Теплый прием и множество добрых пожеланий стать частью этой статьи. В этой статье мы знаем о нейронных сетях и примерах использования этих нейронных сетей в сценарии промышленных компаний.

Что такое нейронная сеть?

За последние 10 лет самые эффективные системы искусственного интеллекта, такие как распознаватели речи на смартфонах или новейший автоматический переводчик Google, стали результатом техники, называемой «глубоким обучением».

На самом деле глубокое обучение — это новое название подхода к искусственному интеллекту, называемого нейронными сетями, который то входит, то выходит из моды уже более 70 лет. Нейронные сети были впервые предложены в 1944 году Уорреном Маккалоу и Уолтером Питтсом, двумя исследователями из Чикагского университета, которые переехали в Массачусетский технологический институт в 1952 году в качестве основателей того, что иногда называют первым отделом когнитивных наук.

«нейронная сеть — это сеть или цепь нейронов, или, в современном понимании, искусственная нейронная сеть, состоящая из искусственных нейронов или узлов. Таким образом, нейронная сеть — это либо биологическая нейронная сеть, состоящая из реальных биологических нейронов, либо искусственная нейронная сеть для решения задач искусственного интеллекта (ИИ)».

На этом изображении выше вы можете видеть, что в процессе нейронной сети 1-й шаг — это входной слой, который принимает ввод в виде данных, а на 2-м этапе эти данные обрабатываются нейронами скрытого слоя и после сбора значения полного результата из этого среднего слой, то этот результат пересылается на выходной слой.

Как нейронная сеть учится?

Информация проходит через нейронную сеть двумя путями. Когда он обучается (обучается) или работает нормально (после обучения), шаблоны информации передаются в сеть через входные единицы, которые активируют слои скрытых единиц, которые, в свою очередь, поступают к выходным единицам. Эта распространенная схема называется сетью прямой связи. Не все юниты «стреляют» все время. Каждая единица получает входные данные от единиц слева от нее, и входные данные умножаются на веса соединений, по которым они перемещаются. Каждое устройство суммирует все входные данные, которые оно получает таким образом, и (в простейшем типе сети), если сумма превышает определенное пороговое значение, устройство «срабатывает» и запускает устройства, к которым оно подключено. к (те, что справа).

Здесь я связываю пример реального мира с нейронной сетью

Чтобы нейронная сеть обучалась, должен быть задействован элемент обратной связи — так же, как дети учатся, когда им говорят, что они делают правильно или неправильно. На самом деле, мы все постоянно пользуемся обратной связью. Вспомните, когда вы впервые научились играть в такую ​​игру, как боулинг с десятью кеглями. Когда вы поднимали тяжелый мяч и катили его по аллее, ваш мозг следил за тем, как быстро двигался мяч и по какой линии он следовал, и отмечал, насколько близко вы подошли к тому, чтобы сбить кегли. В следующий раз, когда настала ваша очередь, вы вспомнили, что сделали не так раньше, соответствующим образом изменили свои движения и, надеюсь, бросили мяч немного лучше. Таким образом, вы использовали обратную связь, чтобы сравнить желаемый результат с тем, что произошло на самом деле, выяснить разницу между ними и использовать ее, чтобы изменить то, что вы сделали в следующий раз («Мне нужно бросить сильнее», «Мне нужно бросить немного больше». влево», «Мне нужно отпустить позже» и так далее). Чем больше разница между предполагаемым и фактическим результатом, тем радикальнее вы изменили бы свои ходы.

Нейронные сети изучают вещи точно таким же образом, как правило, с помощью процесса обратной связи, называемого обратным распространением (иногда сокращенно «обратным распространением»). Это включает в себя сравнение выходных данных, производимых сетью, с выходными данными, которые она должна была производить, и использование разницы между ними для изменения весовых коэффициентов соединений между единицами в сети, работая от выходных единиц до скрытые единицы к входным единицам — другими словами, в обратном направлении. Со временем обратное распространение заставляет сеть обучаться, уменьшая разницу между фактическим и предполагаемым выводом до точки, где они точно совпадают, поэтому сеть вычисляет вещи именно так, как должна.

Как это работает на практике?

Как только сеть обучена на достаточном количестве обучающих примеров, она достигает точки, когда вы можете представить ей совершенно новый набор входных данных, которых она никогда раньше не видела, и посмотреть, как она отреагирует. Например, предположим, что вы обучаете сеть, показывая ей множество изображений стульев и столов, представленных каким-то подходящим образом, который она может понять, и сообщая ей, является ли каждый из них стулом или столом. Показав ему, скажем, 25 разных стульев и 25 разных столов, вы скармливаете ему изображение какого-то нового дизайна, с которым он раньше не сталкивался, — скажем, шезлонга — и смотрите, что происходит. В зависимости от того, как вы его обучили, он попытается классифицировать новый пример как стул или стол, обобщая на основе своего прошлого опыта — совсем как человек. Эй, вуаля, вы научили компьютер распознавать мебель!

