Что они такое и почему имеют значение
Нейронные сети - это вычислительные системы с взаимосвязанными узлами, которые работают подобно нейронам в человеческом мозге. Используя алгоритмы, они могут распознавать скрытые закономерности и корреляции в необработанных данных, кластеризовать и классифицировать их, а со временем - постоянно изучать и совершенствовать.
Немного истории
В 1943 году Уоррен МакКаллох и Уолтер Питтс написали статью о том, как нейроны могут работать, и смоделировали свои идеи, создав простую нейронную сеть с использованием электрических цепей.
Эта прорывная модель проложила путь для начала исследований нейронных сетей в двух областях:
- Биологические процессы в мозге.
- Применение таких сетей к искусственному интеллекту (ИИ).
Смысл первоначальной цели нейросетевого подхода в том, чтобы создать вычислительную систему, которая могла бы решать такие проблемы, как человеческий мозг. Однако со временем исследователи переключили свое внимание на использование нейронных сетей для соответствия конкретным задачам, что привело к отклонениям от строго биологического подхода. С тех пор нейронные сети поддерживают различные задачи, включая компьютерное зрение, распознавание речи, машинный перевод, фильтрацию в социальных сетях, игру в настольные и видеоигры и медицинскую диагностику.
По мере того как размеры структурированных и неструктурированных данных увеличивались до больших уровней данных, люди разрабатывали системы глубокого обучения, которые по сути являются нейронными сетями со многими уровнями. Глубокое обучение позволяет собирать и анализировать все больше и больше данных, включая неструктурированные.
Почему нейронные сети важны?
Нейронные сети также идеально подходят, чтобы помочь людям решать сложные проблемы в реальных ситуациях. Они могут изучать и моделировать отношения между входами и выходами, которые являются нелинейными и сложными; сделать обобщения и выводы; выявить скрытые отношения, закономерности и прогнозы; и моделирование крайне изменчивых данных (таких как данные финансовых временных рядов) и отклонений, необходимых для прогнозирования редких событий (таких как обнаружение мошенничества). Как результат нейронные сети могут улучшить процессы принятия решений в таких областях, как:
- Обнаружение мошенничества с кредитными картами и Medicare.
- Оптимизация логистики для транспортных сетей.
- Распознавание символов и голоса, также известное как обработка естественного языка.
- Медицинская диагностика и диагностика заболеваний.
- Таргетированный маркетинг.
- Финансовые прогнозы для акций, валюты, опционов, фьючерсов, банкротств и рейтингов облигаций.
- Роботизированные системы управления.
- Прогнозирование электрической нагрузки и спроса на энергию.
- Процесс и контроль качества.
- Идентификация химического соединения.
- Оценка экосистем.
- Компьютерное зрение для интерпретации необработанных фотографий и видео (например, в медицинской визуализации, робототехнике и распознавании лиц).
“Наша первая цель для этих нейронных сетей или моделей - достичь точности на уровне человека. Пока вы не достигнете этого уровня, вы всегда знаете, что можете добиться большего.”
Иван Гомес
Типы сетей
Существуют различные виды глубоких нейронных сетей. Некоторые из них:
- Сверточные нейронные сети (CNN) содержат пять типов слоев: вход, свертка, пул, полностью подключен и выход. Каждый слой имеет определенное назначение, например, суммирование, подключение или активация. Сверточные нейронные сети получили популярную классификацию изображений и обнаружение объектов. Тем не менее, CNN также были применены в других областях, таких как обработка естественного языка и прогнозирование.
- Рекуррентные нейронные сети (RNN) используют последовательную информацию, такую как данные с метками времени из сенсорного устройства или устное предложение, состоящее из последовательности терминов. В отличие от традиционных нейронных сетей, все входы в рекуррентную нейронную сеть не являются независимыми друг от друга, и выход для каждого элемента зависит от вычислений его предыдущих элементов. RNN используются в приложениях прогнозирования и временных рядов, анализа настроений и других текстовых приложениях.
- Нейронные сети с прямой связью , в которых каждый персептрон в одном слое связан с каждым персептроном следующего уровня. Информация передается от одного уровня к следующему только в прямом направлении. Там нет петли обратной связи.
- Нейронные сети автоэнкодеров используются для создания абстракций, называемых кодерами, создаваемых из заданного набора входных данных. Хотя автоконкодеры похожи на более традиционные нейронные сети, они сами пытаются смоделировать входные данные, и поэтому метод считается неконтролируемым. Предпосылка автоэнкодеров состоит в том, чтобы десенсибилизировать не относящееся к делу и сенсибилизировать соответствующее. По мере добавления слоев дальнейшие абстракции формулируются на более высоких уровнях (слоях, наиболее близких к точке, в которой представлен слой декодера). Эти абстракции могут затем использоваться линейными или нелинейными классификаторами.
Кто использует нейронные сети?
Системы глубокого обучения - и, следовательно, нейронные сети, которые их поддерживают - стратегически используются во многих отраслях и сферах деятельности.
Науки о жизни
Организации здравоохранения и медико-биологических наук используют нейронные сети для обеспечения диагностической диагностики, биомедицинских изображений и мониторинга здоровья.
Производство
Энергетические и производственные компании используют нейронные сети для оптимизации цепочек поставок, автоматизации обнаружения дефектов и прогнозирования потребностей в энергии.
Банковское дело
Банки используют нейронные сети для выявления мошенничества, проведения кредитного анализа и автоматизации услуг финансовых консультантов.
Правительство
Организации государственного сектора используют нейронные сети для поддержки умных городов, разведки безопасности и распознавания лиц.
Связь и розничная торговля
Индустрия связи и розничной торговли использует нейронные сети для поддержки диалоговых чат-ботов, повышения и углубления интеллекта клиентов и проведения сетевого анализа.
“Нейронные сети обладают способностью выявлять аномалии. В будущем мы можем использовать их, чтобы дать врачам второе мнение - например, если что-то является раком или какая-то неизвестная проблема. И мы сможем представить эти вторые мнения быстрее и с большей точностью.”
Ли Энн Герхольд
