Rangkaian saraf: buaian AI masa depan atau hanya satu lagi trend tekno?

Dalam bahan di JavaRush, kami telah menyentuh topik kecerdasan buatan (AI), pembelajaran mesin dan teknologi lain yang berkaitan dengan AI dalam satu atau lain cara. Khususnya, kami telah bercakap tentang bagaimana kecerdasan buatan berkaitan dengan pengaturcaraan di Java , membincangkan mitos dan cerita seram tentang AI , dan dalam beberapa artikel kami menyebut teknologi utama yang digunakan dalam bidang ini. Oleh itu, kami memutuskan bahawa sekarang adalah masa yang baik untuk mendalami bidang AI dengan lebih mendalam, dan melihat dengan lebih dekat teknologi yang sebenarnya mendasari AI moden dan pembelajaran mesin - rangkaian saraf. Iaitu: bagaimana konsep rangkaian saraf pada asalnya dan bagaimana teknologi ini diubah menjadi keadaan semasa, bagaimana rangkaian saraf tiruan berbeza daripada neuron dalam otak manusia, sama ada mereka benar-benar tahu bagaimana untuk belajar, dan apa yang mereka mampu lakukan hari ini.

Rangkaian saraf tiruan dan otak manusia. Sama?

Pada mulanya, rangkaian saraf komputer menerima nama ini kerana prinsip reka bentuknya menyerupai sistem neuron dalam otak manusia. Oleh itu, purata otak manusia merangkumi lebih daripada 100 juta sel kecil yang dipanggil neuron. Malah, tiada siapa yang tahu dengan tepat berapa banyak sel seperti itu sebenarnya boleh ada dalam otak manusia - anggaran berkisar antara 50 hingga 500 bilion. Setiap neuron terdiri daripada badan sel dengan banyak yang dipanggil dendrit (input sel - menghantar maklumat ke sel ) dan satu akson ( keluaran sel - menghantar maklumat daripada sel). Neuron sangat kecil sehingga kira-kira seratus sel ini boleh diletakkan di kawasan seluas satu milimeter persegi. Di dalam komputer, setara dengan neuron ialah peranti pensuisan kecil yang dipanggil transistor. Mikropemproses moden terkini (komputer cip tunggal) mengandungi lebih daripada 30 bilion transistor. Malah mikropemproses Pentium pertama, dicipta kira-kira 20 tahun yang lalu, mempunyai kira-kira 50 juta transistor yang dibungkus ke dalam litar bersepadu dengan keluasan hanya 25 mm. Malah, pakar berkata, di sinilah sambungan antara pemproses komputer dan neuron di otak manusia berakhir, kerana jika tidak, mereka sangat berbeza antara satu sama lain dan berfungsi dengan cara yang berbeza. Transistor komputer disambungkan dalam litar bersiri yang agak mudah, setiap satunya boleh disambungkan kepada dua atau tiga yang lain, manakala neuron di otak disambungkan rapat dengan cara selari yang kompleks. Oleh itu, saintis telah mengira bahawa setiap neuron boleh disambungkan kepada lebih daripada 10 ribu jirannya.

Apakah rangkaian saraf tiruan?

Oleh itu, perbezaan struktur yang paling ketara antara komputer dan neuron dalam otak ialah cara ia berfungsi. Idea asas di sebalik rangkaian saraf adalah untuk mensimulasikan, atau, jika anda mahu, model, dalam bentuk yang dipermudahkan, operasi banyak neuron yang saling berkaitan di dalam otak. Inilah yang membolehkan rangkaian saraf melakukan perkara yang tidak boleh dilakukan oleh mikropemproses biasa, iaitu, mempelajari, mengenali corak dan membuat keputusan berdasarkan prinsip yang serupa dengan otak manusia. Walau bagaimanapun, adalah penting untuk menekankan bahawa pada masa ini, rangkaian saraf adalah emulasi perisian mudah kerja neuron di dalam otak. Rangkaian saraf biasa mengandungi daripada beberapa puluh hingga ratusan, beribu-ribu malah berjuta-juta neuron buatan, dipanggil unit, disusun dalam beberapa lapisan. Beberapa unit ini, dipanggil unit input, bertanggungjawab untuk menerima pelbagai bentuk maklumat dari dunia luar, yang kemudiannya akan cuba dipelajari oleh rangkaian saraf, ingat dan proses dengan cara lain. Unit-unit lain, yang dipanggil unit output, terletak di bahagian bertentangan rangkaian, bertanggungjawab untuk cara rangkaian berinteraksi dengan maklumat ini. Di antara dua lapisan ini terdapat unit lain yang melakukan pengiraan dan membentuk sebahagian besar rangkaian saraf. Kebanyakan rangkaian saraf saling berkaitan, bermakna setiap unit disambungkan ke unit lain dalam lapisan di kedua-dua belah pihak. Sambungan antara unit diwakili oleh nombor yang dipanggil berat. Berat dalam rangkaian saraf boleh menjadi positif (jika satu unit mengaktifkan unit lain) atau negatif (jika satu unit menindas atau melemahkan unit lain). Semakin tinggi berat, semakin besar pengaruh satu unit pada unit yang lain. Rangkaian saraf ringkas yang direka untuk menyelesaikan masalah mudah mungkin hanya termasuk tiga lapisan asas, seperti yang ditunjukkan dalam gambar. Walau bagaimanapun, antara lapisan input dan output mungkin terdapat beberapa lapisan berbeza yang melaksanakan fungsi berbeza. Rangkaian saraf dengan struktur yang lebih kompleks (berbanding dalam ilustrasi di atas) dipanggil rangkaian saraf dalam dan biasanya digunakan untuk menyelesaikan masalah yang kompleks. Secara teorinya, penggunaan struktur dalam membolehkan rangkaian saraf memetakan sebarang jenis data input kepada sebarang jenis data keluaran, sekali gus menjadikannya mampu menyelesaikan sebarang masalah. Walau bagaimanapun, untuk ini, rangkaian saraf memerlukan "latihan" yang serius dan panjang, yang terdiri daripada pemprosesan berjuta-juta malah berbilion-bilion contoh maklumat yang perlu dikerjakan oleh rangkaian.

Rangkaian saraf: sedikit sejarah

Nah, kami telah menyelesaikan penjelasan asas tentang apa itu rangkaian saraf, kini kita boleh berundur sedikit tentang teori dan bercakap tentang sejarah teknologi ini dan apabila ia muncul. Ini mungkin mengejutkan ramai, tetapi rangkaian saraf muncul dalam sains lebih daripada 70 tahun yang lalu. Konsep ini pertama kali dicadangkan pada tahun 1944 oleh Warren McCullough dan Walter Pitts, dua penyelidik di Universiti Chicago yang berpindah ke Institut Teknologi Massachusetts pada tahun 1952, di mana mereka mengasaskan kumpulan penyelidikan sains kognitif pertama. Rangkaian saraf sebenarnya merupakan bidang penyelidikan utama dalam kedua-dua sains saraf dan sains komputer sehingga tahun 1969. Iaitu, teknologi ini, yang mendasari sistem kecerdasan buatan moden, telah pun, dalam istilah moden, digembar-gemburkan selama lebih daripada satu dekad - dari kira-kira pertengahan tahun lima puluhan hingga akhir tahun enam puluhan. Adalah dipercayai bahawa "pembunuh" gembar-gembur ini adalah buku yang dikarang oleh dua saintis komputer - Marvin Minsky dan Seymour Papert - yang dalam kerja mereka mendedahkan semua batasan rangkaian saraf. Hakikatnya ialah rangkaian saraf awal hanya mempunyai satu atau dua lapisan yang boleh dilatih. Minsky dan Papert menunjukkan bahawa rangkaian mudah tersebut secara matematik tidak mampu memodelkan fenomena dunia sebenar yang kompleks. Akibatnya, minat dalam rangkaian saraf sebagai teknologi telah hilang selama bertahun-tahun - sepanjang tahun tujuh puluhan dan separuh pertama tahun lapan puluhan, secara objektif sedikit perhatian diberikan kepada mereka. Minat hanya diperbaharui pada tahun 1986, dengan penerbitan kertas kerja yang memperkenalkan konsep perambatan balik, kaedah praktikal untuk melatih rangkaian saraf dalam. Terima kasih kepada perambatan belakang, rangkaian saraf dalam menjadi lebih mesra pengiraan, tetapi masih memerlukan sumber pengkomputeran yang besar untuk beroperasi. Dan penyelidikan pada tahun 1990-an dan 2000-an sering menunjukkan bahawa rangkaian saraf yang kompleks tidak menghasilkan hasil yang diinginkan dari segi kecekapan. Akibatnya, rangkaian saraf jatuh dari gelombang gembar-gembur untuk seketika dan hanya kembali pada dekad kedua tahun 2000-an, sebahagian besarnya disebabkan oleh peningkatan kuasa pengkomputeran cip grafik, yang membolehkan rangkaian saraf dalam berfungsi dengan lebih cekap daripada sebelumnya. Fenomena kitaran sedemikian dalam sains secara keseluruhan dijelaskan dengan baikTomaso Poggio, seorang profesor di Institut Teknologi Massachusetts: "Terdapat penjelasan bahawa idea dalam sains tersebar dengan cara yang sama seperti virus. Sebagai contoh, terdapat lima atau enam strain utama virus influenza, dan setiap satu akan kembali kira-kira sekali setiap 25 tahun. Orang ramai dijangkiti, mengembangkan imuniti, dan dilindungi daripada jangkitan selama 25 tahun akan datang. Dan kemudian generasi baru datang dan sekali lagi dijangkiti dengan strain virus yang sama. Dalam sains, orang jatuh cinta dengan idea dan mengusahakannya sehingga ke tahap keletihan, sehingga mereka mengembangkan imuniti dalam bentuk keletihan idea. Dan kemudian idea itu kembali dengan generasi saintis yang lain." Memandangkan hakikat bahawa rangkaian saraf dan teknologi kecerdasan buatan masih merupakan teknologi yang agak baru dan kurang berkembang, ada kemungkinan gembar-gembur di sekelilingnya akan mula berkurangan lagi, hanya untuk kembali semula dalam beberapa dekad lagi.

Bagaimanakah rangkaian saraf belajar?

Biasanya, maklumat melalui rangkaian saraf dalam dua cara. Apabila rangkaian baru belajar atau sudah berjalan selepas latihan, corak maklumat memasukinya melalui unit input, yang melancarkan lapisan unit tersembunyi, yang seterusnya memasuki unit output. Struktur keseluruhan ini dipanggil rangkaian suapan hadapan. Tidak semua unit berfungsi pada masa yang sama. Setiap unit menerima data masuk daripada unit di sebelah kiri dan mendarabkannya dengan berat sambungan yang dilaluinya. Setiap unit menjumlahkan semua data yang diterima dengan cara ini dan, dalam jenis rangkaian yang paling mudah, jika jumlahnya melebihi ambang tertentu, unit tersebut mengaktifkan unit lain yang disambungkannya (yang di sebelah kanan). Salah satu perkara utama yang membolehkan mana-mana rangkaian saraf belajar ialah maklum balas. Sama seperti kanak-kanak perlu dibesarkan oleh orang dewasa yang akan memberitahunya apa yang baik dan apa yang buruk, rangkaian saraf memerlukan maklum balas dan bimbingan. Mereka menggunakan pendekatan untuk latihan yang dipanggil backpropagation . Dalam kaedah ini, rangkaian membandingkan output yang dihasilkannya dengan output yang sepatutnya dihasilkannya, dan menggunakan perbezaan antara dua faktor ini untuk menukar berat sambungan antara unit dalam rangkaian, daripada unit output, melalui unit perantaraan kepada unit input - iaitu sebaliknya. Dari masa ke masa, perambatan balik memaksa rangkaian untuk belajar, mengurangkan perbezaan antara output sebenar dan anggaran ke titik di mana ia betul-betul sepadan.

