Nevrale nettverk er datamodeller av tilkoblede enheter eller noder designet for å overføre, behandle og lære av informasjon (data) på samme måte som hvordan neuroner (nerveceller) virker hos mennesker.
Artificial Neural Networks
I teknologi, nevrale nettverk er ofte referert til som kunstige nevrale nettverk (ANNs) eller neurale nett for å skille fra de biologiske nevrale nettverkene de er modellert etter. Hovedideen bak ANNs er at menneskets hjerne er den mest komplekse og intelligente "datamaskinen" som eksisterer. Ved å modellere ANNs så nært som mulig til strukturen og systemet for informasjonsbehandling brukt av hjernen, håpet forskerne å lage datamaskiner som nærmet seg eller overgikk menneskelig intelligens. Neuralnett er en nøkkelkomponent av nåværende fremskritt innen kunstig intelligens (AI), maskinlæring (ML) og dyp læring.
Hvordan Neural Networks Work: En sammenligning
For å forstå hvordan nevrale nettverk fungerer og forskjellene mellom de to typene (biologisk og kunstig), la oss bruke eksemplet på en 15-etasjers kontorbygg og telefonlinjene og sentralbordene som ruter samtaler gjennom hele bygningen, individuelle etasjer og individuelle kontorer. Hvert enkelt kontor i vår 15-etasjers kontorbygning representerer en nevron (knutepunkt i datanettverk eller nervecelle i biologi). Bygningen i seg selv er en struktur som inneholder et sett av kontorer arrangert i et system på 15 etasjer (et neuralt nettverk).
Ved å bruke eksemplet på biologiske nevrale nettverk, har sentralbordet som mottar anrop, linjer for å koble til et hvilket som helst kontor i et hvilket som helst gulv i hele bygningen. I tillegg har hvert kontor linjer som kobler det til alle andre kontorer i hele bygningen i alle etasjer. Tenk deg at et anrop kommer inn (inngang) og sentralbordet overfører det til et kontor på 3rd etasje, som overfører det direkte til et kontor på 11th gulv, som deretter overfører det direkte til et kontor på 5th gulv. I hjernen kan hver nevron eller nervecelle (et kontor) direkte koble til noen annen nevron i sitt system eller nevrale nettverk (bygningen). Informasjon (samtalen) kan overføres til alle andre nevroner (kontorer) for å behandle eller lære hva som trengs til det er et svar eller en oppløsning (utgang).
Når vi bruker dette eksemplet til ANNs, blir det litt mer komplekst. Hver etasje av bygningen krever sitt eget sentralbord, som kun kan koble til kontorer i samme etasje, samt sentralbordene på gulvene over og under det. Hvert kontor kan bare koble direkte til andre kontorer i samme etasje og sentralbordet for den etasjen. Alle nye samtaler må starte med sentralbordet i 1. etasje og må overføres til hvert enkelt gulv i rekkefølge opp til 15th gulv før samtalen kan ende. La oss sette den i gang for å se hvordan det fungerer.
Tenk deg at et anrop kommer inn (input) til 1st gulvbordet og sendes til et kontor på 1st gulv (node). Anropet overføres da direkte mellom andre kontorer (noder) på 1st gulv til den er klar til å bli sendt til neste etasje. Da må anropet sendes tilbake til 1st gulvbordet, som deretter overfører det til 2nd gulvbordet. Disse trinnene gjentar en etasje av gangen, med anropet sendes gjennom denne prosessen på hver etasje helt opp til gulv 15.
I ANNs, er noder (kontorer) arrangert i lag (gulv av bygningen). Informasjon (en samtale) kommer alltid inn gjennom inngangslaget (1st gulv og byttebord) og må sendes gjennom og behandles av hvert lag (gulv) før det kan flytte til neste. Hvert lag (gulv) behandler en bestemt detalj om samtalen og sender resultatet sammen med anropet til neste lag. Når samtalen når utgangslaget (15th gulv og byttebord), den inneholder behandlingsinformasjon fra lag 1-14. Nodene (kontorer) på 15th lag (gulv) bruker inngangs- og behandlingsinformasjon fra alle de andre lagene (gulv) for å komme opp med et svar eller en oppløsning (utgang).
Neural Networks and Machine Learning
Neuralnett er en type teknologi under maskinlæringskategori. Faktisk har fremskritt i forskning og utvikling av nevrale nett har vært tett knyttet til ebbs og flyt av fremskritt i ML. Neuralnett utvider databehandlingsfunksjonene og øker datakraften til ML, øker volumet av data som kan behandles, men også muligheten til å utføre mer komplekse oppgaver.
Den første dokumenterte datamodellen for ANNs ble opprettet i 1943 av Walter Pitts og Warren McCulloch. Den første interessen og undersøkelsen i nevrale nettverk og maskinlæring økte til slutt og ble mer eller mindre gjemt i 1969, med bare små utbrudd av fornyet interesse. Datamaskiner av tiden hadde rett og slett ikke raske nok eller store nok prosessorer til å fremme disse områdene videre, og den store mengden data som trengs for ML og nevrale nett var ikke tilgjengelig på det tidspunktet.
Massive økninger i datakraft over tid sammen med veksten og utvidelsen av internett (og dermed tilgang til enorme mengder data via internett) har løst de tidlige utfordringene. Neuralnett og ML er nå medvirkende til teknologier vi ser og bruker hver dag, for eksempel ansiktsgjenkjenning, bildebehandling og søking, og sanntidsoversettelse for å nevne noen få.
Neural Network Eksempler i Everyday Life
ANN er et ganske komplekst tema innen teknologi, men det er verdt å ta litt tid å utforske på grunn av det økende antall måter det påvirker våre liv hver dag. Her er noen flere eksempler på hvordan nevrale nettverk for tiden brukes av ulike bransjer:
- Finansiere: Neuralnett brukes til å forutsi valutakurser. De benyttes også i teknologien bak automatiske handelssystemer som brukes i aksjemarkedet.
- Medisin: Bildebehandlingsmulighetene til neuralnett har bidratt til teknologi som bidrar til å bedre skjerm for og oppdage tidlig stadium og vanskelig å identifisere typer kreftformer. En slik type kreft er invasiv melanom, den mest alvorlige og dødelige form for hudkreft. Identifisering av melanom i tidligere stadier, før det har spredt, gir pasienter med denne typen kreft de beste sjansene for å slå den.
- Vær: Evnen til å oppdage atmosfæriske forandringer som indikerer et potensielt alvorlig og farlig værforhold så raskt og nøyaktig som mulig, er avgjørende for å redde liv. Neuralnett er involvert i sanntidsbehandling av satellitt- og radarbilder som ikke bare registrerer tidlig dannelse av orkaner og sykloner, men oppdager også plutselige endringer i vindhastighet og retning som indikerer en formende tornado. Tornadoer er noen av de sterkeste og farligste værforholdene på rekord - ofte mer plutselige, destruktive og dødelige enn orkaner.
