Umetna nevronska omrežja (ANN) so deli računalniškega sistema, ki so zasnovani tako, da simulirajo način človeških možganov, ki analizirajo in obdelujejo informacije. So temelji umetne inteligence (AI) in rešujejo težave, ki bi se s človeškimi ali statističnimi standardi izkazale za nemogoče ali težke. ANN imajo zmožnosti samostojnega učenja, ki jim omogočajo boljše rezultate, ko bo na voljo več podatkov.
Razčlenitev umetnih nevronskih mrež (ANN)
Umetna nevronska omrežja (ANN) utirajo pot razvoju aplikacij, ki spreminjajo življenje, za uporabo v vseh gospodarskih panogah. Platforme umetne inteligence (AI), ki so zgrajene na ANN, motijo tradicionalni način početja. Od prevajanja spletnih strani v druge jezike do tega, da bi virtualni asistent naročil trgovine po spletu do pogovorov s chatboti za reševanje težav, AI platforme poenostavljajo transakcije in omogočajo storitve dostopne vsem za zanemarljive stroške.
Kako sistem deluje?
Umetna nevronska omrežja so zgrajena kot človeški možgani, pri čemer so nevronska vozlišča med seboj povezana kot splet. Človeški možgani imajo na stotine milijard celic, imenovanih nevroni. Vsak nevron je sestavljen iz celičnega telesa, ki je odgovorno za obdelavo informacij z nošenjem informacij proti (vhodom) in stran (izhodom) od možganov. ANN ima na stotine ali tisoče umetnih nevronov, imenovanih procesne enote, ki jih med seboj povezujejo vozlišča. Te procesne enote sestavljajo vhodne in izhodne enote. Vhodne enote prejmejo različne oblike in strukture informacij, ki temeljijo na notranjem sistemu uteži, in nevronska mreža poskuša izvedeti informacije, predstavljene za izdelavo enega izhodnega poročila. Tako kot ljudje potrebujejo pravila in smernice, da dosežejo rezultat ali rezultat, tudi ANN uporabijo nabor učnih pravil, imenovanih backpropagation, okrajšavo za povratno širjenje napake, da izpopolnijo svoje rezultate.
ANN sprva skozi fazo usposabljanja, kjer se nauči prepoznati vzorce podatkov, bodisi vizualno, zvočno ali besedilno. V tej nadzorovani fazi omrežje primerja svojo dejansko proizvedeno proizvodnjo s tistim, kar naj bi proizvedlo, tj. Želeni izhod. Razlika med obema rezultatoma se prilagaja z razmnoževanjem. To pomeni, da omrežje deluje nazaj od izhodne enote do vhodnih enot, da prilagodi težo svojih povezav med enotami, dokler razlika med dejanskim in želenim izidom ne povzroči najmanjše možne napake.
Med fazo usposabljanja in nadzora se ANN uči, kaj je treba iskati in kakšen mora biti njen izhod, z uporabo da / ne vrst vprašanj z binarnimi številkami. Na primer, banka, ki želi pravočasno odkriti prevare s kreditnimi karticami, ima lahko štiri vhodne enote, ki se hranijo s temi vprašanji: (1) Ali je transakcija v drugi državi, v kateri ima uporabnik prebivališče? (2) Ali je spletno mesto, s katerim se kartica uporablja, na pridruženih podjetjih ali državah na seznamu banke? (3) Ali je znesek transakcije večji od 2000 dolarjev? (4) Ali je ime na transakcijskem računu isto kot ime imetnika kartice? Banka želi, da bi bili odgovori "odkrite prevare" Da Da Ne Ne, kar bi v binarni obliki znašalo 1 1 1 0. Če je dejanski izhod omrežja 1 0 1 0, prilagodi svoje rezultate, dokler ne prinese izhoda, ki sovpada z 1 1 1 0. Po usposabljanju lahko računalniški sistem banko opozori na nerešene transakcije in tako banki prihrani veliko denarja.
Praktične aplikacije
Umetna nevronska omrežja so uporabljena na vseh področjih delovanja. Ponudniki e-poštnih storitev uporabljajo ANN za odkrivanje in brisanje neželene pošte iz prejetih sporočil; upravljavci premoženja ga uporabljajo za napovedovanje smeri zalog družbe; Podjetja za bonitetno ocenjevanje jih uporabljajo za izboljšanje svojih metod ocenjevanja bonitet; platforme za e-poslovanje uporabljajo za prilagajanje priporočil svojim občinstvom; z ANN razvijajo klepete za obdelavo naravnega jezika; algoritmi globokega učenja uporabljajo ANN, da napovedujejo verjetnost dogodka; seznam vključitev ANN pa se nanaša na več sektorjev, industrij in držav.