Это не означает, что нейронная сеть может просто «смотреть» на предметы мебели и мгновенно осмысленно реагировать на них; ведет себя не по-человечески. Рассмотрим пример, который мы только что привели: сеть на самом деле не смотрит на предметы мебели. Входы в сеть, по существу, представляют собой двоичные числа: каждая единица ввода либо включена, либо выключена. Таким образом, если бы у вас было пять блоков ввода, вы могли бы ввести информацию о пяти различных характеристиках разных стульев, используя бинарные ответы (да/нет). Вопросы могут быть такими: 1) Есть ли у него спинка? 2) Есть ли у него верх? 3) Мягкая ли обивка? 4) Можно ли на нем комфортно сидеть в течение длительного времени? 5) Можете ли вы положить много вещей поверх него? Тогда типичный стул будет представлен как «Да», «Нет», «Да», «Да», «Нет» или 10110 в двоичном формате, в то время как типичный стол может быть «Нет», «Да», «Нет», «Нет», «Да» или 01001. Таким образом, на этапе обучения сеть просто глядя на множество чисел, таких как 10110 и 01001, и узнавая, что некоторые из них означают стул (что может быть результатом 1), а другие означают стол (вывод 0).

Применение нейронной сети

Есть много применений нейронных сетей и в сфере безопасности. Предположим, вы управляете банком, в котором каждую минуту через вашу компьютерную систему проходят тысячи транзакций по кредитным картам. Вам нужен быстрый автоматизированный способ выявления любых транзакций, которые могут быть мошенническими, и для этого идеально подходит нейронная сеть. Ваши входные данные могут быть такими, как 1) Действительно ли владелец карты присутствует? 2) Был ли использован действительный PIN-код? 3) Было ли совершено пять или более транзакций по этой карте за последние 10 минут? 4) Карта используется в другой стране, в которой она зарегистрирована? - и так далее. Имея достаточно подсказок, нейронная сеть может помечать любые транзакции, которые выглядят подозрительно, позволяя оператору-человеку исследовать их более внимательно. Очень похожим образом банк может использовать нейронную сеть, чтобы решить, давать ли кредиты людям на основе их прошлой кредитной истории, текущих доходов и послужного списка.

5 отраслей, которые сильно зависят от искусственного интеллекта и машинного обучения

1. Транспорт

Если вы думаете, что беспилотные автомобили — это продукты далекого будущего, смарт-автомобили уже вышли на рынок. Еще в 2015 году внедрение систем на основе ИИ в автомобилях и транспортных средствах составляло всего 8%, но к 2025 году ожидается, что этот показатель вырастет до 109%. Подключенные к сети автомобили в настоящее время очень популярны в автомобильной промышленности, где механизмы прогнозирования точно сообщают водителям о возможных неисправностях запасных частей, маршрутах и ​​направлениях движения, протоколах предотвращения чрезвычайных ситуаций и стихийных бедствий и многом другом. Gartner прогнозирует, что к 2020 году эталоном для автомобилей станут подключенные к сети автомобили со встроенными беспроводными подключениями и сетями. Это также постепенно превращается в реальность с появлением на дорогах прототипов автономных автомобилей.

2. Здравоохранение

Искусственный интеллект уже меняет правила игры в секторе здравоохранения. Когнитивный суперкомпьютер IBM смог быстро диагностировать наличие у пациента редкого типа лейкемии, чего не могли сделать даже врачи после нескольких месяцев исследований. Существуют алгоритмы и системы, помогающие в выявлении и лечении хронических заболеваний, а также наличие электронных медицинских карт, систем искусственного интеллекта и машинного обучения, которые только сегодня делают персонализированное здравоохранение реальностью. Кроме того, медленно набирает обороты предиктивное здравоохранение.

3. Финансы

Финансы всегда нуждались в одной из самых точных форм вычислительных систем для множества своих целей. Что касается искусственного интеллекта и машинного обучения, финансовый сектор будет в значительной степени полагаться на системы, основанные на этих технологиях, для обнаружения мошеннических транзакций и прокладывания пути для более безопасных и надежных онлайн-транзакций. Он также может предсказать рост и падение стоимости акций на рынке и помочь финансовым консультантам с идеальными инвестиционными планами.

4. Производственные отрасли

В обрабатывающей промышленности есть множество аспектов, которые могут исправить боты или системы на основе ИИ. От сборочных линий, управляемых роботами, до интеллектуальных систем, которые могут прогнозировать сбои в работе оборудования, ИИ станет неизбежным для производственных отраслей. Это также могло бы уволить сотрудников с избыточными наборами навыков и вовлечь их в значимую работу. Боты или машины на основе ИИ также помогут решить проблемы с цепочками поставок в широком географическом регионе, минимизируя сроки доставки онлайн-продуктов.

5.Реклама

Вместо того, чтобы тратить тысячи долларов на кампанию, чтобы проверить, будет ли она эффективной для заданного пула целевой аудитории, системы на основе ИИ будут эффективно моделировать кампанию с прошлыми данными и давать точные результаты. Это изменит правила игры в сфере маркетинга, поскольку у брендов и компаний появится верный способ вложить свои деньги. Обращение к потенциальным клиентам, привлечение потенциальных клиентов и преобразование их в продажи, определение доли рынка нового продукта перед запуском. и исследования конкуренции могут стать проще с помощью интеллектуальных инструментов и методов анализа настроений.

…………………………………Спасибо…………………………………………