Искусственный интеллект (ИИ) — это модное слово, которое вы видите практически везде. Он полностью доминирует в технических средствах массовой информации, в новостных отделах, и ему даже приписывают успех многих современных приложений.
Но так ли это работает или это просто шумиха? По правде говоря, это так. Хотя вокруг его возможностей может быть некоторая шумиха, как в исследованиях, так и в промышленности было продемонстрировано, что ИИ действительно хорошо работает для множества задач и вариантов использования.
Существует множество методов, позволяющих заставить компьютеры обучаться интеллектуально, но разработка нейронных сетей является одним из самых популярных и эффективных методов, особенно в сложных задачах, таких как распознавание изображений, языковой перевод, транскрипция аудио и т. д.
Что такое нейронная сеть?
Нейронные сети состоят из простых строительных блоков, называемых нейронами. В то время как многие люди пытаются провести корреляцию между нейроном нейронной сети и биологическими нейронами, я просто констатирую очевидное: «Нейрон — это математическая функция, которая принимает данные в качестве входных данных, выполняет над ними преобразование и производит выходные данные».
Это означает, что нейроны могут представлять любую математическую функцию; однако в нейронных сетях мы обычно используем нелинейные функции.
Глядя на нейрон выше, вы можете видеть, что он состоит из двух основных частей: суммирования и функции активации. Нейрон принимает данные (x1, x2, x3) в качестве входных данных, умножает каждое на определенный вес (w1, w2, w3), а затем передает результат нелинейной функции, называемой функцией активации, для получения вывода.
Нейронная сеть объединяет несколько нейронов, складывая их вертикально / горизонтально, чтобы создать сеть нейронов — отсюда и название «нейронная сеть». Простая сеть с одним нейроном называется перцептроном и является самой простой сетью на свете.
Еще одна важная концепция, — это то, как нейронная сеть фактически изучает веса, которые она назначает каждой входной функции. В нейронных сетях вес — это все. Если вы знаете правильный вес, вы можете легко получить верные прогнозы. Таким образом, машинное обучение и глубокое обучение сводятся к тому, чтобы попытаться найти правильные веса, которые будут обобщены для любого ввода.
Почему нейронные сети популярны?
- Теперь разберемся, почему нейронные сети популярны сегодня. Нейронные сети существуют очень давно — с ними было несколько серьезных проблем, и причины, по которым люди не использовали их раньше, были связаны с тем, что:
- Их было заведомо трудно обучать в том смысле, что бывает трудно получить правильные веса, которые можно было бы обобщить для новых входных данных.
- Им нужны огромные объемы данных.
- Вычислительная мощность по-прежнему была низкой и дорогой.
- Когда эти барьеры были преодолены, нейронные сети снова стали актуальны, и появилось множество приложений.
- Нейронные сети, сейчас также очень популярны из-за их эффективности при решении широкого круга задач. Они могут автоматически извлекать функции из неструктурированных данных, таких как тексты, изображения и звуки, а глубокое обучение значительно сократило время, затрачиваемое на создание функций вручную.
Чтобы проиллюстрировать это, я расскажу вам небольшой рассказ о Google Translate
На заре Google Translate тысячам инженеров, лингвистов и компьютерных специалистов приходилось целый день работать над извлечением и созданием функций из текстов вручную. Эти ручные функции нужно было внедрить в модели машинного обучения. Даже с этой трудоемкой и дорогостоящей задачей, производительность этих систем была совсем не похожа на человеческую.
Но когда команда Джеффа Хилтона показала, что нейронная сеть может быть обучена с использованием метода, называемого обратным распространением, Google переключился с ручного проектирования на использование глубоких нейронных сетей, и это значительно улучшило производительность.
Это показывает, что при наличии достаточного количества данных и вычислительной мощности, нейронные сети могут работать лучше, чем другие алгоритмы машинного обучения — отсюда и их растущая популярность.
