โครงข่ายประสาทเทียม: แหล่งกำเนิดของ AI ในอนาคตหรือเป็นเพียงเทรนด์เทคโนอื่น ๆ ?

ในเนื้อหาเกี่ยวกับ JavaRush เราได้กล่าวถึงหัวข้อปัญญาประดิษฐ์ (AI) การเรียนรู้ของเครื่องและเทคโนโลยีอื่น ๆ ที่เกี่ยวข้องกับ AI ไม่ทางใดก็ทางหนึ่ง โดยเฉพาะอย่างยิ่ง เราได้พูดคุยกันแล้วเกี่ยวกับความเกี่ยวข้องของปัญญาประดิษฐ์กับการเขียนโปรแกรมใน Java อภิปรายตำนานและเรื่องราวสยองขวัญเกี่ยวกับ AIและในบทความหลายบทความเราได้กล่าวถึงเทคโนโลยีหลักที่ใช้ในด้าน นี้ ดังนั้นเราจึงตัดสินใจว่าตอนนี้เป็นเวลาที่ดีที่จะเจาะลึกเข้าไปในสาขา AI และพิจารณาเทคโนโลยีที่รองรับ AI สมัยใหม่และการเรียนรู้ของเครื่องจักร - โครงข่ายประสาทเทียมให้ละเอียดยิ่งขึ้น กล่าวคือ แนวคิดของโครงข่ายประสาทเทียมแต่แรกเริ่มเกิดขึ้นได้อย่างไร และเทคโนโลยีนี้ถูกแปรสภาพเป็นสถานะปัจจุบันอย่างไร โครงข่ายประสาทเทียมแตกต่างจากเซลล์ประสาทในสมองมนุษย์อย่างไร ไม่ว่าพวกเขาจะรู้วิธีการเรียนรู้จริง ๆ หรือไม่ และสิ่งที่พวกเขาสามารถทำได้จริง ๆ ในปัจจุบัน

โครงข่ายประสาทเทียมและสมองของมนุษย์ เดียวกัน?

ในขั้นต้น โครงข่ายประสาทเทียมคอมพิวเตอร์ได้รับชื่อนี้เนื่องจากหลักการออกแบบคล้ายกับระบบประสาทในสมองของมนุษย์ ดังนั้น สมองของมนุษย์โดยเฉลี่ยจึงประกอบด้วยเซลล์เล็กๆ ที่เรียกว่าเซลล์ประสาทมากกว่า 100 ล้านเซลล์ ในความเป็นจริงไม่มีใครรู้แน่ชัดว่ามีเซลล์ดังกล่าวอยู่ในสมองของมนุษย์ได้กี่เซลล์ - ประมาณว่ามีตั้งแต่ 50 ถึง 500 พันล้าน เซลล์ประสาทแต่ละอันประกอบด้วยตัวเซลล์ที่มีจำนวนมากที่เรียกว่าเดนไดรต์ (อินพุตของเซลล์ - ส่งข้อมูลไปยังเซลล์ ) และหนึ่งแอกซอน ( เอาต์พุตของเซลล์ - ส่งข้อมูลจากเซลล์) เซลล์ประสาทมีขนาดเล็กมากจนสามารถวางเซลล์เหล่านี้ได้ประมาณร้อยเซลล์ในพื้นที่หนึ่งตารางมิลลิเมตร ภายในคอมพิวเตอร์ สิ่งเทียบเท่ากับเซลล์ประสาทคืออุปกรณ์สวิตชิ่งเล็กๆ ที่เรียกว่าทรานซิสเตอร์ ไมโครโปรเซสเซอร์สมัยใหม่ล่าสุด (คอมพิวเตอร์ชิปตัวเดียว) มีทรานซิสเตอร์มากกว่า 30 พันล้านตัว แม้แต่ไมโครโปรเซสเซอร์ Pentium ตัวแรกที่สร้างขึ้นเมื่อประมาณ 20 ปีที่แล้วก็มีทรานซิสเตอร์ประมาณ 50 ล้านตัวที่บรรจุอยู่ในวงจรรวมที่มีพื้นที่เพียง 25 มม. ในความเป็นจริง ผู้เชี่ยวชาญกล่าวว่า นี่คือจุดที่การเชื่อมต่อระหว่างโปรเซสเซอร์คอมพิวเตอร์และเซลล์ประสาทในสมองของมนุษย์สิ้นสุดลง เพราะไม่เช่นนั้น พวกมันจะแตกต่างกันมากและทำงานแตกต่างไปจากเดิมอย่างสิ้นเชิง ทรานซิสเตอร์ของคอมพิวเตอร์เชื่อมต่อกันด้วยวงจรอนุกรมที่ค่อนข้างง่าย ซึ่งแต่ละวงจรสามารถเชื่อมต่อกับวงจรอื่นๆ สองหรือสามวงจรได้ ในขณะที่เซลล์ประสาทในสมองเชื่อมต่อกันอย่างแน่นหนาด้วยวิธีขนานที่ซับซ้อน ดังนั้น นักวิทยาศาสตร์จึงคำนวณว่าแต่ละเซลล์ประสาทสามารถเชื่อมต่อกับเพื่อนบ้านได้มากกว่าหมื่นราย

