Нейронная сеть и человек, что же у них общего? Может быть, вы назвали воображение? Это будет не совсем верно, ведь компьютер может лишь генерировать новые комбинации идей на основе имеющихся данных. Способность мыслить? Тоже некорректно. Однако есть кое-что, что нас объединяет - способ обработки информации.
Звучит довольно абсурдно, не правда ли? Однако, в основе современных нейросетей действительно лежит идея, вдохновленная человеческим мозгом. И впервые она появилась ещё в 1943 году, когда Уоррен Мак-Каллок и Уолтер Питтс предложили математическую модель нейрона - базовой единицы нервной системы.
Наш мозг состоит из примерно 86 миллиардов нейронов, каждый из которых можно сравнить с мини-компьютером. Нейрон принимает сигналы, обрабатывает их и передаёт дальше. И всё это - с невероятной скоростью и эффективностью. ИИ, искусственный интеллект, устроен по очень похожему принципу.
Представим нейрон как коробочку, в который приходит информация по синапсам, а уходит по дендриту. Допустим, у нас есть задача распознать породу кошки, изображённой на фотографии. Один входной сигнал может представлять наличие ушей, другой - хвоста, третий - цвет фона. Для этого на синапсах существуют весы - коэффициенты, определяющие важность полученной информации. Таким образом, весы определяют влияние конкретного входа на выходной результат. Например, усы могут быть важны, а цвет фона- нет.
Но как нам понять какая пришедшая информация важнее, а какая, напротив, нет? После того, как мы перемножили все входы с весами, они суммируются. Однако мы явно что-то забыли. Ведь если бы нейроны просто передавали бы какое-то суммированное значение, то наше мышление упрощалось бы до линейных операций. Именно поэтому, результат сумматора передается на вход нелинейной функции активации. Она решает, будет ли нейрон активирован, то есть передаст ли он сигнал дальше. Классические примеры таких функций - ReLU, сигмоида, tanh. Также, функция активации - это способ нормализации входных данных. То есть, если на входе у вас будет большое число, пропустив его через функцию активации, вы получите выход в нужном вам диапазоне.
Как мы можем видеть, функция ReLU приравнивает к нулю все числа < 0. Числа > 0 остаются без изменений. Т.е. все числа <0 не “пройдут” дальше ReLU.
Таким образом, мы разобрались в устройстве конкретного нейрона. Но “один в поле не воин”, рассмотренный единственный нейрончик мало что может сделать. Поэтому объединим нейроны в упорядоченную группу, называемую слоем. Слои, в основном, подразделяют на: входной (получает “сырую” информацию), скрытые (занимаются обработкой информации) и выходной (выдает результат). Конечно, есть много других типов слоев. Заинтересовало? О сверточных слоях я расскажу в статье про CNN (скандальные сверточные нейронные сети)
Да, искусственный интеллект пока далёк от полноценного мышления, сознания и интуиции. Но его архитектура вдохновлена работой мозга, и с каждым годом граница между биологическим и машинным "мышлением" стирается.
Нейронные сети уже умеют учиться, забывать, адаптироваться и принимать решения на основе прошлого опыта. Так что, возможно, мы не такие уж и разные.
Информация и произведении:
Автор: Вероника Алексеенко-Недышилова
Редакторы: Сабуров Даниил и Марк Ершов
Условия использования: свободное некоммерческое использование при условии указания автора и ссылки на первоисточник.
Для коммерческого использования - обращаться на почту: buildxxvek@gmail.com
Источники:
- Первое знакомство с полносвязными нейросетями // education.yandex.ru URL: https://education.yandex.ru/handbook/ml/article/pervoe-znakomstvo-s-polnosvyaznymi-nejrosetyami
- Марк Питер Дайзенрот, А. Альдо Фейзал, Чен Сунь Он Математика в машинном обучении. - СПб: ПИТЕР, 2024
- Джеймс Девис Нейросети. Создание и оптимизация будущего