Гуманитарные ведомости. Вып. 3(55) 2025 г

Гуманитарные ведомости ТГПУ им. Л. Н. Толстого № 3 (55), ноябрь 2025 г. 182 оригинальной системы (гостя). Целью является максимально точное воспроизведение поведения в отличие от разных форм компьютерного моделирования, в которых имитируется поведение некоторой абстрактной модели. В этом и состоит революционное отличие нейросети от детерминированных алгоритмических парадигм: нейросеть не имитирует, а эмулирует. В качестве примера можно привести задачу распознавания яблока компьютерной программой, действующей по заданным алгоритмам, и компьютерной программой, построенной по принципу организации биологических нейронных сетей, другими словами, нейросетью. Вначале имеются только фотографии яблока, и программа должна отличить его от груши. В алгоритмической парадигме мы загружаем фотографии яблока в базу данных программы, после чего алгоритм начинает сравнивать имеющиеся фотографии с представленными ему объектами. В большинстве случаев алгоритм верно отличит яблоко от груши, однако, если мы изменим условия восприятии объекта, например, чуть уменьшим свет, то алгоритм не сможет соотнести имеющиеся в базе данных фотографии с представленными объектами и выдаст ошибку. Нейронная сеть действует по другому принципу: мы не записываем фотографии в детерминированную базу данных, происходит обучение нейросети при помощи фотографий на базе создания ассоциативного ряда. Каждый раз, «предлагая» к идентификации нейронной сетью фотографии яблока и груши, мы будем отмечать, что яблоко – это правильный ответ. Таким образом, нейросеть накапливает «вес», информацию о яблоке, иными словами, воспринимая его посредством категорий «круглое», «зеленое» и так далее. После того, как машина научится четко распознавать яблоко на предшествующих фотографиях, мы представим ей яблоко и грушу в комнате с приглушенным светом, и она выберет яблоко. Успешный выбор будет сделан не благодаря сравнению с базой данных, а посредством некоего простого «мыслительного» процесса, целью которого является снижение вероятности ошибки выбора. Система будет «спрашивать» себя неоднократно о том, круглый ли это объект, зеленый ли он, соответствует ли очертание форме яблока или груши, и, в итоге, выдаст результат. Наглядный пример с яблоком демонстрирует что, в отличие от базового принципа заданных алгоритмов и детерминированного соответствия результата входным данным, нейронная сеть согласно собственной логике, выдает результат, который зависит не от входных данных, а от качества ее обучения. Подобный процесс идентификации объекта нейросетью посредством категорий и выявления признаков напоминает человеческий способ мышления. Более сложную систему, эмулирующую нейробиологические механизмы мозга, представляет так называемое глубокое обучение (от англ. Deep learning), которое включает в себя множество слоев нейронной сети и огромные объемы сложных и разрозненных данных. В процессе глубокого обучения система взаимодействует с несколькими слоями сети, извлекая все более и более