Невронните мрежи са компютърни модели на свързани единици или възли, предназначени да предават, обработват и учат от информация (данни) по подобен начин на това как невроните (нервните клетки) работят при хората.
Изкуствени невронни мрежи
В технологиите невронните мрежи често се наричат изкуствени невронни мрежи (ANN) или невронни мрежи, за да се различават от биологичните невронни мрежи, които са моделирани след тях. Основната идея на ANNS е, че човешкият мозък е най-сложният и интелигентен "компютър", който съществува. Чрез моделирането на АНС колкото е възможно по-близо до структурата и системата за обработка на информацията, използвана от мозъка, изследователите се надяваха да създадат компютри, които се доближават или надминават човешкото разузнаване. Невронните мрежи са ключов компонент на текущите напредък в изкуствения интелект (AI), машинното обучение (ML) и дълбокото обучение.
Как работят нервните мрежи: Сравнение
За да разберем как работят нервните мрежи и разликите между двата типа (биологични и изкуствени), нека използваме примера на 15-етажна офис сграда и телефонните линии и разпределителни табла, които маршрутизират разговори в сградата, отделните етажи и отделни офиси. Всеки отделен офис в нашата 15-етажна офис сграда представлява неврон (възел в компютърната мрежа или нервна клетка в биологията). Самата сграда е структура, която съдържа набор от офиси, подредени в система от 15 етажа (невронна мрежа).
Прилагайки примера на биологични невронни мрежи, таблото, което получава повиквания, има линии за връзка с всеки офис на всеки етаж в цялата сграда. Освен това всеки офис има линии, които го свързват с всеки друг офис в цялата сграда на всеки етаж. Представете си, че пристига вход (вход) и разпределителното табло го прехвърля на офис на 3-татата етаж, който го прехвърля директно на офис на 11-тататата етаж, който след това директно го прехвърля на офис на 5тата етаж. В мозъка всяка невронна или нервна клетка (офис) може директно да се свърже с всеки друг неврон в своята система или невронна мрежа (сградата). Информацията (повикването) може да се предава на всеки друг неврон (офис), за да се обработва или да се научи какво е необходимо, докато няма отговор или резолюция (изход).
Когато приложим този пример към ANN, става доста по-сложен. Всеки етаж на сградата изисква собствено разпределително табло, което може да се свърже само с офисите на същия етаж, както и с разпределителните табла на етажите над и под него. Всеки офис може да се свърже директно с други офиси на един и същи етаж и с разпределителното табло за този етаж. Всички нови обаждания трябва да започват с разпределителното табло на 1-вия етаж и трябва да се прехвърлят на всеки отделен етаж в цифров ред до 15тата преди края на разговора. Нека я задействаме, за да видим как работи.
Представете си, че пристига вход (вход) към 1во подразделение и се изпраща в офис на 1во етаж (възел). След това обаждането се прехвърля директно между другите офиси (възли) на 1во етаж, докато не бъде готов да бъде изпратен на следващия етаж. След това обаждането трябва да бъде изпратено обратно до 1во подово табло, което след това го прехвърля на 2ри подово табло. Същите стъпки се повтарят на един етаж наведнъж, като разговорът се изпраща през този процес на всеки един етаж по целия път до етаж 15.
В ANN, възли (офиси) са подредени в слоеве (етажи на сградата). Информацията (повикване) винаги идва чрез входния слой (1во подът и таблото му) и трябва да бъдат изпратени и обработени от всеки слой (под), преди да може да се премести в следващия. Всеки слой (етаж) обработва конкретни подробности за това обаждане и изпраща резултата заедно с обаждането до следващия слой. Когато повикването достигне изходния слой (15тата подът и таблото му), включва обработващата информация от слоевете 1-14. Възлите (офисите) на 15тата слой (етаж) използва информацията за вход и обработка от всички останали слоеве (подове), за да дойде отговор или резолюция (изход).
Невронни мрежи и машинно обучение
Невронните мрежи са един вид технология в категорията за машинно обучение. Всъщност, напредъкът в научноизследователската и развойна дейност на невронните мрежи е бил тясно свързан с промените и потоците на напредъка в ML. Невронните мрежи разширяват възможностите за обработка на данни и увеличават изчислителната мощност на ML, увеличават обема на данните, които могат да бъдат обработени, но също така и способността да изпълняват по-сложни задачи.
Първият документиран компютърен модел за ANNS е създаден през 1943 г. от Уолтър Питс и Уорън Маккулох. Първоначалният интерес и научните изследвания в областта на невронните мрежи и машинното обучение в крайна сметка се забавиха и през 1969 г. бяха повече или по-малко отрязани, като само малките изблици на подновен интерес. Компютрите на времето просто нямаха достатъчно бързи или достатъчно големи процесори, за да продължат напред тези области и огромното количество данни, необходими за ML и невронни мрежи, не беше налице по това време.
Огромното увеличение на изчислителната мощ в течение на времето, заедно с нарастването и разширяването на интернет (и по този начин достъп до огромни количества данни през интернет), са решили тези ранни предизвикателства. Невронните мрежи и ML вече са инструмент в технологиите, които виждаме и използваме всеки ден, като разпознаване на лица, обработка на изображения и търсене и езикови преводи в реално време - за да назовем само няколко.
Невронни мрежови примери в ежедневния живот
ANN е сравнително сложна тема в рамките на технологията, но си струва да отделим известно време, за да проучим, поради нарастващия брой начини, по които това въздейства върху нашия живот всеки ден. Ето още няколко примера за начините, по които нервните мрежи в момента се използват от различни отрасли:
- Финанси: Невронните мрежи се използват за прогнозиране на валутните курсове. Те се използват и в технологиите зад автоматичните системи за търговия, използвани на фондовия пазар.
- медицина: Възможностите за обработка на изображения на невронни мрежи са допринесли за технологията, която помага за по-точна проверка и откриване на ранен стадий и трудно да се идентифицират видовете ракови заболявания. Един такъв вид рак е инвазивен меланом, най-сериозната и смъртоносна форма на рак на кожата. Идентифицирането на меланома на по-ранни етапи, преди да се е разпространило, дава на пациентите с този вид рак най-добрите шансове да се победи.
- Метеорологично време: Възможността за откриване на атмосферни промени, които показват възможно най-бързо и възможно най-точно възможно и сериозно събитие, е от съществено значение за спасяването на живота. Невронните мрежи участват в обработката в реално време на сателитни и радарни изображения, които не само установяват ранното формиране на урагани и циклони, но също така установяват внезапни промени в скоростта и посоката на вятъра, които показват формиране на торнадо. Торнадоните са едни от най-силните и най-опасни метеорологични събития - често по-внезапни, разрушителни и смъртоносни от ураганите.
