Kaj je umetna nevronska mreža? Tukaj je vse, kar morate vedeti

Če ste kaj časa brali o umetna inteligenca, ste skoraj zagotovo že slišali za umetne nevronske mreže. Toda kaj točno je ena? Namesto da bi se vpisali v obsežen tečaj računalništva ali se poglobili v nekatere bolj poglobljene vire, na voljo na spletu, si oglejte naš priročen vodnik za laike, da dobite hiter in enostaven uvod v to neverjetno obliko stroja učenje.

Kaj je umetna nevronska mreža?

Umetne nevronske mreže so eno glavnih orodij, ki se uporabljajo pri strojnem učenju. Kot pove "nevronski" del njihovega imena, so sistemi, ki jih navdihujejo možgani in so namenjeni posnemanju načina, kako se ljudje učimo. Nevronske mreže so sestavljene iz vhodne in izhodne plasti ter (v večini primerov) skrite plasti, sestavljene iz enot, ki pretvorijo vhod v nekaj, kar lahko uporabi izhodna plast. So odlična orodja za iskanje vzorcev, ki so preveč zapleteni ali številni, da bi jih človeški programer lahko izluščil in naučil stroj prepoznati.

Medtem ko nevronske mreže (imenovane tudi »perceptroni«)

obstajajo že od leta 1940, šele v zadnjih nekaj desetletjih so postali glavni del umetne inteligence. To je posledica prihoda tehnike, imenovane »širjenje nazaj«, ki omogoča omrežjem, da prilagodijo svoje skrite plasti nevronov v situacijah. kjer se rezultat ne ujema s tistim, na kar upa ustvarjalec – kot je mreža, zasnovana za prepoznavanje psov, ki napačno identificira mačko, za primer.

Drug pomemben napredek je bil prihod nevronskih mrež globokega učenja, v katerih se razlikujejo plasti večplastnega omrežja ekstrahirajo različne lastnosti, dokler ne prepozna, kaj išče za.

Sliši se precej zapleteno. Lahko razložiš, kot da imam pet let?

Za osnovno predstavo o tem, kako se globoko učna nevronska mreža uči, si predstavljajte tovarniško linijo. Ko so surovine (nabor podatkov) vnesene, se nato prenesejo po tekočem traku, pri čemer vsak naslednji postanek ali plast ekstrahira drugačen nabor funkcij na visoki ravni. Če je omrežje namenjeno prepoznavanju predmeta, lahko prva plast analizira svetlost njegovih slikovnih pik.

Naslednja plast bi nato lahko identificirala vse robove na sliki na podlagi linij podobnih slikovnih pik. Po tem lahko druga plast prepozna teksture in oblike itd. Ko bo dosežena četrta ali peta plast, bo mreža globokega učenja ustvarila kompleksne detektorje funkcij. Ugotovi lahko, da se nekateri elementi slike (kot so par oči, nos in usta) pogosto nahajajo skupaj.

Ko je to storjeno, lahko raziskovalci, ki so usposobili omrežje, izhodu dodajo oznake in nato uporabijo povratno širjenje, da popravijo morebitne napake, ki so bile storjene. Čez nekaj časa lahko omrežje izvaja lastne naloge razvrščanja, ne da bi vsakič potrebovalo pomoč ljudi.

Poleg tega obstajajo različne vrste učenja, kot npr nadzorovan oz nenadzorovano učenje oz učenje s krepitvijo, v katerem se omrežje uči samo tako, da poskuša povečati svoj rezultat – kot je nepozabno izvedel Google DeepMind's Atari bot za igranje iger.

Koliko vrst nevronske mreže obstaja?

Obstaja več vrst nevronskih mrež, od katerih ima vsaka svoje specifične primere uporabe in stopnje kompleksnosti. Najosnovnejša vrsta nevronske mreže je nekaj, kar se imenuje a povratna nevronska mreža, pri katerem informacije potujejo samo v eno smer od vhoda do izhoda.

Bolj razširjena vrsta omrežja je ponavljajoča se nevronska mreža, v katerem lahko podatki tečejo v več smereh. Te nevronske mreže imajo večje učne sposobnosti in se pogosto uporabljajo za bolj zapletene naloge, kot je učenje rokopisa ali prepoznavanje jezika.

Tukaj so tudi konvolucijske nevronske mreže, Boltzmannova strojna omrežja, Hopfieldova omrežjain vrsto drugih. Izbira pravega omrežja za vašo nalogo je odvisna od podatkov, s katerimi ga morate usposobiti, in specifične aplikacije, ki jo imate v mislih. V nekaterih primerih je morda zaželeno uporabiti več pristopov, kot bi bilo v primeru zahtevne naloge, kot je prepoznavanje glasu.

Kakšne naloge lahko opravlja nevronska mreža?

Hiter pregled naših arhivov nakazuje, da bi moralo biti pravo vprašanje tukaj »katere naloge ne morem počne nevronska mreža?" Od da se avtomobili po cestah vozijo avtonomno, do ustvarjanje šokantno realističnih CGI obrazov, do strojnega prevajanja, do odkrivanja goljufij, do branje naših misli, do prepoznavanja, ko a mačka je na vrtu in prižiga škropilnice; nevronske mreže so v ozadju številnih največjih dosežkov v A.I.

Na splošno pa so zasnovani za odkrivanje vzorcev v podatkih. Posebne naloge lahko vključujejo klasifikacijo (razvrščanje nizov podatkov v vnaprej določene razrede), združevanje v gruče (razvrščanje podatkov v različne nedefinirane kategorije) in napovedovanje (uporaba preteklih dogodkov za ugibanje prihodnjih, kot je borza ali filmska škatla pisarna).

Kako točno se stvari »učijo«?

Na enak način, kot se učimo iz izkušenj v našem življenju, nevronske mreže za učenje potrebujejo podatke. V večini primerov je več podatkov, ki jih lahko vržemo v nevronsko mrežo, bolj natančna bo postala. Pomislite na to kot na vsako nalogo, ki jo opravljate znova in znova. Sčasoma postanete bolj učinkoviti in delate manj napak.

Ko se raziskovalci ali računalničarji odločijo usposobiti nevronsko mrežo, svoje podatke običajno razdelijo v tri sklope. Prvi je nabor za usposabljanje, ki omrežju pomaga vzpostaviti različne uteži med vozlišči. Po tem ga natančno prilagodijo z uporabo nabora podatkov o validaciji. Nazadnje bodo uporabili testni niz, da bi videli, ali lahko uspešno spremeni vhod v želeni izhod.

Ali imajo nevronske mreže kakšne omejitve?

Na tehnični ravni je eden večjih izzivov čas, ki je potreben za usposabljanje omrežij, kar lahko zahteva precejšnjo količino računalniške moči za bolj zapletene naloge. Največja težava pa je, da so nevronske mreže »črne skrinjice«, v katere uporabnik vnaša podatke in prejema odgovore. Odgovore lahko prilagodijo, vendar nimajo dostopa do natančnega postopka odločanja.

To je problem številnih raziskovalcev aktivno dela na, vendar bo postalo le še bolj pereče, saj bodo umetne nevronske mreže igrale vse večjo vlogo v naših življenjih.

Priporočila urednikov

• Prenosni računalniki s polnjenjem USB-C: to je tisto, kar morate vedeti
• Kaj je GDDR7? Vse, kar morate vedeti o VRAM naslednje generacije
• Zamenjava baterije MacBook Pro: vse, kar morate vedeti
• Kaj je Wi-Fi 7: Vse, kar morate vedeti o 802.11be
• YouTube uvaja ročaje. Tukaj je tisto, kar morate vedeti