Was ist ein künstliches neuronales Netzwerk? Hier finden Sie alles, was Sie wissen müssen

Wenn Sie sich die Zeit genommen haben, darüber zu lesen künstliche Intelligenz, Sie werden mit ziemlicher Sicherheit schon einmal von künstlichen neuronalen Netzen gehört haben. Aber was genau ist eins? Anstatt sich für einen umfassenden Informatikkurs einzuschreiben oder sich mit einigen der ausführlicheren Ressourcen zu befassen, die es gibt Wenn Sie online verfügbar sind, schauen Sie sich unseren praktischen Leitfaden für Laien an, um eine schnelle und einfache Einführung in diese erstaunliche Maschinenform zu erhalten Lernen.

Was ist ein künstliches neuronales Netzwerk?

Künstliche neuronale Netze sind eines der Hauptwerkzeuge des maschinellen Lernens. Wie der „neuronale“ Teil ihres Namens vermuten lässt, handelt es sich um vom Gehirn inspirierte Systeme, die die Art und Weise nachbilden sollen, wie wir Menschen lernen. Neuronale Netze bestehen aus Eingabe- und Ausgabeschichten sowie (in den meisten Fällen) einer verborgenen Schicht, die aus Einheiten besteht, die die Eingabe in etwas umwandeln, das die Ausgabeschicht verwenden kann. Sie sind hervorragende Werkzeuge, um Muster zu finden, die viel zu komplex oder zahlreich sind, als dass ein menschlicher Programmierer sie extrahieren und der Maschine beibringen könnte, sie zu erkennen.

Während neuronale Netze (auch „Perzeptrone“ genannt) gibt es schon seit den 1940er JahrenErst in den letzten Jahrzehnten sind sie zu einem wichtigen Bestandteil der künstlichen Intelligenz geworden. Dies ist auf die Einführung einer Technik namens „Backpropagation“ zurückzuführen, die es Netzwerken ermöglicht, ihre verborgenen Neuronenschichten in bestimmten Situationen anzupassen wo das Ergebnis nicht mit den Erwartungen des Erstellers übereinstimmt – wie ein Netzwerk, das darauf ausgelegt ist, Hunde zu erkennen, was z. B. eine Katze falsch identifiziert Beispiel.

Ein weiterer wichtiger Fortschritt war die Einführung von Deep-Learning-Neuronalen Netzen, in denen unterschiedliche Schichten eines mehrschichtigen Netzwerks extrahieren verschiedene Merkmale, bis sie erkennen können, wonach sie suchen für.

Klingt ziemlich komplex. Kannst du es erklären, als wäre ich fünf?

Um eine grundlegende Vorstellung davon zu bekommen, wie ein Deep-Learning-Neuronales Netzwerk lernt, stellen Sie sich eine Fabriklinie vor. Nachdem die Rohmaterialien (der Datensatz) eingegeben wurden, werden sie über das Förderband weitergeleitet, wobei jeder nachfolgende Stopp oder jede nachfolgende Schicht einen anderen Satz übergeordneter Merkmale extrahiert. Wenn das Netzwerk ein Objekt erkennen soll, analysiert die erste Schicht möglicherweise die Helligkeit seiner Pixel.

Die nächste Ebene könnte dann alle Kanten im Bild anhand von Linien mit ähnlichen Pixeln identifizieren. Danach kann eine andere Ebene Texturen und Formen usw. erkennen. Bis die vierte oder fünfte Schicht erreicht ist, wird das Deep-Learning-Netz komplexe Merkmalsdetektoren erstellt haben. Es kann herausgefunden werden, dass bestimmte Bildelemente (z. B. ein Augenpaar, eine Nase und ein Mund) häufig zusammen vorkommen.

Sobald dies erledigt ist, können die Forscher, die das Netzwerk trainiert haben, der Ausgabe Etiketten zuweisen und dann mithilfe der Backpropagation etwaige Fehler korrigieren. Nach einer Weile kann das Netzwerk seine eigenen Klassifizierungsaufgaben durchführen, ohne dass jedes Mal menschliche Hilfe erforderlich ist.

Darüber hinaus gibt es verschiedene Arten des Lernens, wie z betreut oder unbeaufsichtigtes Lernen oder Verstärkungslernen, bei dem das Netzwerk für sich selbst lernt, indem es versucht, seine Punktzahl zu maximieren – wie bemerkenswerterweise durchgeführt von Der Atari-Gameplay-Bot von Google DeepMind.

Wie viele Arten von neuronalen Netzwerken gibt es?

Es gibt mehrere Arten von neuronalen Netzwerken, von denen jede ihre eigenen spezifischen Anwendungsfälle und Komplexitätsgrade aufweist. Der grundlegendste Typ eines neuronalen Netzes wird als a bezeichnet Feedforward-Neuronales Netzwerk, bei dem Informationen nur in eine Richtung von der Eingabe zur Ausgabe wandern.

Ein weiter verbreiteter Netzwerktyp ist das wiederkehrendes neuronales Netzwerk, bei dem Daten in mehrere Richtungen fließen können. Diese neuronalen Netze verfügen über größere Lernfähigkeiten und werden häufig für komplexere Aufgaben wie das Erlernen der Handschrift oder die Spracherkennung eingesetzt.

es gibt auch Faltungs-Neuronale Netze, Boltzmann-Maschinennetzwerke, Hopfield-Netzwerkeund eine Vielzahl anderer. Die Auswahl des richtigen Netzwerks für Ihre Aufgabe hängt von den Daten ab, mit denen Sie es trainieren müssen, und von der spezifischen Anwendung, die Sie im Sinn haben. In manchen Fällen kann es wünschenswert sein, mehrere Ansätze zu verwenden, wie es beispielsweise bei einer anspruchsvollen Aufgabe wie der Spracherkennung der Fall wäre.

Welche Aufgaben kann ein neuronales Netzwerk übernehmen?

Ein kurzer Blick in unsere Archive legt nahe, dass die richtige Frage hier lauten sollte: „Welche Aufgaben?“ kippen ein neuronales Netzwerk tun?“ Aus Autos autonom auf der Straße fahren zu lassen, Zu Erzeugen erschreckend realistischer CGI-Gesichter, zur maschinellen Übersetzung, zur Betrugserkennung, zu unsere Gedanken lesen, um zu erkennen, wann a Die Katze ist im Garten und schaltet die Sprinkleranlage ein; Neuronale Netze stehen hinter vielen der größten Fortschritte in der KI.

Im Großen und Ganzen sind sie jedoch darauf ausgelegt, Muster in Daten zu erkennen. Spezifische Aufgaben könnten Klassifizierung (Klassifizierung von Datensätzen in vordefinierte Klassen) und Clustering (Klassifizierung von Daten in) umfassen verschiedene undefinierte Kategorien) und Vorhersage (Verwendung vergangener Ereignisse, um zukünftige zu erraten, wie z. B. die Börse oder die Kinokasse). Büro).

Wie genau „lernen“ sie Dinge?

So wie wir aus Erfahrungen in unserem Leben lernen, benötigen auch neuronale Netze Daten zum Lernen. In den meisten Fällen gilt: Je mehr Daten in ein neuronales Netzwerk eingespeist werden können, desto genauer wird es. Betrachten Sie es wie jede Aufgabe, die Sie immer wieder erledigen. Mit der Zeit werden Sie immer effizienter und machen weniger Fehler.

Wenn Forscher oder Informatiker ein neuronales Netzwerk trainieren möchten, teilen sie ihre Daten normalerweise in drei Sätze auf. Erstens handelt es sich um einen Trainingssatz, der dem Netzwerk dabei hilft, die verschiedenen Gewichtungen zwischen seinen Knoten festzulegen. Anschließend optimieren sie es mithilfe eines Validierungsdatensatzes. Schließlich verwenden sie einen Testsatz, um zu prüfen, ob die Eingabe erfolgreich in die gewünschte Ausgabe umgewandelt werden kann.

Haben neuronale Netze irgendwelche Einschränkungen?

Auf technischer Ebene ist eine der größeren Herausforderungen die Zeit, die zum Trainieren von Netzwerken benötigt wird, was für komplexere Aufgaben eine beträchtliche Menge an Rechenleistung erfordern kann. Das größte Problem besteht jedoch darin, dass es sich bei neuronalen Netzen um „Black Boxes“ handelt, in die der Nutzer Daten einspeist und Antworten erhält. Sie können die Antworten verfeinern, haben aber keinen Zugriff auf den genauen Entscheidungsprozess.

Dies ist ein Problem, das viele Forscher sehen aktiv daran arbeiten, aber es wird nur noch dringlicher, da künstliche neuronale Netze eine immer größere Rolle in unserem Leben spielen.

Empfehlungen der Redaktion

• USB-C-Ladelaptops: Das müssen Sie wissen
• Was ist GDDR7? Alles, was Sie über VRAM der nächsten Generation wissen müssen
• Austausch des MacBook Pro-Akkus: Alles, was Sie wissen müssen
• Was ist Wi-Fi 7: Alles, was Sie über 802.11be wissen müssen
• YouTube führt Handles ein. Folgendes müssen Sie wissen: