Tekoälyä (AI) pidettiin alun perin kaukaisena unelmana, tulevaisuuden teknologiana, mutta se ei enää pidä paikkaansa.
Se, mikä oli aiemmin tutkimusaihe, on nyt räjähdysmäisesti todellisessa maailmassa. Tekoälyä löytyy nyt monista paikoista, mukaan lukien työpaikaltasi, koulusta, pankista, sairaaloista ja jopa puhelimestasi.
Ne ovat itseohjautuvien ajoneuvojen silmät, Sirin ja Alexan äänet, sääennusteiden takana olevat mielet, robottiavusteisen leikkauksen takana olevat kädet ja paljon muuta.
Tekoäly Tekoälystä on tulossa nykyajan arkipäiväinen piirre. Muutaman viime vuoden aikana tekoäly on noussut merkittäväksi toimijaksi useissa IT-tekniikoissa.
Lopuksi, tekoäly käyttää hermoverkkoa uusien asioiden oppimiseen.
Joten tänään opimme hermoverkoista, niiden toiminnasta, niiden tyypeistä, sovelluksista ja paljon muuta.
Mikä on hermoverkko?
In koneoppiminen, hermoverkko on ohjelmistolla ohjelmoitu keinotekoisten hermosolujen verkko. Se yrittää jäljitellä ihmisaivoja käyttämällä lukuisia "neuronien" kerroksia, jotka ovat samanlaisia kuin aivoissamme olevat neuronit.
Ensimmäinen neuronikerros hyväksyy kuvia, videoita, ääntä, tekstiä ja muita syötteitä. Tämä data virtaa kaikkien tasojen läpi, ja yhden kerroksen tulos virtaa seuraavalle. Tämä on kriittistä vaikeimmissa tehtävissä, kuten luonnollisen kielen käsittelyssä koneoppimisessa.
Muissa tapauksissa on kuitenkin parempi pyrkiä järjestelmän pakkaamiseen mallin koon pienentämiseksi samalla kun säilytetään tarkkuus ja tehokkuus. Neuroverkon karsiminen on pakkausmenetelmä, joka sisältää painojen poistamisen opitusta mallista. Harkitse tekoälyn hermoverkkoa, joka on koulutettu erottamaan ihmiset eläimistä.
Ensimmäinen neuronikerros jakaa kuvan kirkkaisiin ja tummiin osiin. Nämä tiedot siirretään seuraavaan kerrokseen, joka määrittää, missä reunat ovat.
Seuraava kerros yrittää tunnistaa muodot, jotka reunojen yhdistelmä on luonut. Sen tietojen mukaan, joihin se on koulutettu, tiedot kulkevat useiden kerrosten läpi samalla tavalla määrittääkseen, onko esittämäsi kuva ihmisestä vai eläimestä.
Kun dataa annetaan neuroverkkoon, se alkaa käsitellä sitä. Sen jälkeen tietoja käsitellään tasojen kautta halutun tuloksen saavuttamiseksi. Neuraaliverkko on kone, joka oppii strukturoidusta syötteestä ja näyttää tulokset. Neuroverkoissa voi tapahtua kolmenlaisia oppimistyyppejä:
- Valvottu oppiminen – Syötteet ja lähdöt annetaan algoritmeille käyttäen merkittyjä tietoja. Kun heille on opetettu analysoimaan tietoja, he ennustavat aiotun tuloksen.
- Ohjaamaton oppiminen – ANN oppii ilman ihmisen apua. Merkittyjä tietoja ei ole, ja tulos määräytyy lähtötiedoissa olevien kuvioiden mukaan.
- Vahvistusoppiminen kun verkosto oppii saamastaan palautteesta.
Kuinka neuroverkot toimivat?
Keinotekoisia neuroneja käytetään hermoverkoissa, jotka ovat kehittyneitä järjestelmiä. Keinotekoiset neuronit, jotka tunnetaan myös perceptroneina, koostuvat seuraavista komponenteista:
- panos
- Paino
- Puolueellisuus
- Aktivointitoiminto
- ulostulo
Neuronikerrokset, jotka muodostavat hermoverkkoja. Neuroverkko koostuu kolmesta kerroksesta:
- Syöttökerros
- Piilotettu kerros
- Tulostustaso
Numeerisen arvon muodossa olevat tiedot lähetetään syöttökerrokseen. Verkon piilotetut kerrokset tekevät eniten laskelmia. Viimeisenä mutta ei vähäisimpänä tuloskerros ennustaa tuloksen. Neuronit hallitsevat toisiaan hermoverkossa. Jokaisen kerroksen rakentamiseen käytetään neuroneja. Tiedot reititetään piilotettuun kerrokseen, kun syöttökerros on saanut ne.
