A mesterséges ideghálózatok megváltoztatják a világot. Kik ők?

AI mesterséges intelligencia ideghálózatok

A számítógép feltalálása óta olyan emberek beszélnek azokról a dolgokról, amelyekre a számítógépek soha nem lesznek képesek. Legyen szó egy nagymester megveréséről sakkban vagy a továbbjutásról Jeopardy!, ezek az előrejelzések mindig tévesek voltak. Néhány ilyen nay-mondás azonban mindig jobban megalapozta a számítástechnikát. Voltak olyan célok, amelyeket, ha tudta, hogyan működnek a számítógépek, tudta, hogy ezeket gyakorlatilag lehetetlen megvalósítani. Az emberi érzelmek felismerése arckifejezéseken keresztül. Sokféle kurzív kézírás olvasása. Helyesen azonosítja a szavakat a beszélt nyelven. Autonóm vezetés a forgalmas utcákon.

Nos, a számítógépek most már képesek elvégezni ezeket a dolgokat, és még egy kicsit többet is. Tényleg túl cinikusak voltak a nemet mondók a digitális számítógépek valódi képességeivel kapcsolatban? Bizonyos értelemben nem. A monumentális kihívások megoldására a tudósok kénytelenek voltak egy teljesen újat kitalálni típus a számítógép, az egyik az agy szerkezetén alapul. Ezek a mesterséges neurális hálózatok (ANN) csak szimulációként léteznek fut tovább rendes digitális számítógép, de ami ebben a szimulációban zajlik, alapvetően nagyon különbözik a klasszikus számítástól.

A mesterséges ideghálózat a számítástechnika gyakorlata? Alkalmazott biológia? Tiszta matematika? Kísérleti filozófia? Mindezek a dolgok, és még sok más.



Neurális hálózat

Mik az ANN-ok?

A legtöbb ember már tudja, hogy az agyunkban a számítást végző idegsejtek nem úgy szerveződnek, mint a félvezetők a számítógépes processzorban, lineáris sorrendben, ugyanarra a táblára csatlakozva, és egyetlen egyesítő órajel vezérli őket. Inkább az agyban minden idegsejt névlegesen a saját önálló szereplője, és a legtöbb vagy az összes olyan neuronhoz van bekötve, amelyek fizikailag rendkívül összetett és kissé kiszámíthatatlan módon veszik körül.

Ez azt jelenti, hogy ahhoz, hogy a digitális számítógép rendezett eredményt érjen el, egy átfogó programra van szüksége, hogy irányítsa és minden félvezetőnek elmondja, mit kell tennie az általános cél elérése érdekében. Az agy viszont több millió apró, rendkívül egyszerű egységet egyesít, amelyek mindegyikének megvan a maga programozása és döntéseket hozhat anélkül, hogy külső hatóságra lenne szükség. Minden idegsejt a maga egyszerű, előre meghatározott szabályai szerint működik és kölcsönhatásba lép a körülötte lévő idegsejtekkel.

Az agy legtöbb neuronja több ezer máshoz kapcsolódik.

Az agy legtöbb neuronja több ezer máshoz kapcsolódik.

An mesterséges az ideghálózat (állítólag) pontosan ugyanaz, de szoftverrel szimulált. Más szavakkal, digitális számítógépet használunk egy csomó erősen összekapcsolt kis miniprogram szimulációjának futtatására, amelyek a szimulált ideghálózatunk idegsejtjeit képviselik. Az adatok belépnek az ANN-ba, és valamilyen műveletet végrehajtanak rajta az első „idegsejt”, amelyet a művelet az alapján határoz meg, hogy az idegsejtet úgy programozzák, hogy reagáljon az adatokra az adott tulajdonságokkal. Ezután átkerül a következő neuronra, amelyet hasonló módon választanak meg, így másik műveletet lehet választani és végrehajtani. Ezeknek a számítási idegsejteknek véges számú „rétege” van, és miután mindegyiken áthaladt, kimenet keletkezik.

A bemenet kimenetvé alakításának általános folyamata az egyes idegsejtek programozásának, amelyet az adatok érintenek, és az adatok kiindulási körülményeinek a következménye. Az agyban a „kiindulási feltételek” a gerincből vagy az agy más részeiből érkező specifikus idegi jelek. Az ANN esetében olyanok, amilyennek szeretnénk lenni, a keresési algoritmus eredményeitől a véletlenszerűen generált számokon át a kutatók által manuálisan gépelt szavakig.

Összefoglalva: a mesterséges ideghálózatok alapvetően szimulált agyak. De fontos megjegyezni, hogy szoftveres 'idegsejtjeinknek' alapvetően bármilyen programozást megadhatunk, amelyet csak akarunk; megpróbálhatjuk úgy kialakítani a szabályaikat, hogy viselkedésük tükrözze az emberi agy viselkedését, de felhasználhatjuk azokat olyan problémák megoldására is, amelyeket korábban soha nem tudtunk figyelembe venni.

NeuralNet

Hogyan működnek az ANN-k?

Amit eddig leírtunk, nagyon érdekes, de számításra nagyrészt haszontalan. Vagyis tudományosan nagyon érdekes, hogy képes vagyok szimulálni az agy sejtszerkezetét, de ha tudom, hogyan menjek be és programozzak be minden kis alszereplőt úgy, hogy a bemeneteimet mindig a kívánt kimeneteimmé dolgozzák fel, akkor miért szükségem van egyáltalán ANN-ra? Másképp fogalmazva, az ANN jellege azt jelenti, hogy egy adott probléma megoldására szándékosan felépíteni egy olyan mély ismeretet igényel a probléma és annak megoldásai, hogy maga az ANN is kissé feleslegessé váljon.

Nagy előnye van azonban annak, ha sok egyszerű színésszel dolgozunk együtt, nem pedig egyetlen bonyolult színészrel: az egyszerű színészek önjavíthatnak. Kísérleteket tettek a szokásos szoftverek önszerkesztésére, de a mesterséges ideghálózatok tették új magasságokba a gépi tanulás fogalmát.

ideghálózatok 3Hallani fogja a „nem-determinisztikus” szót, amely leírja az idegháló működését, és ez arra utal, hogy szoftveres neuronjainknak gyakran vannak súlyozott statisztikai valószínűségei, amelyek az adatok különböző eredményeihez kapcsolódnak; 40% az esély, hogy egy A típusú bemenetet átadnak neki ez neuron a következő rétegben, 60% az esély, hogy átjut hogy egyet helyettük. Ezek a bizonytalanságok gyorsan összeadódnak, amikor az ideghálózatok nagyobbak vagy bonyolultabban összekapcsolódnak, így pontosan ugyanazok a kiindulási feltételek sok különböző eredményhez vezethetnek, vagy ami még fontosabb, hogy ugyanazon eredményre jutnak sokféle úton.

Bemutatjuk tehát a „tanulási algoritmus” ötletét. Egyszerű példa a hatékonyság növelésére: ugyanazt a bemenetet küldje el újra és újra és újra a hálózatba, és minden alkalommal, amikor a megfelelő kimenetet generálja, jegyezze fel az ehhez szükséges időt. Egyes utak A-ból B-be természetesen hatékonyabbak lesznek, mint mások, és a tanulási algoritmus megkezdheti a gyorsabban haladó futtatások során fellépő idegsejtek viselkedésének megerősítését.

Sokkal összetettebb ANN-ek bonyolultabb célok elérésére törekedhetnek, például az állatfajok helyes azonosítására a Google képeredményében. A képfeldolgozás és a kategorizálás lépései kissé kiigazodnak, a véletlenszerű és nem véletlenszerű variációk evolúciószerű szitálására támaszkodva olyan macskakeresési folyamat előállítására, amelyet az ANN programozói soha nem tudtak volna közvetlenül kitalálni.

A nem determinisztikus ANN-k sokkal meghatározóbbá válnak, mivel átalakítják magukat, hogy jobban elérjék bizonyos eredményeiket, amint azt a tanulási algoritmusaik céljai meghatározzák. Ezt hívják az ANN „edzésének” - egy ANN-t képez ki a kívánt funkció példáival, így önjavíthatja az alapján, hogy milyen jól teljesített az egyes futásokon. Minél többet képez egy ANN-t, annál jobbnak kell lennie céljainak elérésében.

Én robot

Egy ideig nem.

Van még egy „felügyelet nélküli” vagy „adaptív” tanulás ötlete, amelyben az algoritmust úgy futtatja, hogy a kívánt eredményeket nem tartja szem előtt, de hagyja, hogy elkezdje értékelni az eredményeket, és beállítsa saját magát a saját… szeszélye szerint? Ahogy elképzelhetitek, ezt még nem értik jól, de ez a legvalószínűbb út is, amelyen valódi mesterséges intelligenciát találhatunk - vagy csak nagyon, nagyon fejlett mesterséges intelligenciát. Ha valaha valóban robotokat küldünk teljesen ismeretlen környezetbe, hogy kiderítsük a teljesen előre nem látható problémákat, olyan programokra lesz szükségünk, amelyek önmagukban, valós időben tulajdoníthatnak jelentőséget az ingereknek.

Itt rejlik valóban az ANN-ek ereje: mivel felépítésük lehetővé teszi számukra az iteratív változtatásokat saját programozásuk, képesek olyan válaszokat találni, amelyeket saját alkotóik soha nem kaphattak volna meg. Legyen szó fedezeti alapról, reklámcégről vagy olajkutatóról, lehetetlen figyelmen kívül hagyni a számítógép sebességének és az agy sokoldalúságának ötvözésében rejlő hatalmas lehetőségeket. Éppen ezért a „gépi tanulás” algoritmusainak programozása ma már az egyik legnagyobb keresett készségkészletek a világon.

Az elkövetkező évszázadban valószínűleg kevésbé foglalkozunk a problémák megoldásával, mint a számítógépek megtanításával, hogy megtanulják megoldani a problémákat helyettünk.

OK, de valójában mit tud ANNS csináld?

Az ANN-k hasznossága a két alapvető kategória egyikébe esik: eszközökként az emberek és a digitális számítógépek számára eleve nehéz problémák megoldására, valamint valaminek - klasszikusan az agynak - kísérleti és koncepcionális modelljeként. Beszéljünk mindegyikről külön-külön.

Először is, az ANN-ok iránti érdeklődés (és ami még ennél is fontosabb: befektetés) valódi oka az, hogy képesek megoldani a problémákat. A Google egy ANN segítségével megtudja, hogyan célozhatja jobban a „Nézd meg a következőt” javaslatokat a YouTube videók után. A Large Hadron Collider tudósai az ANN-ekhez fordultak, hogy szitálják ütközéseik eredményét, és csak egy részecske aláírását húzzák ki a nagyobb viharból. A hajózási társaságok ezeket használják az útvonalhosszak minimalizálására a rendeltetési helyek összetett szétszórása során. A hitelkártya-társaságok csalárd tranzakciók azonosítására használják fel őket. Akár kisebb csapatok és egyének számára is elérhetővé válnak - az Amazon, a MetaMind és még sokan mások testreszabott gépi tanulási szolgáltatásokat kínálnak bárkinek meglepően szerény díj ellenében.

Hogy egy ANN mit gondol a súlyzókról, a képekkel való képzéstől kezdve.

Hogy egy ANN mit gondol a súlyzókról, a képekkel való képzéstől kezdve.

A dolgok csak most kezdődnek. A Google egyre több állatképpel képezte fotóanalízis algoritmusait, és nagyon jól meg tudják mondani a kutyákat macskáktól a rendszeres fényképeken. A fordítás és a hangszintézis egyaránt odáig fajul, hogy hamarosan kialakulhat egy babelfish-szerű eszköz, amely természetes, valós idejű beszélgetéseket kínál különböző nyelveket beszélő emberek között. És természetesen vannak a Három nagy hivalkodó példa, amelyek valóban a hüvelykujjukon viselik a gépi tanulást: Siri, Now és Cortana.

A neurális hálózat másik oldala abban rejlik, hogy gondosan megtervezzük, hogy tükrözze az agy szerkezetét. Mind a struktúránk megértése, mind a szimulációjához szükséges számítási teljesítmény közel sem áll közel ahhoz, amit robusztus agytudományra lenne szükségünk egy számítógépes modellben. Voltak ilyenek elképesztő erőfeszítéseket az agy bizonyos részeinek bizonyos aspektusainak szimulálásakor, de ez még mindig a kezdeti szakaszban van.

Mesterséges intelligencia, bérelhető.

Mesterséges intelligencia, bérelhető.

Ennek a megközelítésnek az egyik előnye, hogy miközben nem tud (vagy… nem szabad) genetikailag módosítja az embereket, hogy kísérleti változásokat építsenek be az agyukba, ön teljesen tud végezzen olyan őrült tudós kísérleteket szimulált agyakon. Az ANN-ek sokkal szélesebb körű lehetőségeket fedezhetnek fel, mint amit az orvostudomány gyakorlatilag vagy etikailag figyelembe tudna venni, és egyszer lehetővé tehetnék, hogy a tudósok gyorsan kivizsgálják a kint lévő, „kíváncsi” hipotéziseket, amelyek váratlan eredményekkel járhatnak.

Amikor azt kérdezi magától: 'Meg tudja csinálni egy mesterséges ideghálózat?' utána kérdezd meg magadtól: „Lehet én csináld?' Ha a válasz igen, akkor az agyadnak képesnek kell lennie arra, hogy olyat tegyen, amit egy ANN egyszer képes lehet szimulálni. Másrészt rengeteg olyan dolog van, amelyet egy ANN egyszer képes megtenni, amit az agy soha nem tudna.

Az ANN-ok lehetősége szinte korlátlan.

Tekintse meg az 2007es.com magyarázataink sorozatát, ahol a mai legforróbb technológiai témákról olvashat részletesebben.

Copyright © Minden Jog Fenntartva | 2007es.com