Прикладное моделирование и процесс "обратного распространения"
Последний, "контрольный" этап в стратегиях как прикладного, так и продвинутого моделирования напоминает то, что в технологии нервных сетей называется "обратным распространением". Нервные сети представляют собой компьютерные структуры, построенные по принципу мозговой деятельности. Они используются для распознавания сложных паттернов и, как правило, включают в себя ряд взаимосвязанных элементов, служащих для создания своего рода "модели" того или иного паттерна или явления. Модель представляет собой функцию "весов", или сил, связей между элементами сети. Эта внутренняя "модель" определяет результативность сети.
Ценность нервных сетей заключается в том, что они способны научиться распознавать паттерны "эвристически", как функцию повторяющегося опыта. Модель (или паттерн "весов") регулируется согласно определенному правилу обучения каждый раз, когда в сеть поступают определенные данные. Таким образом, сеть все лучше и лучше распознает эти конкретные данные и реагирует на них. Точно так же ребенок учится узнавать определенное лицо или слово. Подобные типы компьютерных сетей обычно используются в аудиосистемах "распознавания голоса" и оптических системах "распознавания символов".
Обычной стратегией обучения для таких сетей является "обратное распространение". Предположим, компьютер обучают распознаванию букв алфавита, чтобы он смог читать напечатанные документы и переводить их в соответствующие электронные текстовые символы (рис. 34).
Рис. 34. Схема процесса "обратного распространения" в нервной сети
Для того чтобы научиться распознавать, скажем, букву S, следует ввести образ этой буквы в сеть. Этот образ кодируется в компьютерной сети как паттерн реакций (основанных на текущем "весе" их взаимосвязей). В результате действия этого паттерна сеть выдает результат, например символ "§". Результат компьютера сравнивается с ожидаемым результатом (т. е. с буквой S). Если между двумя результатами - ожидаемым S и полученным "§" - возникает расхождение, то взаимосвязи между элементами сети регулируются заново. Затем образ буквы вновь вводится в систему, и результат проверяется тем же путем.
После некоторого количества повторных проб компьютерный результат начинает все больше и больше напоминать желаемый (т. е. после ввода образа S компьютер выводит текстовый символ S). Другими словами, компьютер создает полезную "модель": механизм, позволяющий достичь желаемого результата при вводе определенных данных.
Подобная стратегия используется в НЛП для совершенствования той или иной модели, созданной с помощью разнообразных методов и стратегий (описанных выше). Человек представляет собой сложную "нервную сеть", которая способна обрабатывать различные свойства и особенности (т. е. репрезентативные системы, субмодальности, паттерны метапрограммы, микроповеденческие ключи, языковые паттерны и т. д.). Сосредоточение "внимания" на определенной особенности подобна процессу наделения "весом" того или иного элемента компьютерной нервной сети. Например, если сказать человеку "подними глаза вверх и влево", в то время как он пытается научиться правильно писать какое-то слово, то тем самым мы придадим больше "веса" положению глаз как элементу грамотного письма.
Таким образом, этапы модели или процедуры направляют внимание человека на различнее аспекты и черты его опыта. Это перемещение внимания создает своего рода "аттрактор", который стимулирует в человеке "самоорганизующееся" поведение. Если вы заметите, как теннисный мяч коснулся земли, прежде чем долетел до вас, это автоматически повлияет на то, как вы взмахнете ракеткой, чтобы отбить мяч. Подобным образом, если прислушиваться к изменению тона голоса собеседника, а не к содержанию его слов, или наблюдать его выражение лица, вместо того чтобы обращать внимание на тип одежды, которую он носит, то все это повлияет на способ вашей реакции на этого человека.
Инструкции и процедуры, составляющие принципы, этапы и стратегии поведенческой модели, таким образом, подобны "весу" в нервной сети. Применение "обратного распространения" в поведенческом моделировании будет включать в себя (рис. 35):
1) попытку применить шаги, стратегии и особенности, определяемые моделью, в соответствующем контексте;
2) концентрацию на достигнутых результатах и сравнение их с желаемыми;
3) регулировку мер и особенностей, предлагаемых моделью, с целью повысить "степень приближения";
4) попытку применить новые настройки модели и продолжающиеся попытки повторения процесса до тех пор, пока вы (или люди, на которых рассчитана эта модель) не достигнете требуемого "порогового" уровня желаемого результата.
Рис. 35. Оттачивание техники, модели или стратегии с помощью процесса "обратного распространения"
С помощью данного механизма модель совершенствуется в процессе опытного применения. Поправки как результаты сравнения реального и желаемого результатов вносятся до тех пор, пока не будет выработана наиболее эффективная и элегантная модель.
Обратите внимание, что данный подход к оцениванию и совершенствованию модели фундаментально отличается как от простой "обратной связи" (где результат деятельности системы возвращается в нее как новые данные), так и от попытки статистического обоснования теории через анализ результатов.
"Обратное распространение" подразумевает непрерывную регулировку самой модели как функцию сравнения ее результата с желаемым результатом.