Ma megpróbáljuk kitalálni, mik azok a neurális hálózatok, hogyan működnek, és mi a szerepük a mesterséges intelligencia létrehozásában.
Neurális hálózatok. Szinte mindenhol halljuk ezt a mondatot. Odáig jut, hogy még a hűtőszekrényekben is találsz neurális hálózatokat (ez nem vicc). A neurális hálózatokat széles körben használják a gépi tanulási algoritmusok, amelyek ma már nemcsak a számítógépekben és okostelefonokban, hanem sok más elektronikus eszközben is megtalálhatók, például háztartási gépekben. És elgondolkozott már azon, hogy mik ezek a neurális hálózatok?
Ne aggódjon, ez nem akadémiai előadás lesz. Számos publikáció létezik, köztük ukrán nyelven is, amelyek nagyon szakszerűen és megbízhatóan magyarázzák ezt a kérdést az egzakt tudományok területén. Az ilyen kiadványok több mint egy tucat évesek. Hogyan lehetséges, hogy ezek a régi kiadványok még mindig aktuálisak? A tény az, hogy a neurális hálózatok alapjai nem változtak, és magát a koncepciót – egy mesterséges neuron matematikai modelljét – a második világháború idején hozták létre.
Ugyanez az internettel is, a mai internet összehasonlíthatatlanul fejlettebb, mint az első e-mail elküldésekor. Az Internet alapjai, az alapvető protokollok a létrehozásának kezdetétől léteztek. Minden összetett koncepció a régi struktúrák alapjaira épül. Ugyanez a helyzet az agyunkkal is, a legfiatalabb agykéreg nem tud működni a legrégebbi evolúciós elem: az agytörzs nélkül, amely már régebb óta van a fejünkben, mint fajunk ezen a bolygón.
Egy kicsit összezavartalak? Tehát értsük meg részletesebben.
Szintén érdekes: ChatGPT: Egyszerű használati utasítás
Mik azok a neurális hálózatok?
A hálózat bizonyos elemek gyűjteménye. Ez a matematika, fizika vagy technológia legegyszerűbb megközelítése. Ha egy számítógépes hálózat egymáshoz kapcsolódó számítógépek halmaza, akkor a neurális hálózat nyilvánvalóan neuronok halmaza.
Ezek az elemek azonban komplexitásukban még távolról sem hasonlíthatók össze agyunk és idegrendszerünk idegsejtjeivel, de az absztrakció bizonyos szintjén a mesterséges neuron és a biológiai neuron egyes jellemzői közösek. De nem szabad elfelejteni, hogy a mesterséges neuron sokkal egyszerűbb fogalom, mint biológiai megfelelője, amelyről még mindig nem tudunk mindent.
Olvassa el még: A ChatGPT 7 legmenőbb felhasználási módja
Először volt egy mesterséges neuron
A mesterséges neuron első matematikai modelljét 1943-ban (igen, ez nem hiba, a második világháború idején) dolgozta ki két amerikai tudós, Warren McCulloch és Walter Pitts. Ezt interdiszciplináris megközelítés alapján sikerült megvalósítaniuk, ötvözve az agyfiziológiai alapismereteket (emlékezzünk a modell megalkotásának idejére), a matematikát és az akkor még fiatal informatikai megközelítést (használták többek között Alan Turing számítási elméletét ). A McCulloch-Pitts mesterséges neuron modell egy nagyon egyszerű modell, sok bemenettel rendelkezik, ahol a bemeneti információ súlyokon (paramétereken) halad át, amelyek értékei meghatározzák a neuron viselkedését. A kapott eredményt egyetlen kimenetre küldjük (lásd a McCulloch-Pitts neuron diagramját).
Egy ilyen faszerű szerkezet egy biológiai neuronhoz kötődik, mert ha a biológiai idegsejteket ábrázoló rajzokra gondolunk, akkor a dendritek jellegzetes faszerű szerkezete jut eszünkbe. Nem szabad azonban engedni annak az illúziónak, hogy egy mesterséges neuron legalább valamelyest közel áll egy valódi idegsejthez. Ennek a két kutatónak, az első mesterséges neuron szerzőjének sikerült bebizonyítania, hogy bármilyen kiszámítható függvény kiszámítható egymással összekapcsolt neuronok hálózatával. Emlékezzünk azonban arra, hogy ezek az első fogalmak csak olyan ötletekként születtek, amelyek csak "papíron" léteztek, és nem volt valódi értelmezésük működő berendezések formájában.
Olvassa el még: A kvantumszámítógépekről egyszerű szavakkal
A modelltől az innovatív megvalósításokig
McCulloch és Pitts kidolgozott egy elméleti modellt, de az első valódi neurális hálózat létrehozására több mint tíz évet kellett várni. Megalkotója a mesterséges intelligencia kutatásának másik úttörője, Frank Rosenblatt, aki 1957-ben létrehozta a Mark I Perceptron hálózatot, és Ön maga mutatta be, hogy ennek a szerkezetnek köszönhetően a gép olyan képességre tett szert, amely korábban csak az állatokban és az emberekben rejlett: tud tanulni. Most azonban már tudjuk, hogy valójában voltak más tudósok is, akik felvetették az ötletet, hogy egy gép képes tanulni, még Rosenblatt előtt is.
