Kion vi bezonas scii kompreni la ŝanĝantan teknologion ĉirkaŭ vi
Neŭraj retoj estas komputilaj modeloj de koneksaj unuoj aŭ nodoj desegnitaj por transdoni, procesi kaj lerni de informo (simile) al simila maniero al kiel la neŭronoj (nervaj ĉeloj) laboras en homoj.
Artegaj Neŭraj Retoj
En teknologio, neŭtralaj retoj ofte estas nomitaj artefaritaj neŭraj retoj (ANNs) aŭ neŭtralaj retoj por distingi de la biologiaj neŭraj retoj, kiujn ili moderiĝas poste. La ĉefa ideo malantaŭ ANN estas, ke la homa cerbo estas la plej kompleksa kaj inteligenta "komputilo", kiu ekzistas. Per modelado de ANoj kiel eble plej proksime al la strukturo kaj sistemo de informprocezo uzata de la cerbo, esploristoj esperis krei komputilojn, kiuj alproksimiĝis aŭ superis homan inteligentecon. Neŭraj retoj estas ŝlosila komponanto de nunaj progresoj en artefarita inteligenteco (AI), maŝinlernado (ML), kaj profunda lernado .
Kiel Neŭraj Retoj Laboro: Komparo
Por kompreni, kiel funkcias la neŭraj retoj kaj la diferencoj inter la du tipoj (biologiaj kaj artefaritaj), ni uzu ekzemplon de konstruaĵo de 15 etaĝoj kaj telefonaj linioj kaj ŝaltiloj, kiuj trairas la vojon laŭ la konstruaĵo, individuaj etaĝoj kaj individuaj oficejoj. Ĉiu individua oficejo en nia 15-etaĝa oficeja konstruaĵo reprezentas neŭronon (nodo en komputila interkonektado aŭ nerva ĉelo en biologio). La konstruaĵo mem estas strukturo enhavanta aron de oficejoj aranĝitaj en sistemo de 15 etaĝoj (neŭra reto).
Aplikante la ekzemplon al biologiaj neŭraj retoj, la ŝipŝipo, kiu ricevas alvokojn, havas liniojn por konekti al iu oficejo en ajna etaĝo en la tuta konstruaĵo. Aldone, ĉiu oficejo havas liniojn kiuj konektas ĝin al ĉiu alia ofico en la tuta konstruaĵo en iu ajn etaĝo. Imagu, ke alvoko venas (enigo) kaj la ŝipŝipo translokiĝas al oficejo en la 3- a etaĝo, kiu translokiĝas rekte al oficejo en la 11- a etaĝo, kiu tiam rekte translokiĝas ĝin al oficejo en la 5- a etaĝo. En la cerbo, ĉiu neŭrono aŭ nerva ĉelo (oficejo) povas rekte konekti al iu ajn alia neŭrono en sia sistemo aŭ neŭtrala reto (la konstruaĵo). La informo (la alvoko) povas esti transdonita al iu ajn alia neŭrono (oficejo) por procezi aŭ lerni kio bezonas ĝis ekzistas respondo aŭ rezolucio (eligo).
Kiam ni aplikas ĉi tiun ekzemplon al ANNs, ĝi ricevas iom pli kompleksan. Ĉiu etaĝo de la konstruaĵo postulas sian propran ŝrankon, kiu nur povas konekti al la oficejoj en la sama etaĝo, same kiel la ŝaltiloj sur la suproj kaj sube. Ĉiu oficejo nur povas rekte konekti al aliaj oficejoj sur la sama etaĝo kaj la ŝranko por tiu etaĝo. Ĉiuj novaj alvokoj devas komenci kun la ŝranko sur la unua etaĝo kaj devas esti transdonitaj al ĉiu individua etaĝo en nombra ordo ĝis la 15- a etaĝo antaŭ ol la alvoko povas finiĝi. Ni movu ĝin por vidi kiel ĝi funkcias.
Imagu, ke alvoko (enigo) al la 1- a etaĝo estas sendita al oficejo sur la 1- a etaĝo (nodo). La alvoko tiam translokiĝas rekte inter aliaj oficejoj (nodoj) sur la 1- a etaĝo ĝis ĝi pretas esti sendita al la sekva etaĝo. Tiam la alvoko devas esti sendita reen al la 1- a etaĝoŝiparo, kiu tiam translokiĝas ĝin al la 2- a etaĝoŝranko. Ĉi tiuj samaj paŝoj ripetas unu etaĝon samtempe, kun la alvoko sendata tra ĉi tiu procezo sur ĉiu etaĝo ĝis la tuta planko 15.
