Jaringan saraf: buaian AI ing mangsa ngarep utawa mung tren teknologi liyane?

Ing materi ing JavaRush, kita wis ndemek topik intelijen buatan (AI), pembelajaran mesin lan teknologi liyane sing ana gandhengane karo AI kanthi cara siji utawa liyane. Utamane, kita wis ngomong babagan carane intelijen buatan gegandhengan karo pemrograman ing Jawa , ngrembug mitos lan crita medeni babagan AI , lan ing sawetara artikel kita nyebutake teknologi utama sing digunakake ing wilayah iki. Mula, kita mutusake yen saiki iki wektu sing apik kanggo nyelidiki luwih jero babagan bidang AI, lan nliti teknologi sing sejatine ndasari AI modern lan pembelajaran mesin - neural networks. Yaiku: kepiye konsep jaringan saraf wiwitane lan kepiye teknologi iki diowahi dadi kahanan saiki, kepiye bedane jaringan saraf tiruan karo neuron ing otak manungsa, apa dheweke ngerti carane sinau, lan apa sing bisa ditindakake saiki.

Jaringan syaraf tiruan lan otak manungsa. padha?

Wiwitane, jaringan saraf komputer nampa jeneng iki amarga prinsip desaine meh padha karo sistem neuron ing otak manungsa. Dadi, rata-rata otak manungsa kalebu luwih saka 100 yuta sel cilik sing disebut neuron. Nyatane, ora ana sing ngerti persis jumlah sel kasebut ing otak manungsa - kira-kira 50 nganti 500 milyar. Saben neuron kasusun saka awak sel kanthi akeh sing disebut dendrit (input sel - ngirim informasi menyang sel. ) lan siji akson ( output sel - ngirim informasi saka sel). Neuron cilik banget nganti kira-kira satus sel kasebut bisa diselehake ing area siji milimeter persegi. Ing njero komputer, padha karo neuron yaiku piranti ngoper cilik sing disebut transistor. Mikroprosesor modern paling anyar (komputer chip tunggal) ngemot luwih saka 30 milyar transistor. Malah mikroprosesor Pentium pisanan, digawe udakara 20 taun kepungkur, duwe sekitar 50 yuta transistor sing dikemas ing sirkuit terpadu kanthi area mung 25 mm. Ing kasunyatane, para ahli ujar, ing kene pungkasane sambungan antarane prosesor komputer lan neuron ing otak manungsa, amarga yen ora beda-beda lan bisa digunakake kanthi beda. Transistor komputer disambungake ing sirkuit seri sing relatif prasaja, saben siji bisa disambungake menyang loro utawa telu liyane, dene neuron ing otak disambungake kanthi rapet kanthi cara paralel sing kompleks. Mangkono, para ilmuwan wis ngetung saben neuron bisa disambungake menyang luwih saka 10 ewu tetanggan.

Apa iku jaringan syaraf tiruan?

Dadi, prabédan struktural sing paling penting ing antarane komputer lan neuron ing otak yaiku cara kerjane. Gagasan dhasar ing mburi jaringan saraf yaiku nyimulasi, utawa, yen sampeyan pengin, model, ing wangun sing disederhanakake, operasi saka akeh neuron sing saling nyambungake ing otak. Iki sing ngidini jaringan saraf bisa nindakake samubarang sing ora bisa ditindakake mikroprosesor biasa, yaiku sinau, ngenali pola lan nggawe keputusan babagan prinsip sing padha karo otak manungsa. Nanging, penting kanggo nandheske yen saiki, jaringan saraf minangka emulasi piranti lunak sing prasaja saka karya neuron ing otak. Jaringan saraf khas ngemot saka sawetara puluhan nganti atusan, ewonan utawa malah mayuta-yuta neuron buatan, sing disebut unit, disusun ing sawetara lapisan. Sawetara unit kasebut, sing diarani unit input, tanggung jawab kanggo nampa macem-macem bentuk informasi saka jagad njaba, sing jaringan saraf banjur bakal nyoba sinau, ngelingi lan ngolah kanthi cara liya. Unit liyane, disebut unit output, dumunung ing sisih ngelawan saka jaringan, tanggung jawab kanggo carane jaringan sesambungan karo informasi iki. Ing antarane rong lapisan kasebut ana unit liyane sing nindakake komputasi lan nggawe akeh jaringan saraf. Umume jaringan saraf saling nyambungake, tegese saben unit disambungake menyang unit liyane kanthi lapisan ing sisih loro. Sambungan antarane unit diwakili dening nomer sing disebut bobot. Bobot ing jaringan syaraf bisa positif (yen siji unit ngaktifake liyane) utawa negatif (yen siji unit nyuda utawa weakens liyane). Sing luwih dhuwur bobot, luwih gedhe pengaruh siji unit ing liyane. Jaringan syaraf prasaja sing dirancang kanggo ngatasi masalah sing prasaja mung bisa kalebu telung lapisan dhasar, kaya sing ditampilake ing gambar kasebut. Nanging, ing antarane lapisan input lan output bisa uga ana sawetara lapisan beda sing nindakake fungsi sing beda. Jaringan syaraf kanthi struktur sing luwih rumit (saka ilustrasi ing ndhuwur) diarani jaringan syaraf jero lan biasane digunakake kanggo ngatasi masalah sing rumit. Ing téori, panggunaan struktur jero ngidini jaringan saraf kanggo map sembarang tipe data input menyang sembarang tipe data output, saéngga bisa ngrampungake masalah apa wae. Nanging, kanggo iki, jaringan saraf bakal mbutuhake "latihan" sing serius lan dawa, sing kalebu ngolah jutaan lan malah milyaran conto informasi sing kudu ditindakake jaringan.