A számítástechnika számos kutatója és úttörője az 1950-es években azzal az ötlettel állt elő, hogyan lehet egy gépet megtenni arra, amit önmagában nem tud. Például Arthur Samuel kifejlesztett egy programot, amely egy emberrel dámát játszott, Allen Newell és Herbert Simon pedig egy olyan programot, amely önállóan tudta bizonyítani a matematikai tételeket. Még Rosenblatt első neurális hálózatának létrehozása előtt a mesterséges intelligencia kutatásának másik két úttörője, Marvin Minsky és Dean Edmonds 1952-ben, vagyis még a Rosenblatt-féle perceptron megjelenése előtt megépített egy SNARC (Stochastic Neural) nevű gépet. Analog Reforcement Calculator) - sztochasztikus neurális analóg számológép-erősítés, amelyet sokan az első sztochasztikus neurális hálózati számítógépnek tartanak. Meg kell jegyezni, hogy a SNARC-nek semmi köze nem volt a modern számítógépekhez.
A több mint 3000 elektronikus csövet és egy B-24-es bombázó tartalék robotpilóta mechanizmusát használó, nagy teljesítményű gép 40 idegsejt működését tudta szimulálni, ami elegendőnek bizonyult ahhoz, hogy matematikailag szimulálja a patkány labirintusból való kilépést. . Természetesen nem volt patkány, ez csak a levezetés és az optimális megoldás megtalálásának folyamata volt. Ez az autó Marvin Minsky Ph.D. fokozatának része volt.
Egy másik érdekes projekt a neurális hálózatok területén az ADALINE hálózat volt, amelyet 1960-ban Bernard Withrow fejlesztett ki. Feltehető tehát a kérdés: mivel több mint fél évszázaddal ezelőtt a kutatók ismerték a neurális hálózatok elméleti alapjait, sőt megalkották az ilyen számítási keretrendszerek első működő megvalósításait, miért tartott ilyen sokáig, egészen a XXI. neurális hálózatokon alapuló valódi megoldásokat hozzon létre? A válasz egy: elégtelen számítási teljesítmény, de nem ez volt az egyetlen akadály.
Bár az 1950-es és 1960-as években sok mesterséges intelligencia úttörőt lenyűgöztek a neurális hálózatok lehetőségei, és néhányan azt jósolták, hogy az emberi agy gépi megfelelője már csak tíz évre van. Ezt ma még vicces is olvasni, mert még mindig a közelébe sem jutottunk az emberi agy gépi megfelelőjének létrehozásához, és még messze vagyunk a feladat megoldásától. Gyorsan világossá vált, hogy az első neurális hálózatok logikája lenyűgöző és korlátozott. Az AI mesterséges neuronokat és gépi tanulási algoritmusokat használó első implementációi a feladatok egy bizonyos körét képesek voltak megoldani.
Amikor azonban tágabb terekről és olyan igazán komoly dolgok megoldásáról volt szó, mint a minta- és képfelismerés, a szinkronfordítás, a beszéd- és kézírás-felismerés stb., vagyis olyan dolgok, amikre már ma is képesek a számítógépek és a mesterséges intelligencia, akkor kiderült, hogy a a neurális hálózatok első megvalósításai egyszerűen képtelenek voltak erre. Miért van ez így? A választ Marvin Minsky (igen, ugyanaz a SNARC-től) és Seymour Papert kutatása adta, akik 1969-ben bebizonyították a perceptron logika korlátait, és kimutatták, hogy az egyszerű neurális hálózatok képességeinek pusztán skálázás miatti növelése nem működik. Volt még egy, de nagyon fontos akadály – az akkori számítási teljesítmény túl kicsi volt ahhoz, hogy a neurális hálózatokat rendeltetésszerűen lehessen használni.
Szintén érdekes:
- Szóval beszélni vagy nem beszélni? Musk tagadja, hogy Putyinnal beszélt volna. De van egy "de"
- A modern tüzérség Ukrajna szuperfegyvere. És miért van itt Elon Musk?
A neurális hálózatok reneszánsza
Az 1970-es és 1980-as években a neurális hálózatok gyakorlatilag feledésbe merültek. A rendelkezésre álló számítási teljesítmény csak a múlt század végén vált olyan nagyra, hogy az emberek elkezdtek visszatérni hozzá, és fejleszteni képességeiket ezen a területen. Ekkor jelentek meg új funkciók és algoritmusok, amelyek képesek voltak legyőzni az első legegyszerűbb neurális hálózatok korlátait. Ekkor merült fel a többrétegű neurális hálózatok mély gépi tanulásának ötlete. Mi történik valójában ezekkel a rétegekkel? Ma már szinte minden, a környezetünkben működő hasznos neurális hálózat többrétegű. Van egy bemeneti rétegünk, amelynek feladata a bemeneti adatok és paraméterek (súlyok) fogadása. Ezen paraméterek száma a hálózat által megoldandó számítási probléma összetettségétől függően változik.
