Wat is een kunstmatig neuraal netwerk? Hier is alles wat u moet weten

Als je tijd hebt besteed aan het lezen over kunstmatige intelligentie, je hebt vrijwel zeker wel eens gehoord van kunstmatige neurale netwerken. Maar wat is er precies één? In plaats van je in te schrijven voor een uitgebreide cursus computerwetenschappen of je te verdiepen in de meer diepgaande bronnen die dat wel zijn online beschikbaar, bekijk onze handige handleiding voor leken voor een snelle en gemakkelijke introductie tot deze geweldige vorm van machine aan het leren.

Wat is een kunstmatig neuraal netwerk?

Kunstmatige neurale netwerken zijn een van de belangrijkste hulpmiddelen die worden gebruikt bij machinaal leren. Zoals het ‘neurale’ deel van hun naam suggereert, zijn het door de hersenen geïnspireerde systemen die bedoeld zijn om de manier te repliceren waarop wij mensen leren. Neurale netwerken bestaan ​​uit invoer- en uitvoerlagen, en (in de meeste gevallen) een verborgen laag die bestaat uit eenheden die de invoer transformeren in iets dat de uitvoerlaag kan gebruiken. Het zijn uitstekende hulpmiddelen voor het vinden van patronen die veel te complex of te talrijk zijn om door een menselijke programmeur te kunnen extraheren en de machine te leren herkennen.

Terwijl neurale netwerken (ook wel “perceptronen” genoemd) bestaan ​​al sinds de jaren veertigzijn ze pas de laatste decennia een belangrijk onderdeel van de kunstmatige intelligentie geworden. Dit komt door de komst van een techniek genaamd ‘backpropagation’, waarmee netwerken hun verborgen neuronenlagen kunnen aanpassen in situaties waarbij de uitkomst niet overeenkomt met waar de maker op hoopt – zoals een netwerk dat is ontworpen om honden te herkennen, waardoor een kat verkeerd wordt geïdentificeerd, bijvoorbeeld voorbeeld.

Een andere belangrijke vooruitgang is de komst van deep learning neurale netwerken, waarin verschillende lagen van een meerlaags netwerk extraheren verschillende kenmerken totdat het kan herkennen waar het naar kijkt voor.

Klinkt behoorlijk complex. Kun je het uitleggen alsof ik vijf ben?

Voor een basisidee van hoe een deep learning neuraal netwerk leert, stel je een fabriekslijn voor. Nadat de grondstoffen (de dataset) zijn ingevoerd, worden ze vervolgens over de lopende band geleid, waarbij bij elke volgende stop of laag een andere reeks hoogwaardige kenmerken wordt geëxtraheerd. Als het netwerk bedoeld is om een ​​object te herkennen, kan de eerste laag de helderheid van de pixels analyseren.

De volgende laag kan vervolgens eventuele randen in de afbeelding identificeren, op basis van lijnen van vergelijkbare pixels. Hierna kan een andere laag texturen en vormen herkennen, enzovoort. Tegen de tijd dat de vierde of vijfde laag wordt bereikt, zal het deep learning-net complexe feature-detectoren hebben gecreëerd. Het kan erachter komen dat bepaalde beeldelementen (zoals een paar ogen, een neus en een mond) vaak samen voorkomen.

Zodra dit is gebeurd, kunnen de onderzoekers die het netwerk hebben getraind labels aan de output geven en vervolgens backpropagation gebruiken om eventuele fouten te corrigeren. Na een tijdje kan het netwerk zijn eigen classificatietaken uitvoeren zonder dat er telkens hulp van mensen nodig is.

Daarnaast zijn er verschillende soorten leren, zoals begeleid of ongecontroleerd leren of versterkend leren, waarin het netwerk voor zichzelf leert door te proberen zijn score te maximaliseren – zoals op memorabele wijze uitgevoerd door De Atari-gameplay-bot van Google DeepMind.

Hoeveel soorten neurale netwerken zijn er?

Er zijn meerdere soorten neurale netwerken, die elk hun eigen specifieke gebruiksscenario's en complexiteitsniveaus hebben. Het meest basale type neuraal netwerk is iets dat a wordt genoemd feedforward neuraal netwerk, waarin informatie slechts in één richting reist van input naar output.

Een meer algemeen gebruikt type netwerk is het terugkerend neuraal netwerk, waarin gegevens in meerdere richtingen kunnen stromen. Deze neurale netwerken beschikken over een groter leervermogen en worden op grote schaal gebruikt voor complexere taken zoals het leren van handschriften of taalherkenning.

Er zijn ook convolutionele neurale netwerken, Boltzmann-machinenetwerken, Hopfield-netwerken, en een verscheidenheid aan anderen. Het kiezen van het juiste netwerk voor uw taak hangt af van de gegevens waarmee u het moet trainen en van de specifieke toepassing die u in gedachten heeft. In sommige gevallen kan het wenselijk zijn om meerdere benaderingen te gebruiken, zoals het geval zou zijn bij een uitdagende taak als stemherkenning.

Wat voor soort taken kan een neuraal netwerk uitvoeren?

Een snelle scan van onze archieven suggereert dat de juiste vraag hier zou moeten zijn: “welke taken kan niet een neuraal netwerk doen?” Van auto’s autonoom over de weg laten rijden, naar waardoor schokkend realistische CGI-gezichten ontstaan, naar automatische vertaling, naar fraudedetectie, naar onze gedachten lezen, om te herkennen wanneer a kat is in de tuin en zet de sproeiers aan; Neurale netten liggen aan de basis van veel van de grootste ontwikkelingen op het gebied van AI.

In grote lijnen zijn ze echter ontworpen om patronen in gegevens te ontdekken. Specifieke taken kunnen onder meer classificatie zijn (het classificeren van datasets in vooraf gedefinieerde klassen), clustering (het classificeren van gegevens in verschillende ongedefinieerde categorieën) en voorspellingen (waarbij gebeurtenissen uit het verleden worden gebruikt om toekomstige gebeurtenissen te raden, zoals de aandelenmarkt of de filmdoos kantoor).

Hoe ‘leren’ ze dingen precies?

Net zoals we leren van ervaringen in ons leven, hebben neurale netwerken data nodig om te leren. In de meeste gevallen geldt dat hoe meer gegevens er naar een neuraal netwerk kunnen worden gestuurd, hoe nauwkeuriger het zal worden. Zie het als elke taak die u steeds opnieuw uitvoert. Na verloop van tijd wordt u geleidelijk efficiënter en maakt u minder fouten.

Wanneer onderzoekers of computerwetenschappers een neuraal netwerk willen trainen, verdelen ze hun gegevens doorgaans in drie sets. Ten eerste is er een trainingsset, die het netwerk helpt de verschillende gewichten tussen de knooppunten vast te stellen. Hierna verfijnen ze het met behulp van een validatiedataset. Ten slotte gebruiken ze een testset om te kijken of deze de input succesvol kan omzetten in de gewenste output.

Hebben neurale netwerken beperkingen?

Op technisch vlak is een van de grotere uitdagingen de hoeveelheid tijd die nodig is om netwerken te trainen, wat een aanzienlijke hoeveelheid rekenkracht kan vergen voor complexere taken. Het grootste probleem is echter dat neurale netwerken ‘zwarte dozen’ zijn, waarin de gebruiker gegevens invoert en antwoorden ontvangt. Ze kunnen de antwoorden verfijnen, maar ze hebben geen toegang tot het exacte besluitvormingsproces.

Dit is een probleem waar een aantal onderzoekers mee kampt actief aan werken, maar het zal alleen maar urgenter worden naarmate kunstmatige neurale netwerken een steeds grotere rol in ons leven gaan spelen.

Aanbevelingen van de redactie

• USB-C-laptops opladen: dit is wat u moet weten
• Wat is GDDR7? Alles wat u moet weten over de volgende generatie VRAM
• Vervanging van de MacBook Pro-batterij: alles wat u moet weten
• Wat is Wi-Fi 7: alles wat u moet weten over 802.11be
• YouTube rolt handvatten uit. Dit is wat u moet weten