Vad är ett artificiellt neuralt nätverk? Här är allt du behöver veta

Om du har ägnat någon tid åt att läsa om artificiell intelligens, kommer du nästan säkert att ha hört talas om artificiella neurala nätverk. Men vad är egentligen en? Istället för att anmäla sig till en omfattande datavetenskapskurs eller fördjupa sig i några av de mer djupgående resurserna som är tillgänglig online, kolla in vår praktiska lekmannaguide för att få en snabb och enkel introduktion till denna fantastiska form av maskin inlärning.

Vad är ett artificiellt neuralt nätverk?

Artificiella neurala nätverk är ett av de viktigaste verktygen som används vid maskininlärning. Som den "neurala" delen av deras namn antyder, är de hjärninspirerade system som är avsedda att replikera det sätt som vi människor lär oss. Neurala nätverk består av in- och utgångsskikt, samt (i de flesta fall) ett dolt skikt bestående av enheter som omvandlar inmatningen till något som utgångsskiktet kan använda. De är utmärkta verktyg för att hitta mönster som är alldeles för komplexa eller många för en mänsklig programmerare att extrahera och lära maskinen att känna igen.

Medan neurala nätverk (även kallade "perceptroner") har funnits sedan 1940-talet, det är först under de senaste decennierna som de har blivit en viktig del av artificiell intelligens. Detta beror på ankomsten av en teknik som kallas "backpropagation", som tillåter nätverk att justera sina dolda lager av neuroner i situationer där resultatet inte stämmer överens med vad skaparen hoppas på - som ett nätverk designat för att känna igen hundar, som felidentifierar en katt, för exempel.

Ett annat viktigt framsteg har varit ankomsten av neurala nätverk för djupinlärning, där olika lager i ett flerskiktsnätverk extraherar olika funktioner tills det kan känna igen vad det ser ut för.

Låter ganska komplicerat. Kan du förklara det som att jag är fem?

För en grundläggande idé om hur ett neuralt nätverk för djupinlärning lär sig, föreställ dig en fabrikslinje. Efter att råvarorna (datauppsättningen) har matats in, förs de sedan längs transportbandet, varvid varje efterföljande stopp eller lager extraherar en annan uppsättning funktioner på hög nivå. Om nätverket är avsett att känna igen ett objekt kan det första lagret analysera ljusstyrkan på dess pixlar.

Nästa lager kan sedan identifiera alla kanter i bilden, baserat på linjer med liknande pixlar. Efter detta kan ett annat lager känna igen texturer och former, och så vidare. När det fjärde eller femte lagret nås kommer djupinlärningsnätet att ha skapat komplexa funktionsdetektorer. Det kan ta reda på att vissa bildelement (som ett par ögon, en näsa och en mun) ofta finns tillsammans.

När detta är gjort kan forskarna som har tränat nätverket ge etiketter till resultatet och sedan använda backpropagation för att korrigera eventuella misstag som har gjorts. Efter ett tag kan nätverket utföra sina egna klassificeringsuppgifter utan att behöva människor till hjälp varje gång.

Utöver detta finns olika typer av lärande, som t.ex övervakas eller oövervakat lärande eller förstärkningsinlärning, där nätverket lär sig själv genom att försöka maximera sin poäng — som minnesvärt utfört av Google DeepMinds Atari-spelrobot.

Hur många typer av neurala nätverk finns det?

Det finns flera typer av neurala nätverk, som var och en har sina egna specifika användningsfall och komplexitetsnivåer. Den mest grundläggande typen av neuralnät är något som kallas a feedforward neurala nätverk, där information rör sig i endast en riktning från ingång till utgång.

En mer allmänt använd typ av nätverk är återkommande neurala nätverk, där data kan flöda i flera riktningar. Dessa neurala nätverk har större inlärningsförmåga och används ofta för mer komplexa uppgifter som att lära sig handstil eller språkigenkänning.

Det finns också konvolutionella neurala nätverk, Boltzmann maskinnätverk, Hopfield nätverk, och en mängd andra. Att välja rätt nätverk för din uppgift beror på vilken data du har att träna den med och den specifika applikation du har i åtanke. I vissa fall kan det vara önskvärt att använda flera tillvägagångssätt, vilket skulle vara fallet med en utmanande uppgift som röstigenkänning.

Vilken typ av uppgifter kan ett neuralt nätverk göra?

En snabb genomsökning av våra arkiv föreslår att den korrekta frågan här borde vara "vilka uppgifter kan inte ett neuralt nätverk göra?” Från få bilar att köra självständigt på vägarna, till genererar chockerande realistiska CGI-ansikten, till maskinöversättning, till bedrägeriupptäckt, till läsa våra tankar, för att känna igen när en katten är i trädgården och sätter på sprinklerna; neurala nät ligger bakom många av de största framstegen inom A.I.

I stort sett är de dock designade för att upptäcka mönster i data. Specifika uppgifter kan inkludera klassificering (klassificering av datamängder i fördefinierade klasser), klustring (klassificering av data i olika odefinierade kategorier) och förutsägelse (använder tidigare händelser för att gissa framtida, som börsen eller filmboxen kontor).

Hur exakt "lär sig" de saker?

På samma sätt som vi lär oss av erfarenheter i våra liv kräver neurala nätverk data för att lära sig. I de flesta fall, ju mer data som kan kastas mot ett neuralt nätverk, desto mer exakt blir det. Tänk på det som vilken uppgift du gör om och om igen. Med tiden blir du gradvis mer effektiv och gör färre misstag.

När forskare eller datavetare ger sig ut för att träna ett neuralt nätverk delar de vanligtvis upp sina data i tre uppsättningar. Först är ett träningsset, som hjälper nätverket att fastställa de olika vikterna mellan dess noder. Efter detta finjusterar de den med hjälp av en valideringsdatauppsättning. Slutligen kommer de att använda en testuppsättning för att se om den framgångsrikt kan omvandla ingången till önskad utgång.

Har neurala nätverk några begränsningar?

På en teknisk nivå är en av de större utmaningarna hur lång tid det tar att träna nätverk, vilket kan kräva en avsevärd mängd beräkningskraft för mer komplexa uppgifter. Det största problemet är dock att neurala nätverk är "svarta lådor", där användaren matar in data och får svar. De kan finjustera svaren, men de har inte tillgång till den exakta beslutsprocessen.

Detta är ett problem för många forskare arbetar aktivt med, men det kommer bara att bli mer pressande eftersom artificiella neurala nätverk spelar en större och större roll i våra liv.

Redaktörens rekommendationer

• USB-C-laddningsbärbara datorer: Här är vad du behöver veta
• Vad är GDDR7? Allt du behöver veta om nästa generations VRAM
• Batteribyte i MacBook Pro: allt du behöver veta
• Vad är Wi-Fi 7: Allt du behöver veta om 802.11be
• YouTube rullar ut handtag. Här är vad du behöver veta