Bart Kosko

Docent Bart Kosko je ředitelem prestižního Signal and Image Processing Institute na univerzitě Jižní Kalifornie (Los Angeles), specialista na fuzzy systémy a neuronové sítě. Studoval filozofii, matematiku a elektroinženýrství, svoji první symfonii složil v osmnácti letech, mezinárodní konferenci poprvé řídil v sedmadvaceti, je extropistou (životní styl opírající se o tzv. dynamický optimismus) a své maily podepisuje 'Professoro Kosko'.
Publikoval přes 80 odborných článků, napsal tři nejuznávanější učebnice v oboru (Neuronové sítě a fuzzy systémy, Neuronové sítě pro zpracování signálu, Fuzzy inženýrství).
Bart Kosko je také autorem populárně vědeckého bestseleru Fuzzy Thinking (Hyperion/Disney Books, 1993), který do češtiny nebyl přeložen.

Článek Heaven in a Chip (česky Ráj na čipu) byl publikován v časopise DATAMATION.
Na tento text přímo navazuje kniha HEAVEN IN A CHIP: Fuzzy Visions of Science and Society in the Digital Age , která vyjde na jaře příštího roku (Bantam/Broadway). V říjnu tohoto roku má vyjít Koskův román - cyberthriller NANOTIME (Avon Books).

Slovníček pojmů (neboli do čeho ten Kosko šlape :-)

Fuzzy logika	Umělé neuronové sítě
fuzzy logic (roztřepaná, nejasná, nepřesná, chlupatá logika). Nové, v jistém smyslu přesnější chápání pojmů pravda/napravda. V klasické logice (aristotelské, booleanské) rozeznáváme pouze dvě pravdivostní hodnoty výroku. ANO/NE přístup používáme podvědomě i tam, kde to není zapotřebí. Například na otázku "Je den?" se nedá jednoznačně odpovědět v časných ranních či pozdních večerních hodinách. Ba co víc, odpověď v tomto případě je individuální, někomu den začíná dříve, někomu později. Vymezení den/noc má tedy neostré - fuzzy - hranice, výrok "Je den" může být pravdivý jen zčásti, např. z 60%. Můžete namítnout - na tom není nic revolučního. Jenže - takto chápaná definice pravdy má zajímavé důsledky - totiž - vyloučení pravidla třetího. V klasické logice platí, že výrok je BUĎ pravdivý, NEBO je nepravdivý a nikdy nemůže být ZÁROVEŇ pravdivý A přitom i nepravdivý. Toto omezení ve fuzzy logice neplatí. Fuzzy logika připouští paradoxy, namísto černobílého 0/1 vidění přináší škálu možností - od zcela nepravdivého, přes téměř nepravdivé, paradoxní, téměř pravdivé až ke zcela pravdivému. Klasické, booleanské systémy pracují s konzistentními výroky - pravidlo, které je se systémem v rozporu, je automaticky vyřazeno (je chápáno jako chyba) protože systém nepřipouští paradoxy. Systémy popsané fuzzy pojmovým aparátem pracují - podobně jako člověk - s intuitivními termíny (hodně, trochu) a tak mohou věrněji odrážet neurčitou, vágní realitu, na pravdivost zde není nahlíženo jako na nutnou vlastnost systému, ale pragmaticky jako na míru užitečnosti pro správnou funkci celku. Odpůrci fuzzy logiky poukazují na fakt, že podobné možnosti přináší teorie pravděpodobnosti a nemusíme bourat aristotelské chápání světa. Jenže, pokud je sklenice z poloviny plná vody, také nebudete tvrdit, že "je padesátiprocentní šance, že je sklenice plná", místo toho řeknete, že je plná z poloviny - jinými slovy - že "JE A NENÍ plná". Fuzzy logika je jasným přiznáním skutečnosti, že svět, který jsme si uvykli třídit do našich škatulek, je přece jenom složitější, než jsme si původně mysleli.	Pod tímto názvem se skrývá mnoho navzájem velice odlišných postupů, algoritmů, metod. V určité době byla módní nálepka "neuronová síť", podobně jako například "pentium inside", věšena na všechny možné systémy umělé inteligence, proto je dnes tato oblast značně nesourodá. Jedno společné kritérium by se dalo pojmenovat jako adaptabilita - tedy učenlivost systému. Nejedná se však o vymezující či jednoznačně definující vlastnost neuronových algoritmů, neuronové sítě lze zařadit do mnohem obecnější kategorie adaptivních systémů. Neuronové systémy se skládají, jak název napovídá, z velkého počtu neuronů, poměrně jednoduchých, vzájemně propojených jednotek. "Inteligence" sítě spočívá právě v oné propojenosti - ačkoliv samotný neuron - popsaný jedinou rovnicí - nedokáže téměř nic, celá síť dokáže divy - zaparkuje tahač s návěsem, rozpoznává jednotlivé hlásky lidské řeči, komprimuje obrazová data, atd. atd. Síť se však neučí jen tak, sama od sebe. Buď jí někdo musí vysvětlit, co má dělat a jak má vypadat požadovaný výstup (trénování s učitelem), nebo jí alespoň předložit nějaké explicitní kritérium dokonalosti (bez učitele). V každém případě je třeba neuronové síti ukazovat mnoho trénovacích vzorů - tedy síť seznamovat se skutečností, předvést ji příklady situací, kterým bude vystavena "při provozu". Neuronové sítě můžeme s úspěchem použít tam, kde nám činí potíže popsat pravidla, kterými se má systém řídit, nevíme PROČ tak pracuje, nedokážeme vysvětlit, se děje uvnitř černé skříňky, ale víme přesně, JAK má na určité podněty z okolí systém zareagovat a věříme, že s dostatečně hrubou výpočetní silou nakonec dosáhneme svého.

