Хиймэл оюун ухаан (AI) бол алс холын мөрөөдөл, ирээдүйн технологи гэж анх бодож байсан ч тийм биш болсон.
Нэгэн цагт судалгааны сэдэв байсан зүйл одоо бодит ертөнцөд тэсэрч байна. Одоо хиймэл оюун ухаан нь таны ажлын байр, сургууль, банк, эмнэлэг, тэр ч байтугай таны утас гэх мэт янз бүрийн газраас олддог.
Эдгээр нь өөрөө жолооддог тээврийн хэрэгслийн нүд, Сири болон Алексагийн дуу хоолой, цаг агаарын мэдээний ард байгаа оюун ухаан, роботын тусламжтайгаар мэс засал хийх гар гэх мэт.
Хиймэл оюун ухаан (AI) орчин үеийн амьдралын нийтлэг шинж чанар болж байна. Сүүлийн хэдэн жилийн хугацаанд хиймэл оюун ухаан нь мэдээллийн технологийн өргөн хүрээний томоохон тоглогч болон гарч ирсэн.
Эцэст нь, мэдрэлийн сүлжээг хиймэл оюун ухаан шинэ зүйлийг сурахад ашигладаг.
Тиймээс өнөөдөр бид мэдрэлийн сүлжээ, хэрхэн ажилладаг, тэдгээрийн төрөл, хэрэглээ болон бусад олон зүйлийн талаар суралцах болно.
Мэдрэлийн сүлжээ гэж юу вэ?
In машин суралцах, мэдрэлийн сүлжээ нь хиймэл нейронуудын программ хангамжийн сүлжээ юм. Энэ нь бидний тархины мэдрэлийн эсүүдтэй төстэй олон тооны "нейрон" давхаргатай байж хүний тархийг дууриахыг оролддог.
Нейроны эхний давхарга нь зураг, видео, дуу, текст болон бусад оролтыг хүлээн авах болно. Энэ өгөгдөл нь бүх түвшинд дамждаг бөгөөд нэг давхаргын гаралт дараагийн давхарга руу урсдаг. Энэ нь машин сургалтын байгалийн хэлийг боловсруулах гэх мэт хамгийн хэцүү ажлуудад маш чухал юм.
Гэсэн хэдий ч бусад тохиолдолд нарийвчлал, үр ашгийг хадгалахын зэрэгцээ загварын хэмжээг багасгахын тулд системийн шахалтыг хийхийг зорьсон нь дээр. Мэдрэлийн сүлжээг тайрах нь сурсан загвараас жинг арилгахыг багтаасан шахалтын арга юм. Хүмүүсийг амьтнаас ялгахын тулд сургагдсан хиймэл оюун ухааны мэдрэлийн сүлжээг авч үзье.
Зураг нь мэдрэлийн эсийн эхний давхаргаар тод, бараан хэсгүүдэд хуваагдана. Энэ өгөгдлийг дараагийн давхаргад шилжүүлэх бөгөөд энэ нь ирмэгүүд хаана байгааг тодорхойлох болно.
Дараагийн давхарга нь ирмэгүүдийн хослолын үүсгэсэн хэлбэрийг танихыг оролдох болно. Сургалтанд хамрагдсан өгөгдлүүдийн дагуу өгөгдөл нь ижил төстэй байдлаар олон давхаргаар дамжиж таны үзүүлсэн зураг хүн эсвэл амьтных эсэхийг тодорхойлох болно.
Мэдээллийг мэдрэлийн сүлжээнд өгөхөд түүнийг боловсруулж эхэлдэг. Үүний дараа хүссэн үр дүнд хүрэхийн тулд өгөгдлийг түвшингээр нь боловсруулдаг. Мэдрэлийн сүлжээ нь бүтэцлэгдсэн оролтоос суралцаж, үр дүнг харуулдаг машин юм. Мэдрэлийн сүлжээнд гурван төрлийн суралцах боломжтой:
- Хяналттай сургалт – Орц, гаралтыг шошготой өгөгдлийг ашиглан алгоритмд өгдөг. Мэдээлэлд хэрхэн дүн шинжилгээ хийхийг зааж өгсний дараа тэд төлөвлөсөн үр дүнг урьдчилан таамаглаж байна.
- Хяналтгүй сургалт – ANN нь хүний тусламжгүйгээр суралцдаг. Шошгологдсон өгөгдөл байхгүй бөгөөд гаралт нь гаралтын өгөгдөлд байгаа загвараар шийдэгддэг.
- Бататгах сургалт сүлжээ нь хүлээн авсан санал хүсэлтээсээ суралцдаг үе юм.
Мэдрэлийн сүлжээ хэрхэн ажилладаг вэ?
Хиймэл мэдрэлийн эсүүд нь нарийн төвөгтэй систем болох мэдрэлийн сүлжээнд ашиглагддаг. Перцептрон гэж нэрлэгддэг хиймэл мэдрэлийн эсүүд нь дараах бүрэлдэхүүн хэсгүүдээс бүрдэнэ.
- Оролт
- Жин
- Хэмжээ
- Идэвхжүүлэх функц
- гаралтын
Мэдрэлийн сүлжээг бүрдүүлдэг нейроны давхаргууд. Мэдрэлийн сүлжээ нь гурван давхаргаас бүрдэнэ.
- Оролтын давхарга
- Нуугдсан давхарга
- Гаралтын давхарга
Тоон утгын хэлбэрийн өгөгдлийг оролтын давхарга руу илгээдэг. Сүлжээний далд давхаргууд нь хамгийн их тооцоо хийдэг давхарга юм. Гаралтын давхарга нь хамгийн сүүлд гэхдээ үр дүнг урьдчилан таамагладаг. Мэдрэлийн сүлжээнд мэдрэлийн эсүүд бие биенээ давамгайлдаг. Давхарга бүрийг бүтээхэд мэдрэлийн эсүүдийг ашигладаг. Өгөгдлийг оролтын давхарга хүлээн авсны дараа далд давхарга руу чиглүүлдэг.
Оролт бүрт жинг хэрэглэнэ. Мэдрэлийн сүлжээний далд давхаргуудын дотор жин нь ирж буй өгөгдлийг хөрвүүлдэг утга юм. Жин нь оролтын өгөгдлүүдийг оролтын давхарга дахь жингийн утгаар үржүүлэх замаар ажилладаг.
Дараа нь эхний далд давхаргын утгыг эхлүүлнэ. Оруулсан өгөгдлийг хувиргаж, далд давхаргуудаар дамжуулан нөгөө давхарга руу дамжуулдаг. Гаралтын давхарга нь эцсийн үр дүнг гаргах үүрэгтэй. Оролтууд болон жинг үржүүлж, үр дүнг нийлбэр болгон далд давхаргын нейронуудад хүргэдэг. Нейрон бүрд хазайлт өгдөг. Нийт дүнг тооцоолохын тулд нейрон бүр хүлээн авсан оролтыг нэмнэ.
Үүний дараа утга нь идэвхжүүлэх функцээр дамждаг. Идэвхжүүлэх функцын үр дүн нь нейрон идэвхжсэн эсэхийг тодорхойлдог. Нейрон идэвхтэй байх үед бусад давхаргад мэдээлэл илгээдэг. Энэ аргыг ашиглан нейрон гаралтын давхаргад хүрэх хүртэл өгөгдлийг сүлжээнд үүсгэнэ. Урагш түгээх нь үүний өөр нэр томъёо юм.
Өгөгдлийг оролтын зангилаа руу оруулах, гаралтын зангилаагаар дамжуулан гаралтыг олж авах арга техникийг урагш дамжуулалт гэж нэрлэдэг. Оролтын өгөгдлийг далд давхарга хүлээн авах үед урагш дамжуулах тархалт үүснэ. Үүнийг идэвхжүүлэх функцийн дагуу боловсруулж, дараа нь гаралт руу шилжүүлнэ.
Үр дүнг гаралтын давхарга дахь нейрон хамгийн өндөр магадлалтайгаар төсөөлдөг. Буруу гаралттай үед буцах тархалт үүсдэг. Мэдрэлийн сүлжээг үүсгэх явцад оролт бүрт жинг эхлүүлдэг. Буцах тархалт гэдэг нь алдааг багасгаж, илүү нарийвчлалтай гаралтыг хангахын тулд оролт бүрийн жинг дахин тохируулах үйл явц юм.
Мэдрэлийн сүлжээний төрлүүд
1. Перцептрон
Мински-Паперт перцептрон загвар нь нейроны хамгийн энгийн бөгөөд эртний загваруудын нэг юм. Энэ нь ирж буй өгөгдлийн шинж чанар эсвэл бизнесийн оюун ухааныг илрүүлэхийн тулд тодорхой тооцоолол хийдэг мэдрэлийн сүлжээний хамгийн жижиг нэгж юм. Энэ нь жигнэсэн оролтыг авч, эцсийн үр дүнг авахын тулд идэвхжүүлэх функцийг ашигладаг. TLU (босго логик нэгж) нь перцептроны өөр нэр юм.
Perceptron нь өгөгдлийг хоёр бүлэгт хуваадаг хяналтын сургалтын систем болох хоёртын ангилагч юм. Логик Гейтс AND, OR, NAND гэх мэтийг перцептроноор хэрэгжүүлж болно.
2. Feed-Forward Neural Network
Оролтын өгөгдөл нь зөвхөн нэг чиглэлд урсдаг мэдрэлийн сүлжээний хамгийн энгийн хувилбар нь хиймэл мэдрэлийн зангилаагаар дамжиж, гаралтын зангилаагаар дамждаг. Оролтын болон гаралтын давхаргууд нь нуугдмал давхаргууд байх эсвэл байхгүй газруудад байдаг. Үүн дээр үндэслэн тэдгээрийг нэг давхаргат эсвэл олон давхаргат дамжуулагч мэдрэлийн сүлжээ гэж тодорхойлж болно.
Ашигласан давхаргын тоог функцийн нарийн төвөгтэй байдлаас хамаарч тодорхойлно. Энэ нь зөвхөн нэг чиглэлд урагш тархдаг бөгөөд хойшоо тархдаггүй. Энд жин нь тогтмол хэвээр байна. Идэвхжүүлэх функцийг хангахын тулд оролтыг жингээр үржүүлнэ. Үүнийг хийхийн тулд ангиллыг идэвхжүүлэх функц эсвэл алхам идэвхжүүлэх функцийг ашигладаг.
3. Олон давхаргат перцептрон
Нарийн бичгийн танилцуулга мэдрэлийн тор, оролтын өгөгдөл нь хиймэл нейроны олон давхаргаар дамждаг. Зангилаа бүр нь дараах давхаргын бүх нейронуудтай холбогддог тул энэ нь бүрэн холбогдсон мэдрэлийн сүлжээ юм. Оролтын болон гаралтын давхаргад олон далд давхарга, өөрөөр хэлбэл гурваас дээш давхарга байдаг.
Энэ нь хоёр чиглэлтэй тархалтыг эзэмшдэг бөгөөд энэ нь урагш болон хойшоо тархах боломжтой гэсэн үг юм. Оролтыг жингээр үржүүлж идэвхжүүлэх функц руу илгээдэг бөгөөд алдагдлыг багасгахын тулд буцаан тархалтаар өөрчилдөг.
Жин гэдэг нь энгийнээр хэлбэл Neural Networks-аас машинд сурсан утгууд юм. Хүлээгдэж буй үр дүн болон сургалтын орцын зөрүүгээс хамааран тэд өөрсдөө тохируулдаг. Softmax нь шугаман бус идэвхжүүлэлтийн функцүүдийн дараа гаралтын давхаргыг идэвхжүүлэх функц болгон ашигладаг.
4. Convolutional Neural Network
Уламжлалт хоёр хэмжээст массиваас ялгаатай нь конволюцийн мэдрэлийн сүлжээ нь мэдрэлийн эсийн гурван хэмжээст тохиргоотой байдаг. Эхний давхаргыг convolutional давхарга гэж нэрлэдэг. Хувиралтын давхарга дахь нейрон бүр нь зөвхөн харааны талбайн хязгаарлагдмал хэсгээс мэдээллийг боловсруулдаг. Шүүлтүүрийн нэгэн адил оролтын функцуудыг багц горимд авдаг.
Сүлжээ нь зургуудыг хэсэг хэсгээр нь ойлгодог бөгөөд зураг боловсруулалтыг бүхэлд нь дуусгахын тулд эдгээр үйлдлийг олон удаа хийж чадна.
Боловсруулалтын явцад зургийг RGB эсвэл HSI-аас саарал өнгөтэй болгож хувиргадаг. Пикселийн утгын цаашдын өөрчлөлт нь ирмэгийг илрүүлэхэд туслах бөгөөд зургуудыг хэд хэдэн бүлэгт ангилж болно. Нэг чиглэлтэй тархалт нь CNN нь нэг буюу хэд хэдэн эвдрэлийн давхаргыг агуулж, дараа нь нэгтгэх үед, хоёр чиглэлтэй тархалт нь дүрс ангилахаар бүрэн холбогдсон мэдрэлийн сүлжээнд илгээгдэх үед конволюцийн давхаргын гаралт үүсдэг.
Зургийн зарим элементүүдийг задлахын тулд шүүлтүүрийг ашигладаг. MLP-д оролтыг жинлэж, идэвхжүүлэх функцэд нийлүүлдэг. RELU-г хувиргахад ашигладаг бол MLP нь шугаман бус идэвхжүүлэх функцийг ашигладаг бөгөөд дараа нь softmax ашигладаг. Зураг болон видеог таних, семантик задлан шинжлэх, үг хэллэгийг илрүүлэхэд эвхэгддэг мэдрэлийн сүлжээ нь маш сайн үр дүнг өгдөг.
5. Radial Bias Network
Оролтын векторын араас RBF нейроны давхарга ба Radial Basis Function Network-ийн ангилал тус бүрт нэг зангилаа бүхий гаралтын давхарга орно. Оролтыг нейрон бүр өөрийн загвараа хадгалдаг сургалтын багцын өгөгдлийн цэгүүдтэй харьцуулах замаар ангилдаг. Энэ бол сургалтын багцын жишээнүүдийн нэг юм.
Шинэ оролтын векторыг [таны ангилах гэж буй n хэмжээст вектор] ангилах шаардлагатай үед нейрон бүр оролт ба түүний загвар хоорондын Евклидийн зайг тооцдог. Хэрэв бид А ангиллын болон В ангиллын хоёр ангитай бол ангилах шинэ оролт нь В ангиллын прототипээс илүү А ангиллын прототиптэй төстэй байна.
Үүний үр дүнд үүнийг А ангиллын шошготой эсвэл ангилж болно.
6. Давтагдах мэдрэлийн сүлжээ
Давтагдах мэдрэлийн сүлжээ нь давхаргын гаралтыг хадгалж, дараа нь давхаргын үр дүнг урьдчилан таамаглахад туслах зорилгоор оролт руу буцааж оруулах зориулалттай. Урагшаа дамжуулагч мэдрэлийн сүлжээ Энэ нь ихэвчлэн эхний давхарга бөгөөд дараа нь давтагдах мэдрэлийн сүлжээний давхарга байдаг бөгөөд санах ойн функц нь өмнөх үе шатанд байсан мэдээллийнхээ нэг хэсгийг санаж байдаг.
Энэ хувилбарт урагш тархалтыг ашигладаг. Энэ нь ирээдүйд шаардлагатай өгөгдлийг хэмнэдэг. Урьдчилан таамаглал буруу гарсан тохиолдолд суралцах хурдыг бага зэргийн залруулга хийхэд ашигладаг. Үүний үр дүнд буцаж тархах явц ахих тусам улам нарийвчлалтай болно.
Програм
Мэдрэлийн сүлжээг янз бүрийн салбар дахь өгөгдлийн асуудлыг шийдвэрлэхэд ашигладаг; зарим жишээг доор үзүүлэв.
- Нүүр царай таних – Нүүр царай таних шийдэл нь тандалтын үр дүнтэй систем болдог. Таних систем нь дижитал зургийг хүний царайтай холбодог. Тэдгээрийг сонгон нэвтрэх зорилгоор оффисуудад ашигладаг. Тиймээс системүүд хүний нүүр царайг шалгаж, мэдээллийн санд хадгалагдсан үнэмлэхний жагсаалттай харьцуулдаг.
- Хувьцааны таамаглал - Хөрөнгө оруулалт зах зээлийн эрсдэлд өртдөг. Хэт тогтворгүй хөрөнгийн зах зээлийн ирээдүйн хөгжлийг урьдчилан таамаглахад бараг хэцүү байдаг. Мэдрэлийн сүлжээ үүсэхээс өмнө байнга өөрчлөгдөж байдаг өсөлт ба бууралтын үе шатыг урьдчилан таамаглах аргагүй байсан. Гэхдээ бүх зүйлийг юу өөрчилсөн бэ? Мэдээжийн хэрэг, бид мэдрэлийн сүлжээнүүдийн тухай ярьж байна ... Олон давхаргат Перцептрон MLP (нэг төрлийн дамжуулагч хиймэл оюун ухааны систем) нь бодит цаг хугацаанд амжилттай хувьцааны таамаглал гаргахад ашиглагддаг.
- Олон нийтийн сүлжээ - Энэ нь хичнээн эвгүй сонсогдож байгаагаас үл хамааран олон нийтийн мэдээллийн хэрэгслээр оршин тогтнох энгийн замыг өөрчилсөн. Сошиал медиа хэрэглэгчдийн зан байдлыг хиймэл мэдрэлийн сүлжээ ашиглан судалдаг. Өрсөлдөөнт дүн шинжилгээ хийхийн тулд виртуал харилцан үйлчлэлээр дамжуулан өдөр бүр нийлүүлдэг өгөгдлийг цуглуулж, шалгадаг. Нийгмийн сүлжээний хэрэглэгчдийн үйлдлийг мэдрэлийн сүлжээгээр хуулбарладаг. Олон нийтийн мэдээллийн хэрэгслээр дамжуулан өгөгдөлд дүн шинжилгээ хийсний дараа хүмүүсийн зан төлөвийг хүмүүсийн зарцуулалтын загвартай холбож болно. Олон давхаргат Perceptron ANN ашиглан олон нийтийн мэдээллийн хэрэгслээр авсан өгөгдлийг олборлодог.
- Эрүүл мэнд - Өнөөгийн дэлхийн хувь хүмүүс эрүүл мэндийн салбарт технологийн ашиг тусыг ашиглаж байна. Эрүүл мэндийн бизнест Convolutional Neural Networks-ийг рентген туяа илрүүлэх, CT сканнер, хэт авиан шинжилгээнд ашигладаг. Дээр дурдсан туршилтуудаас хүлээн авсан эмнэлгийн дүрслэлийн өгөгдлийг CNN нь дүрс боловсруулахад ашигладаг тул мэдрэлийн сүлжээний загваруудыг ашиглан үнэлж, үнэлдэг. Дуу таних системийг хөгжүүлэхэд давтагдах мэдрэлийн сүлжээг (RNN) бас ашигладаг.
- Цаг агаарын мэдээ – Хиймэл оюун ухаан хэрэгжихээс өмнө цаг уурын албаны урьдчилсан мэдээ хэзээ ч нарийн байгаагүй. Цаг агаарын урьдчилсан мэдээ нь ирээдүйд тохиолдох цаг агаарын нөхцөл байдлыг урьдчилан таамаглах зорилгоор хийгддэг. Орчин үеийн байгалийн гамшгийн магадлалыг урьдчилан таамаглахад цаг агаарын урьдчилсан мэдээг ашиглаж байна. Цаг агаарын урьдчилсан мэдээг олон давхаргат перцептрон (MLP), эргэлтийн мэдрэлийн сүлжээ (CNN), давтагдах мэдрэлийн сүлжээ (RNN) ашиглан хийдэг.
- Батлан хамгаалах - Логистик, зэвсэгт довтолгооны шинжилгээ, эд зүйлийн байршил зэрэг нь мэдрэлийн сүлжээг ашигладаг. Тэд мөн агаарын болон далайн эргүүлд, мөн бие даасан нисгэгчгүй онгоцыг удирдахад ажилладаг. Хиймэл оюун ухаан нь батлан хамгаалах үйлдвэрт технологио өргөжүүлэхэд шаардлагатай дэмжлэгийг өгч байна. Усан доорх уурхай байгаа эсэхийг илрүүлэхийн тулд Convolutional Neural Networks (CNN) ашигладаг.
Давуу тал
- Мэдрэлийн сүлжээн дэх цөөн хэдэн нейрон зөв ажиллахгүй байсан ч мэдрэлийн сүлжээнүүд гаралтыг үүсгэсээр байх болно.
- Мэдрэлийн сүлжээнүүд нь бодит цаг хугацаанд суралцаж, өөрчлөгдөж буй тохиргоондоо дасан зохицох чадвартай.
- Мэдрэлийн сүлжээ нь янз бүрийн ажлыг хийж сурах боломжтой. Өгөгдсөн мэдээлэлд үндэслэн зөв үр дүнг гаргах.
- Мэдрэлийн сүлжээ нь хэд хэдэн ажлыг нэгэн зэрэг гүйцэтгэх хүч чадал, чадвартай байдаг.
Сул тал
- Асуудлыг шийдвэрлэхийн тулд мэдрэлийн сүлжээг ашигладаг. Сүлжээний ээдрээтэй байдлаас болж “яагаад, яаж” дүгнэлт хийв гэсэн тайлбарыг задруулдаггүй. Үүний үр дүнд сүлжээний итгэл алдагдаж болзошгүй.
- Мэдрэлийн сүлжээний бүрэлдэхүүн хэсгүүд нь бие биенээсээ хамааралтай байдаг. Өөрөөр хэлбэл, мэдрэлийн сүлжээ нь хангалттай тооцоолох хүчин чадалтай компьютер шаарддаг (эсвэл маш их хамааралтай байдаг).
- Мэдрэлийн сүлжээний процесс нь тусгай дүрэм (эсвэл ерөнхий дүрэм) байдаггүй. Туршилт, алдааны техникт оновчтой сүлжээг оролдох замаар зөв сүлжээний бүтцийг бий болгодог. Энэ бол маш нарийн тохируулга шаарддаг процедур юм.
Дүгнэлт
Талбайн талбар мэдрэлийн сүлжээ хурдацтай өргөжиж байна. Тэдгээрийг даван туулахын тулд энэ салбарын ойлголтуудыг сурч, ойлгох нь чухал юм.
Энэ нийтлэлд мэдрэлийн сүлжээний олон төрлийг авч үзсэн болно. Хэрэв та энэ хичээлийн талаар илүү ихийг мэдэж авбал бусад салбар дахь өгөгдлийн асуудлыг шийдвэрлэхийн тулд мэдрэлийн сүлжээг ашиглаж болно.
хариу үлдээх