Kunstmatig neuraal netwerk: een overzicht

“Machine-intelligentie is de laatste uitvinding die de mensheid ooit zal moeten doen.”

– Nick Bostrom

We zijn het waarschijnlijk eens met de eminente spreker hierboven, want dat is wat AI-technologie het gaat allemaal over. Kunstmatige intelligentie is een overkoepelende term die veel wordt gebruikt als het gaat om technologieën en software zoals ANN of machinevisie of spraakherkenning en wat dan ook. Gelukkig leven we in tijden waarin we met een druk op de knop toegang hebben tot mogelijk alles. Een overzicht van dit interessante onderwerp zal echt aangrijpend zijn omdat het de hersenen en de ongelooflijke manieren van uitvoering ervan op technisch gebied betreft. Het oplossen van geavanceerde signaalverwerking of patroonherkenningsuitdagingen is waar deze technologieën commercieel worden gebruikt. Handschriftherkenning, spraak-naar-teksttranscriptie, weersvoorspelling en gezichtsherkenning zijn slechts enkele voorbeelden.

Sinds 2010, AI-professionals hebben alle trainingsgegevens en computerbronnen die ze nodig hebben om grote kunstmatige neurale netwerken te bedienen, allemaal dankzij het verplaatsen van big data en parallel computing. Het zou dubbel interessant zijn om te weten hoe functioneren kunstmatige neurale netwerken (ANN)?

Bij een ANN is meestal een groot aantal processors betrokken die in lagen werken en zijn gerangschikt. De eerste laag ontvangt de onbewerkte invoerinformatie – analoog aan optische zenuwen bij menselijke visuele verwerking. Elke volgende laag ontvangt de output van de voorgaande laag, in plaats van de onbewerkte input – op dezelfde manier ontvangen neuronen verder van de oogzenuw signalen van degenen die er het dichtst bij zijn. De laatste laag produceert de output van het systeem. Elk verwerkingsknooppunt heeft zijn eigen kleine kennisgebied, inclusief wat het heeft gezien en alle regels waarmee het oorspronkelijk is geprogrammeerd of voor zichzelf is ontwikkeld. Deze lagen zijn sterk met elkaar verbonden, wat betekent dat elk knooppunt in laag n zal worden verbonden met laag n-1 (zijn ingangen) en in laag n+1 die invoergegevens levert voor die knooppunten.

Kunstmatige neurale netwerken zijn populair omdat ze adaptief zijn, wat simpelweg betekent dat ze zichzelf aanpassen terwijl ze leren van de initiële training en daaropvolgende runs die meer informatie over de wereld geven. Inputs die bijdragen aan het verkrijgen van de juiste antwoorden worden hoger gewogen.

Omdat het een adaptief mechanisme is, bestaat ANN-training uit het leveren van input en het vertellen van het netwerk wat de output zou moeten zijn. Om bijvoorbeeld een netwerk op te bouwen dat de gezichten van acteurs identificeert, kan de initiële training een reeks foto’s zijn, waaronder acteurs, niet-acteurs, maskers, beeldhouwwerken en dierengezichten. Elke invoer gaat vergezeld van bijpassende identificatie, zoals namen van acteurs of ‘geen acteur’ of ‘niet menselijke’ informatie. Door de antwoorden te geven, kan het model zijn mentale gewichten aanpassen om te leren hoe het zijn werk beter kan doen. Bij het definiëren van de regels en het maken van bepalingen gebruiken neurale netwerken verschillende principes, waaronder op gradiënt gebaseerde training, fuzzy logic, genetische algoritmen en Bayesiaanse methoden. Vooringenomen datasets zijn een voortdurende uitdaging in trainingssystemen die zelf antwoorden vinden door patronen in data te herkennen. Als de gegevens die het algoritme voeden niet neutraal zijn en bijna geen gegevens zijn, verspreidt de machine vooringenomenheid.

SOORTEN KUNSTMATIGE NEURALE NETWERKEN:

Neurale netwerken worden synoniem beschouwd als diep leren, inclusief vele lagen tussen invoer en uitvoer, ook wel verborgen lagen genoemd. Een AI-ingenieur beheerst alle netwerken om te slagen in lastige rekensituaties. Variaties op het klassieke neurale netwerkontwerp maken verschillende vormen van doorsturen en achterwaartse verspreiding van informatie tussen lagen mogelijk.

Soorten ANN zijn:

• • FEED-FORWARD NEURALE NETWERKEN
    Het is de eenvoudigste variant van neurale netwerken omdat het informatie in één richting door invoerknooppunten doorgeeft totdat het het uitvoerknooppunt bereikt. Deze worden gebruikt in technologieën zoals gezichtsherkenning en computervisie.

• • TERUGKERENDE NEURALE NETWERKEN
    In dit model fungeert elk knooppunt als een geheugencel en onthoudt het alle verwerkte informatie om deze in de toekomst opnieuw te gebruiken. Het wordt gebruikt bij tekst-naar-spraak-conversies waarbij het zichzelf leert en blijft werken aan correcte voorspelling tijdens backpropagation.

• • CONVOLUTIONELE NEURALE NETWERKEN
    Tekstdigitalisering, signaalverwerking, NLP en beeldclassificatie zijn enkele van de geavanceerde toepassingen van CNN, aangezien het een variatie van meerlagige perceptron gebruikt en kenmerkkaarten maakt die een gebied van het beeld vastleggen dat in rechthoeken is opgedeeld.

• • DECONVOLUTIONELE NEURALE NETWERKEN
    Zoals de naam al doet vermoeden, is het een gerespecteerd CNN-model en heeft het tot doel verloren functies of signalen te vinden die oorspronkelijk als onbelangrijk werden beschouwd voor de systemen van CNN.

• • MODULAIRE NEURALE NETWERKEN
    Hierbij interfereren of communiceren de netwerken niet met elkaars activiteiten tijdens het rekenproces. Bijgevolg kunnen grote en complexe rekenprocessen effectiever worden uitgevoerd.

VOORDELEN VAN ANN:

• • Nu we het hebben gehad over de verschillende soorten neurale netwerken, laten we eens kijken naar de voordelen die deze ANN bezitten:

• • De informatie wordt opgeslagen op een heel netwerk, niet alleen een database.

• • Er worden geen beperkingen gesteld aan invoervariabelen, zoals hoe ze moeten worden verdeeld.

• • Parallelle verwerkingsmogelijkheden betekenen dat het netwerk meer dan één taak tegelijk uitvoert, inderdaad een multitasker.

• • Het heeft een hoge fouttolerantie, wat simpelweg betekent dat de beschadiging van een of meer cellen van ANN het genereren van uitvoer niet zal stoppen.

• • Omdat ANN een inlichtingensysteem is, kan het leren van gebeurtenissen en beslissingen nemen op basis van de waarnemingen.

• • De mogelijkheid om verborgen relaties in de gegevens te leren zonder een vaste relatie op te leggen, betekent dat ANN ook zeer vluchtige gegevens en niet-constante variantie beter kan modelleren.

• • ANN kan de output van ongeziene gegevens voorspellen, aangezien het vermogen om ongeziene relaties te generaliseren en af ​​te leiden enorm is.

NADELEN VAN ANN:

• • Het is hardware-afhankelijk.

• • Het begrijpt alleen numerieke informatie, dus alle problemen moeten worden vertaald naar numerieke waarden voordat ze aan de ANN worden gepresenteerd.

• • Gebrek aan regels betekent dat de juiste ANN-architectuur alleen met vallen en opstaan ​​of ervaring kan worden gevonden.

• • Het onvermogen om het waarom of hoe achter de oplossing uit te leggen, genereert een gebrek aan vertrouwen in het netwerk.

Heb je je ooit afgevraagd wat de basis vormt van Mag ik je pagina kennen waar de meta je naartoe leidde toen je druk aan het scrollen was of hoe je online handtekeningen worden geverifieerd? Tegenwoordig reguleren neurale netwerken enkele belangrijke sectoren, waaronder de financiële wereld, de gezondheidszorg en de auto-industrie. Deze kunstmatige neuronen functioneren op een manier die vergelijkbaar is met het menselijk brein. Ze kunnen worden gebruikt voor beeldherkenning, karakterherkenning en beursvoorspellingen.

Hieronder staan ​​enkele van deToepassingen van ANN:

• • NLP, vertaling & taalgeneratie

• • Geneesmiddelenontdekking en ontwikkeling van de gezondheidszorg

• • Handtekeningverificatie en handschriftanalyse

Neurale netwerken hebben een groot aantal toepassingen, van gezichtsherkenning tot weersvoorspelling, de onderling verbonden lagen kunnen veel dingen doen met enkele eenvoudige invoer. ANN-algoritmen hebben de beoordeling vereenvoudigd en de traditionele algoritmen aangepast. Nu humanoïde robots zoals Grace onderweg zijn, kan de wereld verwachten dat sommige sciencefictionfilms binnenkort werkelijkheid worden.