โครงข่ายประสาทเทียมคืออะไร?

ดังนั้นความแตกต่างทางโครงสร้างที่สำคัญที่สุดระหว่างคอมพิวเตอร์และเซลล์ประสาทในสมองคือวิธีการทำงานของพวกมัน แนวคิดพื้นฐานเบื้องหลังโครงข่ายประสาทเทียมคือการจำลอง หรือถ้าคุณต้องการจำลองการทำงานของเซลล์ประสาทจำนวนมากที่เชื่อมต่อถึงกันในสมองในรูปแบบที่เรียบง่าย นี่คือสิ่งที่ทำให้โครงข่ายประสาทเทียมสามารถทำสิ่งที่ไมโครโปรเซสเซอร์ธรรมดาไม่สามารถทำได้ กล่าวคือ เรียนรู้ จดจำรูปแบบ และตัดสินใจบนหลักการที่คล้ายกับสมองของมนุษย์ อย่างไรก็ตาม สิ่งสำคัญคือต้องเน้นว่าในขณะนี้ โครงข่ายประสาทเทียมเป็นซอฟต์แวร์จำลองการทำงานของเซลล์ประสาทในสมองอย่างง่าย โครงข่ายประสาทเทียมทั่วไปประกอบด้วยเซลล์ประสาทเทียมหลายสิบถึงหลายร้อย หลายพันหรือแม้แต่หลายล้านเซลล์ เรียกว่าหน่วย ซึ่งจัดเรียงเป็นหลายชั้น หน่วยเหล่านี้บางหน่วยเรียกว่าหน่วยรับเข้ามีหน้าที่รับข้อมูลในรูปแบบต่างๆ จากโลกภายนอก ซึ่งโครงข่ายประสาทเทียมจะพยายามเรียนรู้ จดจำ และประมวลผลด้วยวิธีอื่นๆ หน่วยอื่นๆ ที่เรียกว่าหน่วยเอาท์พุต ซึ่งอยู่ฝั่งตรงข้ามของเครือข่าย มีหน้าที่รับผิดชอบในการโต้ตอบของเครือข่ายกับข้อมูลนี้ ระหว่างสองชั้นนี้มีหน่วยอื่นๆ ที่ทำการคำนวณและประกอบเป็นโครงข่ายประสาทเทียมจำนวนมาก โครงข่ายประสาทเทียมส่วนใหญ่เชื่อมต่อถึงกัน หมายความว่าแต่ละยูนิตเชื่อมต่อกับยูนิตอื่นในชั้นทั้งสองด้าน การเชื่อมต่อระหว่างหน่วยจะแสดงด้วยตัวเลขที่เรียกว่าน้ำหนัก น้ำหนักในโครงข่ายประสาทเทียมอาจเป็นค่าบวก (หากหน่วยหนึ่งเปิดใช้งานอีกหน่วย) หรือค่าลบ (หากหน่วยหนึ่งระงับหรือทำให้หน่วยอื่นอ่อนลง) ยิ่งน้ำหนักมากเท่าใด อิทธิพลของหน่วยหนึ่งต่ออีกหน่วยก็จะยิ่งมากขึ้นเท่านั้น โครงข่ายประสาทเทียมอย่างง่ายที่ออกแบบมาเพื่อแก้ไขปัญหาง่ายๆ อาจมีเพียงสามชั้นพื้นฐานเท่านั้น ดังที่แสดงในภาพ อย่างไรก็ตาม ระหว่างเลเยอร์อินพุตและเอาต์พุตอาจมีเลเยอร์ที่แตกต่างกันจำนวนหนึ่งที่ทำหน้าที่ต่างกัน โครงข่ายประสาทเทียมที่มีโครงสร้างที่ซับซ้อนมากกว่า (มากกว่าในภาพประกอบด้านบน) เรียกว่าโครงข่ายประสาทเทียมระดับลึก และมักใช้ในการแก้ปัญหาที่ซับซ้อน ตามทฤษฎี การใช้โครงสร้างเชิงลึกช่วยให้โครงข่ายประสาทเทียมสามารถแมปข้อมูลอินพุตประเภทใดก็ได้กับข้อมูลเอาต์พุตประเภทใดก็ได้ จึงสามารถแก้ไขปัญหาใดๆ ก็ได้ อย่างไรก็ตาม สำหรับสิ่งนี้ โครงข่ายประสาทเทียมจะต้องมี "การฝึกอบรม" ที่จริงจังและยาวนาน ซึ่งประกอบด้วยการประมวลผลตัวอย่างข้อมูลนับล้านหรือหลายพันล้านตัวอย่างที่เครือข่ายจำเป็นต้องทำงานด้วย