Ezen kívül vannak úgynevezett „rejtett rétegeink” – itt történik minden a mély gépi tanuláshoz kapcsolódó „varázslat”. A rejtett rétegek felelősek azért, hogy ez a neurális hálózat képes legyen megtanulni és elvégezni a szükséges számításokat. Végül az utolsó elem a kimeneti réteg, vagyis a neurális hálózat azon rétege, amely a kívánt eredményt adja, jelen esetben: felismert kézírás, arc, hang, a szöveges leírás alapján kialakított kép, a tomográfiás elemzés eredménye. a diagnosztikai kép és még sok más.
Olvassa el még: Teszteltem és interjút készítettem a Bing chatbotjával
Hogyan tanulnak a neurális hálózatok?
Mint már tudjuk, a neurális hálózatok egyes neuronjai paraméterek (súlyok) segítségével dolgozzák fel az információkat, amelyekhez egyedi értékeket és kapcsolatokat rendelnek. Ezek a súlyok a tanulási folyamat során változnak, ami lehetővé teszi a hálózat szerkezetének oly módon történő beállítását, hogy az a kívánt eredményt hozza létre. Pontosan hogyan tanul a hálózat? Nyilvánvaló, folyamatosan edzeni kell. Ne lepődj meg ezen a mondáson. Mi is tanulunk, és ez a folyamat nem kaotikus, hanem mondjuk rendezett. Nevezzük oktatásnak. Mindenesetre a neurális hálózatok is betaníthatók, és ez általában egy megfelelően kiválasztott bemeneti halmaz segítségével történik, amely valamilyen módon felkészíti a hálózatot a jövőben elvégzendő feladatokra. És mindez lépésről lépésre ismétlődik, néha a tanulási folyamat bizonyos mértékig hasonlít magára a képzési folyamatra.
Például, ha ennek a neurális hálózatnak az a feladata, hogy felismerje az arcokat, akkor nagyszámú arcot tartalmazó képre van előképzett. A tanulási folyamat során a rejtett rétegek súlya és paraméterei megváltoznak. A szakértők itt a „költségfüggvény minimalizálása” kifejezést használják. A költségfüggvény egy olyan mennyiség, amely megmondja, hogy egy adott neurális hálózat mennyit hibázik. Minél jobban tudjuk minimalizálni a költségfüggvényt a képzés eredményeként, ez a neurális hálózat annál jobban teljesít a való világban. A legfontosabb jellemző, ami megkülönböztet minden neurális hálózatot a klasszikus algoritmussal programozott feladattól, hogy a klasszikus algoritmusok esetében a programozónak lépésről lépésre meg kell terveznie, hogy a program milyen műveleteket hajt végre. A neurális hálózatok esetében maga a hálózat képes önállóan megtanulni a feladatok helyes végrehajtását. És senki sem tudja pontosan, hogyan végzi el a számításait egy összetett neurális hálózat.
Manapság a neurális hálózatokat széles körben használják, és talán meglepő módon nagyon gyakran anélkül, hogy megértenék, hogyan működik az adott hálózatban a számítási folyamat. Erre semmi szükség. A programozók kész gépi betanított neurális hálózatokat használnak, amelyek egy bizonyos típusú bemeneti adatokra vannak felkészítve, azokat a csak általuk ismert módon feldolgozzák és a kívánt eredményt produkálják. A programozónak nem kell tudnia, hogyan működik a következtetési folyamat egy neurális hálózaton belül. Vagyis az ember távol marad a nagy mennyiségű számítástól, az információszerzés módszerétől és a neurális hálózatok általi feldolgozásától. Innen ered az emberiség bizonyos félelmei a mesterséges intelligencia modelljeivel kapcsolatban. Egyszerűen attól tartunk, hogy egy napon a neurális hálózat kitűz egy bizonyos feladatot, és önállóan, egy személy segítsége nélkül megtalálja a módját annak megoldására. Ez aggasztja az emberiséget, félelmet és bizalmatlanságot kelt a gépi tanulási algoritmusok használatával szemben.
Ez a haszonelvű megközelítés ma általános. Nálunk is így van: tudjuk, hogyan kell valakit egy adott tevékenységre betanítani, és tudjuk, hogy a képzési folyamat akkor lesz hatékony, ha helyesen végzik. Az ember elsajátítja a kívánt készségeket. De vajon pontosan értjük-e, hogyan zajlik le az agyában az a dedukciós folyamat, amely ezt a hatást okozta? Fogalmunk sincs.
A tudósok feladata, hogy ezeket a problémákat minél jobban tanulmányozzák, hogy szükség esetén szolgáljanak és segítsenek bennünket, és ami a legfontosabb, ne jelentsenek veszélyt. Emberként félünk attól, amit nem ismerünk.
Szintén érdekes: