Сами нейроны — это десятки миллиардов элементарных объектов, которые за нас с вами «думают», и исследователю в этой области необходимо понять, каким образом происходит этот процесс «думания», как человеческий мозг обучается обрабатывать информацию, и делать соответствующие выводы. Смысл существования нейронной сети, как подчеркивает автор, заключается в обучении и адаптации.

Автор акцентирует наше внимание на принципах ассоциативного мышления, так свойственного человеку в его деятельности. Именно ассоциативное мышление лежит в основе распознавания, движения, управления, принятия решений. Это в значительно большей степени приближает нас к проблемам искусственного интеллекта, в то же время логически подводя к моделям управления в экономике, бизнесе, финансах, производстве и т.д.

Назовем лишь некоторые из широко известных областей, где эффективно работают так называемые нейросетевые технологии, которые не имеют «солидного», как говорят математики, обоснования. Это страховая деятельность банков; прогнозирование банкротств, денежных потоков, налоговых поступлений; оценка кредитного риска, эффективности биржевой деятельности; предсказание результатов займов и многое другое.

Ключевым инструментом здесь являются искусственные нейронные сети, реализуемые на основе специализированных пакетов программ. Разве это не парадокс — всеобъемлющей теории нет, а пакет программ уже есть! Например, пакет прикладных программ Excel Neural Package, использующий в качестве функций активизации гиперболический тангенс, а в качестве алгоритма обучения — алгоритм Rprop.

Кроме того, нейронные сети применяются для грамотного сравнения финансово-экономических программных систем. Обычно это делается на базе экспертных оценок, но такой подход необъективен. Нужна хотя бы и неполная, но формализация. Она возможна, например, на основе Самоорганизующихся Карт Кохонена (СОК) с использованием программного пакета Viscovery SOMine. Возможна потому, что здесь в полной мере могут быть задействованы такие уникальные свойства искусственных нейронных сетей, как способность к обучению, выявлению скрытых закономерностей, накоплению опыта.

Оригинальный подход автора обеспечивает доходчивость изложения проблем искусственного интеллекта и перспективу его практического воплощения. Этот подход основан на принципах построения электронных схем вычислительных устройств, отображающих такие основы математической логики, как булевы функции. Конечно, при этом имелось в виду по большей части программное обеспечение ЭВМ, нежели ее аппаратура.

Перспектива построения систем искусственного интеллекта во многом основана именно на математической логике. Обобщение понятия булевых функций с большей степенью адекватности приводит к воссозданию принципов мозга — к построению схем ассоциативного мышления. Для этого необходимо перейти от оперирования над булевыми переменными к операциям над действительными, отражающими оценку или достоверность исходных данных. А это тотчас же потребует замены "конъюнкторов" и "дизъюнкторов" на универсальный логический элемент — нейрон, выполняющий простую пороговую передаточную функцию.

Автор является специалистом в области организации и планирования параллельных вычислительных процессов. Это и обусловило его подход к изучению нейронных сетей, а также к их воспроизведению на нейрокомпьютере как параллельных вычислительных устройств и систем, имитирующих ассоциативное мышление. Это же обусловило схемотехнический подход к построению и обучению нейронных сетей.

Книга написана с юмором, живым, образным языком. Она будет интересна широкому кругу читателей и как учебное пособие, и как научно-популярное издание, и как практическое руководство.