Mida peate teadma, et mõista teie ümberkujunenud tehnoloogiat
Närvivõrgud on ühendatud üksuste või sõlmede arvuti mudelid, mis on ette nähtud info (andmete) edastamiseks, töötlemiseks ja õppimiseks sarnaselt sellele, kuidas neuronid (närvirakud) töötavad inimestel.
Kunstlikud närvivõrgud
Tehnoloogias nimetatakse närvivõrke tihti nimetatuks kunstlikeks neuronitevõrkudeks (ANNs) või närvivõrkudena, et eristada nende bioloogilistest neuronivõrkudest, mida nad pärast seda modelleerivad. ANN-ide peamine idee on see, et inimese aju on kõige keerukam ja intelligentsem "arvuti", mis eksisteerib. Teadlased lootsid ANN-ide modelleerimisel võimalikult täpselt aju kasutusel oleva informatsiooni töötlemise struktuuri ja süsteemi, luues arvutid, mis lähenesid inimese intelligentsile või ületasid selle. Närvilised võrgud on tehisintellekti (AI), masin õppe (ML) ja sügava õppimise praeguste edusammude peamine komponent.
Kuidas töötavad närvivõrgud: võrdlus
Selleks, et mõista neuronivõrkude toimimist ja kahe tüüpi (bioloogilist ja kunstlikku) erinevusi, kasutame näiteks 15-korruselist büroohoone ja telefoniliine ja kommutate, mis suunavad kõnesid kogu hoones, eraldi korrustel ja individuaalsetes kontorites. Iga meie 15-korruselise büroohoone kontor esindab neuronit (arvutivõrgu sõlm või bioloogia närvirakk). Hoone ise on struktuur, mis sisaldab 15 korruselises süsteemis paiknevaid büroosid (närvivõrk).
Näite rakendamisel bioloogilistele närvivõrkudele on kommunikatsiooniparkil, mis saab kõnesid, liinid, mis ühendavad ükskõik millist kontorit kogu hoone igas korrusel. Lisaks on igas kontoris liinid, mis ühendavad seda igas muul kontoril kogu hoones mis tahes korrusel. Kujutage ette, et kõne tuleb sisse (sisend) ja kommutaator edastab selle 3. korruse kontorisse, mis suunab selle otse kontorisse 11. korrusel, mis seejärel viivad selle otse kontorisse 5. korrusel. Ajus iga neuron või närvirakk (kontor) suudab otse ühenduda oma süsteemi või neuralvõrguga (ehitisega) mõne teise neuroniga. Teavet (kõne) saab edastada teisele neuronile (kontoris), et töödelda või õppida, mida on vaja, kuni on olemas vastus või lahendus (väljund).
Kui me rakendame seda näidet ANN-dele, muutub see üsna keerukamaks. Ehitise kõigil korrustel on vaja oma elektrikilpit, mis saab ühendada ainult ühe korruse büroodena, samuti ülaltoodud ja allpool asuvaid põrandaküttega. Iga kontor saab otse ühendust sama korruse teiste kontoritega ja selle korruse kommutaatoriga. Kõik uued kõned peavad algama esimesel korrusel asuvast kommutaatorist ning need tuleb enne kõne lõppu 15-le korrusele numbrilises järjekorras üle kanda igale põrandale. Pange see käima, et näha, kuidas see toimib.
Kujutage ette, et kõne tuleb (sisend) esimese korruse elektrikilbisse ja saadetakse kontorisse 1. korrusel (sõlm). Seejärel suunatakse kõne esimese põranda teistele kontoritele (sõlmed) otse, kuni see on valmis saatma järgmisele korrusele. Seejärel tuleb kõne saata tagasi 1. korruse elektrikilbisse, mis seejärel teisaldab teise korruse elektrikilbi. Need samad sammud korravad korraga ühel korrusel, kusjuures kõne saadetakse selle protsessi kaudu igal korrusel kuni põranda 15 all.
ANNs on sõlmed (kontorid) paigutatud kihtidesse (hoone põrandad). Teave (kõne) siseneb alati läbi sisendkihi (1. korrus ja selle kommutaator) ja see tuleb saata ja töödelda iga kihi (põranda) kaudu, enne kui see saab edasi järgmisele. Iga kiht (põrand) töötleb selle kõne üksikasju ja saadab tulemuse koos järgmisele kihile tehtud kõnega. Kui kõne jõuab väljundkihini (15. korrus ja selle kommutaator), sisaldab see töödeldavat teavet kihtidest 1-14. 15- ndal kihil (põrandal) asuvad sõlmed (kontorid) kasutavad kõigi teiste kihtide (põrandad) sisend- ja töötlemisandmeid, et leida vastus või resolutsioon (väljund).
Neural võrgud ja masin õppimine
Närvilised võrgud on ühe masinaõppe kategooriasse kuuluva tehnoloogia liik. Tegelikult on neuronite võrkude uurimis- ja arendustegevuse areng olnud tihedalt seotud ML-i tõusuteede ja -voogudega. Närvilised võrgud laiendavad andmetöötlusvõimalusi ja suurendavad ML-i arvutusvõimsust, suurendades töödeldavate andmete mahtu, aga ka võimet täita keerukamaid ülesandeid.
Annetuste esimene dokumenteeritud arvutimudel loodi 1943. aastal Walter Pittsi ja Warren McCullochi poolt. Esialgne huvi ja teadustöö neuronitevõrkudes ja masinõpetus lõpuks aeglustus ja lühenes enam-vähem 1969. aastal, kusjuures ainult väikesed uuenduslike huvide puruned. Arvutidel ei olnud lihtsalt piisavalt kiireid või piisavalt suured protsessorid, et neid valdkondi edaspidiseks edasi arendada, ning hetkel ei olnud ML-i ja neuronite võrgud vajavad suurt hulka andmeid.
Ajalooliste väljakutsetega on lahendatud massiivne arvutusvõimsuse suurenemine aja jooksul koos Interneti kasvu ja laienemisega (ja seega juurdepääs interneti kaudu tohutul hulgal andmetele). Närvilised võrgud ja ML on nüüd kaasaegsetele tehnoloogiatele, mida me näeme ja kasutavad iga päev, näiteks näo tuvastamine , pilditöötlus ja otsimine ning reaalajas keele tõlkimine, nimelt vähesed.
Neeru võrgu näited igapäevaelus
ANN on tehnoloogias üsna keeruline teema, kuid selle uurimiseks on vaja aega uurida, kuna see kasvab nii, et see mõjutaks meie elu igapäevaselt. Siin on mõned näited selle kohta, kuidas erinevad tööstusharud kasutavad praegu neuronite võrgustikke:
- Rahastamine: valuutakursside ennustamiseks kasutatakse neural võrgustikke. Neid kasutatakse ka börsil kasutatavate automaatsete kauplemissüsteemide taga olevas tehnoloogias.
- Meditsiin: neuronitevõrkude pilditöötlusvõimalused on kaasa aidanud tehnoloogiale, mis aitab täpsemalt välja selgitada ja tuvastada vähivormide tüüpe varajases staadiumis ja raske tuvastada. Üks sellist tüüpi vähk on invasiivne melanoom, kõige tõsisem ja surmav vorm nahavähk. Varasemates staadiumites levinud melanoomi tuvastamine, enne kui see on levinud, annab seda tüüpi vähiga patsientidel parimaid võimalusi selle võita.
- Ilm: elude päästmiseks on hädavajalik tuvastada atmosfääri muutusi, mis viitavad potentsiaalselt tõsisele ja ohtlikule ilmateatele võimalikult kiiresti ja täpselt. Närvilised võrgud on kaasatud satelliitside ja radaripildi reaalajas töötlemisse, mis mitte ainult ei tuvastaks orkaanide ja tsüklonide varajast kujunemist, vaid ka avastavad tuulekiiruse ja -suuna äkilised muutused, mis näitavad moodustavat tornaadot. Tornadod on mõned kõige tõsisemad ja kõige ohtlikumad ilmateated, mis on sageli järsem, hävitavamad ja surmavad kui orkaanid.