Neurale netwerken zijn computermodellen van verbonden eenheden of knooppunten die zijn ontworpen om informatie (gegevens) op dezelfde manier te verzenden, verwerken en leren als hoe neuronen (zenuwcellen) bij mensen werken.
Kunstmatige neurale netwerken
In de technologie worden neurale netwerken vaak kunstmatige neurale netwerken (ANNs) of neurale netwerken genoemd om zich te onderscheiden van de biologische neurale netwerken waarnaar ze zijn gemodelleerd. Het belangrijkste idee achter ANNs is dat het menselijk brein de meest complexe en intelligente 'computer' is die bestaat. Door ANNs zo goed mogelijk te modelleren naar de structuur en het systeem van informatieverwerking door de hersenen, hoopten onderzoekers om computers te maken die de menselijke intelligentie naderden of zelfs overtreffen. Neurale netwerken vormen een belangrijk onderdeel van de huidige ontwikkelingen op het gebied van kunstmatige intelligentie (AI), machine learning (ML) en deep learning.
Hoe neurale netwerken werken: een vergelijking
Om te begrijpen hoe neurale netwerken werken en de verschillen tussen de twee soorten (biologisch en kunstmatig), gebruiken we het voorbeeld van een kantoorgebouw met 15 verdiepingen en de telefoonlijnen en schakelborden die oproepen door het hele gebouw, individuele verdiepingen en individuele kantoren routeren. Elk afzonderlijk kantoor in ons kantoorgebouw met 15 verdiepingen vertegenwoordigt een neuron (knooppunt in computernetwerken of zenuwcellen in de biologie). Het gebouw zelf is een structuur met een reeks kantoren die zijn gerangschikt in een systeem van 15 verdiepingen (een neuraal netwerk).
Door het voorbeeld toe te passen op biologische neurale netwerken, heeft het schakelbord dat oproepen ontvangt lijnen om verbinding te maken met elk kantoor op elke verdieping in het hele gebouw. Bovendien heeft elk kantoor lijnen die het verbinden met elk ander kantoor in het hele gebouw op elke verdieping. Stel je voor dat er een oproep binnenkomt (invoer) en het schakelbord zet het over naar een kantoor op de 3rd vloer, die het rechtstreeks naar een kantoor op de 11 brengtth vloer, die het vervolgens direct overdraagt naar een kantoor op de 5th verdieping. In de hersenen kan elke neuron of zenuwcel (een kantoor) rechtstreeks verbinding maken met een ander neuron in zijn systeem of neurale netwerk (het gebouw). Informatie (de oproep) kan worden verzonden naar een ander neuron (kantoor) om te verwerken of te leren wat er nodig is totdat er een antwoord of oplossing is (uitvoer).
Wanneer we dit voorbeeld toepassen op ANNs, wordt het een beetje ingewikkelder. Elke verdieping van het gebouw heeft een eigen schakelbord nodig, dat alleen verbinding kan maken met de kantoren op dezelfde verdieping, evenals de schakelborden op de verdiepingen erboven en eronder. Elk kantoor kan alleen rechtstreeks verbinding maken met andere kantoren op dezelfde verdieping en met het schakelbord voor die verdieping. Alle nieuwe oproepen moeten beginnen met het schakelbord op de 1e verdieping en moeten worden overgedragen naar elke individuele verdieping in numerieke volgorde tot 15th vloer voordat het gesprek kan eindigen. Laten we het in beweging zetten om te zien hoe het werkt.
Stel je voor dat er een oproep binnenkomt (input) voor de 1st vloer schakelbord en wordt naar een kantoor op de 1 gestuurdst vloer (knooppunt). De oproep wordt vervolgens rechtstreeks overgebracht naar andere kantoren (knooppunten) op de 1st vloer totdat het klaar is om naar de volgende verdieping te worden verzonden. Dan moet de oproep teruggestuurd worden naar de 1st vloerschakelbord, dat het vervolgens naar de 2 overbrengtnd vloer schakelbord. Dezelfde stappen herhalen een verdieping tegelijk, waarbij de oproep door dit proces wordt doorgestuurd op elke verdieping tot aan verdieping 15.
In ANNs zijn knooppunten (kantoren) gerangschikt in lagen (verdiepingen van het gebouw). Informatie (een oproep) komt altijd binnen via de invoerlaag (1st vloer en zijn schakelbord) en moet door elke laag (vloer) worden doorgestuurd en verwerkt voordat hij naar de volgende kan gaan. Elke laag (verdieping) verwerkt een specifiek detail over die aanroep en verzendt het resultaat samen met de oproep naar de volgende laag. Wanneer de oproep de uitvoerlaag bereikt (15th vloer en zijn schakelbord), omvat het de verwerkingsinformatie van lagen 1-14. De knooppunten (kantoren) op de 15th laag (vloer) gebruik de invoer- en verwerkingsinformatie van alle andere lagen (verdiepingen) om een antwoord of resolutie te vinden (uitvoer).
Neurale netwerken en machine learning
Neurale netten zijn een type technologie onder de categorie Machine Learning. In feite is de vooruitgang in onderzoek en ontwikkeling van neurale netwerken nauw verbonden met de eb en vooruitgangsstromen in ML. Neurale netwerken breiden de gegevensverwerkingsmogelijkheden uit en vergroten de rekenkracht van ML, waardoor het volume aan gegevens dat kan worden verwerkt, maar ook het vermogen om meer complexe taken uit te voeren, wordt vergroot.
Het eerste gedocumenteerde computermodel voor ANNs werd in 1943 gecreëerd door Walter Pitts en Warren McCulloch. Initiële interesse en onderzoek naar neurale netwerken en machine learning vertraagden uiteindelijk en werden min of meer tegengehouden in 1969, met slechts kleine uitbarstingen van hernieuwde interesse. Computers van die tijd hadden eenvoudigweg niet genoeg of te weinig processors om deze gebieden verder te ontwikkelen, en de enorme hoeveelheid gegevens die nodig waren voor ML en neurale netten was op dat moment niet beschikbaar.
Enorme toenames in rekenkracht in de loop van de tijd, samen met de groei en uitbreiding van het internet (en dus toegang tot enorme hoeveelheden gegevens via internet) hebben die vroege uitdagingen opgelost. Neurale netten en ML zijn nu instrumentaal in technologieën die we dagelijks zien en gebruiken, zoals gezichtsherkenning, beeldverwerking en zoeken, en real-time vertalen van talen - om er maar een paar te noemen.
Voorbeelden van neuraal netwerk in het dagelijks leven
De ANN is een vrij complex onderwerp binnen de technologie, maar het is de moeite waard om wat tijd te nemen om te verkennen vanwege het toenemende aantal manieren waarop het dagelijks onze levens beïnvloedt. Hier volgen enkele voorbeelden van manieren waarop neurale netwerken momenteel worden gebruikt door verschillende industrieën:
- Financiën: Neurale netten worden gebruikt om valutakoersen te voorspellen. Ze worden ook gebruikt in de technologie achter automatische handelssystemen die op de aandelenmarkt worden gebruikt.
- Geneeskunde: De beeldverwerkingsmogelijkheden van neurale netwerken hebben bijgedragen aan technologie die nauwkeuriger helpt bij het opsporen en detecteren van vroege en moeilijk te identificeren vormen van kanker. Een van deze soorten kanker is invasief melanoom, de meest ernstige en dodelijke vorm van huidkanker. Het identificeren van melanoom in eerdere stadia, voordat het zich heeft verspreid, geeft patiënten met dit type kanker de beste kansen om het te verslaan.
- Weer: Het vermogen om atmosferische veranderingen te detecteren die zo snel en nauwkeurig mogelijk een mogelijk ernstig en gevaarlijk weer aangeven, is essentieel voor het redden van levens. Neurale netten zijn betrokken bij de real-time verwerking van satelliet- en radarbeelden die niet alleen vroegtijdige vorming van orkanen en cyclonen detecteren, maar ook plotselinge veranderingen in windsnelheid en -richting detecteren die duiden op een vormende tornado. Tornado's zijn enkele van de sterkste en meest gevaarlijke weergebeurtenissen die worden geregistreerd - vaak meer plotseling, destructief en dodelijk dan orkanen.
