Ang mga neural network ay mga modelo ng computer ng mga nakakonektang yunit o mga node na dinisenyo upang magpadala, magproseso, at matuto mula sa impormasyon (data) sa katulad na paraan kung paano gumagana ang mga neuron (mga cell nerve) sa mga tao.
Mga Artipisyal na Neural Network
Sa teknolohiya, ang mga neural network ay madalas na tinutukoy bilang artipisyal na neural network (ANN) o neural nets upang makilala mula sa mga biological neural network na kanilang binubuo pagkatapos. Ang pangunahing ideya sa likod ng mga ANN ay ang utak ng tao ay ang pinaka-kumplikado at matalinong "computer" na umiiral. Sa pamamagitan ng pag-modelo ng mga ANN nang mas malapit hangga't maaari sa istraktura at sistema ng pagproseso ng impormasyon na ginagamit ng utak, inaasahan ng mga mananaliksik na lumikha ng mga computer na lumapit o lumalampas sa karunungan ng tao. Ang mga neural nets ay isang mahalagang bahagi ng kasalukuyang mga pag-unlad sa artificial intelligence (AI), pag-aaral ng machine (ML), at malalim na pag-aaral.
Paano Gumagana ang Neural Networks: Isang Paghahambing
Upang maunawaan kung paano gumagana ang mga neural network at ang mga pagkakaiba sa pagitan ng dalawang uri (biological at artipisyal), gamitin natin ang halimbawa ng isang 15-story office building at ang mga linya ng telepono at mga switchboard na tumatawag sa ruta sa buong gusali, mga indibidwal na sahig, at mga indibidwal na tanggapan. Ang bawat indibidwal na opisina sa aming 15-story office building ay kumakatawan sa isang neuron (node sa computer networking o nerve cell sa biology). Ang gusali mismo ay isang istraktura na naglalaman ng isang hanay ng mga tanggapan na nakaayos sa isang sistema ng 15 palapag (isang neural network).
Ang paglalapat ng halimbawa sa mga biological neural network, ang switchboard na tumatanggap ng mga tawag ay may mga linya upang kumonekta sa anumang tanggapan sa anumang palapag sa buong gusali. Bukod pa rito, ang bawat tanggapan ay may mga linya na kumonekta sa bawat iba pang tanggapan sa buong gusali sa anumang palapag. Isipin na ang isang tawag ay dumating sa (input) at ang switchboard ay ilipat ito sa isang opisina sa 3rd sahig, na direktang inililipat ito sa isang tanggapan sa 11ika sahig, na kung saan pagkatapos ay direktang inililipat ito sa isang tanggapan sa 5ika sahig. Sa utak, ang bawat neuron o nerve cell (isang opisina) ay maaaring direktang kumonekta sa anumang iba pang neuron sa sistema o neural network (ang gusali). Ang impormasyon (ang tawag) ay maaaring ipadala sa anumang ibang neuron (opisina) upang iproseso o matutunan kung ano ang kailangan hanggang sa may isang sagot o resolution (output).
Kapag inilalapat namin ang halimbawang ito sa ANN, nakakakuha ito ng medyo mas kumplikado. Ang bawat palapag ng gusali ay nangangailangan ng sarili nitong switchboard, na maaari lamang kumonekta sa mga opisina sa parehong palapag, pati na rin ang mga switchboard sa mga sahig sa itaas at ibaba nito. Ang bawat tanggapan ay maaari lamang direktang kumonekta sa iba pang mga tanggapan sa parehong palapag at ang switchboard para sa sahig na iyon. Dapat magsimula ang lahat ng mga bagong tawag sa switchboard sa ika-1 palapag at dapat ilipat sa bawat indibidwal na palapag sa numerong order hanggang sa 15ika sahig bago matapos ang tawag. Let's set it motion to see how it works.
Isipin na ang tawag ay nasa (input) sa 1st palitan ng sahig at ipinadala sa isang tanggapan sa 1st sahig (node). Ang tawag ay pagkatapos ay direktang mailipat sa iba pang mga tanggapan (node) sa 1st sahig hanggang sa ito ay handa na ipadala sa susunod na palapag. Pagkatapos ay dapat na ipadala pabalik ang tawag sa 1st sahig na kuwadro na gawa sa sahig, na naglilipat nito sa 2nd sahig ng palapag. Ang mga parehong hakbang na ito ay ulitin ang isang sahig sa isang pagkakataon, kasama ang tawag na ipinadala sa pamamagitan ng prosesong ito sa bawat solong palapag hanggang sa sahig na 15.
Sa mga ANN, ang mga node (mga opisina) ay nakaayos sa mga layer (mga palapag ng gusali). Ang impormasyon (isang tawag) ay laging nanggagaling sa pamamagitan ng input layer (1st sahig at switchboard nito) at kailangang ipadala at iproseso ng bawat layer (sahig) bago ito lumipat sa susunod. Ang bawat layer (palapag) ay nagpapatakbo ng isang tiyak na detalye tungkol sa tawag na iyon at nagpapadala ng resulta kasama ang tawag sa susunod na layer. Kapag ang tawag ay umaabot sa output layer (15ika sahig at switchboard nito), kabilang dito ang impormasyon sa pagproseso mula sa mga layer 1-14. Ang mga node (opisina) sa 15ika Ang layer (floor) ay gumagamit ng input at pagproseso ng impormasyon mula sa lahat ng iba pang mga layer (sahig) upang magkaroon ng isang sagot o resolution (output).
Neural Network at Machine Learning
Ang mga neural nets ay isang uri ng teknolohiya sa ilalim ng kategoryang pag-aaral ng makina. Sa katunayan, ang pagsulong sa pananaliksik at pag-unlad ng mga neural nets ay mahigpit na konektado sa mga ebbs at daloy ng pag-unlad sa ML. Pinapalawak ng mga neural nets ang mga kakayahan sa pagpoproseso ng data at mapalakas ang lakas ng pag-compute ng ML, pagdaragdag ng dami ng data na maaaring ma-proseso ngunit din ang kakayahang magsagawa ng mas kumplikadong mga gawain.
Ang unang dokumentado na modelo ng computer para sa mga ANN ay nilikha noong 1943 ni Walter Pitts at Warren McCulloch. Ang unang interes at pananaliksik sa mga network ng neural at pag-aaral sa makina ay pinabagal sa kalaunan at higit pa o mas mababa ang ipinagpaliban noong 1969, na may mga maliit na pagsabog ng nabagong interes. Ang mga computer sa panahong iyon ay walang sapat na sapat o sapat na mga processor upang maisulong ang mga lugar na ito, at ang malawak na dami ng data na kailangan para sa ML at neural nets ay hindi magagamit sa panahong iyon.
Ang napakalaking pagtaas sa lakas ng computing sa paglipas ng panahon kasama ang paglago at paglawak ng internet (at sa gayon pag-access sa napakalaking halaga ng data sa pamamagitan ng internet) ay nalutas ang mga maagang hamon. Ang mga neural nets at ML ay nakatutulong sa mga teknolohiyang nakikita at ginagamit araw-araw, tulad ng pagkilala ng mukha, pagpoproseso ng imahe at paghahanap, at pagsasalin ng real-time na wika - upang pangalanan ang ilan.
Mga Halimbawa ng Neural Network sa Pang-araw-araw na Buhay
Ang ANN ay isang medyo kumplikadong paksa sa loob ng teknolohiya, gayunman, ito ay nagkakahalaga ng pagkuha ng ilang oras upang galugarin dahil sa pagtaas ng bilang ng mga paraan na nakakaapekto sa ating buhay araw-araw. Narito ang ilang higit pang mga halimbawa ng mga paraan na ang mga neural network ay kasalukuyang ginagamit ng iba't ibang mga industriya:
- Pananalapi: Ang mga neural net ay ginagamit upang mahulaan ang mga rate ng palitan ng pera. Ginagamit din ang mga ito sa teknolohiya sa likod ng mga awtomatikong sistema ng kalakalan na ginagamit sa stock market.
- Gamot: Ang kakayahan sa pagpoproseso ng imahe ng mga neural nets ay nag-ambag sa teknolohiya na tumutulong sa mas tumpak na pag-screen para sa at tuklasin ang maagang yugto at mahirap kilalanin ang mga uri ng mga kanser. Ang isang uri ng kanser ay nagsasalakay na melanoma, ang pinaka-seryoso at nakamamatay na uri ng kanser sa balat. Ang pagkilala sa melanoma sa mas maagang yugto, bago ito kumalat, ay nagbibigay sa mga pasyente na may ganitong uri ng kanser ang pinakamagandang pagkakataon upang matalo ito.
- Taya ng Panahon: Ang kakayahang makita ang mga pagbabago sa atmospheric na nagpapahiwatig ng potensyal na malubha at mapanganib na kaganapan sa panahon nang mabilis at tumpak hangga't maaari ay mahalaga para sa pag-save ng mga buhay. Ang mga neural nets ay kasangkot sa real-time na pagproseso ng satellite at radar na mga imahe na hindi lamang nakakita ng maagang pagbuo ng mga bagyo at cyclone, kundi nakikita din ang biglaang pagbabago sa bilis ng hangin at direksyon na nagpapahiwatig ng bumubuo ng buhawi. Ang mga buhawi ay ilan sa mga pinakamatibay at pinaka-mapanganib na mga kaganapan sa panahon sa talaan - kadalasan nang higit na biglaang, mapanira, at nakamamatay kaysa sa mga bagyo.
