Данас ћемо покушати да схватимо шта су неуронске мреже, како функционишу и која је њихова улога у стварању вештачке интелигенције.
Неуронске мреже. Ову фразу чујемо скоро свуда. Долази до тога да ћете чак и у фрижидерима пронаћи неуронске мреже (ово није шала). Неуронске мреже се широко користе алгоритми машинског учења, који се данас могу наћи не само у рачунарима и паметним телефонима, већ иу многим другим електронским уређајима, на пример, у кућним апаратима. И да ли сте се икада запитали шта су ове неуронске мреже?
Не брините, ово неће бити академско предавање. Постоји много публикација, укључујући и на украјинском језику, које веома професионално и поуздано објашњавају ово питање у области егзактних наука. Такве публикације су старе више од десет година. Како је могуће да су ове старе публикације и даље актуелне? Чињеница је да се основе неуронских мрежа нису промениле, а сам концепт — математички модел вештачког неурона — настао је током Другог светског рата.
Исто и са интернетом, данашњи интернет је неупоредиво напреднији него када је послат први мејл. Основи Интернета, темељни протоколи, постојали су од самог почетка његовог настанка. Сваки сложени концепт изграђен је на темељима старих структура. Исто је и са нашим мозгом, најмлађи церебрални кортекс не може да функционише без најстаријег еволуционог елемента: можданог стабла, које је у нашим главама од времена много старијег од постојања наше врсте на овој планети.
Јесам ли те мало збунио? Дакле, хајде да разумемо детаљније.
Такође занимљиво: ЦхатГПТ: Једноставна упутства за употребу
Шта су неуронске мреже?
Мрежа је скуп одређених елемената. Ово је најједноставнији приступ у математици, физици или технологији. Ако је рачунарска мрежа скуп међусобно повезаних рачунара, онда је неуронска мрежа очигледно скуп неурона.
Међутим, ови елементи нису ни издалека упоредиви по сложености са нервним ћелијама нашег мозга и нервног система, али на одређеном нивоу апстракције, неке карактеристике вештачког неурона и биолошког неурона су уобичајене. Али потребно је запамтити да је вештачки неурон много једноставнији концепт од његовог биолошког колеге, о коме још увек не знамо све.
Прочитајте такође: 7 најбољих употреба ЦхатГПТ-а
Прво је постојао вештачки неурон
Први математички модел вештачког неурона развила су 1943. године (да, то није грешка, током Другог светског рата) два америчка научника, Ворен Мекалок и Волтер Питс. То им је пошло за руком на основу интердисциплинарног приступа, комбинујући основна знања из физиологије мозга (сетимо се времена када је овај модел настао), математике и тада младог ИТ приступа (користили су између осталог и теорију израчунљивости Алана Туринга). ). МцЦуллоцх-Питтсов модел вештачког неурона је веома једноставан модел, има много улаза, где улазна информација пролази кроз тежине (параметре), чије вредности одређују понашање неурона. Добијени резултат се шаље на један излаз (погледајте дијаграм МцЦуллоцх-Питтс неурона).
Таква структура налик стаблу повезује се са биолошким неуроном, јер када помислимо на цртеже који приказују биолошке нервне ћелије, на памет нам пада карактеристична структура налик стаблу дендрита. Међутим, не треба подлећи илузији да је вештачки неурон бар донекле близак правој нервној ћелији. Ова два истраживача, аутори првог вештачког неурона, успели су да покажу да се било која израчунљива функција може израчунати коришћењем мреже међусобно повезаних неурона. Међутим, подсетимо се да су ови први концепти настали само као идеје које су постојале само „на папиру“ и нису имале право тумачење у виду оперативне опреме.
Прочитајте такође: О квантним рачунарима једноставним речима
Од модела до иновативних имплементација
МцЦуллоцх и Питтс су развили теоријски модел, али је стварање прве праве неуронске мреже морало да се чека више од десет година. Његов творац се сматра још једним пиониром истраживања вештачке интелигенције, Френк Розенблат, који је 1957. године створио Марк И Перцептрон мрежу, а ви сте сами показали да је захваљујући овој структури машина стекла способност која је раније била својствена само животињама и људима: могу да уче. Међутим, сада знамо да је, у ствари, било и других научника који су дошли на идеју да машина може да учи, укључујући и пре Розенблата.
Многи истраживачи и пионири рачунарске науке 1950-их дошли су на идеју како да натерају машину да ради оно што не може сама. На пример, Артур Семјуел је развио програм који је играо даме са човеком, Ален Њуел и Херберт Сајмон су креирали програм који може независно да докаже математичке теореме. Чак и пре стварања прве Розенблатове неуронске мреже, друга два пионира истраживања у области вештачке интелигенције, Марвин Мински и Дин Едмондс, 1952. године, дакле чак и пре појаве Розенблатовог перцептрона, изградили су машину под називом СНАРЦ (Стоцхастиц Неурал Аналог Реинфорцемент Цалцулатор) - ојачање стохастичког неуронског аналогног калкулатора, које многи сматрају првим рачунаром стохастичке неуронске мреже. Треба напоменути да СНАРЦ није имао никакве везе са савременим рачунарима.
Моћна машина, користећи више од 3000 електронских цеви и резервни механизам аутопилота из бомбардера Б-24, успела је да симулира рад 40 неурона, што се показало као довољно да математички симулира потрагу пацова за излазом из лавиринта. . Пацова, наравно, није било, то је био само процес дедукције и проналажења оптималног решења. Овај аутомобил је био део докторске студије Марвина Минскија.
Још један занимљив пројекат у области неуронских мрежа била је мрежа АДАЛИНЕ, коју је 1960. развио Бернард Витхров. Дакле, може се поставити питање: пошто су истраживачи пре више од пола века познавали теоријске основе неуронских мрежа и чак креирали прве радне имплементације оваквих рачунарских оквира, зашто је било потребно толико времена, до 21. века, да се креирати права решења заснована на неуронским мрежама? Одговор је један: недовољна рачунарска снага, али то није била једина препрека.
Иако су 1950-их и 1960-их многи пионири АИ били фасцинирани могућностима неуронских мрежа, а неки од њих су предвидели да је машински еквивалент људском мозгу удаљен само десет година. Данас је ово чак и смешно читати, јер још увек нисмо ни близу да створимо машински еквивалент људском мозгу, а још смо далеко од решавања овог задатка. Брзо је постало јасно да је логика првих неуронских мрежа била и фасцинантна и ограничена. Прве имплементације АИ помоћу вештачких неурона и алгоритама машинског учења биле су у стању да реше одређени уски опсег задатака.
Међутим, када је реч о ширим просторима и решавању нечег заиста озбиљног, као што је препознавање образаца и слика, симултано превођење, препознавање говора и рукописа итд., односно ствари које компјутери и АИ већ данас могу да ураде, показало се да прве имплементације неуронских мрежа једноставно нису биле у стању да то ураде. Зашто је то тако? Одговор је дало истраживање Марвина Минскија (да, истог из СНАРЦ-а) и Симора Пеперта, који је 1969. доказао ограничења перцептронске логике и показао да повећање могућности једноставних неуронских мрежа искључиво због скалирања не функционише. Постојала је још једна, али веома важна, баријера – рачунарска снага доступна у то време била је премала да би се неуронске мреже користиле како је предвиђено.
Такође занимљиво:
- Дакле, говорити или не говорити? Муск негира да је разговарао са Путином. Али постоји "али"
- Модерна артиљерија је супер оружје Украјине. А зашто је Елон Муск овде?
Ренесанса неуронских мрежа
Седамдесетих и осамдесетих година прошлог века, неуронске мреже су биле практично заборављене. Тек крајем прошлог века расположива рачунарска моћ је постала толико велика да су јој се људи почели враћати и развијати своје способности у овој области. Тада су се појавиле нове функције и алгоритми, способни да превазиђу ограничења првих најједноставнијих неуронских мрежа. Тада се појавила идеја о дубоком машинском учењу вишеслојних неуронских мрежа. Шта се заправо дешава са овим слојевима? Данас су скоро све корисне неуронске мреже које раде у нашем окружењу вишеслојне. Имамо улазни слој чији је задатак да прима улазне податке и параметре (тежине). Број ових параметара варира у зависности од сложености рачунарског проблема који треба да реши мрежа.
