Hva er et kunstig nevralt nettverk? Her er alt du trenger å vite

Hvis du har brukt tid på å lese om kunstig intelligens, vil du nesten helt sikkert ha hørt om kunstige nevrale nettverk. Men hva er egentlig en? I stedet for å melde deg på et omfattende informatikkkurs eller dykke ned i noen av de mer dyptgående ressursene som er tilgjengelig online, sjekk ut vår praktiske lekmannsguide for å få en rask og enkel introduksjon til denne fantastiske formen for maskin læring.

Hva er et kunstig nevralt nettverk?

Kunstige nevrale nettverk er et av hovedverktøyene som brukes i maskinlæring. Som den "nevrale" delen av navnet deres antyder, er de hjerneinspirerte systemer som er ment å gjenskape måten vi mennesker lærer på. Nevrale nettverk består av input og output lag, samt (i de fleste tilfeller) et skjult lag bestående av enheter som transformerer input til noe som output laget kan bruke. De er utmerkede verktøy for å finne mønstre som er altfor komplekse eller mange for en menneskelig programmerer å trekke ut og lære maskinen å gjenkjenne.

Mens nevrale nettverk (også kalt "perseptroner") har eksistert siden 1940-tallet, det er først i løpet av de siste tiårene hvor de har blitt en viktig del av kunstig intelligens. Dette skyldes ankomsten av en teknikk kalt "backpropagation", som lar nettverk justere sine skjulte lag av nevroner i situasjoner hvor resultatet ikke stemmer overens med det skaperen håper på - som et nettverk designet for å gjenkjenne hunder, som feilidentifiserer en katt, for eksempel.

Et annet viktig fremskritt har vært ankomsten av nevrale nettverk for dyp læring, hvor forskjellige lag i et flerlagsnettverk trekker ut forskjellige funksjoner til det kan gjenkjenne hva det ser ut til.

Høres ganske komplekst ut. Kan du forklare det som om jeg er fem?

For en grunnleggende idé om hvordan et dypt læringsnevralt nettverk lærer, forestill deg en fabrikklinje. Etter at råvarene (datasettet) er lagt inn, sendes de deretter nedover transportbåndet, med hvert påfølgende stopp eller lag som trekker ut et annet sett med funksjoner på høyt nivå. Hvis nettverket er ment å gjenkjenne et objekt, kan det første laget analysere lysstyrken til piksler.

Det neste laget kan deretter identifisere eventuelle kanter i bildet, basert på linjer med lignende piksler. Etter dette kan et annet lag gjenkjenne teksturer og former, og så videre. Innen det fjerde eller femte laget er nådd, vil det dype læringsnettet ha skapt komplekse funksjonsdetektorer. Den kan finne ut at visse bildeelementer (som et par øyne, en nese og en munn) ofte finnes sammen.

Når dette er gjort, kan forskerne som har trent nettverket gi etiketter til utdataene, og deretter bruke backpropagation for å rette opp eventuelle feil som har blitt gjort. Etter en stund kan nettverket utføre sine egne klassifiseringsoppgaver uten å trenge mennesker til å hjelpe hver gang.

Utover dette er det ulike typer læring, som f.eks overvåket eller uovervåket læring eller forsterkende læring, der nettverket lærer for seg selv ved å prøve å maksimere poengsummen - som minneverdig utført av Google DeepMinds Atari-spillrobot.

Hvor mange typer nevrale nettverk finnes det?

Det finnes flere typer nevrale nettverk, som hver kommer med sine egne spesifikke brukstilfeller og kompleksitetsnivåer. Den mest grunnleggende typen nevrale nett er noe som kalles a feedforward nevrale nettverk, der informasjon beveger seg i bare én retning fra inngang til utgang.

En mer utbredt type nettverk er tilbakevendende nevrale nettverk, der data kan flyte i flere retninger. Disse nevrale nettverkene har større læringsevner og er mye brukt for mer komplekse oppgaver som å lære håndskrift eller språkgjenkjenning.

Det er også konvolusjonelle nevrale nettverk, Boltzmann maskinnettverk, Hopfield-nettverk, og en rekke andre. Å velge riktig nettverk for oppgaven din avhenger av dataene du må trene den med, og den spesifikke applikasjonen du har i tankene. I noen tilfeller kan det være ønskelig å bruke flere tilnærminger, slik som ville være tilfelle med en utfordrende oppgave som stemmegjenkjenning.

Hva slags oppgaver kan et nevralt nettverk gjøre?

En rask skanning av arkivene våre antyder at det riktige spørsmålet her bør være "hvilke oppgaver kan ikke et nevralt nettverk? Fra få biler til å kjøre autonomt på veiene, til genererer sjokkerende realistiske CGI-ansikter, til maskinoversettelse, til svindeloppdagelse, til lese tankene våre, for å gjenkjenne når en katten er i hagen og slår på sprinkleranlegget; nevrale nett står bak mange av de største fremskrittene innen A.I.

Stort sett er de imidlertid designet for å oppdage mønstre i data. Spesifikke oppgaver kan omfatte klassifisering (klassifisering av datasett i forhåndsdefinerte klasser), clustering (klassifisering av data i forskjellige udefinerte kategorier), og prediksjon (ved å bruke tidligere hendelser for å gjette fremtidige, som aksjemarkedet eller filmboksen kontor).

Hvordan "lærer" de ting?

På samme måte som vi lærer av erfaring i livene våre, krever nevrale nettverk data for å lære. I de fleste tilfeller, jo mer data som kan kastes mot et nevralt nettverk, jo mer nøyaktig vil det bli. Tenk på det som enhver oppgave du gjør om og om igjen. Over tid blir du gradvis mer effektiv og gjør færre feil.

Når forskere eller informatikere setter ut for å trene et nevralt nettverk, deler de vanligvis dataene sine i tre sett. Først er et treningssett, som hjelper nettverket med å etablere de ulike vektene mellom nodene. Etter dette finjusterer de det ved hjelp av et valideringsdatasett. Til slutt vil de bruke et testsett for å se om det kan gjøre inngangen til ønsket utgang.

Har nevrale nettverk noen begrensninger?

På et teknisk nivå er en av de større utfordringene hvor lang tid det tar å trene nettverk, som kan kreve en betydelig mengde datakraft for mer komplekse oppgaver. Det største problemet er imidlertid at nevrale nettverk er "svarte bokser", der brukeren mater inn data og mottar svar. De kan finjustere svarene, men de har ikke tilgang til den nøyaktige beslutningsprosessen.

Dette er et problem mange forskere er jobber aktivt med, men det vil bare bli mer presserende ettersom kunstige nevrale nettverk spiller en større og større rolle i livene våre.

Redaktørenes anbefalinger

• USB-C ladebærbare datamaskiner: Her er det du trenger å vite
• Hva er GDDR7? Alt du trenger å vite om neste generasjons VRAM
• MacBook Pro batteribytte: alt du trenger å vite
• Hva er Wi-Fi 7: Alt du trenger å vite om 802.11be
• YouTube ruller ut håndtak. Her er det du trenger å vite