Bagaimanakah rangkaian saraf berfungsi dan di mana ia digunakan?

Dan akhirnya, mari kita lihat contoh bagaimana rangkaian saraf sedemikian berfungsi. Sebaik sahaja rangkaian saraf mempunyai contoh data yang mencukupi untuk dilatih, ia mencapai tahap di mana pengguna boleh menyuapnya data baharu sepenuhnya yang rangkaian tidak pernah diproses sebelum ini dan mendapatkan hasil yang diingini daripadanya. Sebagai contoh, katakan anda melatih rangkaian saraf anda untuk mengesan senjata apabila ia muncul di suatu tempat dalam pandangan kamera keselamatan. Anda melatih rangkaian dengan menunjukkan ratusan, ribuan dan puluhan ribu imej pelbagai jenis senjata, seperti pistol dan senapang. Pada satu ketika, anda memuat naik imej jenis senjata baharu yang tidak pernah ditunjukkan kepadanya sebelum ini, sebagai contoh, pistol. Akibatnya, rangkaian berjaya mengenal pasti objek ini sebagai senjata berdasarkan beberapa kriteria asas, seperti bentuk umum, kehadiran pemegang dan punggung, kehadiran pencetus, dan sebagainya. Iaitu, rangkaian saraf menentukan senjata dalam imej berdasarkan beberapa corak "dipelajari". Pada masa yang sama, sudah tentu, ini tidak bermakna bahawa rangkaian saraf boleh melihat data baharu dan secara bebas membuat keputusan, seperti yang dilakukan oleh orang ramai. Ia menerima semua maklumat dalam bentuk kod binari, dan setiap unit input (maklumat ke dalam rangkaian) boleh berada dalam dua kedudukan sahaja: hidup atau mati. Sehubungan itu, jika anda, menggunakan contoh yang sama, melatih rangkaian saraf untuk mencari senjata, maklumat akan melalui set unit input yang menjawab soalan asas "ya/tidak". Sebagai contoh, seperti: adakah objek mempunyai pencetus?; ada muncung?; adakah barang itu diperbuat daripada logam?; adakah bentuknya sepadan dengan pistol? Sehubungan itu, untuk pistol, tindak balas rangkaian ialah: “ya, ya, ya, tidak” atau “1110” dalam kod binari. Sudah tentu, dalam sistem sebenar akan ada lebih banyak soalan seperti itu, tetapi intipatinya tetap sama: rangkaian saraf menerima data dalam bentuk kod binari, dan dengan bantuannya belajar membezakan maklumat yang diperlukan daripada yang tidak perlu. Kini, mengetahui mekanisme asas rangkaian saraf, mudah untuk membayangkan bagaimana teknologi ini digunakan untuk menyelesaikan pelbagai masalah hari ini. Sebagai contoh, contoh klasik ialah penggunaan rangkaian saraf untuk mencegah penipuan bank - apabila sistem belajar mencari secara bebas dan menyekat pemindahan tersebut dengan serta-merta yang atas satu sebab atau yang lain kelihatan mencurigakan. Atau, sebagai contoh, penggunaan rangkaian saraf untuk autopilot asas kereta atau kapal terbang: apabila unit input menerima maklumat daripada sistem kawalan yang berbeza, dan unit output melaraskan mod pemanduan mengikut kursus yang diberikan.

kesimpulan

Sekarang anda melihat bahawa rangkaian saraf adalah teknologi yang agak tidak rumit, secara keseluruhan, yang benar-benar menggerakkan komputer dan sistem komputer selangkah ke hadapan, lebih dekat dengan orang ramai. Sebaliknya, ia juga jelas bahawa rangkaian saraf masih tidak sekompleks dan cekap seperti otak manusia. Oleh itu, marilah kita bersyukur kerana kita semua dilahirkan dengan rangkaian saraf maju yang dibina terus ke dalam otak kita, dan marilah kita menggunakan kekayaan semula jadi ini dengan lebih kerap, sebagai contoh, untuk pembelajaran dan peningkatan diri.