Hvis du har brugt tid på at læse om kunstig intelligens, vil du næsten helt sikkert have hørt om kunstige neurale netværk. Men hvad er en egentlig? I stedet for at tilmelde dig et omfattende datalogikursus eller dykke ned i nogle af de mere dybdegående ressourcer, der er tilgængelig online, tjek vores praktiske lægmandsguide for at få en hurtig og nem introduktion til denne fantastiske form for maskine læring.
Hvad er et kunstigt neuralt netværk?
Kunstige neurale netværk er et af de vigtigste værktøjer, der bruges i maskinlæring. Som den "neurale" del af deres navn antyder, er de hjerneinspirerede systemer, som har til formål at kopiere den måde, vi mennesker lærer på. Neurale netværk består af input- og outputlag, samt (i de fleste tilfælde) et skjult lag bestående af enheder, der transformerer inputtet til noget, outputlaget kan bruge. De er fremragende værktøjer til at finde mønstre, der er alt for komplekse eller talrige til, at en menneskelig programmør kan udtrække og lære maskinen at genkende.
Anbefalede videoer
Mens neurale netværk (også kaldet "perceptroner") har eksisteret siden 1940'erne, det er først i de sidste mange årtier, hvor de er blevet en stor del af kunstig intelligens. Dette skyldes ankomsten af en teknik kaldet "backpropagation", som gør det muligt for netværk at justere deres skjulte lag af neuroner i situationer hvor resultatet ikke stemmer overens med det, skaberen håber på - som et netværk designet til at genkende hunde, som fejlidentificerer en kat, for eksempel.
Relaterede
- Hvad er RAM? Her er alt, hvad du behøver at vide
- Nvidia RTX DLSS: alt hvad du behøver at vide
- Systemkrav til stabil diffusions-pc: hvad skal du bruge for at køre det?
Et andet vigtigt fremskridt har været ankomsten af deep learning neurale netværk, hvor forskellige lag af et flerlags netværk udtrækker forskellige funktioner, indtil det kan genkende, hvad det ser ud til.
Lyder ret komplekst. Kan du forklare det, som om jeg er fem?
For en grundlæggende idé om, hvordan et neuralt netværk med dyb læring lærer, forestil dig en fabrikslinje. Efter at råmaterialerne (datasættet) er indlæst, føres de ned ad transportbåndet, hvor hvert efterfølgende stop eller lag udvinder et andet sæt funktioner på højt niveau. Hvis netværket er beregnet til at genkende et objekt, kan det første lag analysere lysstyrken af dets pixels.
Det næste lag kunne derefter identificere eventuelle kanter i billedet, baseret på linjer med lignende pixels. Herefter kan et andet lag genkende teksturer og former og så videre. Når det fjerde eller femte lag er nået, vil det dybe læringsnet have skabt komplekse funktionsdetektorer. Det kan finde ud af, at visse billedelementer (såsom et par øjne, en næse og en mund) ofte findes sammen.
Når dette er gjort, kan forskerne, der har trænet netværket, give etiketter til outputtet og derefter bruge backpropagation til at rette eventuelle fejl, der er blevet begået. Efter et stykke tid kan netværket udføre sine egne klassifikationsopgaver uden at have brug for mennesker til at hjælpe hver gang.
Udover dette er der forskellige former for læring, som f.eks overvåget eller uovervåget læring eller forstærkende læring, hvor netværket selv lærer ved at forsøge at maksimere sin score - som mindeværdigt udført af Google DeepMinds Atari-spil-bot.
Hvor mange typer neurale netværk findes der?
Der er flere typer af neurale netværk, som hver kommer med deres egne specifikke anvendelsestilfælde og kompleksitetsniveauer. Den mest grundlæggende type neuralt net er noget, der kaldes a feedforward neurale netværk, hvor information kun bevæger sig i én retning fra input til output.
En mere udbredt type netværk er tilbagevendende neurale netværk, hvor data kan flyde i flere retninger. Disse neurale netværk besidder større indlæringsevner og anvendes i vid udstrækning til mere komplekse opgaver såsom at lære håndskrift eller sproggenkendelse.
Der er også konvolutionelle neurale netværk, Boltzmann maskinnetværk, Hopfield netværk, og en række andre. At vælge det rigtige netværk til din opgave afhænger af de data, du skal træne det med, og den specifikke applikation, du har i tankerne. I nogle tilfælde kan det være ønskeligt at bruge flere tilgange, som det ville være tilfældet med en udfordrende opgave som stemmegenkendelse.
Hvilken slags opgaver kan et neuralt netværk udføre?
En hurtig scanning af vores arkiver antyder, at det rigtige spørgsmål her bør være "hvilke opgaver kan ikke et neuralt netværk gør?” Fra få biler til at køre autonomt på vejene, til genererer chokerende realistiske CGI-ansigter, til maskinoversættelse, til afsløring af bedrageri, til læse vores tanker, til at erkende, hvornår en kat er i haven og tænder for sprinklerne; neurale net står bag mange af de største fremskridt inden for A.I.
I store træk er de dog designet til at spotte mønstre i data. Specifikke opgaver kan omfatte klassificering (klassificering af datasæt i foruddefinerede klasser), clustering (klassificering af data i forskellige udefinerede kategorier) og forudsigelse (ved at bruge tidligere begivenheder til at gætte fremtidige, såsom aktiemarkedet eller filmboksen kontor).
Hvordan præcist "lærer" de ting?
På samme måde som vi lærer af erfaringer i vores liv, kræver neurale netværk data for at lære. I de fleste tilfælde, jo flere data, der kan smides på et neuralt netværk, jo mere nøjagtigt bliver det. Tænk på det som enhver opgave, du udfører igen og igen. Med tiden bliver du gradvist mere effektiv og laver færre fejl.
Når forskere eller dataloger sætter sig for at træne et neuralt netværk, opdeler de typisk deres data i tre sæt. Først er et træningssæt, som hjælper netværket med at etablere de forskellige vægte mellem dets noder. Herefter finjusterer de det ved hjælp af et valideringsdatasæt. Endelig vil de bruge et testsæt for at se, om det med succes kan omdanne input til det ønskede output.
Har neurale netværk nogen begrænsninger?
På det tekniske plan er en af de større udfordringer den tid, det tager at træne netværk, hvilket kan kræve en betydelig mængde computerkraft til mere komplekse opgaver. Det største problem er dog, at neurale netværk er "sorte bokse", hvori brugeren indlæser data og modtager svar. De kan finjustere svarene, men de har ikke adgang til den nøjagtige beslutningsproces.
Det er et problem, som en række forskere er arbejder aktivt på, men det bliver kun mere presserende, efterhånden som kunstige neurale netværk spiller en større og større rolle i vores liv.
Redaktørernes anbefalinger
- USB-C opladning af bærbare computere: Her er hvad du behøver at vide
- Hvad er GDDR7? Alt hvad du behøver at vide om næste generations VRAM
- MacBook Pro batteriudskiftning: alt hvad du behøver at vide
- Hvad er Wi-Fi 7: Alt hvad du behøver at vide om 802.11be
- YouTube ruller håndtag ud. Her er hvad du behøver at vide
