Если вы хоть немного окунетесь в область искусственного интеллекта, вы столкнетесь с искусственными нейронными сетями.

Искусственные нейронные сети — это системы, обеспечивающие работу искусственного интеллекта. Это тип компьютера, который не просто читает код, который он уже понимает. Нейронные сети обрабатывают огромные объемы информации, чтобы помочь понять, что уже находится прямо перед вами.

Люди думают, что ключом к пониманию нейронных сетей является исчисление, но эта система вычислений уходит своими корнями в биологию. Человеческий мозг вдохновил ученых, создавших эти системы.

Итак, что может быть лучше для изучения вычислительной техники, чем размышления о том, как мы обрабатываем информацию?

Что такое искусственные нейронные сети?

Искусственная нейронная сеть — это тип вычислительной системы. Он состоит из простых элементов обработки. Эти элементы также тесно взаимосвязаны.

Взаимосвязи лежат в основе нейронных сетей, потому что они помогают системе работать динамично. Динамический характер системы также делает эти машины сложными для понимания. К счастью, есть простое сравнение.

Ученые, участвовавшие в разработке оригинальных сетей, были вдохновлены природой. Их вдохновение исходит, в частности, от человеческого мозга. Наш мозг содержит миллиарды (как минимум) нейронов, которые связаны с каждой отдельной клеткой в ​​нашем теле. Эти нейроны также динамически взаимодействуют друг с другом, что позволяет нашим телам функционировать.

Искусственные нейронные сети работают на гораздо более простом уровне по сравнению с человеческим мозгом. Система будет включать только тысячи или сотни тысяч соединений по сравнению с миллиардами, обнаруженными в человеческом мозгу.

Более того, вычислительная мощность в настоящее время намного слабее, чем вычислительная мощность вашего мозга.

Как работают нейронные сети: уровни обучения

Нейронные сети имеют слои и слои соединений. Каждый слой имеет входной слой для получения информации и выходной слой для обмена информацией. Скрытые слои обрабатывают всю информацию между ними.

Входные узлы получают шаблоны откуда-то еще. Затем входные узлы используют соединения со скрытыми слоями для обработки, декодирования и повторной сборки информации. Информация не просто отправляется на ближайшие узлы. Узлы взвешиваются, чтобы отправлять распознаваемые данные в нужные места.

Вот пример:

Идя по улице, вы смотрите вниз и видите золотистого ретривера. Откуда ты знаешь, что это золотистый ретривер? Ну, вас учили использовать логику, чтобы распознавать вещи. Представленные вам «данные» показывают, что у него четыре ноги. У него также пушистое тело и длинный оперенный хвост. Веселое лицо также согласуется с тем, что вы знаете о золотистом ретривере.

Кроме того, кто-то в какой-то момент научил вас слову золотистый ретривер, так что у вас есть имя для того, на что вы смотрите.

В конце концов, ваш мозг обрабатывает все эти детали с помощью логики и выдает ответ. Если он выглядит как золотистый ретривер и ходит как золотистый ретривер, значит, это и есть золотистый ретривер.

Аналогично работают искусственные нейронные сети. Они получают информацию, такую ​​как четыре ноги, и полагаются на разум, основанный на предоставленной информации, чтобы установить так называемое правило обучения.

Точно так же, как вас учили, что большая желтая собака со счастливой улыбкой — это «золотистый ретривер», так и сети. Обучение нейронной сети зависит от типа обучения, в котором она участвует.

Чем это отличается от обычного компьютера?

Вы можете подумать: «Конечно, обработка, происходящая здесь, не так уж и далека от того, как работает обычный компьютер».

Правда в том, что искусственные нейронные сети сильно отличаются как по структуре, так и по функциям.

Традиционный компьютер имеет центральный процессор, который считывает инструкции, данные ему из других частей машины и памяти. Ваш компьютер просто работает как дрессированная обезьяна. Если вы предоставите ему новую и неизвестную информацию, вы получите сообщение об ошибке.

Искусственная нейронная сеть не имеет центрального процессора. Он использует сотни простых, которые собирают информацию с других процессоров. Эти сети не следуют правилам. Они реагируют на предоставленную им информацию.

Вы можете увидеть разницу в аналогии с собакой, которую мы только что использовали.

Обычный компьютер имеет один процессор, который выполняет уже известные ему инструкции. Если ваш ноутбук увидит золотистого ретривера, он узнает, что это собака, только потому, что уже знал, что это собака. Если бы ваш компьютер никогда не узнал об удивительном мире собак, он не смог бы сказать вам, что смотрит на золотистого ретривера.

Однако нейронным сетям не нужно так сильно беспокоиться об этом. Он получает количество ножек через один входной узел. Пушистые лица обрабатываются другим узлом. Вывод объясняет, что мы смотрим на золотистого ретривера.

Как видите, нейронные сети работают ближе к тому, как работает ваш мозг, по сравнению с обычным компьютером. Это ни в коем случае не полная копия, но вдохновение ясно.

Как мы используем искусственные нейронные сети

Искусственные нейронные сети являются интерпретаторами и аппроксиматорами. Они используют предписанные правила обучения, чтобы рассуждать с данными, которые они получают.

Поскольку они аппроксиматоры, их лучше всего использовать в интерпретациях, которые хорошо допускают ошибки. Вы не будете использовать нейронную сеть, чтобы испечь идеальный торт, который требует точных измерений.

Вместо этого инженеры используют эти сети для обнаружения закономерностей. Эти инструменты особенно полезны, когда объем данных слишком значителен, чтобы люди могли увидеть закономерности. Например, исследователи-медики просматривают каждую опубликованную статью о химиотерапии. Они могут использовать нейронные сети для поиска закономерностей и ассоциаций, выходящих за рамки химиотерапии.

Искусственные нейронные сети в их нынешнем виде не создают новых ответов на основе существующих данных. Однако они могут обрабатывать данные таким образом, чтобы люди могли найти эти ответы.

Нейронные сети помогают нам учиться

Искусственные нейронные сети не создают новых фактов. Вместо этого они помогают нам понять то, что уже находится перед нами. Именно их структура позволяет процветать искусственному интеллекту, машинному обучению и суперкомпьютерам.