โครงข่ายประสาทเทียม: ประวัติเล็กน้อย

เราได้แยกแยะคำอธิบายพื้นฐานเกี่ยวกับโครงข่ายประสาทเทียมโดยพื้นฐานแล้ว ตอนนี้เราสามารถถอยกลับเล็กน้อยเกี่ยวกับทฤษฎีและพูดคุยเกี่ยวกับประวัติความเป็นมาของเทคโนโลยีนี้และเมื่อมันปรากฏขึ้นด้วยซ้ำ สิ่งนี้อาจทำให้หลายคนประหลาดใจ แต่โครงข่ายประสาทเทียมปรากฏในวิทยาศาสตร์เมื่อกว่า 70 ปีที่แล้ว แนวคิดนี้ถูกเสนอครั้งแรกในปี พ.ศ. 2487 โดย Warren McCullough และ Walter Pitts นักวิจัยสองคนจากมหาวิทยาลัยชิคาโก ซึ่งย้ายไปอยู่ที่สถาบันเทคโนโลยีแมสซาชูเซตส์ในปี พ.ศ. 2495 ซึ่งพวกเขาได้ก่อตั้งกลุ่มวิจัยวิทยาศาสตร์เกี่ยวกับความรู้ความเข้าใจกลุ่มแรกขึ้น จริงๆ แล้วโครงข่ายประสาทเทียมถือเป็นงานวิจัยหลักทั้งในด้านประสาทวิทยาศาสตร์และวิทยาการคอมพิวเตอร์ จนถึงปี 1969 นั่นคือเทคโนโลยีนี้ ซึ่งรองรับระบบปัญญาประดิษฐ์สมัยใหม่ ในแง่สมัยใหม่ เป็นที่ฮือฮามานานกว่าทศวรรษ ตั้งแต่ประมาณช่วงกลางทศวรรษที่ห้าสิบจนถึงปลายทศวรรษที่หกสิบ เชื่อกันว่า "นักฆ่า" ของการโฆษณานี้เป็นหนังสือที่เขียนโดยนักวิทยาศาสตร์คอมพิวเตอร์สองคน ได้แก่ Marvin Minsky และ Seymour Papert ซึ่งในงานของพวกเขาได้เปิดเผยข้อ จำกัด ทั้งหมดของโครงข่ายประสาทเทียม ความจริงก็คือโครงข่ายประสาทเทียมในยุคแรกๆ มีชั้นที่สามารถฝึกได้เพียงหนึ่งหรือสองชั้นเท่านั้น Minsky และ Papert แสดงให้เห็นว่าเครือข่ายธรรมดาๆ ดังกล่าวไม่มีความสามารถในการสร้างแบบจำลองปรากฏการณ์ที่ซับซ้อนในโลกแห่งความจริงในทางคณิตศาสตร์ได้ เป็นผลให้ความสนใจในโครงข่ายประสาทเทียมในฐานะเทคโนโลยีหายไปเป็นเวลาหลายปี - ตลอดช่วงอายุเจ็ดสิบและครึ่งแรกของปีแปดสิบพวกเขาให้ความสนใจเพียงเล็กน้อยเท่านั้น ความสนใจได้รับการต่ออายุในปี 1986 โดยมีการตีพิมพ์บทความที่แนะนำแนวคิดเรื่อง