Neuronske mreže su računalni modeli povezanih jedinica ili čvorova dizajnirani za prijenos, obradu i učenje iz podataka (podataka) na sličan način na koji neuroni (živčane stanice) djeluju na ljudima.
Umjetne neuronske mreže
U tehnologiji, neuronske mreže često se nazivaju umjetne neuronske mreže (ANNs) ili neuronske mreže kako bi se razlikovale od bioloških neuronskih mreža na kojima su modelirani. Glavna ideja iza ANN-a je da je ljudski mozak najkompleksniji i inteligentniji "računalo" koji postoji. Modeliranjem ANN-a što je bliže strukturi i sustavu obrade informacija koje je koristio mozak, istraživači su se nadao da će stvoriti računala koja su pristupila ili nadmašivala ljudsku inteligenciju. Neuronske mreže su ključna komponenta trenutnih napredaka u umjetnoj inteligenciji (AI), strojnom učenju (ML) i dubokom učenju.
Kako funkcioniraju neuronske mreže: usporedba
Da bismo razumjeli kako funkcioniraju neuronske mreže i razlike između tih dviju vrsta (biološki i umjetno), koristimo primjer uredske zgrade od 15 katova i telefonske linije i postrojenja koja putuju pozivima kroz zgradu, pojedinačne etaže i pojedine urede. Svaki pojedini ured u našoj poslovnoj zgradi na 15 katova predstavlja neuron (čvor u računalnoj mreži ili živčanim stanicama u biologiji). Zgrada sama je struktura koja sadrži skup ureda raspoređenih u sustav od 15 katova (neuronske mreže).
Primjenom primjera biološkim neuronskim mrežama, telefonska stanica koja prima pozive ima linije za povezivanje s bilo kojim uredom na bilo kojem katu u cijeloj zgradi. Osim toga, svaki ured ima linije koje ga povezuju sa svim drugim uredima u cijeloj zgradi na bilo kojem katu. Zamislite da dolazi poziv (ulaz) i telefonska stanica ga prebacuje u ured na 3rd kat, koji ga prenosi izravno u ured u 11th kat, koji ga zatim izravno prenosi u ured na 5th kat. U mozgu se svaki neuron ili živčana stanica (ured) mogu izravno povezati s bilo kojim drugim neuronima u svom sustavu ili neuronskoj mreži (zgradi). Informacije (poziv) mogu se prenijeti na bilo koji drugi neuron (ured) za obradu ili naučiti ono što je potrebno dok ne postoji odgovor ili rezolucija (izlaz).
Kada primijenimo ovaj primjer na ANN-ove, to postaje vrlo složeniji. Svaki kat zgrade zahtijeva vlastitu centralnu ploču koja se može povezati samo s uredima na istom katu, kao i s preklopnim pločama na podovima iznad i ispod njega. Svaki ured može se izravno povezati s drugim uredima na istom katu i sa centrima za taj kat. Svi novi pozivi moraju započeti s centralnom pločom na 1. katu i moraju biti prebačeni na svaki pojedini kat u numeričkom redu do 15th kat prije nego što poziv završi. Pokrenimo ga kako bismo vidjeli kako to funkcionira.
Zamislite da dolazi poziv (ulaz) na 1st i poslati u ured na 1. mjestust kat (čvor). Poziv se zatim prenosi izravno između drugih ureda (čvorova) na 1st katu dok nije spreman za slanje na sljedeći kat. Tada poziv mora biti poslan natrag na 1st koji se zatim prenosi na 2Sjeverna Dakota katu. Ti isti koraci ponavljaju jedan kat istodobno, a poziv se šalje kroz ovaj proces na svakom katu sve do podne 15.
U ANN-ovima, čvorovi (uredi) raspoređeni su u slojevima (podovi zgrade). Informacija (poziv) uvijek dolazi kroz ulazni sloj (1st poda i njenog sklopa) i moraju biti poslani i obradeni svakim slojem (poda) prije nego što se mogu preseliti na sljedeći. Svaki sloj (pod) obrađuje određene detalje o tom pozivu i šalje rezultat uz poziv na sljedeći sloj. Kada poziv dosegne izlazni sloj (15th poda i njenog sklopa), uključuje informacije o obradi slojeva 1-14. Čvorovi (uredi) na 15th sloj (pod) koristi podatke za unos i obradu svih ostalih slojeva (podovi) kako bi se pronašao odgovor ili rezolucija (izlaz).
Neuronske mreže i strojno učenje
Neuronske mreže su jedna vrsta tehnologije pod kategorijom strojnog učenja. Ustvari, napredak u istraživanju i razvoju neuronskih mreža čvrsto je povezan s padovima i protokima napredovanja u ML. Neuronske mreže proširuju mogućnosti obrade podataka i povećavaju računalnu moć ML, povećavajući volumen podataka koji se mogu obrađivati, ali i sposobnost obavljanja složenijih zadataka.
Prvi dokumentirani računalni model za ANNs stvorio je 1943. Walter Pitts i Warren McCulloch. Inicijalni interes i istraživanje u neuronskim mrežama i učenje stroja u konačnici su usporili, a više je bili skriveni do 1969. godine, s malim brojem novih zainteresiranosti. Računala toga vremena jednostavno nisu imali dovoljno brz ili dovoljno velik procesor da unaprijedi ta područja dalje, a velika količina podataka potrebnih za ML i neuronske mreže nije bila dostupna u to vrijeme.
Masivno povećanje računalne snage tijekom vremena uz rast i širenje interneta (a time i pristup masivnim količinama podataka putem interneta) riješili su te rane izazove. Neuronske mreže i ML sada su instrumentalne u tehnologijama koje svakodnevno vidimo i koristimo, kao što su prepoznavanje lica, obrada slike i pretraživanje, te prijevod jezika u stvarnom vremenu - samo nekoliko.
Primjeri neuronskih mreža u svakodnevnom životu
ANN je prilično složena tema unutar tehnologije, međutim, vrijedi malo vremena da se istraže zbog sve većeg broja načina na koji svakodnevno utječe na naše živote. Evo još nekoliko primjera načina na koje se trenutno koriste neuronske mreže različitih industrija:
- Financije: Neuronske mreže koriste se za predviđanje tečaja valuta. Oni se također koriste u tehnologiji iza automatskih trgovinskih sustava koji se koriste na burzi.
- Lijek: Mogućnosti obrade slike neuronskih mreža doprinijele su tehnologiji koja pomaže u preciznijem otkrivanju i otkrivanju ranih faza i teško identificirati vrste karcinoma. Jedna takva vrsta raka je invazivni melanom, najozbiljniji i smrtonosniji oblik raka kože. Prepoznavanje melanoma u ranijim stadijima, prije nego što se širi, daje bolesnicima ovu vrstu raka najbolje šanse da ga pobijede.
- Vrijeme: Sposobnost otkrivanja atmosferskih promjena koje ukazuju na moguće i ozbiljne i opasne vremenske događaje što je brže i preciznije moguće je za spašavanje života. Neuronske mreže su uključene u obradu satelitske i radarske slike u stvarnom vremenu koje ne samo da otkrivaju rano formiranje uragana i ciklona, nego također otkrivaju nagle promjene brzine i smjera vjetra koje upućuju na formiranje tornada. Tornadoovi su neki od najsnažnijih i najopasnijih vremenskih događaja na rekordnom - često iznenadnijom, destruktivnom i smrtonosnijom od uragana.
