Neurala nätverk är datormodeller av anslutna enheter eller noder avsedda att överföra, bearbeta och lära av information (data) på samma sätt som hur neuroner (nervceller) fungerar hos människor.
Artificiellt nervsystem
I tekniken kallas neurala nätverk ofta som artificiella neurala nätverk (ANNs) eller neurala nät för att skilja sig från de biologiska neurala nätverk som de modelleras efter. Huvudidén bak ANNs är att människans hjärna är den mest komplexa och intelligenta "datorn" som finns. Genom att modellera ANNs så nära som möjligt till strukturen och systemet för informationsbehandling som används av hjärnan hoppades forskarna att skapa datorer som närmade sig eller överträffade mänsklig intelligens. Neurala nät är en nyckelkomponent av nuvarande framsteg inom artificiell intelligens (AI), maskininlärning (ML) och djupt lärande.
Hur neurala nätverk fungerar: En jämförelse
För att förstå hur neurala nätverk fungerar och skillnaderna mellan de två typerna (biologiska och artificiella), låt oss använda exemplet på en 15-vånings kontorsbyggnad och telefonlinjer och växelplattor som ringer samtal genom hela byggnaden, enskilda våningar och enskilda kontor. Varje enskilt kontor i vår 15 våningar kontorsbyggnad representerar en neuron (nod i datanätverk eller nervcell i biologi). Byggnaden i sig är en struktur som innehåller en uppsättning kontor arrangerade i ett system med 15 våningar (ett neuralt nätverk).
Med hjälp av exemplet på biologiska neurala nätverk har växeln som mottar samtal linjer för att ansluta till något kontor på något golv i hela byggnaden. Dessutom har varje kontor linjer som ansluter det till varje annat kontor i hela byggnaden på något golv. Tänk dig att ett samtal kommer in (inmatning) och växelbordet överför det till ett kontor på 3rd golv, som överför det direkt till ett kontor den 11th golv, som sedan direkt överför det till ett kontor på 5th golv. I hjärnan kan varje neuron eller nervcell (ett kontor) direkt ansluta till någon annan neuron i sitt system eller neurala nätverk (byggnaden). Information (samtalet) kan överföras till någon annan neuron (office) för att behandla eller lära sig vad som behövs tills det finns ett svar eller en upplösning (utgång).
När vi tillämpar detta exempel på ANNs blir det ganska komplicerat. Varje våning i byggnaden kräver en egen växel, som endast kan anslutas till kontor på samma våning, samt ombord på golven ovanför och under den. Varje kontor kan endast ansluta direkt till andra kontor på samma våning och ombord på det golvet. Alla nya samtal måste börja med växelbordet på 1: a våningen och måste överföras till varje enskilt golv i numerisk ordning upp till 15th golvet innan samtalet kan sluta. Låt oss sätta igång för att se hur det fungerar.
Tänk dig att ett samtal kommer in (inmatning) till 1st golv växel och skickas till ett kontor på 1st golv (nod). Samtalet överförs sedan direkt mellan andra kontor (noder) på 1st golv tills det är klart att skickas till nästa våning. Då måste samtalet skickas tillbaka till 1st golvstav, som sedan överför den till 2nd golvväxel. Samma steg upprepar en våning åt gången, med samtalet skickas genom denna process på varje våning hela vägen upp till golvet 15.
I ANNs arrangeras noder (kontor) i lager (byggnadens våningar). Information (ett samtal) kommer alltid in genom inmatningsskiktet (1st golv och dess ombord) och måste skickas igenom och bearbetas av varje lager (golv) innan det kan gå vidare till nästa. Varje lager (golv) behandlar en specifik detalj om samtalet och skickar resultatet tillsammans med samtalet till nästa lager. När samtalet når utmatningsskiktet (15th golv och dess ombord), innehåller den bearbetningsinformationen från skikten 1-14. Noderna (kontor) den 15th lager (golv) använd inmatnings- och bearbetningsinformation från alla andra lager (golv) för att få ett svar eller en upplösning (utgång).
Neurala nätverk och maskinlärande
Neurala nät är en typ av teknik inom maskininlärningskategorin. Faktum är att framsteg i forskning och utveckling av neurala nät har varit starkt kopplad till ebbs och flöden av framsteg i ML. Neurala nät utvidgar databehandlingskapaciteten och ökar beräkningsstyrkan hos ML, vilket ökar volymen av data som kan bearbetas men också möjligheten att utföra mer komplexa uppgifter.
Den första dokumenterade datormodellen för ANNs skapades 1943 av Walter Pitts och Warren McCulloch. Initialt intresse och forskning i neurala nätverk och maskininlärning såg i slutändan och var mer eller mindre hyllad 1969, med endast små utbrott av förnyat intresse. Datorer av tiden hade helt enkelt inte tillräckligt snabbt eller tillräckligt stora processorer för att avancera vidare på dessa områden, och den stora mängd data som behövdes för ML och neurala nät var inte tillgängligt vid den tiden.
Massiva ökar i datakraft över tiden tillsammans med tillväxt och expansion av internet (och därigenom tillgång till massiva datamängder via internet) har löst de tidiga utmaningarna. Neurala nät och ML är nu avgörande för tekniker som vi ser och använder varje dag, till exempel ansiktsigenkänning, bildbehandling och sökning och realtidsspråk översättning - för att bara nämna några.
Neurala nätverksexempel i vardagslivet
ANN är ett ganska komplicerat ämne inom teknik, men det är värt att ta lite tid att utforska på grund av det ökande antalet sätt det påverkar våra liv varje dag. Här är några fler exempel på hur neurala nätverk används för närvarande av olika branscher:
- Finansiera: Neurala nät används för att förutse valutakurser. De används också i tekniken bakom automatiska handelssystem som används på aktiemarknaden.
- Medicin: Bildhanteringsfunktionerna hos neurala nät har bidragit till teknik som hjälper till att skärpa och upptäcka tidigt stadium och svårt att identifiera olika typer av cancer. En sådan typ av cancer är invasivt melanom, den allvarligaste och dödligaste typen av hudcancer. Identifiera melanom i tidigare skeden, innan det har spridit, ger patienter med denna typ av cancer de bästa chanserna att slå den.
- Väder: Möjligheten att upptäcka atmosfäriska förändringar som indikerar en potentiellt allvarlig och farlig väder händelse så snabbt och noggrant som möjligt är viktigt för att rädda liv. Neurala nät är inblandade i realtidsbearbetning av satellit- och radarbilder som inte bara upptäcker tidig bildning av orkaner och cykloner utan också upptäcker plötsliga förändringar i vindhastighet och riktning som indikerar en formande tornado. Tornados är några av de starkaste och farligaste väderförhållandena på rekord - ofta mer plötsliga, destruktiva och dödliga än orkaner.