backpropagation ซึ่งเป็นวิธีปฏิบัติในการฝึกอบรมโครงข่ายประสาทเทียมระดับลึก ต้องขอบคุณการขยายพันธุ์แบบย้อนกลับ ทำให้ Deep Neural Networks เป็นมิตรกับการคำนวณมากขึ้น แต่ก็ยังต้องใช้ทรัพยากรการประมวลผลขนาดใหญ่ในการทำงาน และการวิจัยในช่วงทศวรรษ 1990 และ 2000 มักแสดงให้เห็นว่าโครงข่ายประสาทเทียมที่ซับซ้อนไม่ได้ให้ผลลัพธ์ตามที่ต้องการในแง่ของประสิทธิภาพ เป็นผลให้โครงข่ายประสาทเทียมหลุดจากกระแสโฆษณาไประยะหนึ่งและกลับมาอีกครั้งในช่วงทศวรรษที่สองของปี 2000 เท่านั้น สาเหตุหลักมาจากพลังการประมวลผลที่เพิ่มขึ้นของชิปกราฟิก ซึ่งทำให้โครงข่ายประสาทเชิงลึกทำงานได้อย่างมีประสิทธิภาพมากกว่าเดิม ปรากฏการณ์ของวัฏจักรดังกล่าวในทางวิทยาศาสตร์โดยรวมได้รับการอธิบาย อย่างดีTomaso Poggio ศาสตราจารย์จากสถาบันเทคโนโลยีแมสซาชูเซตส์: “มีคำอธิบายว่าแนวคิดทางวิทยาศาสตร์แพร่กระจายในลักษณะเดียวกับที่ไวรัสแพร่กระจาย ตัวอย่างเช่น มีไวรัสไข้หวัดใหญ่สายพันธุ์หลักห้าหรือหกสายพันธุ์ และแต่ละสายพันธุ์จะกลับมาประมาณหนึ่งครั้งทุกๆ 25 ปี ผู้คนติดเชื้อ มีภูมิคุ้มกัน และได้รับความคุ้มครองจากการติดเชื้อไปอีก 25 ปีข้างหน้า แล้วคนรุ่นใหม่ก็เข้ามาติดเชื้อไวรัสสายพันธุ์เดียวกันอีกครั้ง ในทางวิทยาศาสตร์ ผู้คนหลงรักความคิดและทำงานจนเหนื่อยมาก มากจนพัฒนาภูมิคุ้มกันในรูปแบบของความเหนื่อยล้าทางความคิด แล้วแนวคิดนี้ก็กลับมาพร้อมกับนักวิทยาศาสตร์รุ่นต่อไป” เมื่อพิจารณาจากข้อเท็จจริงที่ว่าโครงข่ายประสาทเทียมและเทคโนโลยีปัญญาประดิษฐ์ยังคงเป็นเทคโนโลยีที่ค่อนข้างใหม่และไม่ได้รับการพัฒนา จึงเป็นไปได้ที่กระแสโฆษณารอบๆ เครือข่ายนี้จะเริ่มลดลงอีกครั้งในไม่ช้า และจะกลับมาอีกครั้งในอีกสองสามทศวรรษข้างหน้า

โครงข่ายประสาทเทียมเรียนรู้ได้อย่างไร?

โดยทั่วไปแล้ว ข้อมูลจะส่งผ่านโครงข่ายประสาทเทียมได้สองวิธี เมื่อเครือข่ายเพิ่งเรียนรู้หรือทำงานอยู่หลังการฝึกอบรม รูปแบบของข้อมูลจะเข้าสู่เครือข่ายผ่านหน่วยอินพุต ซึ่งจะเปิดเลเยอร์ของหน่วยที่ซ่อนอยู่ ซึ่งจะเข้าสู่หน่วยเอาต์พุต โครงสร้างโดยรวมนี้เรียกว่าเครือข่ายฟีดฟอร์เวิร์ด ไม่ใช่ทุกหน่วยจะทำงานพร้อมกัน แต่ละหน่วยจะได้รับข้อมูลขาเข้าจากหน่วยทางด้านซ้ายและคูณด้วยน้ำหนักของการเชื่อมต่อที่ส่งผ่าน แต่ละยูนิตจะรวมข้อมูลทั้งหมดที่ได้รับในลักษณะนี้ และในประเภทเครือข่ายที่ง่ายที่สุด หากผลรวมเกินเกณฑ์ที่กำหนด หน่วยจะเปิดใช้งานยูนิตอื่นๆ ที่เชื่อมต่อด้วย (ทางด้านขวา) ประเด็นสำคัญประการหนึ่งที่ช่วยให้โครงข่ายประสาทเทียมสามารถเรียนรู้ได้ก็คือคำติชม เช่นเดียวกับที่เด็กต้องได้รับการเลี้ยงดูโดยผู้ใหญ่ที่จะบอกว่าอะไรดีและอะไรไม่ดี โครงข่ายประสาทเทียมก็ต้องการคำติชมและคำแนะนำ พวกเขาใช้วิธีการฝึกอบรมที่เรียกว่าbackpropagation ในวิธีนี้ เครือข่ายจะเปรียบเทียบเอาท์พุตที่สร้างกับเอาท์พุตที่ควรสร้าง และใช้ความแตกต่างระหว่างปัจจัยทั้งสองนี้เพื่อเปลี่ยนน้ำหนักของการเชื่อมต่อระหว่างหน่วยในเครือข่าย จากหน่วยเอาท์พุต ผ่านหน่วยกลางเป็นหน่วยอินพุต - นั่นคือในทางกลับกัน เมื่อเวลาผ่านไป การเผยแพร่กลับจะบังคับให้เครือข่ายเรียนรู้ ซึ่งจะลดความแตกต่างระหว่างผลลัพธ์จริงและผลลัพธ์ที่ประมาณไว้จนถึงจุดที่ตรงกันทุกประการ

โครงข่ายประสาทเทียมทำงานอย่างไรและใช้งานที่ไหน?

