Ученые создали нейросеть для тренировки скорости реакции

Ученые Московского государственного психолого-педагогического университета создали уникальную программу, позволяющую тренировать скорость реакции. Новая разработка поможет повысить эффективность обучения в тех сферах, где от сотрудников ждут умения быстро анализировать, оценивать ситуацию и принимать верное решение.

Нейрость, созданная в МГППУ, по-своему уникальна. Решения на основе искусственного интеллекта уже стали универсальными: их используют для обработки данных, автоматизации процессов, поиска и устранения ошибок и даже творчества. Но обычно внедрению таких решений предшествует период обучения: человек тренирует нейросеть распознавать и реагировать на конкретные сценарии. В разработке МГППУ участники процесса поменялись местами. Теперь нейросеть тренирует человека, оценивая его навыки и способности.

Новый алгоритм имеет форму компьютерной игры. Включаясь в процесс, игрок вынужден противостоять множеству противников, каждый из которых действует в соответствии со сложным математическим расчетом. Цель — ликвидировать всех врагов в условиях быстро меняющейся обстановки и ограниченного пространства.

Игровой процесс при этом сохраняет уникальность, адаптируясь под индивидуальные особенности каждого нового участника. Уровни сложности, ситуации и задачи меняются по мере того, как нейросеть составляет все большее представление о тактике игрока. В основе разработки лежит теория марковских случайных процессов и методы нелинейной оптимизации — это позволяет не просто наблюдать за стратегией, но еще и анализировать, оценивать способности и возможности испытуемого".

Основные сферы применения таких игр — тренировочные и учебные центры. Навыки быстрого анализа и реагирования нужны во множестве профессий — в военном и летном деле, некоторых областях медицины, спорте. Никаких проверенных способов улучшить этот навык на сегодняшний день нет — есть лишь способы замерять среднюю скорость простой условнорефлекторной реакции.

Пока у разработки ученых из МГППУ есть только один условный недостаток — отсутствие достаточного багажа эмпирических данных, необходимых для настройки нейросети. Нехватку данных для анализа ученые компенсируют математической оптимизацией, надеясь, что по мере внедрения в образовательную практику система будет обогащаться новыми функциями.

Источник: https://ria.ru/20200427/1570508677.html