Методы распознавания образов

Возможность порождать алгоритмы  оказывается особенно полезной для задач распознавания образов, в которых зачастую не удается выделить значимые признаки априори. Вот почему нейрокомпьютинг оказался актуален именно сейчас, в период расцвета мультимедиа, когда развитие глобальной сети Internet требует разработки новых технологий, тесно связанных с распознаванием образов. Однако – обо всем по порядку [2, c. 115].

Одна из основных проблем развития и применения искусственного интеллекта остаётся проблема распознавания звуковых и визуальных образов. Однако интернет и развитые коммуникационные каналы уже позволяют создавать системы, решающие эту проблему с помощью социальных сетей, готовых прийти на помощь роботам 24 часа в сутки.

Профессия инженера систем распознавания  образов на базе социальных сетей  будет востребована уже в ближайшем будущем и до тех пор, пока системы ИИ не будут способны сами пройти тест Тьюринга.

Экстраполируя экспоненциальный рост уровня технологии в течение нескольких десятилетий, футурист Рэймонд Курцвейл предположил, что машины, способные  пройти тест Тьюринга, будут изготовлены не ранее 2029 года.

Однако системы ИИ не могут ждать  так долго – все остальные  технологии уже готовы к тому, чтобы  найти своё применение в медицине, биологии, системах безопасности и  т.д. Их глазами и ушами станут миллионы людей по всему миру, готовые распознать фотографию террориста, надпись на пузырьке с лекарством или слова о помощи.

Аудитория социальных сетей растёт гиганскими темпами. Согласно результатам  исследования ComScore, в мае 2009 года аудитория  пользователей одной только Facebook в США насчитывала 70,28 млн человек. И это практически в два раза выше аналогичного показателя за май 2008 года.

Работа инженера будет заключаться  в том, чтобы организовать процесс  передачи пользователям нераспознанных визуальных или звуковых образов в виде MMS, поп-апов на сайтах, символов CAPTCHA на формах в блогах и др., верификации полученных данных и отправке распознанного слова или образа обратно системе ИИ [6, c. 487].

Список литературы

1.         Айзерман  М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 2004. - 384 с.

2.         Горбань  А., Россиев Д. Нейронные сети  на персональном компьютере. //Новосибирск,  Наука, 1996. – C 114 – 119.

3.         Журавлев  Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. М.: Наука, 2005. - Вып. 33. С. 5-68

4.         Журавлев  Ю.И. Избранные научные труды.  – Изд. Магистр, 2002. - 420 с.

5.         Мазуров  В.Д. Комитеты систем неравенств  и задача распознавания // Кибернетика, 2004, № 2. С. 140-146.

6.         Потапов  А.С. Распознавание образов и  машинное восприятие. - С-Пб.: Политехника, 2007. - 548 с

7.         Минский  М., Пейперт С. Персептроны. - М.: Мир, 2007. - 261 с.

8.         Растригин  Л. А., Эренштейн Р. Х. Метод коллективного распознавания. 79 с. ил. 20 см., М. Энергоиздат, 2006. – 80 с.

9.         Рудаков  К.В. Об алгебраической теории  универсальных и локальных ограничений  для задач классификации // Распознавание,  классификация, прогноз. Математические методы и их применение. Вып. 1. - М.: Наука, 2007. - С. 176-200.

10.       Фу К. Структурные  методы в распознавании образов. - М.: Мир, 2005. - 144 с.