Fuzzy logika

Umělé neuronové sítě

fuzzy logic (roztřepaná, nejasná, nepřesná, chlupatá logika). Nové, v jistém smyslu přesnější chápání pojmů pravda/napravda. V klasické logice (aristotelské, booleanské) rozeznáváme pouze dvě pravdivostní hodnoty výroku. ANO/NE přístup používáme podvědomě i tam, kde to není zapotřebí. Například na otázku "Je den?" se nedá jednoznačně odpovědět v časných ranních či pozdních večerních hodinách. Ba co víc, odpověď v tomto případě je individuální, někomu den začíná dříve, někomu později. Vymezení den/noc má tedy neostré - fuzzy - hranice, výrok "Je den" může být pravdivý jen zčásti, např. z 60%. Můžete namítnout - na tom není nic revolučního. Jenže - takto chápaná definice pravdy má zajímavé důsledky - totiž - vyloučení pravidla třetího. V klasické logice platí, že výrok je BUĎ pravdivý, NEBO je nepravdivý a nikdy nemůže být ZÁROVEŇ pravdivý A přitom i nepravdivý. Toto omezení ve fuzzy logice neplatí. Fuzzy logika připouští paradoxy, namísto černobílého 0/1 vidění přináší škálu možností - od zcela nepravdivého, přes téměř nepravdivé, paradoxní, téměř pravdivé až ke zcela pravdivému. Klasické, booleanské systémy pracují s konzistentními výroky - pravidlo, které je se systémem v rozporu, je automaticky vyřazeno (je chápáno jako chyba) protože systém nepřipouští paradoxy. Systémy popsané fuzzy pojmovým aparátem pracují - podobně jako člověk - s intuitivními termíny (hodně, trochu) a tak mohou věrněji odrážet neurčitou, vágní realitu, na pravdivost zde není nahlíženo jako na nutnou vlastnost systému, ale pragmaticky jako na míru užitečnosti pro správnou funkci celku. Odpůrci fuzzy logiky poukazují na fakt, že podobné možnosti přináší teorie pravděpodobnosti a nemusíme bourat aristotelské chápání světa. Jenže, pokud je sklenice z poloviny plná vody, také nebudete tvrdit, že "je padesátiprocentní šance, že je sklenice plná", místo toho řeknete, že je plná z poloviny - jinými slovy - že "JE A NENÍ plná".

Fuzzy logika je jasným přiznáním skutečnosti, že svět, který jsme si uvykli třídit do našich škatulek, je přece jenom složitější, než jsme si původně mysleli.

Pod tímto názvem se skrývá mnoho navzájem velice odlišných postupů, algoritmů, metod. V určité době byla módní nálepka "neuronová síť", podobně jako například "pentium inside", věšena na všechny možné systémy umělé inteligence, proto je dnes tato oblast značně nesourodá. Jedno společné kritérium by se dalo pojmenovat jako adaptabilita - tedy učenlivost systému. Nejedná se však o vymezující či jednoznačně definující vlastnost neuronových algoritmů, neuronové sítě lze zařadit do mnohem obecnější kategorie adaptivních systémů. Neuronové systémy se skládají, jak název napovídá, z velkého počtu neuronů, poměrně jednoduchých, vzájemně propojených jednotek. "Inteligence" sítě spočívá právě v oné propojenosti - ačkoliv samotný neuron - popsaný jedinou rovnicí - nedokáže téměř nic, celá síť dokáže divy - zaparkuje tahač s návěsem, rozpoznává jednotlivé hlásky lidské řeči, komprimuje obrazová data, atd. atd. Síť se však neučí jen tak, sama od sebe. Buď jí někdo musí vysvětlit, co má dělat a jak má vypadat požadovaný výstup (trénování s učitelem), nebo jí alespoň předložit nějaké explicitní kritérium dokonalosti (bez učitele). V každém případě je třeba neuronové síti ukazovat mnoho trénovacích vzorů - tedy síť seznamovat se skutečností, předvést ji příklady situací, kterým bude vystavena "při provozu".

Neuronové sítě můžeme s úspěchem použít tam, kde nám činí potíže popsat pravidla, kterými se má systém řídit, nevíme PROČ tak pracuje, nedokážeme vysvětlit, se děje uvnitř černé skříňky, ale víme přesně, JAK má na určité podněty z okolí systém zareagovat a věříme, že s dostatečně hrubou výpočetní silou nakonec dosáhneme svého.