Šta trebate znati kako biste razumjeli promjenu tehnologije oko sebe
Neuronske mreže su kompjuterski modeli povezanih jedinica ili čvorova koji su dizajnirani da prenose, obrade i učenja iz informacija (podataka) na sličan način na koji način neuroni (nervne ćelije) rade kod ljudi.
Veštačke neuronske mreže
U tehnologiji, neuronske mreže se često nazivaju veštačke neuronske mreže (ANN) ili neuronske mreže da bi se razlikovale od bioloških neuronskih mreža na kojima su modelirani. Glavna ideja ANN-a je da je ljudski mozak najkompleksniji i inteligentniji "kompjuter" koji postoji. Modeliranjem ANN-a što je bliže strukturi i sistemu obrade informacija koje koristi mozak, istraživači se nadali da će stvoriti računare koji su pristupali ili prevazišli ljudsku inteligenciju. Neuronske mreže su ključna komponenta trenutnih napretaka u veštačkoj inteligenciji (AI), mašinskom učenju (ML) i dubokom učenju .
Kako funkcionišu Neural Networks: Poređenje
Da bismo razumeli kako funkcionišu neuronske mreže i razlike između dva tipa (biološki i veštački), koristimo primer 15-kancelarijske zgrade i telefonske linije i centrale koje prolaze kroz zgrade, individualne podove i pojedinačne kancelarije. Svaka pojedinačna kancelarija u našoj 15-spratnoj poslovnoj zgradi predstavlja neuron (čvor u računarskom umrežavanju ili nervni ćeliji u biologiji). Sama zgrada je struktura koja sadrži skup ureda raspoređenih u sistem od 15 spratova (neuronska mreža).
Primjenjujući primjer na biološke neuronske mreže, razvodna tabla koja prima pozive ima linije za povezivanje sa bilo kojom kancelarijom na bilo kojem spratu u cijeloj zgradi. Pored toga, svaka kancelarija ima linije koje ga povezuju na svaku drugu kancelariju u celoj zgradi na bilo kojem spratu. Zamislite da dolazi poziv (ulaz), a centrala ga prebacuje u kancelariju na 3. spratu, koja ga direktno prebacuje u kancelariju na 11. katu, a zatim ga direktno prebacuje u ured na 5. spratu. U mozgu, svaka neuronska ili nervna ćelija (kancelarija) može se direktno povezati sa bilo kojim drugim neuronom u svom sistemu ili neuronskoj mreži (objektu). Informacija (poziv) se može preneti na bilo koji drugi neuron (kancelarija) da obrađuje ili sazna šta je potrebno dok ne dođe do odgovora ili rezolucije (izlaza).
Kada primjenimo ovaj primjer na ANN-ove, postaje prilično složeniji. Na svakom spratu objekta potrebna je vlastita centrala, koja se može povezati samo sa kancelarijama na istom podu, kao i razvodne table na podovima iznad i ispod nje. Svaka kancelarija može direktno da se poveže sa drugim kancelarijama na istom spratu i centralom za taj pod. Svi novi pozivi moraju početi sa centrali na 1. katu i moraju se preneti na svaki pojedinačni pod u numeričkom redosledu do 15. sprata pre nego što se poziv završi. Hajde da ga pokrenemo da vidimo kako to funkcioniše.
Zamislite da se poziv (ulaz) prikaže na prvu podnu ploču i da se šalje u kancelariju na 1. katu (čvor). Poziv se zatim prebacuje direktno među druge kancelarije (čvorove) na 1. katu sve dok nije spremna da bude poslata na sledeći sprat. Zatim se poziv mora vratiti na razvodnu ploču 1. kat, koja ga zatim prebacuje na drugu podnu ploču. Isti koraci ponavljaju jedan sprat istovremeno, poziv se šalje kroz ovaj proces na svakom spratu sve do nivoa 15.
