Jaringan saraf tiruan sedang mengubah dunia. Apakah mereka?

Jaringan saraf kecerdasan buatan AI

Sejak penemuan komputer, ada orang yang membicarakan hal-hal yang tidak akan pernah bisa dilakukan oleh komputer. Apakah itu mengalahkan seorang grand master dalam catur atau menang Bahaya! , prediksi ini selalu salah. Namun, beberapa ungkapan tidak menyenangkan seperti itu selalu memiliki landasan yang lebih baik dalam ilmu komputer. Ada tujuan yang, jika Anda tahu cara kerja komputer, Anda tahu itu hampir tidak mungkin dicapai. Mengenali emosi manusia melalui ekspresi wajah. Membaca berbagai macam tulisan tangan kursif. Mengidentifikasi kata-kata dalam bahasa lisan dengan benar. Mengemudi secara mandiri melalui jalanan yang sibuk.



Nah, komputer sekarang mulai bisa melakukan semua hal itu, dan lebih banyak lagi. Apakah para penentang benar-benar terlalu sinis tentang kemampuan sebenarnya dari komputer digital? Di satu sisi, tidak. Untuk mengatasi tantangan monumental tersebut, para ilmuwan dipaksa untuk menemukan yang baru Tipe komputer, yang didasarkan pada struktur otak. Jaringan saraf tiruan (JST) ini hanya pernah ada sebagai simulasi berjalan terus komputer digital biasa, tetapi apa yang terjadi di dalam simulasi itu pada dasarnya sangat berbeda dari komputasi klasik.

Apakah jaringan saraf tiruan merupakan latihan dalam ilmu komputasi? Biologi terapan? Matematika murni? Filsafat eksperimental? Itu semua tentang itu, dan banyak lagi.



Jaringan syaraf

Apa itu ANN?



Kebanyakan orang sudah tahu bahwa neuron yang melakukan komputasi di otak kita tidak diatur seperti semikonduktor di prosesor komputer, dalam urutan linier, dipasang ke papan yang sama, dan dikendalikan oleh satu siklus jam pemersatu. Sebaliknya, di otak setiap neuron secara nominal adalah aktornya sendiri, dan terhubung ke sebagian besar atau semua neuron yang secara fisik mengelilinginya dengan cara yang sangat kompleks dan agak tak terduga.

Artinya, agar komputer digital mencapai hasil yang teratur, diperlukan satu program over-arching untuk mengarahkannya dan memberi tahu setiap semikonduktor apa yang harus dilakukan untuk berkontribusi terhadap tujuan keseluruhan. Otak, di sisi lain, menyatukan miliaran unit kecil dan sangat sederhana yang masing-masing dapat memiliki programnya sendiri dan membuat keputusan tanpa memerlukan otoritas luar. Setiap neuron bekerja dan berinteraksi dengan neuron di sekitarnya sesuai dengan aturannya sendiri yang sederhana dan telah ditentukan sebelumnya.

Kebanyakan neuron di otak terhubung dengan beberapa ribu neuron lainnya.

Kebanyakan neuron di otak terhubung ke beberapa ribu lainnya.

Sebuah buatan neural network (seharusnya) adalah hal yang persis sama, tetapi disimulasikan dengan perangkat lunak. Dengan kata lain, kami menggunakan komputer digital untuk menjalankan simulasi sekumpulan program mini yang sangat saling berhubungan yang menggantikan neuron jaringan saraf tiruan kami. Data memasuki JST dan memiliki beberapa operasi yang dilakukan padanya oleh 'neuron' pertama, operasi itu ditentukan oleh bagaimana neuron kebetulan diprogram untuk bereaksi terhadap data dengan atribut spesifik tersebut. Kemudian diteruskan ke neuron berikutnya, yang dipilih dengan cara yang sama, sehingga operasi lain dapat dipilih dan dilakukan. Ada sejumlah “lapisan” dari neuron komputasi ini, dan setelah bergerak melalui semuanya, sebuah keluaran dihasilkan.



Keseluruhan proses mengubah masukan menjadi keluaran adalah hasil yang muncul dari pemrograman setiap neuron individu yang disentuh data, dan kondisi awal data itu sendiri. Di otak, 'kondisi awal' adalah sinyal saraf spesifik yang datang dari tulang belakang, atau dari tempat lain di otak. Dalam kasus ANN, mereka adalah apa pun yang kami inginkan, dari hasil algoritme penelusuran hingga angka yang dihasilkan secara acak hingga kata-kata yang diketik secara manual oleh peneliti.

Jadi, untuk menyimpulkan: jaringan saraf tiruan pada dasarnya adalah otak simulasi. Tetapi penting untuk dicatat bahwa pada dasarnya kami dapat memberikan 'neuron' pada perangkat lunak kami program apa pun yang kami inginkan; kita bisa mencoba menetapkan aturan mereka sehingga perilaku mereka mencerminkan perilaku otak manusia, tapi kita juga bisa menggunakannya untuk memecahkan masalah yang tidak pernah kita pikirkan sebelumnya.

NeuralNet

Bagaimana cara kerja ANN?



Apa yang kami jelaskan sejauh ini sangat menarik, tetapi sebagian besar tidak berguna untuk perhitungan. Artinya, sangat menarik secara ilmiah untuk dapat mensimulasikan struktur seluler otak, tetapi jika saya tahu cara masuk dan memprogram setiap sub-aktor kecil sedemikian rupa sehingga masukan saya selalu diproses menjadi keluaran yang saya inginkan, lalu mengapa apakah saya membutuhkan ANN sama sekali? Dengan kata lain, sifat dari JST berarti bahwa dengan sengaja membangun JST untuk memecahkan masalah tertentu membutuhkan pengetahuan yang mendalam tentang masalah tersebut dan solusinya sehingga JST itu sendiri menjadi sedikit berlebihan.

Namun, ada keuntungan besar bekerja dengan banyak aktor sederhana daripada satu aktor yang rumit: aktor sederhana dapat mengoreksi diri sendiri. Ada upaya untuk mengedit sendiri versi perangkat lunak biasa, tetapi jaringan saraf tiruanlah yang telah membawa konsep pembelajaran mesin ke tingkatan yang baru.

jaringan saraf 3Anda akan mendengar kata 'non-deterministik' yang digunakan untuk mendeskripsikan fungsi jaringan neural, dan itu mengacu pada fakta bahwa neuron perangkat lunak kami sering kali memiliki kemungkinan statistik yang terkait dengan hasil yang berbeda untuk data; ada 40% kemungkinan masukan tipe A diteruskan ini neuron di lapisan berikutnya, 60% kemungkinan diteruskan bahwa satu sebagai gantinya. Ketidakpastian ini dengan cepat bertambah saat jaringan neural menjadi lebih besar atau lebih terkoneksi secara lebih rumit, sehingga kondisi awal yang persis sama dapat menyebabkan banyak hasil yang berbeda atau, yang lebih penting, mendapatkan hasil yang sama melalui banyak jalur yang berbeda.

Jadi, kami memperkenalkan ide tentang 'algoritme pembelajaran'. Contoh sederhananya adalah meningkatkan efisiensi: mengirim masukan yang sama ke jaringan berulang kali, dan setiap kali menghasilkan keluaran yang benar, catat waktu yang diperlukan untuk melakukannya. Beberapa jalur dari A ke B secara alami akan lebih efisien daripada yang lain, dan algoritme pembelajaran dapat mulai memperkuat perilaku neuron yang terjadi selama proses tersebut berlangsung lebih cepat.

JST yang jauh lebih kompleks dapat diupayakan untuk tujuan yang lebih kompleks, seperti mengidentifikasi spesies hewan dengan benar di hasil gambar Google. Langkah-langkah dalam pemrosesan gambar dan kategorisasi sedikit disesuaikan, mengandalkan penyaringan seperti evolusi dari variasi acak dan non-acak untuk menghasilkan proses penemuan kucing yang tidak pernah dapat dirancang langsung oleh pemrogram ANN.

JST non-deterministik menjadi jauh lebih deterministik karena mereka menyusun ulang dirinya sendiri agar lebih baik dalam mencapai hasil tertentu, sebagaimana ditentukan oleh tujuan algoritme pembelajaran mereka. Ini disebut 'melatih' JST - Anda melatih JST dengan contoh fungsi yang diinginkan, sehingga JST dapat mengoreksi dirinya sendiri berdasarkan seberapa baik performanya di setiap proses ini. Semakin sering Anda melatih ANN, semakin baik jadinya dalam mencapai tujuannya.

Saya robot

Tidak sebentar.

Ada juga gagasan tentang pembelajaran 'tanpa pengawasan' atau 'adaptif', di mana Anda menjalankan algoritme tanpa keluaran yang diinginkan, tetapi biarkan algoritme tersebut mulai mengevaluasi hasil dan menyesuaikan dirinya sendiri sesuai dengan… keinginannya? Seperti yang mungkin Anda bayangkan, ini belum dipahami dengan baik, tetapi ini juga merupakan jalur yang paling mungkin kita temukan AI yang sebenarnya - atau hanya AI yang sangat, sangat canggih. Jika kita benar-benar akan mengirim robot ke lingkungan yang sama sekali tidak dikenal untuk mencari tahu masalah yang sama sekali tidak terduga, kita akan membutuhkan program yang dapat memberikan signifikansi pada rangsangan itu sendiri, dalam waktu nyata.

Di situlah letak kekuatan ANN: karena strukturnya memungkinkan ANN melakukan perubahan berulang pemrograman mereka sendiri , mereka memiliki kemampuan untuk menemukan jawaban yang tidak pernah dimiliki oleh pembuatnya sendiri. Apakah Anda seorang hedge fund, perusahaan periklanan, atau pencari minyak, potensi besar untuk menggabungkan kecepatan komputer dengan keserbagunaan otak tidak mungkin diabaikan. Itulah mengapa kemampuan memprogram algoritme 'pembelajaran mesin' sekarang menjadi salah satu yang paling banyak dilakukan keahlian yang dicari di dunia .

Di abad yang akan datang, kita mungkin kurang peduli dengan pemecahan masalah daripada dengan mengajar komputer untuk belajar memecahkan masalah bagi kita.

Oke, tapi ANN sebenarnya bisa apa melakukan ?

Kegunaan JST termasuk dalam salah satu dari dua kategori dasar: sebagai alat untuk memecahkan masalah yang secara inheren sulit bagi manusia dan komputer digital, dan sebagai model eksperimental dan konseptual dari sesuatu - secara klasik, otak. Mari kita bahas masing-masing secara terpisah.

Pertama, alasan sebenarnya dari minat (dan, yang lebih penting, investasi) di JST adalah bahwa mereka dapat menyelesaikan masalah. Google menggunakan ANN untuk mempelajari cara menargetkan saran 'tonton berikutnya' dengan lebih baik setelah video YouTube. Para ilmuwan di Large Hadron Collider beralih ke ANN untuk menyaring hasil tabrakan mereka dan menarik hanya satu partikel dari badai yang lebih besar. Perusahaan pelayaran menggunakannya untuk meminimalkan panjang rute pada tujuan yang tersebar secara kompleks. Perusahaan kartu kredit menggunakannya untuk mengidentifikasi transaksi penipuan. Mereka bahkan menjadi dapat diakses oleh tim dan individu yang lebih kecil - Amazon, MetaMind, dan lainnya menawarkan layanan pembelajaran mesin yang disesuaikan kepada siapa saja dengan biaya yang sangat sederhana.

Bagaimana menurut ANN dumbel, dari latihan dengan foto.

Bagaimana menurut ANN dumbel, dari latihan dengan foto.

Semuanya baru saja dimulai. Google telah melatih algoritme analisis fotonya dengan semakin banyak gambar hewan, dan mereka semakin pandai membedakan anjing dari kucing dalam foto biasa. Baik terjemahan dan sintesis suara sedang berkembang ke titik di mana kami dapat segera memiliki perangkat mirip babelfish yang menawarkan percakapan waktu nyata dan nyata antara orang-orang yang berbicara dalam bahasa yang berbeda. Dan, tentu saja, ada Tiga Besar contoh mencolok yang benar-benar memakai pembelajaran mesin di lengan mereka: Siri, Sekarang, dan Cortana.

Sisi lain dari jaringan saraf terletak pada perancangannya yang cermat untuk mencerminkan struktur otak. Baik pemahaman kita tentang struktur itu, dan kekuatan komputasi yang diperlukan untuk mensimulasikannya, sama sekali tidak mendekati apa yang kita perlukan untuk melakukan sains otak yang kuat dalam model komputer. Ada beberapa upaya luar biasa dalam menyimulasikan aspek tertentu dari bagian tertentu dari otak, tetapi ini masih dalam tahap yang sangat awal.

Kecerdasan buatan, untuk disewa.

Kecerdasan buatan, untuk disewa.

Satu keuntungan dari pendekatan ini adalah meskipun Anda tidak bisa (atau… seharusnya tidak ) secara genetik merekayasa manusia agar memiliki perubahan eksperimental yang tertanam di otak mereka, Anda tentu saja bisa melakukan eksperimen ilmuwan gila pada otak yang disimulasikan. ANN dapat mengeksplorasi berbagai kemungkinan yang jauh lebih luas daripada yang dapat dipertimbangkan oleh kedokteran secara praktis atau etis, dan suatu hari JST dapat memungkinkan para ilmuwan untuk dengan cepat memeriksa lebih banyak hipotesis di luar sana, 'Saya ingin tahu' dengan kemungkinan hasil yang tidak terduga.

Saat Anda bertanya pada diri sendiri, 'Bisakah jaringan saraf tiruan melakukannya?' segera setelah itu, tanyakan pada diri Anda 'Bisa saya lakukan?' Jika jawabannya ya, maka otak Anda harus mampu melakukan sesuatu yang suatu hari nanti mungkin dapat disimulasikan oleh JST. Di sisi lain, ada banyak hal yang suatu hari mungkin bisa dilakukan oleh JST yang tidak pernah bisa dilakukan oleh otak.

Potensi ANN hampir tidak terbatas.

Lihat seri 2007es.com Explains kami untuk liputan yang lebih mendalam tentang topik teknologi terpanas saat ini.

Copyright © Seluruh Hak Cipta | 2007es.com