Бүгін біз нейрондық желілер дегеніміз не, олар қалай жұмыс істейді және олардың жасанды интеллект құрудағы рөлі қандай екенін анықтауға тырысамыз.
Нейрондық желілер. Біз бұл сөз тіркесін барлық жерде дерлік естиміз. Нейрондық желілерді тіпті тоңазытқыштарда да таба аласыз (бұл әзіл емес). Нейрондық желілерді машиналық оқыту алгоритмдері кеңінен қолданады, оларды бүгінде тек компьютерлер мен смартфондарда ғана емес, сонымен қатар көптеген басқа электрондық құрылғыларда, мысалы, тұрмыстық техникада табуға болады. Сіз бұл нейрондық желілердің не екенін ойлап көрдіңіз бе?
Уайымдамаңыз, бұл академиялық лекция болмайды. Дәл ғылымдар саласында бұл мәселені өте кәсіби және сенімді түрде түсіндіретін көптеген басылымдар, соның ішінде украин тілінде. Мұндай басылымдардың шыққанына он жылдан асты. Бұл ескі басылымдардың әлі де өзекті болуы қалай мүмкін? Нейрондық желілердің негіздері өзгерген жоқ, ал тұжырымдаманың өзі — жасанды нейронның математикалық моделі — Екінші дүниежүзілік соғыс кезінде құрылды.
Интернетпен бірдей, бүгінгі Интернет бірінші электрондық пошта жіберілген кездегіге қарағанда әлдеқайда дамыған. Интернеттің негіздері, іргелі хаттамалары ол жасалғаннан бастап болды. Әрбір күрделі тұжырымдама ескі құрылымдардың іргетасына салынған. Біздің миымызбен де солай, ең жас ми қыртысы ең көне эволюциялық элементсіз жұмыс істей алмайды: ми бағанасы, бұл планетада біздің түрлердің өмір сүруінен әлдеқайда көне заманнан бері біздің басымызда.
Мен сізді аздап шатастырдым ба? Сондықтан толығырақ түсінейік.
Сондай-ақ қызықты: ChatGPT: пайдалану бойынша қарапайым нұсқаулар
Нейрондық желілер дегеніміз не?
Желі – белгілі бір элементтердің жиынтығы. Бұл математика, физика немесе технологиядағы ең қарапайым тәсіл. Егер компьютерлік желі өзара байланысты компьютерлер жиынтығы болса, онда нейрондық желі нейрондар жиынтығы екені анық.
Дегенмен, бұл элементтер күрделілігі бойынша миымыз бен жүйке жүйеміздің жүйке жасушаларымен салыстыруға да келмейді, бірақ абстракцияның белгілі бір деңгейінде жасанды нейрон мен биологиялық нейронның кейбір ерекшеліктері жиі кездеседі. Бірақ жасанды нейронның биологиялық аналогына қарағанда әлдеқайда қарапайым ұғым екенін есте ұстаған жөн, ол туралы біз әлі де толық білмейміз.
Сондай-ақ оқыңыз: ChatGPT-тің 7 ең керемет пайдалануы
Алдымен жасанды нейрон болды
Жасанды нейронның алғашқы математикалық моделін 1943 жылы (иә, бұл қате емес, Екінші дүниежүзілік соғыс кезінде) екі американдық ғалым Уоррен Маккаллох пен Уолтер Питтс жасаған. Олар мұны ми физиологиясы (бұл модель жасалған уақытты еске түсіріңіз), математика және сол кездегі жас IT-тәсіл (олар басқа нәрселермен қатар, Алан Тьюрингтің есептеу мүмкіндігінің теориясын пайдаланды) туралы негізгі білімді біріктіретін пәнаралық көзқарас негізінде жасай алды. ). McCulloch-Pitts жасанды нейрондық моделі өте қарапайым модель, оның көптеген кірістері бар, мұнда кіріс ақпараты салмақтар (параметрлер) арқылы өтеді, олардың мәндері нейронның әрекетін анықтайды. Алынған нәтиже бір шығысқа жіберіледі (Маккаллох-Питтс нейронының диаграммасын қараңыз).
Мұндай ағаш тәрізді құрылым биологиялық нейронмен байланысты, өйткені биологиялық жүйке жасушаларын бейнелейтін сызбалар туралы ойлағанда, дендриттердің ағаш тәрізді құрылымы еске түседі. Дегенмен, жасанды нейрон, кем дегенде, нақты жүйке жасушасына біршама жақын деген елеске берілмеу керек. Бұл екі зерттеуші, бірінші жасанды нейронның авторлары, кез келген есептелетін функцияны өзара байланысты нейрондар желісі арқылы есептеуге болатынын көрсете алды. Дегенмен, бұл алғашқы концепциялар тек «қағазда» ғана өмір сүрген және жұмыс істейтін жабдық түрінде нақты түсіндірмесі болмаған идеялар ретінде жасалғанын еске түсірейік.
Сондай-ақ оқыңыз: Кванттық компьютерлер туралы қарапайым сөздермен
Модельден инновациялық енгізулерге дейін
МакКаллок пен Питтс теориялық модельді әзірледі, бірақ алғашқы нақты нейрондық желіні құру он жылдан астам күтуге тура келді. Оны жасаушы жасанды интеллект зерттеулерінің тағы бір пионері болып саналады, 1957 жылы Марк I Perceptron желісін құрған Фрэнк Розенблат және сіз осы құрылымның арқасында машина бұрын жануарлар мен адамдарға ғана тән қабілетке ие болғанын өзіңіз көрсеттіңіз: ол үйрене алады. Дегенмен, қазір біз білеміз, шын мәнінде, машина үйренуге болады деген идеяны ұсынған басқа ғалымдар, соның ішінде Розенблатқа дейін.
1950 жылдары информатиканың көптеген зерттеушілері мен пионерлері машинаны өздігінен жасай алмайтын нәрсені қалай жасауға болатынын ойлап тапты. Мысалы, Артур Сэмюэль адаммен дойбы ойнайтын бағдарлама жасады, Аллен Ньюелл мен Герберт Саймон математикалық теоремаларды өз бетінше дәлелдейтін бағдарлама жасады. Розенблаттың алғашқы нейрондық желісін құруға дейін жасанды интеллект саласындағы зерттеулердің басқа екі пионері Марвин Мински мен Дин Эдмондс 1952 жылы, яғни Розенблаттың перцептроны пайда болғанға дейін SNARC (Стохастикалық нейрон) деп аталатын машина құрастырды. Аналогты күшейту калькуляторы) - стохастикалық нейрондық аналогтық калькуляторды күшейту, оны көпшілік бірінші стохастикалық нейрондық желі компьютері деп санайды. Айта кету керек, SNARC заманауи компьютерлерге ешқандай қатысы жоқ.
3000-нан астам электронды түтіктерді және В-24 бомбалаушысының қосалқы автопилот механизмін қолданатын қуатты машина 40 нейронның жұмысын модельдей алды, бұл егеуқұйрықтың лабиринттен шығуды іздеуін математикалық модельдеу үшін жеткілікті болды. . Әрине, егеуқұйрық болған жоқ, бұл тек шегерім және оңтайлы шешім табу процесі болды. Бұл машина Марвин Минскидің Ph.D.
Нейрондық желілер саласындағы тағы бір қызықты жоба 1960 жылы Бернард Витроу әзірлеген ADALINE желісі болды. Осылайша, сұрақ қоюға болады: жарты ғасырдан астам уақыт бұрын зерттеушілер нейрондық желілердің теориялық негіздерін білгендіктен және тіпті мұндай есептеу жүйелерінің алғашқы жұмыс іске асыруларын жасағандықтан, неге 21 ғасырға дейін соншалықты ұзақ уақыт қажет болды. нейрондық желілер негізінде нақты шешімдерді жасау керек пе? Жауап біреу: есептеу қуаты жеткіліксіз, бірақ бұл жалғыз кедергі емес еді.
1950 және 1960 жылдары көптеген AI пионерлері нейрондық желілердің мүмкіндіктеріне таң қалды және олардың кейбіреулері адам миының машина баламасы бар болғаны он жыл қалды деп болжаған. Мұны бүгін оқу тіпті күлкілі, өйткені біз әлі де адам миының машиналық баламасын жасауға жақындаған жоқпыз және бұл міндетті шешуден әлі алыспыз. Алғашқы нейрондық желілердің логикасы қызықты әрі шектеулі екені тез белгілі болды. Жасанды нейрондар мен машиналық оқыту алгоритмдерін қолданатын AI-ның алғашқы іске асырылуы белгілі бір тар ауқымдағы міндеттерді шеше алды.
Дегенмен, әңгіме кеңірек кеңістікке келгенде және өрнек пен кескінді тану, ілеспе аударма, сөйлеу мен қолжазбаны тану және т.б. сияқты шын мәнінде маңызды нәрсені шешуге келгенде, яғни компьютерлер мен AI бүгінде жасай алатын нәрселерді шешуге болады. нейрондық желілердің алғашқы іске асырулары мұны істей алмады. Неліктен бұлай? Жауапты 1969 жылы перцептрондық логиканың шектеулерін дәлелдеген және тек масштабтау есебінен қарапайым нейрондық желілердің мүмкіндіктерін арттыру жұмыс істемейтінін көрсеткен Марвин Мински (иә, SNARC-тен бірдей) және Сеймур Паперттің зерттеулері берді. Тағы бір, бірақ өте маңызды тосқауыл болды - ол кезде қол жетімді есептеу қуаты нейрондық желілерді мақсатты түрде пайдалану үшін тым аз болды.
Сондай-ақ қызықты:
- Сонымен, сөйлеу немесе сөйлемеу? Маск Путинмен сөйлескенін жоққа шығарады. Бірақ «бірақ» бар
- Қазіргі артиллерия - Украинаның супер қаруы. Илон Маск неге мұнда?
Нейрондық желілердің ренессансы
1970 және 1980 жылдары нейрондық желілер іс жүзінде ұмытылды. Өткен ғасырдың аяғында ғана қол жетімді есептеуіш қуат соншалықты керемет болды, адамдар оған қайта оралып, осы салада өз мүмкіндіктерін дамыта бастады. Дәл сол кезде алғашқы қарапайым нейрондық желілердің шектеулерін жеңе алатын жаңа функциялар мен алгоритмдер пайда болды. Дәл сол кезде көп қабатты нейрондық желілерді терең машиналық оқыту идеясы пайда болды. Бұл қабаттармен шын мәнінде не болады? Бүгінгі таңда біздің ортада жұмыс істейтін барлық пайдалы нейрондық желілер көп деңгейлі. Бізде енгізу деңгейі бар, оның міндеті кіріс деректері мен параметрлерін (салмақтарын) алу болып табылады. Бұл параметрлердің саны желімен шешілетін есептеу мәселесінің күрделілігіне байланысты өзгереді.
Бұған қоса, бізде «жасырын қабаттар» деп аталатындар бар - терең машиналық оқытумен байланысты барлық «сиқырлар» дәл осы жерде болады. Бұл нейрондық желінің үйрену және қажетті есептеулерді орындау қабілетіне жауап беретін жасырын қабаттар. Ақырында, соңғы элемент - бұл шығыс қабаты, яғни қажетті нәтиже беретін нейрондық желінің қабаты, бұл жағдайда: танылған қолжазба, бет, дауыс, мәтіндік сипаттама негізінде қалыптасқан кескін, томографиялық талдау нәтижесі. диагностикалық кескін және т.б.
Сондай-ақ оқыңыз: Мен Bing чат-ботын сынап көрдім және сұхбат бердім
Нейрондық желілер қалай үйренеді?
Бізге белгілі болғандай, нейрондық желілердегі жеке нейрондар жеке мәндер мен байланыстар тағайындалған параметрлердің (салмақтардың) көмегімен ақпаратты өңдейді. Бұл салмақтар оқу процесі кезінде өзгереді, бұл осы желінің құрылымын қажетті нәтижені тудыратындай етіп реттеуге мүмкіндік береді. Желі нақты қалай үйренеді? Оны үнемі жаттықтыру керек екені анық. Бұл сөзге таң қалмаңыз. Біз де үйреніп жатырмыз, бұл процесс бейберекет емес, ретті, айталық. Біз оны білім деп атаймыз. Кез келген жағдайда, нейрондық желілерді де оқытуға болады және бұл әдетте желіні болашақта орындайтын тапсырмаларға дайындайтын сәйкес таңдалған кірістер жиынтығын пайдалану арқылы жасалады. Және мұның бәрі кезең-кезеңімен қайталанады, кейде оқу процесі белгілі бір дәрежеде оқу процесінің өзіне ұқсайды.
Мысалы, егер бұл нейрондық желінің міндеті беттерді тану болса, ол беттерді қамтитын көптеген суреттерде алдын ала дайындалған. Оқу процесінде жасырын қабаттардың салмақтары мен параметрлері өзгереді. Сарапшылар бұл жерде «шығындар функциясын минимизациялау» тіркесін қолданады. Шығындар функциясы – берілген нейрондық желінің қанша қателік жіберетінін көрсететін шама. Оқыту нәтижесінде шығын функциясын неғұрлым азайта алсақ, бұл нейрондық желі нақты әлемде соғұрлым жақсы жұмыс істейді. Кез келген нейрондық желіні классикалық алгоритм арқылы бағдарламаланған тапсырмадан ерекшелендіретін ең маңызды ерекшелігі, классикалық алгоритмдер жағдайында бағдарламашы бағдарлама қандай әрекеттерді орындайтынын кезең-кезеңімен жобалауы керек. Нейрондық желілер жағдайында желінің өзі тапсырмаларды өз бетімен дұрыс орындауға үйренуге қабілетті. Ал күрделі нейрондық желі өз есептеулерін қалай орындайтынын ешкім білмейді.
Бүгінгі таңда нейрондық желілер кеңінен қолданылады және, мүмкін, таңқаларлық, бұл желідегі есептеу процесінің шын мәнінде қалай жұмыс істейтінін түсінбестен жиі қолданылады. Мұның қажеті жоқ. Программистер белгілі бір типтегі мәліметтерді енгізуге дайындалған дайын машиналық нейрондық желілерді пайдаланады, оларды тек өздеріне белгілі әдіспен өңдейді және қажетті нәтиже береді. Бағдарламалаушыға нейрондық желіде қорытынды жасау процесі қалай жұмыс істейтінін білу қажет емес. Яғни, адам үлкен көлемдегі есептеулерден, ақпаратты алу әдісінен және оны нейрондық желілермен өңдеуден алшақ қалады. Жасанды интеллект үлгілеріне қатысты адамзаттың белгілі бір қорқынышы осыдан. Біз бір күні нейрондық желі өзіне белгілі бір міндет қойып, адамның көмегінсіз өз бетінше оны шешу жолдарын табады деп қорқамыз. Бұл адамзатты алаңдатады, машиналық оқыту алгоритмдерін пайдалануға қорқыныш пен сенімсіздік тудырады.
Бұл утилитарлық көзқарас бүгінде кең таралған. Бізде де солай: біз біреуді белгілі бір әрекетке қалай үйрету керектігін білеміз және оқыту процесі дұрыс жүргізілсе, нәтижелі болатынын білеміз. Адам өзі қалаған дағдыларға ие болады. Бірақ бұл әсерді тудырған шегерім процесінің оның миында қалай жүретінін дәл түсінеміз бе? Біздің ойымыз жоқ.
Ғалымдардың міндеті – бұл проблемаларды мүмкіндігінше зерттеп, олар бізге қажет жерде қызмет етіп, көмектесіп, ең бастысы қауіп-қатерге айналмас үшін. Адам болғандықтан, біз білмейтін нәрседен қорқамыз.
Сондай-ақ қызықты: