Neurale netværk er computermodeller af tilsluttede enheder eller knuder designet til at transmittere, behandle og lære af information (data) på samme måde som neuroner (nerveceller) virker hos mennesker.
Kunstige neurale netværk
I teknologi kaldes neurale netværk ofte som kunstige neurale netværk (ANN) eller neurale netværk for at skelne fra de biologiske neurale netværk, de modelleres efter. Hovedidéen bag ANNs er, at den menneskelige hjerne er den mest komplekse og intelligente "computer", der eksisterer. Ved at modellere ANNs så tæt som muligt på strukturen og systemet til informationsbehandling brugt af hjernen, håbede forskerne at skabe computere, der nærmede sig eller overgik menneskelig intelligens. Neuralgarn er en nøgle komponent af nuværende fremskridt inden for kunstig intelligens (AI), maskinlæring (ML) og dyb læring.
Hvordan Neural Networks Work: En sammenligning
For at forstå, hvordan neurale netværk fungerer og forskellene mellem de to typer (biologisk og kunstigt), lad os bruge eksemplet på en 15-etagers kontorbygning og telefonlinjerne og tavlerne, som ruten kalder igennem hele bygningen, individuelle etager og individuelle kontorer. Hvert enkelt kontor i vores 15-etagers kontorbygning repræsenterer en neuron (knudepunkt i computernetværk eller nervecelle i biologi). Bygningen selv er en struktur, der indeholder et sæt kontorer arrangeret i et system på 15 etager (et neuralt netværk).
Anvendelsen af eksemplet på biologiske neurale netværk, det omstillingsbord, der modtager opkald, har linjer til at forbinde til ethvert kontor på ethvert gulv i hele bygningen. Derudover har hvert kontor linjer, der forbinder det med hvert andet kontor i hele bygningen på ethvert gulv. Forestil dig, at et opkald kommer ind (input) og tavlen overfører det til et kontor på 3rd etage, som overfører det direkte til et kontor på 11th gulv, som derefter direkte overfører det til et kontor på 5th etage. I hjernen kan hver neuron eller nervecelle (et kontor) direkte forbinde til enhver anden neuron i sit system eller neurale netværk (bygningen). Information (opkaldet) kan overføres til enhver anden neuron (office) for at behandle eller lære, hvad der er nødvendigt, indtil der er et svar eller en opløsning (output).
Når vi anvender dette eksempel på ANNs, bliver det ret mere komplekst. Hver etage af bygningen kræver sit eget omstillingsbord, som kun kan forbinde til kontorer i samme etage samt omklædningsbrædder på gulvene over og under det. Hvert kontor kan kun direkte tilsluttes andre kontorer i samme etage og tavlen til den anden etage. Alle nye opkald skal starte med omstillingsbordet på 1. sal og skal overføres til hvert enkelt gulv i rækkefølge op til 15th gulv før opkaldet kan ende. Lad os sætte det i gang for at se, hvordan det virker.
Forestil dig at et opkald kommer ind (input) til 1st gulvstavle og sendes til et kontor på 1st gulv (node). Opkaldet overføres derefter direkte mellem andre kontorer (noder) på 1st gulv, indtil den er klar til at blive sendt til næste etage. Så skal opkaldet sendes tilbage til 1st gulv skiftebræt, som derefter overfører det til 2nd gulvbordet. Disse samme trin gentager en etage ad gangen, hvor opkaldet sendes gennem denne proces på hver enkelt etage helt op til gulv 15.
I årtier arrangeres noder (kontorer) i lag (gulv af bygningen). Information (et opkald) kommer altid ind gennem inputlaget (1st gulv og omstillingsbord) og skal sendes igennem og behandles af hvert lag (gulv), før det kan flytte til den næste. Hvert lag (gulv) behandler en specifik detalje om det pågældende opkald og sender resultatet sammen med opkaldet til det næste lag. Når opkaldet når outputlaget (15th gulv og dens omstillingsbord), indeholder den behandlingsinformation fra lag 1-14. Noderne (kontorer) den 15. junith lag (gulv) bruger input og behandlingsinformation fra alle de andre lag (gulve) for at komme med et svar eller en opløsning (output).
Neural Networks and Machine Learning
Neuralgarn er en type teknologi under maskinindlæringskategorien. Faktisk har fremskridt inden for forskning og udvikling af neurale netværk været tæt forbundet med ebbs og strømningsfremskridt i ML. Neuralnets udvider databehandlingsfunktionerne og øger computerkraften i ML, hvilket øger mængden af data, der kan behandles, men også evnen til at udføre mere komplekse opgaver.
Den første dokumenterede datamodel for ANNs blev oprettet i 1943 af Walter Pitts og Warren McCulloch. Indledende interesse og forskning i neurale netværk og maskinindlæring faldt til sidst og blev mere eller mindre hylder i 1969, med kun små udbrud af fornyet interesse. Computere af tiden havde simpelthen ikke hurtige eller store nok processorer til at fremme disse områder yderligere, og den store mængde data, der var nødvendig for ML og neurale net, var ikke tilgængelig på det tidspunkt.
Massive stigninger i datakraft over tid sammen med vækst og udvidelse af internettet (og dermed adgang til massive mængder data via internettet) har løst disse tidlige udfordringer. Neuralnett og ML er nu medvirkende til teknologier, vi ser og bruger hver dag, såsom ansigtsgenkendelse, billedbehandling og søgning, og real-time sprogoversættelse - for blot at nævne nogle få.
Neurale netværkseksempler i hverdagen
ANN er et ret komplekst emne inden for teknologi, men det er værd at tage lidt tid at udforske på grund af det stigende antal måder det påvirker vores liv hver dag. Her er et par eksempler på, hvordan neurale netværk i øjeblikket bruges af forskellige brancher:
- Finansiere: Neuralnets bruges til at forudsige valutakurser. De bruges også i teknologien bag automatiske handelssystemer, der anvendes på aktiemarkedet.
- Medicin: Billedbehandlingsfunktionerne hos neurale net har bidraget til teknologi, som hjælper mere præcist til at skærmbilleder og opdage tidligt stadium og vanskeligt at identificere typer af kræftformer. En sådan type kræft er invasivt melanom, den mest alvorlige og dødelige form for hudkræft. At identificere melanom i tidligere stadier, før det er spredt, giver patienter med denne type kræft de bedste chancer for at slå den.
- Vejr: Evnen til at registrere atmosfæriske forandringer, der angiver en potentielt alvorlig og farlig vejrbegivenhed så hurtigt og præcist som muligt, er afgørende for at redde liv. Neurale net er involveret i realtidsbehandling af satellit- og radarbilleder, som ikke kun registrerer tidlig dannelse af orkaner og cykloner, men også registrerer pludselige ændringer i vindhastighed og retning, som angiver en formende tornado. Tornadoer er nogle af de stærkeste og farligste vejrforhold på rekord - ofte mere pludselige, destruktive og dødelige end orkaner.