Jaringan syaraf: sejarah cilik

Ya, kita wis ngurutake panjelasan dhasar babagan apa sejatine jaringan saraf, saiki kita bisa mundur sethithik babagan teori kasebut lan ngomong babagan sejarah teknologi iki lan nalika muncul. Iki bisa uga kaget akeh, nanging jaringan saraf muncul ing ilmu pengetahuan luwih saka 70 taun kepungkur. Konsep iki pisanan diusulake ing 1944 dening Warren McCullough lan Walter Pitts, loro peneliti ing Universitas Chicago sing pindhah menyang Massachusetts Institute of Technology ing 1952, ing ngendi dheweke ngedegake grup riset ilmu kognitif pisanan. Jaringan saraf sejatine minangka area riset utama ing ilmu saraf lan ilmu komputer nganti taun 1969. Tegese, teknologi iki, sing nduwe sistem intelijen buatan modern, wis, ing istilah modern, hype luwih saka sepuluh taun - wiwit pertengahan lima puluhan nganti pungkasan taun sewidak. Dipercaya manawa "pembunuh" hype iki minangka buku sing dikarang dening rong ilmuwan komputer - Marvin Minsky lan Seymour Papert - sing ing karyane ngumumake kabeh watesan jaringan saraf. Kasunyatane yaiku jaringan saraf awal mung duwe siji utawa rong lapisan sing bisa dilatih. Minsky lan Papert nedahake yen jaringan prasaja kuwi ora bisa matématis ngmodelaké fénoména donya nyata sing rumit. Akibaté, kapentingan ing jaringan syaraf minangka teknologi ilang kanggo akèh taun - saindhenging seventies lan separo pisanan saka eighties, objectively sethitik manungsa waé wis mbayar kanggo wong-wong mau. Kapentingan mung dianyari ing taun 1986, kanthi publikasi makalah sing ngenalake konsep backpropagation, cara praktis kanggo nglatih jaringan saraf jero. Thanks kanggo backpropagation, jaringan syaraf jero dadi luwih ramah komputasi, nanging isih mbutuhake sumber daya komputasi sing gedhe kanggo operate. Lan riset ing taun 1990-an lan 2000-an asring nuduhake yen jaringan saraf kompleks ora ngasilake asil sing dikarepake ing babagan efisiensi. Akibaté, jaringan saraf ambruk saka gelombang hype kanggo sawetara wektu lan mung bali ing dasawarsa kapindho taun 2000-an, umume amarga tambah daya komputasi chip grafis, sing ngidini jaringan saraf jero bisa luwih efisien tinimbang sadurunge. Fenomena cyclicity kasebut ing ilmu minangka sakabehe diterangake kanthi apikTomaso Poggio, profesor ing Institut Teknologi Massachusetts: "Ana panjelasan manawa ide ing ilmu pengetahuan nyebar kanthi cara sing padha karo virus. Contone, ana lima utawa enem galur utama virus influenza, lan saben siji bali saben 25 taun. Wong dadi infèksi, berkembang kakebalan, lan dilindhungi saka infèksi kanggo 25 taun sabanjuré. Banjur generasi anyar teka lan kena infeksi virus sing padha. Ing ilmu pengetahuan, wong seneng karo gagasan lan ngupayakake nganti kesel, saengga ngembangake kekebalan ing wangun kesel gagasan. Banjur ide kasebut bali karo generasi ilmuwan liyane. Amarga kasunyatan manawa jaringan saraf lan teknologi intelijen buatan isih dadi teknologi sing cukup anyar lan kurang berkembang, bisa uga hype ing saubengé bakal mulai suda maneh, mung bali maneh ing sawetara dekade liyane.

Kepiye carane jaringan saraf sinau?

Biasane, informasi ngliwati jaringan saraf kanthi rong cara. Nalika jaringan mung sinau utawa wis mlaku sawise latihan, pola informasi nglebokake liwat unit input, sing miwiti lapisan unit sing didhelikake, sing banjur mlebu unit output. Struktur sakabèhé iki diarani jaringan feedforward. Ora kabeh unit bisa digunakake ing wektu sing padha. Saben unit nampa data mlebu saka unit ing sisih kiwa lan multiplies dening bobot saka sambungan liwat. Saben unit nambahake kabeh data sing ditampa kanthi cara iki lan, ing jinis jaringan sing paling gampang, yen jumlah kasebut ngluwihi ambang tartamtu, unit kasebut ngaktifake unit liyane sing disambungake (ing sisih tengen). Salah sawijining titik penting sing ngidini jaringan saraf bisa sinau yaiku umpan balik. Kaya bocah sing kudu digedhekake dening wong diwasa sing bakal ngandhani apa sing apik lan sing ala, jaringan saraf butuh umpan balik lan bimbingan. Padha nggunakake pendekatan kanggo latihan disebut backpropagation . Ing metode iki, jaringan mbandhingake output sing diasilake karo output sing kudu diasilake, lan nggunakake prabédan antarane rong faktor kasebut kanggo ngganti bobot sambungan antarane unit ing jaringan, saka unit output, liwat unit penengah menyang unit input - yaiku, kosok balene. Swara wektu, backpropagation meksa jaringan kanggo sinau, ngurangi prabédan antarane output nyata lan kira-kira kanggo titik ngendi padha persis cocog.

Kepiye cara kerja jaringan saraf lan ing ngendi digunakake?

Lan pungkasane, ayo goleki conto babagan cara kerja jaringan saraf kasebut. Sawise jaringan saraf duwe conto data sing cukup kanggo dilatih, tekan titik ing ngendi pangguna bisa menehi feed data anyar sing durung nate diproses jaringan sadurunge lan entuk asil sing dikarepake. Contone, umpamane sampeyan nglatih jaringan saraf kanggo ndeteksi senjata nalika katon ing endi wae ing kamera keamanan. Sampeyan nglatih jaringan kanthi nuduhake atusan, ewu, lan puluhan ewu gambar saka macem-macem jinis gaman, kayata pistol lan bedhil. Ing sawetara titik, sampeyan upload gambar saka jinis anyar gegaman sing durung ditampilake kanggo dheweke sadurunge, contone, bedhil. Akibaté, jaringan kasil ngenali obyek iki minangka gegaman adhedhasar sawetara kritéria dhasar, kayata wangun umum, ngarsane gagang lan bokong, ngarsane pemicu, lan sapiturute. Yaiku, jaringan saraf nemtokake senjata ing gambar adhedhasar sawetara pola "sinau". Ing wektu sing padha, mesthine, iki ora ateges jaringan saraf bisa ndeleng data anyar lan nggawe keputusan kanthi mandiri, kaya sing ditindakake wong. Iki nampa kabeh informasi ing wangun kode binar, lan saben unit input (informasi menyang jaringan) mung bisa ing rong posisi: on utawa off. Dadi, yen sampeyan nggunakake conto sing padha, nglatih jaringan saraf kanggo nemokake senjata, informasi kasebut bakal ngliwati sakumpulan unit input sing mangsuli pitakon dhasar "ya / ora". Contone, kayata: apa obyek duwe pemicu?; ana moncong?; apa barang digawe saka logam? bentuke cocok karo pistol? Mulane, kanggo bedhil, respon jaringan bakal: "ya, ya, ya, ora" utawa "1110" ing kode binar. Mesthine, ing sistem nyata bakal ana luwih akeh pitakonan kaya ngono, nanging intine tetep padha: jaringan saraf nampa data ing bentuk kode binar, lan kanthi bantuan sinau mbedakake informasi sing dibutuhake saka sing ora perlu. Saiki, ngerti mekanisme dhasar jaringan saraf, gampang dibayangake carane teknologi iki digunakake kanggo ngatasi macem-macem masalah saiki. Contone, conto klasik yaiku nggunakake jaringan saraf kanggo nyegah penipuan bank - nalika sistem sinau kanthi mandiri nemokake lan langsung mblokir transfer kasebut sing amarga siji utawa liyane katon curiga. Utawa, contone, panggunaan jaringan saraf kanggo autopilot dhasar mobil utawa pesawat: nalika unit input nampa informasi saka sistem kontrol sing beda, lan unit output nyetel mode pilot sesuai karo kursus sing diwenehake.

kesimpulan

Saiki sampeyan ndeleng manawa jaringan saraf minangka teknologi sing relatif ora rumit, sakabèhé, sing bener-bener mindhah komputer lan sistem komputer kanthi maju, luwih cedhak karo wong. Ing sisih liya, uga jelas yen jaringan saraf isih ora kaya kompleks lan efisien kaya otak manungsa. Dadi ayo padha ngucapke matur nuwun amarga kita kabeh wis lair kanthi jaringan syaraf maju sing dibangun langsung ing otak kita, lan ayo nggunakake kasugihan alam iki luwih asring, contone, kanggo sinau lan dandan diri.