En ANs, nodoj (oficejoj) estas aranĝitaj en tavoloj (etaĝoj de la konstruaĵo). La informo (alvoko) ĉiam eniras tra la eniga tavolo (1- a etaĝo kaj ĝia ŝranko) kaj devas esti sendita kaj procesita per ĉiu tavolo (etaĝo) antaŭ ol ĝi povas moviĝi al la sekva. Ĉiu tavolo (etaĝo) procesas specifan detalon pri tiu voko kaj sendas la rezulton kune kun la alvoko al la sekva tavolo. Kiam la alvoko atingas la eligan tavolon (15- a etaĝon kaj ĝian ŝiponŝipon), ĝi inkluzivas la prilantan informon de tavoloj 1-14. La nodoj (oficejoj) sur la 15- a tavolo (etaĝo) uzas la eniga kaj prilabora informo de ĉiuj aliaj tavoloj (etaĝoj) por prezenti respondon aŭ rezolucion (eligo).
Neŭraj Retoj kaj Maŝinlernado
Neŭraj retoj estas unu speco de teknologio sub la kategorio de lernado de maŝinoj. Fakte, antaŭenigo en esplorado kaj disvolviĝo de neŭraj retoj estis forte ligita al la ebboj kaj fluoj de progreso en ML. Neuraj retoj ekspansiiĝas la datumprogramajn kapablojn kaj pliigas la komputikan potencon de ML, pliigante la volumon de datumoj kiuj povas esti procesitaj, sed ankaŭ la kapablon plenumi pli kompleksajn taskojn.
La unua dokumenta komputila modelo por ANNs estis kreita en 1943 fare de Walter Pitts kaj Warren McCulloch. Komenca intereso kaj esplorado en neŭraj retoj kaj maŝina lernado fine malrapidiĝis kaj estis pli aŭ malpli ŝirmitaj antaŭ 1969, kun nur malgrandaj eksplodoj de renovigita intereso. Komputiloj de la tempo simple ne havis sufiĉe rapide aŭ sufiĉe ampleksajn procesilojn por antaŭenigi ĉi tiujn areojn, kaj la vasta kvanto da datumoj bezonataj por ML kaj neŭtralaj retoj ne estis disponeblaj samtempe.
Multaj pliigoj en komputado de potenco dum tempo kune kun la kresko kaj ekspansio de interreto (kaj tiel aliri al amasaj kvantoj da datumoj tra interreto) solvis tiujn fruajn defiojn. Neŭraj retoj kaj ML nun estas instrumentaj en teknologioj, kiujn ni vidas kaj uzas ĉiutage, kiel la rekono facial , prilaborado de bildoj kaj serĉado, kaj realtempa lingva tradukado - por nomi nur kelkajn.
Neŭraj Reto-Ekzemploj en ĉiutaga vivo
La ANN estas sufiĉe kompleksa temo ene de teknologio, tamen valoris iom da tempo esplori pro la kreskanta nombro da vojoj, kiujn ĝi trafas niajn vivojn ĉiutage. Jen kelkaj pli da ekzemploj de manieroj neŭraj retoj nuntempe uzataj de malsamaj industrioj:
- Financo: Neŭraj retoj estas uzataj por antaŭdiri monerŝanĝojn. Ili ankaŭ estas uzataj en la teknologio malantaŭ aŭtomataj komercaj sistemoj uzataj en la sako.
- Medicino: la kapabloj pri prilaborado de bildoj de neŭraj retoj kontribuis al teknologio, kiu helpas pli precize ekranon kaj detektas fruan etapon kaj malfacile identigas tipojn de kanceroj. Unu tia tipo de kancero estas invasiva melanoma, la plej serioza kaj mortiga formo de haŭta kancero. Identiganta melanoma ĉe antaŭaj stadioj, antaŭ ol ĝi disvastiĝis, donas al pacientoj kun ĉi tiu tipo de kancero la plej bonajn eblojn venki ĝin.
- Vetero: La kapablo por detekti atmosferajn ŝanĝojn, kiuj indikas eventuale seriozan kaj danĝera vetero-eventon kiel eble plej rapide kaj precize, estas esenca por konservi vivojn. Neŭraj retoj estas implikitaj en la realtempa prilaborado de satelito kaj radaro-bildoj, kiuj ne nur detektas fruajn formojn de uraganoj kaj ciklonoj, sed ankaŭ detektas subitaŝanĝojn en ventaj rapidoj kaj direkto, kiuj indikas forman tornadon. Tornadoj estas kelkaj el la plej fortaj kaj plej danĝeraj veteraj eventoj en la rekordo - ofte pli subita, detrua kaj mortiga ol uraganoj.