Neuraaliverkot ovat tietokonemalleja yhdistetyistä yksiköistä tai solmuista, jotka on suunniteltu lähettämään, käsittelemään ja oppimaan tietoja (data) samalla tavoin kuin neuronit (hermosolut) toimivat ihmisillä.
Keinotekoiset hermoverkot
Tekniikan alalla hermoverkkoja kutsutaan usein keinotekoisiksi neuroverkoiksi (ANN) tai hermoverkkoiksi, jotka erotetaan niiden biologisista hermoverkosta, jota heidät mallinnetaan. Perusajatuksena on, että ihmisen aivot ovat monimutkaisimpia ja älykkäitä "tietokoneita", jotka ovat olemassa. Kun mallinnetaan ANNs mahdollisimman tiiviisti aivojen käyttämän tietojenkäsittelyn rakenteeseen ja järjestelmään, tutkijat toivoivat luomaan tietokoneita, jotka lähestyivät tai ylittivät ihmisen älykkyyttä. Neuraaliverkot ovat avaintekijä tekijänoikeuksien (AI), koneoppimisen (ML) ja syvällisen oppimisen edistämisessä.
Miten neuraaliset verkot toimivat: vertailu
Käytä esimerkkinä 15-kerroksisen toimistorakennuksen ja puhelinlinjat ja puhelimet, jotka kulkevat koko rakennuksen, yksittäisten kerrosten ja yksittäisten toimistojen välille. Kukin yksittäinen toimisto 15-kerroksisessa toimistorakennuksessamme edustaa neuronia (solmu tietokoneverkossa tai hermosolussa biologiassa). Itse rakennus on rakenne, joka sisältää 15 toimipisteen (hermoverkko) järjestelyt.
Esimerkin soveltaminen biologisiin hermoverkkoihin, puhelukutsu, joka vastaanottaa puheluja, on linjat, jotka voidaan liittää mihin tahansa toimistoon missä tahansa rakennuksen kerroksessa. Lisäksi jokaisessa toimistossa on linjat, jotka liittävät sen kaikkiin muihin toimistoihin koko rakennuksessa missä tahansa kerroksessa. Kuvittele, että puhelu tulee sisään (syöttö) ja keskusyksikkö siirtää sen toimistoon 3rd joka siirtää sen suoraan 11: n toimistoonth lattia, joka siirtää sen välittömästi 5th lattia. Aivoissa jokainen hermosolu tai hermosolu (toimisto) voi suoraan muodostaa yhteyden mihin tahansa muuhun neuroniin sen järjestelmässä tai hermoverkossa (rakennus). Tiedot (puhelu) voidaan välittää mihin tahansa muuhun neuroniin (toimisto) käsittelemään tai oppimaan, mitä tarvitaan, kunnes on vastaus tai resoluutio (lähtö).
Kun sovellamme tätä esimerkkiä ANN: iin, siitä tulee melko monimutkainen. Rakennuksen jokaisessa kerroksessa on oma kytkentä, joka voi muodostaa vain samassa kerroksessa sijaitsevat toimistot sekä ylä- ja alapuolella sijaitsevat katot. Jokainen toimisto voi muodostaa vain suorat yhteydet muihin saman kerroksen toimistoihin ja lattian kytkentäkeskukseen. Kaikkien uusien puhelujen on aloitettava 1. kerroksen keskusyksikön kanssa ja ne on siirrettävä jokaiseen kerrokseen numerojärjestyksessä 15: een astith ennen puhelun päättymistä. Käynnistetään se, miten se toimii.
Kuvittele, että puhelu tulee sisään tuloon 1st lattiavalaisimeen ja lähetetään toimistoon 1st lattia (solmu). Sitten puhelu siirtyy suoraan muiden toimipaikkojen (solmut) välillä 1st kunnes se on valmis lähetettäväksi seuraavaan kerrokseen. Sitten puhelu on lähetettävä takaisin 1: llest lattia kytkin, joka sitten siirtää sen 2ND lattiavalaisimeen. Nämä samat vaiheet toistuvat kerroksittain kerrallaan, jolloin puhelu lähetetään tämän prosessin läpi joka kerroksessa aina lattialle 15.
ANN: ssä solmut (toimistot) on järjestetty kerroksiksi (rakennuksen lattiat). Tiedot (puhelu) tulevat aina sisääntulokerroksen (1st lattia ja sen kytkentä) ja ne on lähetettävä jokaisen kerroksen (lattia) läpi ja käsiteltävä ennen kuin se voi siirtyä seuraavaan. Kukin kerros (lattia) käsittelee tiettyä yksityiskohtia kyseisestä puhelusta ja lähettää tuloksen yhdessä seuraavan puhelun kanssa. Kun puhelu saavuttaa ulostulokerroksen (15th lattia ja sen kytkentä), se sisältää käsittelytietojen kerrokset 1-14. Solmut (toimistot) 15th kerros (lattia) käyttää kaikkien muiden kerrosten (lattiat) syöttö- ja käsittelytietoa saadakseen vastauksen tai resoluution (lähtö).
Neuraaliverkot ja koneoppiminen
Neuraaliverkot ovat eräänlainen tekniikka koneenoppimisalueella. Itse asiassa hermoverkkojen tutkimusta ja kehitystä on tiukasti liitetty ML: n etenemiseen ja edistymiseen. Neuronsivut laajentavat tietojenkäsittelyominaisuuksia ja lisäävät ML: n laskentatehoa, lisäävät käsiteltävien tietojen määrää, mutta myös kykyä suorittaa monimutkaisempia tehtäviä.
Walton Pittsin ja Warren McCullochin vuonna 1943 esittämä ensimmäinen dokumentoitu tietokoneen malli ANNsille. Alustava kiinnostus ja tutkimus neuroverkkojen ja koneiden oppimisen lopulta hidastui ja oli enemmän tai vähemmän hyllytty vuoteen 1969 mennessä, vain pieniä purskeita uudistuneen kiinnostuksen kohteina. Aika-aikojen tietokoneet eivät yksinkertaisesti riittäneet riittävän nopeasti tai riittävän suuriksi jalostajille näiden alueiden eteenpäin viemiseksi, ja ML- ja hermoverkkoihin tarvittava suuri määrä tietoja ei ollut käytettävissä tuolloin.
Laskentatehon voimakas lisääntyminen ajan myötä sekä kasvun ja laajentamisen Internetiin (ja siten suuren datamäärän saatavuus internetin välityksellä) ovat ratkaisseet nämä aikaiset haasteet. Neuraaliverkot ja ML ovat nyt instrumentteja teknologioissa, joita näemme ja käytämme päivittäin, kuten kasvojen tunnistamiseen, kuvan käsittelyyn ja hakuun sekä reaaliaikaiseen kieleen - vain muutamia mainintoja.
Neuroverkoston esimerkkejä arjessa
ANN on melko monimutkainen aihe teknologiassa, mutta kannattaa kestää jonkin aikaa tutkia, koska yhä useammalla tavalla se vaikuttaa elämäämme joka päivä. Seuraavassa on muutamia esimerkkejä siitä, miten eri sektoreilla käytetään tällä hetkellä hermoverkkoja:
- Rahoittaa: Neuronsiverkkojen avulla ennustetaan valuuttakursseja. Niitä käytetään myös arvopaperimarkkinoilla käytettävien automaattisten kaupankäyntijärjestelmien takana.
- Medicine: Neural-verkkojen kuvankäsittelyominaisuudet ovat edesauttaneet tekniikkaa, joka auttaa tarkemmin selvittämään ja tunnistamaan varhaisvaiheen vaiheet ja vaikeasti tunnistaa syöpätyyppejä. Yksi tällainen syöpä on invasiivinen melanooma, vakavin ja tappava ihosyövän muoto. Melanooman tunnistaminen aikaisemmissa vaiheissa, ennen kuin se on levinnyt, antaa potilaille tämän tyyppisen syövän parhaat mahdollisuudet voittaa se.
- Sää: Kyky tunnistaa ilmakehän muutokset, jotka osoittavat mahdollisesti vakavan ja vaarallisen sattumaa mahdollisimman nopeasti ja tarkasti, on välttämätöntä ihmishenkien pelastamiseksi. Neuraaliverkot osallistuvat satelliitti- ja tutka-kuvien reaaliaikaiseen käsittelyyn, jotka eivät ainoastaan tunnista hurrikaanien ja syklonien varhainen muodostumista vaan myös havaitsevat tuulen nopeuden ja suunnan äkilliset muutokset, jotka osoittavat muodostuvan tornadon. Tornadoat ovat eräitä vahvimpia ja vaarallisimpia ennätyksellisiä sääolosuhteita - usein äkillisempää, tuhoisempia ja tappavia kuin hurrikaanit.
