Umjetne neuronske mreže mijenjaju svijet. Što su oni?

AI umjetne inteligencije neuronske mreže

Od izuma računala, ljudi govore o stvarima koje računala nikad neće moći učiniti. Bilo da je to bilo pobjediti velikog majstora u šahu ili pobijediti Opasnost!, ta su predviđanja uvijek bila pogrešna. Međutim, neke takve neuobičajene izreke uvijek su imale bolju osnovu u računalnoj znanosti. Bilo je ciljeva koje, ako znate kako računala rade, znali ste da će ih biti gotovo nemoguće postići. Prepoznavanje ljudskih osjećaja putem izraza lica. Čitanje širokog spektra rukopisa. Ispravno prepoznavanje riječi u govornom jeziku. Vozeći se autonomno prometnim ulicama.

Pa, računala sada počinju moći raditi sve te stvari, i to poprilično više. Jesu li oni koji nisu rekli previše cinični prema istinskim mogućnostima digitalnih računala? Na neki način, ne. Kako bi riješili te monumentalne izazove, znanstvenici su bili prisiljeni smisliti potpuno novo tip računala, jedan zasnovan na strukturi mozga. Te umjetne neuronske mreže (ANN) postoje samo kao simulacija trčeći dalje uobičajeno digitalno računalo, ali ono što se događa unutar te simulacije bitno se razlikuje od klasičnog računanja.



Je li umjetna neuronska vježba vježba u računalnoj znanosti? Primijenjena biologija? Čista matematika? Eksperimentalna filozofija? Sve su to stvari, i puno više.



Živčana mreža

Što su ANN?

Većina ljudi već zna da neuroni koji vrše računanje u našem mozgu nisu organizirani poput poluvodiča u računalnom procesoru, u linearnom slijedu, priključeni na istu ploču i kontrolirani jednim objedinjavajućim ciklusom takta. Umjesto toga, u mozgu je svaki neuron nominalno vlastiti samostalni glumac i povezan je s većinom ili sa svim neuronima koji ga fizički okružuju na vrlo složene i pomalo nepredvidive načine.



To znači da je za digitalno računalo da bi postiglo naručeni rezultat potreban jedan nadređeni program koji će ga usmjeravati i svakom poluvodiču reći što treba učiniti kako bi doprinijelo ukupnom cilju. Mozak, s druge strane, objedinjuje milijarde sitnih, izuzetno jednostavnih jedinica koje svaka može imati svoje vlastito programiranje i donositi odluke bez potrebe za vanjskim autoritetom. Svaki neuron djeluje i komunicira s neuronima oko sebe u skladu sa svojim jednostavnim, unaprijed definiranim pravilima.

Većina neurona u mozgu povezana je s nekoliko tisuća drugih.

Većina neurona u mozgu povezana je s nekoliko tisuća drugih.

An umjetno Neuronska mreža je (trebala bi biti) potpuno ista stvar, ali simulirana softverom. Drugim riječima, koristimo digitalno računalo za pokretanje simulacije gomile jako međusobno povezanih malih mini programa koji zauzimaju mjesto neurona naše simulirane neuronske mreže. Podaci ulaze u ANN i na njemu se izvodi neka operacija od strane prvog 'neurona', a ta se operacija određuje prema tome kako je neuron programiran da reagira na podatke s tim specifičnim atributima. Zatim se prenosi na sljedeći neuron, koji se bira na sličan način, tako da se može odabrati i izvesti druga operacija. Postoji konačan broj 'slojeva' ovih računskih neurona i nakon kretanja kroz sve njih nastaje izlaz.



Cjelokupni proces pretvaranja unosa u izlaz novi je rezultat programiranja svakog pojedinog neurona koji podaci dotiču i početnih uvjeta samih podataka. U mozgu su 'početni uvjeti' specifični neuronski signali koji stižu iz kralježnice ili negdje drugdje u mozak. U slučaju ANN-a, oni su ono što bismo željeli da budu, od rezultata algoritma pretraživanja preko slučajno generiranih brojeva do riječi koje su istraživači ručno utipkali.

Dakle, da rezimiramo: umjetne neuronske mreže u osnovi su simulirani mozak. Ali važno je napomenuti da svom softveru možemo dati 'neurone' u osnovi bilo koje programiranje koje želimo; možemo pokušati postaviti njihova pravila tako da njihovo ponašanje odražava ljudski mozak, ali možemo ih koristiti i za rješavanje problema koje nikada prije nismo mogli uzeti u obzir.