U ANN-ima, čvorovi (kancelarije) su raspoređeni u slojeve (podovi zgrade). Informacije (poziv) uvek dolaze kroz ulazni sloj ( prvi sprat i razvodna ploča) i moraju se poslati i obrađivati po svakom sloju (podu) pre nego što se pređe na sledeći. Svaki sloj (pod) obrađuje specifičan detalj o tom pozivu i šalje rezultat uz poziv na sledeći sloj. Kada poziv dostigne izlazni sloj (15. sprat i razvodna ploča), ona uključuje informacije obrade iz slojeva 1-14. Čvorovi (kancelarije) na 15. sloju (pod) koriste informacije za unos i obradu iz svih ostalih slojeva (podova) kako bi dobili odgovor ili rezoluciju (izlaz).
Neuralne mreže i mašinsko učenje
Neuronske mreže su jedna vrsta tehnologije u kategoriji mašine za učenje. Zapravo, napredak u istraživanju i razvoju neuronskih mreža bio je čvrsto povezan sa ebbs i tokovima napretka u ML. Neuralne mreže proširuju mogućnosti obrade podataka i povećavaju računsku snagu ML-a, povećavajući obim podataka koji se mogu obrađivati, ali i sposobnost obavljanja složenijih zadataka.
Prvi dokumentovani kompjuterski model za ANNs stvorio je 1943. godine Walter Pitts i Warren McCulloch. Početni interesi i istraživanja u neuronskim mrežama i mašinskom učenju na kraju su usporili i bili su manje-više odloženi do 1969. godine, sa samo malim eksplozijama obnove interesa. Kompjuteri vremena jednostavno nisu imali dovoljno brzih ili dovoljno velikih procesora da dalje unapređuju ova područja, a ogromna količina podataka potrebnih za ML i neuralne mreže u to vrijeme nije bila dostupna.
Masivna povećanja računarske snage tokom vremena uz rast i širenje Interneta (a time i pristup velikim količinama podataka putem interneta) rešili su te rane izazove. Neuronske mreže i ML su sada instrumentalne u tehnologijama koje vidimo i koristimo svakodnevno, kao što su prepoznavanje lica , obrada slike i pretraživanje, i prevod u realnom vremenu - kako bismo imali samo nekoliko.
Primeri neuralne mreže u svakodnevnom životu
ANN je prilično složena tema u okviru tehnologije, međutim, vredi uzeti određeno vrijeme za istraživanje zbog sve većeg broja načina na koji utiče na naš život svakog dana. Evo još nekoliko primera načina na koji neuronske mreže trenutno koriste različite industrije:
- Finansije: Neuralne mreže se koriste za predviđanje deviznih kurseva. Oni se takođe koriste u tehnologiji sistema za automatsko trgovanje koji se koristi na berzi.
- Medicina: Mogućnosti obrade slike neuronskih mreža doprinele su tehnologiji koja pomaže tačnije prikazivanje i otkrivanje rane faze i teško identifikovanje vrsta raka. Jedna takva vrsta raka je invazivni melanom, najteži i smrtonosniji oblik karcinoma kože. Identifikovanje melanoma u ranijim fazama, pre nego što se proširi, daje pacijentima ovu vrstu karcinoma najbolje šanse da ga pobiju.
- Vrijeme: Sposobnost otkrivanja atmosferskih promjena koje potencijalno ozbiljno i opasno pogađaju vremenski događaj što je moguće brže i tačnije od suštinskog je značaja za spašavanje života. Neuralne mreže uključene su u procesu obrade satelitskih i radarskih slika u realnom vremenu koje ne samo da otkrivaju rano formiranje uragana i ciklona, već i otkrivaju iznenadne promjene u brzini i smjeru vjetra koji ukazuju na tornado koji formira. Tornadi su neki od najsnažnijih i najopasnijih meteoroloških događaja u rekordu - često iznenadnijih, destruktivnih i smrtonosnih od uragana.