Поред тога, имамо такозване „скривене слојеве“ – ту се дешава сва „магија“ повезана са дубоким машинским учењем. Скривени слојеви су одговорни за способност ове неуронске мреже да учи и изводи потребне прорачуне. Коначно, последњи елемент је излазни слој, односно слој неуронске мреже који даје жељени резултат, у овом случају: препознати рукопис, лице, глас, формирану слику на основу текстуалног описа, резултат томографске анализе дијагностичка слика и још много тога.
Прочитајте такође: Тестирао сам и интервјуисао Бинговог цхат бота
Како неуронске мреже уче?
Као што већ знамо, појединачни неурони у неуронским мрежама обрађују информације уз помоћ параметара (тежина), којима се додељују појединачне вредности и везе. Ове тежине се мењају током процеса учења, што вам омогућава да прилагодите структуру ове мреже на такав начин да генерише жељени резултат. Како тачно мрежа учи? Очигледно је, мора се стално обучавати. Немојте се чудити овој изреци. И ми учимо, а овај процес није хаотичан, већ уредно, да кажемо. Ми то зовемо образовањем. У сваком случају, неуронске мреже се такође могу обучити, а то се обично ради помоћу одговарајуће одабраног скупа улаза, који некако припрема мрежу за задатке које ће обављати у будућности. И све се то понавља корак по корак, понекад процес учења донекле личи на сам процес обуке.
На пример, ако је задатак ове неуронске мреже да препозна лица, она је унапред обучена на великом броју слика које садрже лица. У процесу учења, тежине и параметри скривених слојева се мењају. Стручњаци овде користе израз „минимизација функције трошкова“. Функција трошкова је количина која нам говори колико дата неуронска мрежа прави грешке. Што више можемо минимизирати функцију трошкова као резултат обуке, то ће ова неуронска мрежа боље радити у стварном свету. Најважнија карактеристика која разликује било коју неуронску мрежу од задатка програмираног коришћењем класичног алгоритма је да, у случају класичних алгоритама, програмер мора да дизајнира корак по корак које ће акције програм извршити. У случају неуронских мрежа, сама мрежа је способна да сама научи да правилно обавља задатке. И нико не зна тачно како сложена неуронска мрежа изводи своје прорачуне.
Данас се неуронске мреже широко користе и, што је можда изненађујуће, врло често без разумевања како заправо функционише рачунарски процес у датој мрежи. Нема потребе за овим. Програмери користе готове неуронске мреже научене машином које су припремљене за улазне податке одређеног типа, обрађују их на само њима познат начин и производе жељени резултат. Програмер не мора да зна како процес закључивања функционише унутар неуронске мреже. То јест, особа остаје подаље од великог обима прорачуна, метода добијања информација и њихове обраде неуронским мрежама. Откуд извесни страхови човечанства у погледу модела вештачке интелигенције. Једноставно се плашимо да ће једног дана неуронска мрежа себи поставити одређени задатак и самостално, без помоћи особе, пронаћи начине да га реши. Ово забрињава човечанство, изазива страх и неповерење у коришћење алгоритама машинског учења.
Овај утилитарни приступ је данас уобичајен. Тако је и код нас: знамо да обучимо некога у одређеној активности, а знамо да ће процес обуке бити ефикасан ако се ради правилно. Особа ће стећи жељене вештине. Али да ли тачно разумемо како се процес дедукције одвија у његовом мозгу, што је изазвало овај ефекат? Немамо појма.
Задатак научника је да проуче ове проблеме што је више могуће, да нам служе и помогну тамо где је потребно, и, што је најважније, не постану претња. Као људи, плашимо се онога што не знамо.
Такође занимљиво: