Umělé neuronové sítě (ANN) jsou kousky výpočetního systému navrženého k simulaci způsobu, jakým lidský mozek analyzuje a zpracovává informace. Jsou základem umělé inteligence (AI) a řeší problémy, které by se lidským nebo statistickým standardům ukázaly jako nemožné nebo obtížné. ANN mají samoučící schopnosti, které jim umožňují produkovat lepší výsledky, jakmile bude k dispozici více dat.
Rozdělení umělých neuronových sítí (ANN)
Umělé neuronové sítě (ANN) připravují cestu pro aplikace měnící život pro použití ve všech sektorech ekonomiky. Platformy umělé inteligence (AI), které jsou postaveny na ANN, narušují tradiční způsob práce. Od překladu webových stránek do jiných jazyků až po virtuální asistentku objednávající potraviny online až po konverzaci s chatboty pro řešení problémů, platformy AI zjednodušují transakce a zpřístupňují služby všem za zanedbatelné náklady.
Jak systém funguje?
Umělé neuronové sítě jsou budovány jako lidský mozek, s neuronovými uzly propojenými jako web. Lidský mozek má stovky miliard buněk zvaných neurony. Každý neuron je tvořen buněčným tělem, které je odpovědné za zpracování informací přenášením informací směrem k (vstupy) a pryč (výstupy) z mozku. ANN má stovky nebo tisíce umělých neuronů nazývaných procesní jednotky, které jsou propojeny uzly. Tyto procesní jednotky se skládají ze vstupních a výstupních jednotek. Vstupní jednotky přijímají různé formy a struktury informací na základě interního váhového systému a neuronová síť se pokouší dozvědět se o informacích prezentovaných pro vytvoření jedné výstupní zprávy. Stejně jako lidé potřebují pravidla a pokyny, aby přišli s výsledkem nebo výstupem, ANNs také používá sadu učebních pravidel nazývaných backpropagation, zkratka zpětného šíření chyb, aby zdokonalil své výsledky.
ANN zpočátku prochází fází školení, kde se učí rozpoznávat vzorce v datech, ať už vizuálně, foneticky nebo textově. Během této kontrolované fáze síť porovnává svůj skutečný produkovaný výstup s tím, co měla produkovat, tj. Požadovaný výstup. Rozdíl mezi oběma výsledky je upraven pomocí zpětné propagace. To znamená, že síť pracuje zpětně od výstupní jednotky ke vstupním jednotkám, aby upravila váhu svých spojení mezi jednotkami, dokud rozdíl mezi skutečným a požadovaným výsledkem nevytvoří nejnižší možnou chybu.
Ve fázi školení a dohledu se ANN naučí, co má hledat a jaký by měl být výstup, pomocí typů otázek Ano / Ne s binárními čísly. Například banka, která chce včas odhalit podvody s kreditními kartami, může mít na tyto otázky čtyři vstupní jednotky: (1) Je transakce v jiné zemi, než je země bydliště uživatele? (2) Je web, na kterém je karta používána, ve spojení se společnostmi nebo zeměmi na seznamu sledovaných bank? (3) Je částka transakce větší než 2 000 $? (4) Je jméno na transakčním účtu stejné jako jméno držitele karty? Banka si přeje, aby odpovědi „zjištěné podvody“ byly Ano Ano Ano Ne, což by v binárním formátu bylo 1 1 1 0. Pokud je skutečný výstup sítě 1 0 1 0, upraví své výsledky, dokud nevydá výstup, který se shoduje s 1 1 1 0. Po tréninku může počítačový systém upozornit banku na probíhající podvodné transakce a ušetřit tak spoustu peněz.
Praktické aplikace
Umělé neuronové sítě byly použity ve všech oblastech operací. Poskytovatelé e-mailových služeb používají ANN k detekci a odstranění spamu z doručené pošty uživatele; Správci aktiv jej používají k předpovídání směru akcií společnosti; Ratingové společnosti jej využívají ke zlepšení svých metod hodnocení kreditů; Platformy elektronického obchodování jej využívají k personalizaci doporučení pro své publikum; chatboty jsou vyvíjeny s ANN pro zpracování přirozeného jazyka; algoritmy pro hluboké učení používají ANN k předpovídání pravděpodobnosti události; a seznam začlenění ANN pokračuje napříč různými sektory, průmyslovými odvětvími a zeměmi.
