős régi a kép akkor a kimenete az "1" hez áll közelebb. Az új, érdekes kép a nulla, a régi sokszor látott kép az egyeshez konvergál. 

 

Na ez a háló az érdelesség háló, vagy szelektor háló. 

 

Ha most egy A.I. rendszerben két hálót üzemeltetek egyszerre, akkor az egyik a generátor háló, a másik a szelektor háló. Mind a kettő látja ugyanazt a képet, állapotteret, azaz bemenetet.  

 

A generátor háló kimenetén egy kép láttán megjelenik egy kimenet, ami mondjuk ha valami pl. egy kamera mozgatásához van rendelve akkor mozdít a kamerán valamerre. Minden egyes kimenete ennek szinté nulla és egy között van. Valószínűségi alapon a kimenet egyre lenne tanítva inkább ha közelebb van a kimenet értéke egyhez és fordítva. Ez adja a rendszer kreativitását.  Ezt a mozdulatot erősíti meg a szelektor háló, ha az a mozdulat egy elég érdekes képet generált. Ha kevésbé érdekes kevésbé van megerősítve, az érdekesebb jobban. tehát az egyik háló kimeneti felülete, generálja a mozgást, gondolatot, képzeletet bármit a másik szelektor háló ennek eredményét megnézi. Ha elég érdekes jobban, ha kevésbé kevéssé erősíti. Így tanul a két háló. 

 

A csecsemő kezdeti példa a legjobb. A gyerek összevissza mozog, nézeget és az érdekes képek, megerősitik a mozdulatot.Végül megtanul járni, Nagyobb rendszerben nem csak mozdulatok, hanem gondolatok, képzelődések erősödhetnek meg, nem csak motoros mozdulatok.  Ez egy belső visszacsatolású háló.  Az ember számára sokszor a külvilág már igen unalmas, belső állapotai érdekesebbek. Ez egy fejlődés, mint a biológiai evolúció.  

 

Tehát ez lenne a belső szelekció. Ennek már kevesebb köze van a sakk programokhoz. De közelebb áll a GAN hálókhoz, de más.

 

Erről az egészről órákat lehetne regélni.