Jokaiseen tuloon sovelletaan painoja. Neuraaliverkon piilotetuissa kerroksissa paino on arvo, joka kääntää saapuvan tiedon. Painot toimivat kertomalla syöttötiedot syöttökerroksen painoarvolla.
Sitten se aloittaa ensimmäisen piilotetun kerroksen arvon. Syöttötiedot muunnetaan ja välitetään toiselle kerrokselle piilotasojen kautta. Tulostuskerros on vastuussa lopputuloksen luomisesta. Tulokset ja painot kerrotaan, ja tulos toimitetaan piilokerroksen neuroneille summana. Jokaiselle neuronille on annettu bias. Kokonaissumman laskemiseksi jokainen neuroni lisää vastaanottamansa syötteet.
Sen jälkeen arvo kulkee aktivointitoiminnon kautta. Aktivointitoiminnon tulos määrittää, onko hermosolu aktivoitu vai ei. Kun neuroni on aktiivinen, se lähettää tietoa muille kerroksille. Dataa luodaan verkossa, kunnes neuroni saavuttaa lähtökerroksen tällä menetelmällä. Eteenpäin leviäminen on toinen termi tälle.
Tekniikka, jolla syötetään dataa syöttösolmuun ja hankitaan tulos lähtösolmun kautta, tunnetaan eteenpäinsyöttönä. Kun piilotettu kerros hyväksyy syöttödatan, tapahtuu eteenpäinsyöttöetenemistä. Se käsitellään aktivointitoiminnon mukaisesti ja siirretään sitten lähtöön.
Tuloskerroksen projisoi tulos suurimmalla todennäköisyydellä neuroni. Takaisin leviäminen tapahtuu, kun tulos on virheellinen. Painot alustetaan jokaiselle syötteelle hermoverkkoa luotaessa. Backpropagation on prosessi, jossa kunkin syötteen painoja säädetään uudelleen virheiden vähentämiseksi ja tarkemman tulosteen saamiseksi.
Neuraaliverkon tyypit
1. Perceptron
Minsky-Papertin perceptronimalli on yksi yksinkertaisimmista ja vanhimmista neuronimalleista. Se on hermoverkon pienin yksikkö, joka suorittaa tiettyjä laskelmia löytääkseen ominaisuuksien tai liiketoimintatiedon saapuvasta tiedosta. Se ottaa painotettuja syötteitä ja käyttää aktivointitoimintoa lopullisen tuloksen saamiseksi. TLU (threshold logic unit) on toinen nimi perceptronille.
Perceptron on binäärinen luokitin, joka on valvottu oppimisjärjestelmä, joka jakaa tiedot kahteen ryhmään. Logiikkaportit kuten AND, OR ja NAND voidaan toteuttaa perceptroneilla.
2. Eteenpäin suuntautuva hermoverkko
Neuraaliverkkojen alkeellisin versio, jossa tulodata virtaa yksinomaan yhteen suuntaan, kulkee keinotekoisten hermosolmujen kautta ja poistuu lähtösolmujen kautta. Syöttö- ja tulostuskerrokset ovat paikoissa, joissa piilotettuja kerroksia voi olla tai ei. Ne voidaan luonnehtia tämän perusteella joko yksikerroksiseksi tai monikerroksiseksi myötäkytkentäiseksi hermoverkoksi.
Käytettyjen kerrosten lukumäärä määräytyy funktion monimutkaisuuden mukaan. Se etenee vain yhteen suuntaan eikä etene taaksepäin. Tässä painot pysyvät vakiona. Tulot kerrotaan painoilla aktivointitoiminnon syöttämiseksi. Tätä varten käytetään luokituksen aktivointitoimintoa tai askelaktivointitoimintoa.
3. Monikerroksinen perceptroni
Johdatus hienostuneeseen hermoverkot, jossa syöttötiedot reititetään monien keinotekoisten hermosolujen kerrosten kautta. Se on täysin linkitetty hermoverkko, koska jokainen solmu on yhteydessä kaikkiin seuraavan kerroksen neuroniin. Syöttö- ja tulostuskerroksissa on useita piilotettuja kerroksia, eli vähintään kolme tai useampia kerroksia.
Sillä on kaksisuuntainen eteneminen, mikä tarkoittaa, että se voi levitä sekä eteenpäin että taaksepäin. Tulot kerrotaan painoilla ja lähetetään aktivointitoimintoon, jossa niitä muutetaan takaisinpropagoinnin kautta häviön minimoimiseksi.
Painot ovat koneella opittuja arvoja Neural Networksilta yksinkertaisesti sanottuna. Odotettujen tulosten ja harjoitustulojen välisen eron mukaan ne säätyvät itse. Softmaxia käytetään lähtökerroksen aktivointifunktiona epälineaaristen aktivointitoimintojen jälkeen.
4. Konvoluutiohermoverkko
Toisin kuin perinteisessä kaksiulotteisessa taulukossa, konvoluutiohermoverkolla on kolmiulotteinen neuronien konfiguraatio. Ensimmäinen kerros tunnetaan konvoluutiokerroksena. Jokainen konvoluutiokerroksen neuroni prosessoi tietoa vain rajoitetusta osasta näkökenttää. Kuten suodatin, syöttöominaisuudet otetaan erätilassa.
Verkko ymmärtää kuvat osioissa ja voi suorittaa nämä toiminnot useita kertoja saadakseen koko kuvankäsittelyn valmiiksi.
Kuva muunnetaan RGB:stä tai HSI:stä harmaasävyksi käsittelyn aikana. Pikseliarvon lisävaihtelut auttavat reunojen havaitsemisessa ja kuvat voidaan lajitella useisiin ryhmiin. Yksisuuntaista etenemistä tapahtuu, kun CNN sisältää yhden tai useamman konvoluutiokerroksen, jota seuraa poolaaminen, ja kaksisuuntaista etenemistä tapahtuu, kun konvoluutiokerroksen lähtö lähetetään täysin yhdistettyyn hermoverkkoon kuvan luokittelua varten.
Tiettyjen kuvan elementtien poimimiseen käytetään suodattimia. MLP:ssä tulot painotetaan ja syötetään aktivointitoimintoon. RELU:ta käytetään konvoluutiossa, kun taas MLP käyttää epälineaarista aktivointifunktiota, jota seuraa softmax. Kuvan ja videon tunnistuksessa, semanttisessa jäsennyksessä ja parafraasien havaitsemisessa konvoluutiohermoverkot tuottavat erinomaisia tuloksia.
5. Radial Bias Network
Tulovektoria seuraa kerros RBF-hermosoluja ja lähtökerros, jossa on yksi solmu kutakin luokkaa kohden säteittäisperustaisessa funktioverkossa. Syöte luokitellaan vertaamalla sitä harjoitusjoukon datapisteisiin, joissa jokainen neuroni ylläpitää prototyyppiä. Tämä on yksi koulutussarjan esimerkeistä.
Jokainen neuroni laskee euklidisen etäisyyden syötteen ja prototyypin välillä, kun uusi tulovektori [n-ulotteinen vektori, jota yrität luokitella] on luokiteltava. Jos meillä on kaksi luokkaa, luokka A ja luokka B, uusi luokitettava syöte on enemmän samanlainen kuin luokan A prototyypit kuin luokan B prototyypit.
Tämän seurauksena se voidaan merkitä tai luokitella luokkaan A.
6. Toistuva hermoverkko
Toistuvat hermoverkot on suunniteltu tallentamaan tason tulos ja syöttämään se sitten takaisin tuloon auttamaan tason tulosten ennustamisessa. Syöttö eteenpäin neuroverkkomallien on yleensä ensimmäinen kerros, jota seuraa toistuva neuroverkkokerros, jossa muistifunktio muistaa osan tiedosta, joka sillä oli edellisessä aikavaiheessa.
Tämä skenaario käyttää eteenpäin etenemistä. Se säästää tietoja, joita tarvitaan tulevaisuudessa. Jos ennuste on väärä, oppimisnopeutta käytetään pienten säätöjen tekemiseen. Seurauksena on, että taaksepäin leviämisen edetessä siitä tulee entistä tarkempi.
Sovellukset
Neuroverkkoja käytetään dataongelmien käsittelemiseen useilla eri aloilla; joitain esimerkkejä on esitetty alla.
- Kasvojentunnistus – Kasvojentunnistusratkaisut toimivat tehokkaina valvontajärjestelminä. Tunnistusjärjestelmät yhdistävät digitaaliset valokuvat ihmisten kasvoihin. Niitä käytetään toimistoissa valikoivaan maahantuloon. Siten järjestelmät tarkistavat ihmisen kasvot ja vertaavat niitä tietokantaan tallennettuun ID-luetteloon.
- Osakeennuste – Sijoitukset ovat alttiina markkinariskeille. Erittäin epävakaiden osakemarkkinoiden tulevaa kehitystä on käytännössä vaikea ennakoida. Ennen neuroverkkoja jatkuvasti muuttuvat nousu- ja laskuvaiheet olivat arvaamattomia. Mutta mikä muutti kaiken? Tietenkin puhumme hermoverkoista… Multilayer Perceptron MLP:tä (eräänlainen feedforward-tekoälyjärjestelmä) käytetään luomaan onnistunut osakeennuste reaaliajassa.
- Sosiaalinen media – Huolimatta siitä, kuinka korvilta se kuulostaa, sosiaalinen media on muuttanut arkipäiväistä olemassaoloa. Sosiaalisen median käyttäjien käyttäytymistä tutkitaan keinotekoisten hermoverkkojen avulla. Kilpailuanalyysiä varten kasataan ja tarkastellaan päivittäin virtuaalisen vuorovaikutuksen kautta toimitettavaa dataa. Sosiaalisen median käyttäjien toimet kopioivat hermoverkot. Yksilöiden käyttäytyminen voidaan yhdistää ihmisten kulutustottumuksiin, kun dataa analysoidaan sosiaalisen median verkostojen kautta. Sosiaalisen median sovellusten data louhitaan Multilayer Perceptron ANN:lla.
- Terveydenhuolto – Nykymaailman ihmiset hyödyntävät teknologian etuja terveydenhuoltoalalla. Terveydenhuollossa Convolutional Neural Networks -verkkoja käytetään röntgenhavainnointiin, CT-skannauksiin ja ultraääneen. Edellä mainituista testeistä saatu lääketieteellinen kuvantamisdata arvioidaan ja arvioidaan hermoverkkomalleilla, koska kuvankäsittelyssä käytetään CNN:ää. Puheentunnistusjärjestelmien kehittämisessä käytetään myös toistuvaa hermoverkkoa (RNN).
- Sääraportti – Ennen tekoälyn käyttöönottoa meteorologisen osaston ennusteet eivät koskaan olleet tarkkoja. Sään ennustaminen tehdään pitkälti tulevaisuuden sääolosuhteiden ennustamiseksi. Sääennusteita käytetään ennakoimaan luonnonkatastrofien todennäköisyyttä nykyaikana. Sään ennustamiseen käytetään monikerroksisia perceptroneja (MLP), konvoluutiohermoverkkoja (CNN) ja toistuvia hermoverkkoja (RNN).
- Puolustus – Logistiikka, aseistettujen hyökkäysten analyysi ja esineiden sijainti käyttävät kaikki hermoverkkoja. Heitä käytetään myös ilma- ja meripartioissa sekä autonomisten droonien hallinnassa. Tekoäly antaa puolustusteollisuudelle kipeästi kaivattua vauhtia teknologiansa laajentamiseen. Vedenalaisten miinojen havaitsemiseen käytetään konvoluutiohermoverkkoja (CNN).
edut
- Vaikka muutamat neuronit hermoverkossa eivät toimi kunnolla, hermoverkot tuottavat silti ulostuloja.
- Neuroverkoilla on kyky oppia reaaliajassa ja mukautua muuttuviin asetuksiinsa.
- Neuroverkot voivat oppia suorittamaan erilaisia tehtäviä. Antaa oikea tulos annettujen tietojen perusteella.
- Neuroverkoilla on voimaa ja kykyä käsitellä useita tehtäviä samanaikaisesti.
Haitat
- Neuroverkkoja käytetään ongelmien ratkaisemiseen. Se ei paljasta selitystä "miksi ja miten" takana, koska se teki päätöksensä verkkojen monimutkaisuuden vuoksi. Tämän seurauksena verkon luottamus saattaa heikentyä.
- Neuraaliverkon komponentit ovat toisistaan riippuvaisia. Toisin sanoen hermoverkot vaativat (tai ovat erittäin riippuvaisia) tietokoneista, joilla on riittävä laskentateho.
- Neuroverkkoprosessilla ei ole erityistä sääntöä (tai peukalosääntöä). Yritys-error-tekniikassa oikea verkkorakenne muodostetaan yrittämällä optimaalista verkkoa. Se on menettely, joka vaatii paljon hienosäätöä.
Yhteenveto
Kenttä hermoverkkoihin laajenee nopeasti. On tärkeää oppia ja ymmärtää tämän alan käsitteet, jotta niitä voidaan käsitellä.
Tässä artikkelissa on käsitelty monia hermoverkkotyyppejä. Voit käyttää hermoverkkoja ratkaisemaan tietoongelmia muilla aloilla, jos opit lisää tästä tieteenalasta.
Jätä vastaus