NeuralNet

Kako funkcioniraju ANN-ovi?

Ovo što smo do sada opisali vrlo je zanimljivo, ali u velikoj mjeri beskorisno za izračunavanje. To će reći, vrlo je znanstveno zanimljivo moći simulirati staničnu strukturu mozga, ali ako znam ući i programirati svakog malog podaktera tako da se moji ulazi uvijek obrade u moje željene izlaze, zašto onda trebam li uopće ANN? Drugim riječima, priroda ANN-a znači da namjerna izgradnja jednog radi rješavanja određenog problema zahtijeva tako duboko radno poznavanje tog problema i njegovih rješenja da sam ANN postaje pomalo suvišan.

Međutim, velika je prednost rada s mnogim jednostavnim glumcima, a ne jednim složenim: jednostavni glumci mogu se samokorektirati. Bilo je pokušaja samouređivanja verzija uobičajenog softvera, ali to su umjetne neuronske mreže koje su koncept strojnog učenja podigle na nove visine.

neuronske mreže 3Čut ćete riječ 'nedeterministička' koja se koristi za opisivanje funkcije neuronske mreže, a to se odnosi na činjenicu da naši softverski neuroni često imaju ponderirane statističke vjerojatnosti povezane s različitim ishodima podataka; postoji 40% šanse nego što se proslijedi ulaz tipa A ovaj neurona u sljedećem sloju, 60% šanse na koji se prenosi da umjesto toga jedan. Te se nesigurnosti brzo zbrajaju kako se neuronske mreže povećavaju ili se složenije međusobno povezuju, tako da potpuno isti početni uvjeti mogu dovesti do mnogih različitih ishoda ili, što je još važnije, do istog ishoda doći na mnogo različitih putova.

Dakle, uvodimo ideju 'algoritma učenja'. Jednostavan primjer je poboljšanje učinkovitosti: neprestano i iznova šaljite isti ulaz u mrežu i svaki put kada generira točan izlaz zabilježite vrijeme koje je za to potrebno. Neki putovi od A do B bit će prirodno učinkovitiji od drugih, a algoritam učenja može početi pojačavati neuronsko ponašanje koje se dogodilo tijekom onih trčanja koja su se odvijala brže.

Mnogo složeniji ANN-ovi mogu težiti složenijim ciljevima, poput ispravnog prepoznavanja vrsta životinja u Googleovom rezultatu slike. Koraci u obradi i kategorizaciji slika blago se prilagođavaju, oslanjajući se na evolucijsko prosijavanje slučajnih i ne slučajnih varijacija kako bi se dobio postupak pronalaska mačaka koji programeri ANN-a nikada nisu mogli izravno osmisliti.

Nedeterministički ANN-ovi postaju puno determinističniji jer se restrukturiraju kako bi bili bolji u postizanju određenih rezultata, što je određeno ciljevima njihovih algoritama učenja. To se naziva 'treniranje' ANN-a - ANN trenirate s primjerima željene funkcije, tako da se može sam korigirati na temelju toga koliko je dobro učinio u svakom od tih trčanja. Što više trenirate ANN, to bi trebao postati bolji u postizanju svojih ciljeva.

Ja Robot

Ne neko vrijeme.

Tu je i ideja o „nenadgledanom“ ili „prilagodljivom“ učenju, u kojem algoritam pokrećete bez željenih rezultata, ali pustite ga da počne vrednovati rezultate i prilagođavati se prema vlastitim ... hirovima? Kao što možda možete zamisliti, ovo još nije dobro shvaćeno, ali to je i najvjerojatniji put kojim bismo mogli pronaći istinsku umjetnu inteligenciju - ili samo stvarno, stvarno naprednu umjetnu inteligenciju. Ako ćemo ikada uistinu poslati robote u potpuno nepoznata okruženja kako bismo shvatili potpuno nepredviđene probleme, trebat će nam programi koji mogu sami dodijeliti značaj podražajima, u stvarnom vremenu.

U tome je uistinu snaga ANN-ova: budući da im njihova struktura omogućuje iterativne promjene vlastito programiranje, oni imaju sposobnost pronalaženja odgovora koje njihovi tvorci nikada ne bi mogli imati. Bez obzira jeste li hedge fond, oglašivačka tvrtka ili kopač nafte, nemoguće je zanemariti puki potencijal kombiniranja brzine računala i svestranosti mozga. Zato je mogućnost programiranja algoritama 'strojnog učenja' sada jedan od najviše traženi skupovi vještina u svijetu.

U nadolazećem stoljeću možda ćemo se manje baviti rješavanjem problema nego poučavanjem računala da naučimo rješavati probleme umjesto nas.

OK, ali što zapravo mogu ANN-i čini?

Korisnost ANN-ova spada u jednu od dvije osnovne kategorije: kao alate za rješavanje problema koji su u biti teški i za ljude i za digitalna računala, i kao eksperimentalni i konceptualni modeli nečega - klasično, mozga. Razgovarajmo o svakom zasebno.

Prvo, stvarni razlog interesa (i, što je još važnije, ulaganja) u ANN-ove jest taj što oni mogu riješiti probleme. Google koristi ANN kako bi naučio kako bolje ciljati prijedloge za 'gledanje sljedećeg' nakon YouTube videozapisa. Znanstvenici Velikog hadronskog sudarača obratili su se ANN-ima kako bi procijedili rezultate njihovih sudara i izvukli potpis samo jedne čestice iz veće oluje. Špediterske tvrtke ih koriste kako bi umanjili duljinu ruta u složenom raspršivanju odredišta. Tvrtke s kreditnim karticama koriste ih za prepoznavanje lažnih transakcija. Oni čak postaju dostupni manjim timovima i pojedincima - Amazon, MetaMind i drugi nude prilagođene usluge strojnog učenja svima za iznenađujuće skromnu naknadu.

Kako ANN misli da izgledaju bučice, od treninga s fotografijama.

Kako ANN misli da izgledaju bučice, od treninga s fotografijama.

Stvari tek počinju. Google je trenirao svoje algoritme za analizu fotografija sa sve više i više slika životinja i postaju prilično dobri u prepoznavanju pasa od mačaka na redovitim fotografijama. I prijevod i sinteza glasa napreduju do te mjere da bismo uskoro mogli imati uređaj sličan babelfishu koji nudi prirodne razgovore u stvarnom vremenu između ljudi koji govore različite jezike. I, naravno, postoje Velika trojica razmetljivih primjera koji stvarno nose mašinsko učenje na rukavu: Siri, Now i Cortana.

Druga strana neuronske mreže leži u pažljivom dizajniranju da odražava strukturu mozga. I naše razumijevanje te strukture, i računska snaga potrebna za njezinu simulaciju, nisu ni blizu onome što bismo trebali da bismo učinili robusnu znanost o mozgu u računalnom modelu. Bilo ih je nevjerojatni napori u simuliranju određenih aspekata određenih dijelova mozga, ali to je još uvijek u vrlo preliminarnoj fazi.

Umjetna inteligencija, za najam.

Umjetna inteligencija, za najam.

Jedna od prednosti ovog pristupa je da iako ne možete (ili ... ne bi trebalo) genetski inženjeri da ljudi imaju eksperimentalnu promjenu u mozgu, apsolutno vi limenka izvoditi takve eksperimente ludih znanstvenika na simuliranim mozgovima. ANN-ovi mogu istražiti daleko širi spektar mogućnosti nego što ih je medicina ikada mogla praktički ili etički razmotriti, a mogli bi jednog dana omogućiti znanstvenicima da brzo provjere još 'hipoteza' s potencijalno neočekivanim rezultatima.

Kad se zapitate: 'Može li to učiniti umjetna neuronska mreža?' odmah nakon toga, zapitajte se „Može Ja učini to?' Ako je odgovor potvrdan, tada vaš mozak mora biti sposoban učiniti nešto što bi ANN jednog dana mogao simulirati. S druge strane, postoji mnogo stvari koje bi jednog dana ANN mogao učiniti, a što mozak nikad ne bi mogao.

Potencijal za ANN gotovo je neograničen.

Pogledajte našu seriju 2007es.com Explains za detaljnije izvještavanje o najnovijim tehnološkim temama današnjice.

Copyright © Sva Prava Pridržana | 2007es.com