სარჩევი[დამალვა][ჩვენება]
ხელოვნური ინტელექტი (AI) თავდაპირველად ითვლებოდა შორეულ ოცნებად, მომავლის ტექნოლოგიად, მაგრამ ეს ასე აღარ არის.
ის, რაც ოდესღაც კვლევის თემა იყო, ახლა რეალურ სამყაროში ფეთქდება. AI ახლა გვხვდება სხვადასხვა ადგილას, მათ შორის თქვენს სამუშაო ადგილზე, სკოლაში, ბანკში, საავადმყოფოებში და ტელეფონშიც კი.
ეს არის თვითმართვადი მანქანების თვალები, Siri-ს და Alexa-ს ხმები, გონები ამინდის პროგნოზის უკან, ხელები რობოტით დამხმარე ქირურგიის უკან და სხვა.
ხელოვნური ინტელექტი (AI) ხდება თანამედროვე ცხოვრების ჩვეულებრივი მახასიათებელი. ბოლო რამდენიმე წლის განმავლობაში, AI გახდა მთავარი მოთამაშე IT ტექნოლოგიების ფართო სპექტრში.
საბოლოოდ, ნერვულ ქსელს AI იყენებს ახალი ნივთების შესასწავლად.
ასე რომ, დღეს ჩვენ გავეცნობით ნერვულ ქსელებს, როგორ მუშაობს ისინი, მათ ტიპებს, აპლიკაციებს და ბევრ სხვას.
რა არის ნერვული ქსელი?
In მანქანა სწავლის, ნერვული ქსელი არის ხელოვნური ნეირონების პროგრამული უზრუნველყოფის დაპროგრამებული ქსელი. ის ცდილობს მიბაძოს ადამიანის ტვინს „ნეირონების“ მრავალრიცხოვანი ფენით, რომლებიც ჩვენი ტვინის ნეირონების მსგავსია.
ნეირონების პირველი ფენა მიიღებს ფოტოებს, ვიდეოებს, ხმას, ტექსტს და სხვა შეყვანებს. ეს მონაცემები მიედინება ყველა დონეზე, ერთი ფენის გამომავალი მიედინება შემდეგში. ეს კრიტიკულია ყველაზე რთული ამოცანებისთვის, როგორიცაა ბუნებრივი ენის დამუშავება მანქანური სწავლისთვის.
თუმცა, სხვა შემთხვევებში, სასურველია სისტემის შეკუმშვის მიზანი მოდელის ზომის შესამცირებლად სიზუსტისა და ეფექტურობის შენარჩუნებისას. ნერვული ქსელის მორთვა არის შეკუმშვის მეთოდი, რომელიც მოიცავს წონის ამოღებას ნასწავლი მოდელიდან. განვიხილოთ ხელოვნური ინტელექტის ნერვული ქსელი, რომელიც გაწვრთნილი იყო ადამიანების ცხოველებისგან განასხვავებლად.
სურათს ნეირონების პირველი ფენა ნათელ და ბნელ ნაწილებად დაყოფს. ეს მონაცემები გადაეცემა შემდეგ ფენას, რომელიც განსაზღვრავს სად არის კიდეები.
შემდეგი ფენა შეეცდება ამოიცნოს კიდეების კომბინაციის წარმოქმნილი ფორმები. მონაცემების მიხედვით, რომლებზეც მასზე ვარჯიში იყო, მონაცემები ანალოგიურად გაივლის მრავალ ფენას, რათა დადგინდეს, თქვენს მიერ წარმოდგენილი სურათი არის ადამიანისა თუ ცხოველის.
როდესაც მონაცემები გადაეცემა ნერვულ ქსელში, ის იწყებს მის დამუშავებას. ამის შემდეგ, მონაცემები მუშავდება მისი დონეების მეშვეობით სასურველი შედეგის მისაღებად. ნერვული ქსელი არის მანქანა, რომელიც სწავლობს სტრუქტურირებული შეყვანიდან და აჩვენებს შედეგებს. არსებობს სამი სახის სწავლა, რომელიც შეიძლება მოხდეს ნერვულ ქსელებში:
- ზედამხედველობის ქვეშ მყოფი სწავლება - შეყვანის და გამოსავლების მიცემა ხდება ალგორითმებისთვის ეტიკეტირებული მონაცემების გამოყენებით. მას შემდეგ, რაც ასწავლეს, თუ როგორ უნდა გააანალიზონ მონაცემები, ისინი იწინასწარმეტყველებენ მოსალოდნელ შედეგს.
- უკონტროლო სწავლა - ANN სწავლობს ადამიანის დახმარების გარეშე. არ არსებობს ეტიკეტირებული მონაცემები და გამომავალი წყდება გამოსავალ მონაცემებში ნაპოვნი შაბლონებით.
- გამაგრების სწავლა არის როდესაც ქსელი სწავლობს მის მიერ მიღებულ უკუკავშირს.
როგორ მუშაობს ნერვული ქსელები?
ხელოვნური ნეირონები გამოიყენება ნერვულ ქსელებში, რომლებიც დახვეწილი სისტემებია. ხელოვნური ნეირონები, რომლებიც ასევე ცნობილია როგორც პერცეპტრონები, შედგება შემდეგი კომპონენტებისგან:
- შეყვანის
- წონა
- კომპენსაცია
- აქტივაციის ფუნქცია
- გამოყვანის
ნეირონების ფენები, რომლებიც ქმნიან ნერვულ ქსელებს. ნერვული ქსელი შედგება სამი ფენისგან:
- შეყვანის ფენა
- დამალული ფენა
- გამომავალი ფენა
მონაცემები რიცხვითი მნიშვნელობის სახით იგზავნება შეყვანის ფენაში. ქსელის ფარული ფენები არის ის, ვინც ყველაზე მეტ გამოთვლებს აკეთებს. გამომავალი ფენა, ბოლოს და ბოლოს, პროგნოზირებს შედეგს. ნეირონები დომინირებენ ერთმანეთზე ნერვულ ქსელში. ნეირონები გამოიყენება თითოეული ფენის ასაგებად. მონაცემები გადაიგზავნება ფარულ ფენაში მას შემდეგ, რაც შეყვანის ფენა მიიღებს მას.
წონები გამოიყენება თითოეულ შეყვანაზე. ნერვული ქსელის ფარული ფენების ფარგლებში წონა არის მნიშვნელობა, რომელიც თარგმნის შემომავალ მონაცემებს. Weights ფუნქციონირებს შეყვანის მონაცემების გამრავლებით წონის მნიშვნელობაზე შეყვანის ფენაში.
შემდეგ იწყება პირველი ფარული ფენის მნიშვნელობა. შეყვანის მონაცემები გარდაიქმნება და გადაეცემა მეორე ფენას ფარული ფენების მეშვეობით. გამომავალი ფენა პასუხისმგებელია საბოლოო შედეგის გამომუშავებაზე. შეყვანები და წონა მრავლდება და შედეგი ჯამის სახით მიეწოდება ფარული ფენის ნეირონებს. თითოეულ ნეირონს ეძლევა მიკერძოება. ჯამის გამოსათვლელად, თითოეული ნეირონი ამატებს მის მიერ მიღებულ მონაცემებს.
ამის შემდეგ, მნიშვნელობა გადის აქტივაციის ფუნქციის მეშვეობით. აქტივაციის ფუნქციის შედეგი განსაზღვრავს გააქტიურებულია თუ არა ნეირონი. როდესაც ნეირონი აქტიურია, ის აგზავნის ინფორმაციას სხვა ფენებს. მონაცემები იქმნება ქსელში, სანამ ნეირონი არ მიაღწევს გამომავალ ფენას ამ მეთოდის გამოყენებით. წინ გავრცელება ამის კიდევ ერთი ტერმინია.
შეყვანის კვანძში მონაცემების მიწოდების და გამომავალი კვანძის მეშვეობით გამომავალი მოპოვების ტექნიკა ცნობილია როგორც მიწოდების წინ გავრცელება. როდესაც შეყვანის მონაცემები მიიღება დამალული შრის მიერ, ხდება მიწოდების წინ გავრცელება. ის მუშავდება აქტივაციის ფუნქციის მიხედვით და შემდეგ გადადის გამოსავალზე.
შედეგი დაპროექტებულია ნეირონის მიერ გამომავალი ფენის ყველაზე მაღალი ალბათობით. უკან გავრცელება ხდება მაშინ, როდესაც გამომავალი არასწორია. ნეირონული ქსელის შექმნისას წონები ინიციალიზებულია თითოეულ შეყვანაზე. უკან გავრცელება არის თითოეული შეყვანის წონების ხელახალი კორექტირების პროცესი შეცდომების შესამცირებლად და უფრო ზუსტი შედეგის უზრუნველსაყოფად.
ნერვული ქსელის ტიპები
1. პერცეპტრონი
მინსკი-პაპერტის პერცეპტრონის მოდელი არის ერთ-ერთი უმარტივესი და უძველესი ნეირონის მოდელი. ეს არის ნერვული ქსელის უმცირესი ერთეული, რომელიც ახორციელებს გარკვეულ გამოთვლებს, რათა აღმოაჩინოს მახასიათებლები ან ბიზნეს ინტელექტი შემომავალ მონაცემებში. ის იღებს შეწონილ შეყვანას და იყენებს აქტივაციის ფუნქციას საბოლოო შედეგის მისაღებად. TLU (ზღვრული ლოგიკური ერთეული) არის პერცეპტრონის სხვა სახელი.
Perceptron არის ორობითი კლასიფიკატორი, რომელიც არის ზედამხედველობითი სასწავლო სისტემა, რომელიც ყოფს მონაცემებს ორ ჯგუფად. ლოგიკური კარიბჭე როგორიცაა AND, OR და NAND შეიძლება განხორციელდეს პერცეტრონებით.
2. Feed-Forward ნერვული ქსელი
ნერვული ქსელების ყველაზე ძირითადი ვერსია, რომელშიც შეყვანის მონაცემები მიედინება ექსკლუზიურად ერთი მიმართულებით, გადის ხელოვნური ნერვული კვანძების გავლით და გამოდის გამომავალი კვანძებიდან. შეყვანის და გამომავალი ფენები არის იმ ადგილებში, სადაც ფარული ფენები შეიძლება იყოს ან არ იყოს. ამის საფუძველზე ისინი შეიძლება დახასიათდეს როგორც ერთ ფენიანი ან მრავალშრიანი მიმავალი ნერვული ქსელი.
გამოყენებული ფენების რაოდენობა განისაზღვრება ფუნქციის სირთულით. ის მხოლოდ წინ ვრცელდება ერთი მიმართულებით და არ ვრცელდება უკან. აქ წონა მუდმივი რჩება. შეყვანები მრავლდება წონებზე აქტივაციის ფუნქციის შესანახად. ამისათვის გამოიყენება კლასიფიკაციის აქტივაციის ფუნქცია ან ნაბიჯის გააქტიურების ფუნქცია.
3. მრავალშრიანი პერცეპტრონი
შესავალი დახვეწილში ნერვული ბადეები, რომელშიც შეყვანის მონაცემები გადადის ხელოვნური ნეირონების მრავალი ფენის მეშვეობით. ეს არის მთლიანად დაკავშირებული ნერვული ქსელი, რადგან ყველა კვანძი დაკავშირებულია ყველა ნეირონთან შემდეგ ფენაში. მრავალი ფარული ფენა, ანუ მინიმუმ სამი ან მეტი ფენა, წარმოდგენილია შეყვანის და გამომავალი ფენებში.
მას აქვს ორმხრივი გავრცელება, რაც ნიშნავს, რომ მას შეუძლია გავრცელდეს როგორც წინ, ასევე უკან. შეყვანები მრავლდება წონებზე და იგზავნება აქტივაციის ფუნქციაში, სადაც ისინი იცვლება უკანა გავრცელების გზით დანაკარგის მინიმუმამდე შესამცირებლად.
წონა არის მანქანით ნასწავლი მნიშვნელობები ნერვული ქსელებიდან, მარტივად რომ ვთქვათ. მოსალოდნელ შედეგებსა და ტრენინგს შორის უთანასწორობის მიხედვით, ისინი დამოუკიდებლად რეგულირდება. Softmax გამოიყენება როგორც გამომავალი ფენის გააქტიურების ფუნქცია არაწრფივი აქტივაციის ფუნქციების შემდეგ.
4. კონვოლუციური ნერვული ქსელი
ტრადიციული ორგანზომილებიანი მასივისაგან განსხვავებით, კონვოლუციურ ნერვულ ქსელს აქვს ნეირონების სამგანზომილებიანი კონფიგურაცია. პირველი ფენა ცნობილია როგორც კონვოლუციური ფენა. კონვოლუციური ფენის თითოეული ნეირონი ამუშავებს ინფორმაციას მხოლოდ ვიზუალური ველის შეზღუდული ნაწილიდან. ფილტრის მსგავსად, შეყვანის ფუნქციები მიიღება სურათების რეჟიმში.
ქსელს ესმის სურათები სექციებად და შეუძლია ამ მოქმედებების მრავალჯერ შესრულება, რათა დაასრულოს სურათის მთელი დამუშავება.
სურათი გადაიყვანება RGB ან HSI-დან ნაცრისფერ ფერში დამუშავების დროს. პიქსელის მნიშვნელობის შემდგომი ცვალებადობა ხელს შეუწყობს კიდეების აღმოჩენას და სურათები შეიძლება დალაგდეს რამდენიმე ჯგუფად. ცალმხრივი გავრცელება ხდება მაშინ, როდესაც CNN შეიცავს ერთ ან მეტ კონვოლუციურ ფენას, რასაც მოჰყვება გაერთიანება, და ორმხრივი გავრცელება ხდება მაშინ, როდესაც კონვოლუციის ფენის გამომავალი იგზავნება სრულად დაკავშირებულ ნერვულ ქსელში გამოსახულების კლასიფიკაციისთვის.
გამოსახულების გარკვეული ელემენტების ამოსაღებად, ფილტრები გამოიყენება. MLP-ში, შეყვანები იწონის და მიეწოდება აქტივაციის ფუნქციას. RELU გამოიყენება კონვოლუციურად, ხოლო MLP იყენებს არაწრფივი აქტივაციის ფუნქციას, რასაც მოჰყვება softmax. სურათებისა და ვიდეოების ამოცნობაში, სემანტიკური ანალიზისა და პარაფრაზირების გამოვლენაში კონვოლუციური ნერვული ქსელები შესანიშნავ შედეგებს იძლევა.
5. რადიალური მიკერძოების ქსელი
შეყვანის ვექტორს მოსდევს RBF ნეირონების ფენა და გამომავალი ფენა ერთი კვანძით თითოეული კატეგორიისთვის რადიალური ბაზის ფუნქციის ქსელში. შეყვანის კლასიფიცირება ხდება სავარჯიშო ნაკრებიდან მონაცემთა წერტილებთან შედარებით, სადაც თითოეული ნეირონი ინარჩუნებს პროტოტიპს. ეს არის სასწავლო ნაკრების ერთ-ერთი მაგალითი.
თითოეული ნეირონი ითვლის ევკლიდეს მანძილს შეყვანასა და მის პროტოტიპს შორის, როდესაც ახალი შეყვანის ვექტორი [n-განზომილებიანი ვექტორი, რომლის კატეგორიზაციასაც ცდილობთ] უნდა იყოს კლასიფიცირებული. თუ ჩვენ გვაქვს ორი კლასი, კლასი A და კლასი B, კატეგორიიზაციის ახალი შეყვანა უფრო ჰგავს A კლასის პროტოტიპებს, ვიდრე B კლასის პროტოტიპებს.
შედეგად, ის შეიძლება იყოს ეტიკეტირებული ან კლასიფიცირებული, როგორც A კლასი.
6. განმეორებადი ნერვული ქსელი
განმეორებადი ნერვული ქსელები შექმნილია ფენის გამოსავლის შესანახად და შემდეგ შესაყვანში შესაყვანად, რათა დაეხმაროს ფენის შედეგის პროგნოზირებას. მიწოდება-ფორვარდი ნერვული ქსელის ჩვეულებრივ არის საწყისი ფენა, რასაც მოჰყვება განმეორებადი ნერვული ქსელის ფენა, სადაც მეხსიერების ფუნქცია იმახსოვრებს ინფორმაციის ნაწილს, რომელიც მას ჰქონდა წინა დროის საფეხურზე.
ეს სცენარი იყენებს წინ გავრცელებას. ის ინახავს მონაცემებს, რომლებიც საჭირო იქნება მომავალში. იმ შემთხვევაში, თუ პროგნოზი არასწორია, სწავლის მაჩვენებელი გამოიყენება მცირე კორექტივების შესატანად. შედეგად, უკან გამრავლების პროგრესირებასთან ერთად, ის უფრო ზუსტი გახდება.
პროგრამები
ნერვული ქსელები გამოიყენება მონაცემთა პრობლემების გადასაჭრელად სხვადასხვა დისციპლინაში; რამდენიმე მაგალითი ნაჩვენებია ქვემოთ.
- სახის ამოცნობა - სახის ამოცნობის გადაწყვეტილებები ემსახურება როგორც ეფექტური სათვალთვალო სისტემებს. ამოცნობის სისტემები ციფრულ ფოტოებს ადამიანის სახეებს უკავშირებენ. ისინი გამოიყენება ოფისებში შერჩევითი შესვლისთვის. ამრიგად, სისტემები ამოწმებენ ადამიანის სახეს და ადარებენ მას მონაცემთა ბაზაში შენახულ პირადობის მოწმობების სიას.
- საფონდო პროგნოზი - ინვესტიციები ექვემდებარება საბაზრო რისკებს. უკიდურესად არასტაბილურ საფონდო ბირჟაზე სამომავლო მოვლენების პროგნოზირება პრაქტიკულად რთულია. ნერვულ ქსელებამდე მუდმივად ცვალებადი ზრდის და დაცემის ფაზები არაპროგნოზირებადი იყო. მაგრამ რამ შეცვალა ყველაფერი? რა თქმა უნდა, ჩვენ ვსაუბრობთ ნერვულ ქსელებზე… მრავალშრიანი Perceptron MLP (მიწოდების ხელოვნური ინტელექტის სისტემა) გამოიყენება რეალურ დროში წარმატებული მარაგის პროგნოზის შესაქმნელად.
- სოციალური მედია - მიუხედავად იმისა, თუ რამდენად საშინლად შეიძლება ჟღერდეს, სოციალურმა მედიამ შეცვალა არსებობის ამქვეყნიური გზა. სოციალური მედიის მომხმარებლების ქცევა შესწავლილია ხელოვნური ნერვული ქსელების გამოყენებით. კონკურენტული ანალიზისთვის, ვირტუალური ურთიერთქმედების საშუალებით ყოველდღიურად მოწოდებული მონაცემები გროვდება და განიხილება. სოციალური მედიის მომხმარებელთა ქმედებები აისახება ნერვული ქსელებით. ინდივიდების ქცევები შეიძლება დაკავშირებული იყოს ადამიანების ხარჯვის შაბლონებთან, როდესაც მონაცემები გაანალიზდება სოციალური მედიის ქსელების საშუალებით. მონაცემები სოციალური მედიის აპლიკაციებიდან მოპოვებულია Multilayer Perceptron ANN-ის გამოყენებით.
- ჯანდაცვა – დღევანდელ მსოფლიოში ადამიანები იყენებენ ტექნოლოგიის სარგებელს ჯანდაცვის ინდუსტრიაში. ჯანდაცვის ბიზნესში კონვოლუციური ნერვული ქსელები გამოიყენება რენტგენის გამოვლენისთვის, კომპიუტერული ტომოგრაფიისა და ულტრაბგერითი გამოკვლევისთვის. ზემოაღნიშნული ტესტებიდან მიღებული სამედიცინო ვიზუალიზაციის მონაცემები ფასდება და ფასდება ნერვული ქსელის მოდელების გამოყენებით, რადგან CNN გამოიყენება გამოსახულების დამუშავებაში. ხმის ამოცნობის სისტემების შემუშავებისას ასევე გამოიყენება მორეციდივე ნერვული ქსელი (RNN).
- ამინდის ანგარიში – ხელოვნური ინტელექტის დანერგვამდე მეტეოროლოგიური დეპარტამენტის პროგნოზები არასოდეს ყოფილა ზუსტი. ამინდის პროგნოზი ძირითადად კეთდება ამინდის პირობების პროგნოზირებისთვის, რომელიც მოხდება მომავალში. ამინდის პროგნოზები გამოიყენება თანამედროვე პერიოდში ბუნებრივი კატასტროფების ალბათობის მოსალოდნელად. ამინდის პროგნოზირება ხდება მრავალშრიანი პერცეპტრონის (MLP), კონვოლუციური ნერვული ქსელების (CNN) და განმეორებითი ნერვული ქსელების (RNN) გამოყენებით.
- თავდაცვა - ლოგისტიკა, შეიარაღებული თავდასხმის ანალიზი და ნივთის მდებარეობა ყველა იყენებს ნერვულ ქსელებს. ისინი ასევე დასაქმებულნი არიან საჰაერო და საზღვაო პატრულირებაში, ასევე ავტონომიური თვითმფრინავების მართვაში. ხელოვნური ინტელექტი თავდაცვის ინდუსტრიას აძლევს საჭირო სტიმულს, რომელიც მას სჭირდება თავისი ტექნოლოგიის გასაფართოებლად. წყალქვეშა ნაღმების არსებობის დასადგენად გამოიყენება კონვოლუციური ნერვული ქსელები (CNN).
უპირატესობები
- მაშინაც კი, თუ ნერვულ ქსელში რამდენიმე ნეირონი არ ფუნქციონირებს გამართულად, ნერვული ქსელები მაინც გამოიმუშავებენ გამოსავალს.
- ნერვულ ქსელებს აქვთ უნარი ისწავლონ რეალურ დროში და მოერგოს მათ ცვალებად პარამეტრებს.
- ნერვულ ქსელებს შეუძლიათ ისწავლონ სხვადასხვა ამოცანების შესრულება. უზრუნველყოს სწორი შედეგი მოწოდებულ მონაცემებზე დაყრდნობით.
- ნერვულ ქსელებს აქვთ ძალა და შესაძლებლობა ერთდროულად გაუმკლავდნენ რამდენიმე ამოცანას.
ნაკლოვანებები
- ნერვული ქსელები გამოიყენება პრობლემების გადასაჭრელად. ის არ ასახელებს ახსნას „რატომ და როგორ“ მიღმა გამოაქვეყნა გადაწყვეტილება, რაც გააკეთა ქსელების სირთულის გამო. შედეგად, ქსელის ნდობა შეიძლება დაირღვეს.
- ნერვული ქსელის კომპონენტები ერთმანეთზეა დამოკიდებული. ანუ, ნერვული ქსელები ითხოვენ (ან უკიდურესად არიან დამოკიდებული) კომპიუტერებზე, რომლებსაც აქვთ საკმარისი გამოთვლითი ძალა.
- ნერვული ქსელის პროცესს არ აქვს კონკრეტული წესი (ან ცერის წესი). საცდელი და შეცდომის ტექნიკით, სწორი ქსელის სტრუქტურა იქმნება ოპტიმალური ქსელის მცდელობით. ეს არის პროცედურა, რომელიც მოითხოვს ბევრ დახვეწას.
დასკვნა
სფეროში ნეირონული ქსელები სწრაფად ფართოვდება. მნიშვნელოვანია ამ სექტორის ცნებების სწავლა და გაგება, რათა შეძლოთ მათთან გამკლავება.
ამ სტატიაში განხილულია ნერვული ქსელების მრავალი სახეობა. თქვენ შეგიძლიათ გამოიყენოთ ნერვული ქსელები მონაცემთა პრობლემების გადასაჭრელად სხვა სფეროებში, თუ მეტი შეიტყობთ ამ დისციპლინის შესახებ.
დატოვე პასუხი