Co potřebujete vědět, abyste chápali měnící se technologie kolem vás
Neuronové sítě jsou počítačové modely připojených jednotek nebo uzlů navržených k přenosu, zpracování a učení z informací (dat) podobným způsobem, jak fungují neurony (nervové buňky) u lidí.
Umělé neuronové sítě
V technologii se neuronové sítě často označují jako umělé neuronové sítě (ANN) nebo neurální sítě, které se odlišují od biologických neuronových sítí, které jsou po nich modelovány. Hlavní myšlenkou společnosti ANNs je, že lidský mozek je nejkomplexnější a inteligentnější "počítač", který existuje. Modelováním ANN v co největší míře na strukturu a systém zpracování informací používaných mozkem, vědci doufali, že vytvoří počítače, které se blíží nebo překonávají lidskou inteligenci. Neurální sítě jsou klíčovou složkou současného pokroku v umělé inteligenci (AI), strojovém učení (ML) a hlubokém učení .
Jak fungují neuronové sítě: Srovnání
Abychom pochopili, jak fungují neuronové sítě a jaké jsou rozdíly mezi těmito dvěma typy (biologickými a umělými), použijeme příklad 15ti podlažní kancelářské budovy a telefonních linek a rozváděčů, které směrují hovory v celé budově, jednotlivých podlažích a jednotlivých kancelářích. Každá jednotlivá kancelář v naší 15patrové kancelářské budově představuje neuron (uzel v počítačové síti nebo nervové buňky v biologii). Samotná budova je strukturou obsahující sadu kanceláří uspořádaných v systému 15 patra (neuronová síť).
Použitím příkladu na biologické neuronové sítě má ústředna, která přijímá volání, linky, které se mohou připojit k libovolné kanceláři v každém patře celé budovy. Navíc každá kancelář má linky, které ji propojují s každou další kanceláří v celé budově na každém patře. Představte si, že dojde k volání (vstup) a rozvaděč jej přenese do kanceláře ve 3. patře, který jej přenese přímo do kanceláře v 11. patře, který jej pak přímo přenese do kanceláře v 5. patře. V mozku se každý neuron nebo nervová buňka (kancelář) může přímo připojit k nějakému jinému neuronu ve svém systému nebo neuronové síti (budově). Informace (hovor) mohou být přenášeny na jakýkoli jiný neuron (kancelář), aby se zpracoval nebo zjistil, co je zapotřebí, dokud neexistuje odpověď nebo rozlišení (výstup).
Když tento příklad aplikujeme na ANN, je to dost složitější. Každé patro budovy vyžaduje vlastní rozvaděč, který se může připojit pouze k kanceláří na stejném podlaží, stejně jako rozvaděče na podlaze nad a pod ním. Každá kancelář se může přímo připojit k jiným kancelářím na stejném podlaží a rozvaděči pro danou podlahu. Všechna nová volání musí začínat pomocí rozvaděče v 1. patře a musí být přenesena do jednotlivých podlaží v číselném pořadí až do 15. patra předtím, než bude hovor ukončen. Pojďme se podívat, jak to funguje.
Představte si, že k ústředně 1. patra přichází hovor (vstup) a posílá se do kanceláře na 1. patře (uzlu). Hovor je poté přenesen přímo mezi další kanceláře (uzly) v 1. patře, dokud není připraven k odeslání do dalšího patra. Poté musí být hovor odeslán zpět na rozvaděč 1. patra, který jej pak přenese do rozvaděče 2. patra. Stejné kroky opakujte po jednom podlaží, přičemž hovor je odeslán tímto procesem na každém patře až do patra 15.
V ANN je uzly (kanceláře) uspořádány ve vrstvách (podlahy budovy). Informace (hovor) vždy přichází přes vstupní vrstvu ( 1. patro a jeho rozvaděč) a musí být předány a zpracovávány každou vrstvou (podlahou), než se může přesunout na další. Každá vrstva (podlaha) zpracovává konkrétní detaily o tomto volání a odešle výsledek spolu s voláním na další vrstvu. Když hovor dosáhne výstupní vrstvy (15. patro a jeho rozvaděč), obsahuje informace o zpracování z vrstev 1-14. Uzly (kanceláře) na 15. patře (podlaha) používají informace o vstupu a zpracování ze všech ostatních vrstev (podlah), aby přišli s odpovědí nebo rozlišením (výstupem).
Neuronové sítě a strojní učení
Neurální sítě jsou jedním z typů technologií v kategorii strojové učení. Pokrok ve výzkumu a vývoji neuronových sítí byl ve skutečnosti úzce spjat s příchodem a proudy pokroku v ML. Neuronové sítě rozšiřují možnosti zpracování dat a zvyšují výpočetní výkon ML, zvyšují objem dat, které lze zpracovat, ale také schopnost provádět složitější úkoly.
První dokumentovaný počítačový model pro Anns byl vytvořen v roce 1943 Waltem Pittsem a Warrenem McCullochem. Počáteční zájem a výzkum v oblasti neuronových sítí a strojního učení se nakonec zpomalil a do roku 1969 byl víceméně vyřazen, jen s malými výbuchy obnoveného zájmu. Počítače v té době prostě neměly dostatečně rychlé nebo dostatečně velké procesory, které by dále rozvíjely tyto oblasti a obrovské množství dat potřebných pro ML a neuronové sítě nebylo v té době k dispozici.
Obrovské zvýšení výpočetní síly v průběhu času spolu s růstem a rozšířením internetu (a tím i přístup k masivnímu množství dat přes internet) vyřešily tyto výzvy. Neuronové sítě a ML jsou nyní nástrojem v technologiích, které denně vidíme a používáme, jako je rozpoznávání obličeje , zpracování a vyhledávání snímků a jazykový překlad v reálném čase - abychom jmenovali jen několik.
Příklady neuronové sítě v každodenním životě
ANN je poměrně složitým tématem v oblasti technologií, nicméně stojí za to věnovat nějaký čas prozkoumání kvůli rostoucímu počtu způsobů, jak každý den ovlivňuje náš život. Zde je několik dalších příkladů způsobů, jakými neuronové sítě v současnosti používají různé průmyslové odvětví:
- Finance: Neurální sítě se používají k předvídání směnných kurzů. Používají se také v technologii automatických obchodních systémů používaných na akciovém trhu.
- Lékařství: Možnosti zpracování obrazu neuronových sítí přispěly k technologii, která pomáhá přesněji vyhledávat a zjišťovat počáteční a těžko identifikovatelné typy rakoviny. Jedním z takových typů rakoviny je invazivní melanom, nejzávažnější a smrtící forma rakoviny kůže. Identifikace melanomu v dřívějších stádiích, předtím, než se rozšířila, dává pacientům s tímto druhem rakoviny nejlepší šanci porazit.
- Počasí: Schopnost detekovat atmosférické změny, které signalizují potenciálně závažné a nebezpečné události počasí co nejrychleji a nejpřesněji, jsou nezbytné pro záchranu životů. Neurální sítě se podílejí na zpracování satelitních a radarových snímků v reálném čase, které nejen detekují počáteční tvorbu hurikánů a cyklónů, ale také zjišťují náhlé změny rychlosti a směru větru, které naznačují formování tornáda. Tornáda jsou některé z nejsilnějších a nejnebezpečnějších povětrnostních událostí, které jsou zaznamenány - často náhlé, destruktivní a smrtící než hurikány.