และสุดท้าย เรามาดูตัวอย่างการทำงานของโครงข่ายประสาทเทียมกัน เมื่อโครงข่ายประสาทเทียมมีตัวอย่างข้อมูลเพียงพอสำหรับฝึก ก็จะถึงจุดที่ผู้ใช้สามารถป้อนข้อมูลใหม่ได้อย่างสมบูรณ์ซึ่งเครือข่ายไม่เคยประมวลผลมาก่อน และได้รับผลลัพธ์ตามที่ต้องการ ตัวอย่างเช่น สมมติว่าคุณฝึกโครงข่ายประสาทเทียมให้ตรวจจับอาวุธเมื่อปรากฏที่ไหนสักแห่งในสายตาของกล้องรักษาความปลอดภัย คุณฝึกฝนเครือข่ายโดยแสดงรูปภาพอาวุธประเภทต่าง ๆ นับร้อยนับพันหรือหมื่นภาพ เช่น ปืนพกและปืนไรเฟิล เมื่อถึงจุดหนึ่ง คุณอัปโหลดรูปภาพของอาวุธชนิดใหม่ที่ไม่เคยแสดงให้เธอเห็นมาก่อน เช่น ปืน เป็นผลให้เครือข่ายระบุวัตถุนี้เป็นอาวุธได้สำเร็จโดยพิจารณาจากเกณฑ์พื้นฐานหลายประการ เช่น รูปร่างทั่วไป การมีด้ามจับและก้น การมีไกปืน และอื่นๆ นั่นคือโครงข่ายประสาทเทียมจะกำหนดอาวุธในภาพตามรูปแบบ "ที่เรียนรู้" จำนวนหนึ่ง ในขณะเดียวกัน แน่นอนว่าไม่ได้หมายความว่าโครงข่ายประสาทเทียมสามารถดูข้อมูลใหม่และตัดสินใจได้อย่างอิสระเหมือนกับที่ผู้คนทำ รับข้อมูลทั้งหมดในรูปแบบของรหัสไบนารี่และแต่ละหน่วยอินพุต (ข้อมูลในเครือข่าย) สามารถอยู่ในสองตำแหน่งเท่านั้น: เปิดหรือปิด ดังนั้น หากคุณใช้ตัวอย่างเดียวกันนี้ ฝึกโครงข่ายประสาทเทียมเพื่อค้นหาอาวุธ ข้อมูลจะผ่านชุดหน่วยอินพุตที่ตอบคำถามพื้นฐาน "ใช่/ไม่ใช่" ตัวอย่างเช่น: วัตถุมีทริกเกอร์หรือไม่; มีปากกระบอกปืนไหม?; รายการนี้ทำจากโลหะหรือเปล่า?; รูปร่างของมันเข้ากันกับปืนพกหรือเปล่า? ดังนั้น สำหรับปืน การตอบสนองของเครือข่ายจะเป็น: "ใช่ ใช่ ใช่ ไม่ใช่" หรือ "1110" ในรหัสไบนารี่ แน่นอนว่าในระบบจริงจะมีคำถามดังกล่าวมากกว่านี้ แต่สาระสำคัญยังคงเหมือนเดิม: โครงข่ายประสาทเทียมได้รับข้อมูลในรูปแบบของรหัสไบนารี่และด้วยความช่วยเหลือในการเรียนรู้ที่จะแยกแยะข้อมูลที่จำเป็นจากสิ่งที่ไม่จำเป็น เมื่อทราบกลไกพื้นฐานของโครงข่ายประสาทเทียมแล้ว จึงเป็นเรื่องง่ายที่จะจินตนาการว่าเทคโนโลยีนี้ถูกนำมาใช้เพื่อแก้ไขปัญหาต่างๆ ในปัจจุบันอย่างไร ตัวอย่างเช่น ตัวอย่างคลาสสิกคือการใช้โครงข่ายประสาทเทียมเพื่อป้องกันการฉ้อโกงทางธนาคาร เมื่อระบบเรียนรู้ที่จะค้นหาและบล็อกการถ่ายโอนเหล่านั้นอย่างอิสระโดยทันทีที่ดูน่าสงสัยด้วยเหตุผลใดก็ตาม หรือตัวอย่างเช่น การใช้โครงข่ายประสาทเทียมสำหรับระบบขับเคลื่อนอัตโนมัติพื้นฐานของรถยนต์หรือเครื่องบิน เมื่อหน่วยอินพุตได้รับข้อมูลจากระบบควบคุมที่แตกต่างกัน และหน่วยเอาต์พุตจะปรับโหมดการนำร่องตามหลักสูตรที่กำหนด

ข้อสรุป

ตอนนี้คุณคงเห็นว่าโครงข่ายประสาทเทียมเป็นเทคโนโลยีโดยรวมที่ค่อนข้างไม่ซับซ้อน ซึ่งจะทำให้คอมพิวเตอร์และระบบคอมพิวเตอร์ก้าวไปข้างหน้าและใกล้ชิดกับผู้คนมากขึ้น ในทางกลับกัน เห็นได้ชัดว่าโครงข่ายประสาทเทียมยังไม่ซับซ้อนและมีประสิทธิภาพเท่ากับสมองของมนุษย์ เรารู้สึกขอบคุณที่เราทุกคนเกิดมาพร้อมกับโครงข่ายประสาทเทียมขั้นสูงที่สร้างขึ้นในสมองของเรา และลองใช้ความมั่งคั่งตามธรรมชาตินี้บ่อยขึ้น เช่น เพื่อการเรียนรู้และการพัฒนาตนเอง