Tehisnärvivõrgud: mis need on, kuidas need töötavad ja miks nimetus eksitav on
Teie vanaisa telefoni keskjaam
Kujutage ette: on aasta 1950 ja teie vanaisa töötab telefonifirmas. Tema töö? Hiiglasliku keskjaama haldamine. Sajad kaablid, tuhanded väikesed pesad ja tema käed liiguvad välkkiirelt, et ühendada üks kõne teisega.
Kuidas keskjaam töötas
Keegi helistab pagariärist lillepoodi. Teie vanaisa ühendab kaabli pesast A47 pesasse B23. Kõne on ühendatud. Keegi teine helistab raamatukogust postkontorisse. Jälle kaabel, jälle ühendus. Terve päeva teeb ta ühendusi, suunab signaale ja aitab infol liikuda ühest kohast teise.
Kujutage nüüd ette, et see keskjaam suudaks õppida. Kujutage ette, et pärast tuhandeid kõnesid hakkaks see märkama mustreid. Enamik hommikuseid kõnesid pagariärist läheb restoranidesse. Enamik pärastlõunaseid kõnesid koolidest läheb vanematele. Enamik haigla kõnesid on kiireloomulised ja peaksid läbi minema kohe.
Kui see keskjaam suudaks nende mustrite põhjal end kohandada, suunates kõnesid tõhusamalt ilma, et teie vanaisa peaks igaühe peale mõtlema, oleks teil midagi väga sarnast närvivõrguga.
See ongi see, mis närvivõrk tegelikult on. Mitte aju. Mitte intelligentsus. Lihtsalt väga keerukas keskjaam, mis õpib kogemuse kaudu, millised ühendused kõige paremini toimivad.
Nimi "närvivõrk" paneb kõlama, nagu ehitaksime elektroonilisi ajusid. Me ei ehita. Me ehitame nutikaid keskjaamu, mis muutuvad kogemuse kaudu infot suunates paremaks. Näitan teile täpselt, kuidas see töötab, kasutades näiteid, millest igaüks aru saab.
Suur nimede segadus (miks "närv" on eksitav)
Kui teadlased 1950. aastatel neid süsteeme esimest korda ehitasid, vaatasid nad, kuidas inimese aju töötab, ja mõtlesid: "Hei, me võiksime ehitada midagi sellest inspireeritut." Nad laenasid mõned ideed ja ühe uhke nime.
Halb mõte.
Miks nimi on eksitav
Nende süsteemide nimetamine "närvivõrkudeks" on nagu lennuki nimetamine "mehaaniliseks linnuks". Jah, mõlemad lendavad. Jah, mõlemad on inspireeritud looduse vaatlemisest. Aga lennuk ei lehvita tiibu, tal pole sulgi, ta ei pea sööma usse ega rändama talveks lõunasse.
Sinu päris aju
- → Umbes 86 miljardit neuronit
- → Igaüks neist on uskumatult keeruline bioloogiline rakk
- → Tuhandeid ühendusi neuroni kohta
- → Töötab keemia ja neurotransmitterite abil
- → Võimeline kogu elu jooksul kasvama ja muutuma
Tehislik "neuron"
See on lihtne matemaatiline tehe. Korrutamine ja liitmine. Kõik. See sarnaneb ajurakuga umbes sama palju kui lambipirn Päikesega. Mõlemad toodavad valgust, aga üks on tohutu tuumasünteesi kera ja teine töötab sinu seinakontakti elektriga.
Nii et kui kunagi kuuled "tehisnärvivõrgust", mõtle lihtsalt "mustreid õppivale lülituskeskusele". See pole nii seksikas, aga palju täpsem. Ja mõistmine, mis need süsteemid tegelikult on, aitab sul aru saada, mida nad suudavad ja mida mitte.
Õppiv lülituskeskus
Lülituskeskus õpib sinu linna kõnemustreid. Pärast tuhandete kõnede jälgimist märkab see, et pagariäri helistab restoranidele igal hommikul umbes kell 6. Homme, kui see kell 6 kõne tuleb, on lülituskeskus valmis. See on juba ette valmistanud parima ühenduse, õppinud kogemusest, kohanenud mustriga. Seda need süsteemid teevadki. Nad leiavad näidetest mustreid ja kasutavad neid mustreid, et tulevasi ühendusi kiiremini ja paremini luua.
Ehituskivi: üks lihtne ühenduspunkt
Alustame meie jaotusplaadi kõige väiksemast osast: ühestainsast ühenduspunktist. Keerulises terminoloogias nimetatakse seda "tehisneuroniks". Kuid tegelikult on see lihtsalt koht, kus mitu juhet tulevad kokku ja üks juhe läheb välja.
Kujutage ette, et otsustate, kas võtta majast lahkudes vihmavari kaasa. Vaatate mitut signaali:
Signaalid, mida kaalute
- Kas taevas on tume ja pilvine? (Signaal 1)
- Kas ilmateade lubas vihma? (Signaal 2)
- Kas on vihmaperiood? (Signaal 3)
- Kas kannate muid asju kaasas? (Signaal 4)
Kuid mitte kõik need signaalid pole võrdselt olulised. Ilmateade on tõenäoliselt usaldusväärsem kui lihtsalt taeva vaatamine. Vihmaperiood on mõnes kohas olulisem kui teistes. Võite neid mõtteliselt kaaluda:
Tähtsuse kaalumine
- ● Tumedad pilved: keskmise tähtsusega
- ● Ilmaprognoos: väga tähtis
- ● Vihmaperiood: mõnevõrra tähtis
- ● Asjade kandmine: vähem tähtis
Sinu aju teeb selle arvutuse sekundi murdosa jooksul. Ta kaalub kõiki signaale tähtsuse järgi, liidab need kokku ja otsustab: vihmavari või mitte.
Mida tehisneuron teeb
Tehisneuron teeb täpselt sama asja, aga numbritega. Iga sissetulev signaal korrutatakse selle tähtsusega (kaaluga). Kõik need kaalutud signaalid liidetakse kokku. Kui summa on piisavalt suur, on väljund "jah, aktiveeri." Kui see on liiga väike, on väljund "ei, jää vaikseks."
See on üks neuron. Korruta paar numbrit. Liida need kokku. Kontrolli, kas summa ületab läve. Väljund jah või ei. Pole mingit müsteeriumi. Pole intelligentsust. Lihtsalt aritmeetika.
Mõtle sellest nagu klubi uksehoidjast, kes kontrollib su vanust, riietusstiili ja seda, kas oled külaliste nimekirjas. Igal teguril on erinev kaal. Külaliste nimekiri? Tõenäoliselt pääsed sisse. Korralikud kingad? Tähtis, aga mitte määrav. Uksehoidja liidab kõik tegurid kokku ja teeb ühe otsuse: sisse või välja. See on tehisneuron. Väga lihtne otsustuspunkt, mis võtab arvesse mitut erineva tähtsusega sisendit.
Punktide ühendamine: kommutaatori ehitamine
Üks ühenduspunkt pole eriti kasulik. Sinu vanaisa kommutaatoril oli neid tuhandeid. Sealt tulebki jõud.
Kujuta ette, et proovid rahvarohkes rongijaamas ära tunda oma sõpra Mariat. Sinu aju ei tee seda otsust ühe neuroniga. Ta kasutab tuhandeid otsustuspunkte, millest igaüks vaatleb erinevaid detaile:
- Esimese tasandi otsused: Kas see on inimene? Kas see on naine? Umbes õige pikkus?
- Teise tasandi otsused: Kas tal on tumedad juuksed? Kas ta kannab prille? Kas see on tema tavaline mantel?
- Kolmanda tasandi otsused: Kas tema nägu ühtib Maria näojoontega? See kõnnak tundub tuttav. See on kindlasti tema kott.
- Lõplik otsus: Kõik tükid sobivad kokku. See on Maria. Vehi ja hüüa teda nimepidi.
Tehisnärvivõrk töötab samamoodi. See on korraldatud kihtidena, nagu hoone korrused. Informatsioon liigub esimeselt korruselt (sisendkiht) läbi mitme vahepealse korruse (peidetud kihid) ülemisele korrusele (väljundkiht).
Oletame, et üritad õpetada arvutit ära tundma kassipilte. Seda juhtub järgmine:
-
1
Sisendkiht (esimene korrus):
Võtab vastu toore pildi. Iga pisike täpp (piksel) pildil läheb ühte neuronisse. Väikesel fotol võib olla 10 000 pikslit, seega on vaja 10 000 neuronit, et see vastu võtta. Iga neuron hoiab üht pisikest infokillukest: „Minu piksel on tume" või „Minu piksel on hele".
-
2
Esimene peidetud kiht (teine korrus):
Otsib lihtsaid mustreid. Mõned neuronid ärkavad ellu, kui näevad horisontaalseid jooni. Teised märkavad vertikaalseid jooni. Mõned tabavad kõveraid või nurki. Need neuronid ei tea veel, et vaatavad kasse. Nad teavad ainult: „Siin on kõver joon" või „Seal on serv".
-
3
Teine peidetud kiht (kolmas korrus):
Ühendab need lihtsad mustrid keerukamateks kujunditeks. „Hei, need kõverad ja servad koos näevad välja nagu terav kõrv." „Need mustrid sellises paigutuses näevad välja nagu vurrud." „See on kindlasti silma kuju." Ikka veel ei tunta ära kasse, vaid tuvastatakse ainult kassi osi.
-
4
Kolmas peidetud kiht (neljas korrus):
Paneb osad kokku terviklikeks tunnusteks. „Need vurrud, see nina kuju, need teravad kõrvad… Seda kombinatsiooni olen varem näinud. See hakkab välja nägema nagu kassi nägu." Nüüd jõuame juba kuhugi.
-
5
Väljundkiht (ülemine korrus):
Teeb lõpliku otsuse. „Kõige põhjal, mida teised korrused leidsid, olen ma 95% kindel, et see on kass. Võib olla ka koer (3% tõenäosus). Kindlasti mitte auto (0,001% tõenäosus)." Neuron, mille kindlus on kõige suurem, võidab ja võrgustik teatab: „Kass!"
Iga kiht toetub eelmisele. Lihtsatest mustritest saavad keerulised kujundid. Keerulistest kujunditest saavad äratuntavad tunnused. Tunnustest saavad terviklikud objektid. See ongi see nipp. Mitte tegelik intelligentsus, vaid tõeliselt nutikas lihtsate otsuste kihistamine.
Õppimise osa (kuidas jaotuskilp muutub targemaks)
Siin muutub asi huvitavaks. Kuidas õpib võrk, millised ühendused on olulised?
Õppimine nagu pesu sorteerimine
Kujutle, et õpetad oma vennapojale pesu sorteerimist. Esimesel korral pole tal aimugi. Ta võib panna punase soki valgete särkide hulka. Katastroof. Roosad särgid igal pool. Ütled: "Ei, ei, see oli vale. Punane käib tumedate, mitte valgete hulka." Ta kohandab oma mõttelisi reegleid. Järgmisel korral läheb tal veidi paremini. Ikka teeb vigu, aga vähem. Sa parandad teda edasi. "Just nii!" "Ei, proovi uuesti." "Suurepärane!" "Oih, päris ei õnnestunud." Pärast sadat pesutäit on su vennapoeg mustrid selgeks õppinud. Valged kokku. Tumedad kokku. Punased tumedatega. Õrnad pesu eraldi. Teda pole sul enam vaja. Ta õppis harjutamise ja parandamise kaudu.
Tehisnärvivõrgud õpivad täpselt samamoodi. Protsess on järgmine:
-
1
Alusta juhuslike oletustega
Võrgustik alustab täiesti juhuslike ühendustugevustega (kaaludega). See on nagu su õepoeg esimesel päeval. Näita talle pilti kassist ja ta võib öelda: "Auto!" Puhas jama. Aga see on okei. Igaüks alustab kuskilt.
-
2
Näita talle näidet
Sööda võrgustikule pilt kassist. Pilt liigub läbi kõigi kihtide. Iga neuron teeb oma arvutuse (korrutab sisendid kaaludega, liidab need kokku, aktiveerub või mitte). Lõpuks teeb väljundkiht oletuse. Juhuslike kaaludega on oletus kohutav. "Koer! Ei, auto! Võib-olla… vihmavari?"
-
3
Ütle talle õige vastus
Sina tead õiget vastust (sest märgistasid treeningpildid ise). "Ei, see oli kass, mitte auto." Võrgustik mõõdab, kui palju ta eksis. Arvas auto 80% kindlusega, kui oleks pidanud ütlema kass? See on väga vale. Arvuta täpselt, kui kaugel iga neuron õigest vastusest oli.
-
4
Kohanda ühendusi (tagasilevitus)
Siin on nutikas osa. Võrgustik liigub tagurpidi väljundist sisendisse, küsides: "Millised ühendused aitasid sellele veale kaasa? Milliseid kaalusid tuleb muuta?" See on nagu su õepoja mõttekäigu taastamine. "Panid punase soki valgete sekka, sest arvasid, et värv ei loe. Suurendame värvi tähtsust sinu otsuses." Kohanda iga kaalu veidi selles suunas, mis oleks viga vähendanud.
-
5
Korda tuhandeid kordi
Näita võrgustikule veel ühte pilti. See teeb järjekordse oletuse (nüüd veidi parema). Mõõda viga. Kohanda kaalusid uuesti. Korda tuhandete või miljonite piltidega. Aeglaselt, järk-järgult nihkuvad kaalud juhuslikust prügist kasulikeks mustriteks. Piisava harjutamise järel hakkab võrgustik õigesti tabama. Näita talle kassi, ütleb kass. Näita talle koera, ütleb koer. See õppis.
Mida „õppimine" tegelikult tähendab
Seda protsessi nimetatakse „treenimiseks" või „õppimiseks", kuid tegelikult on see lihtsalt matemaatiline optimeerimine. Miljonite pisikeste arvude (kaalude) kohandamine näidete põhjal, kuni võrgu ennustused langevad kokku tegelikkusega. Ei mingit mõistmist. Ei mingit teadvust. Ainult mustrituvastus katse-eksituse meetodil.
Mida rohkem näiteid talle näitad, seda paremaks ta muutub. Mida mitmekesisemad on näited, seda paremini tuleb ta toime uute olukordadega. Näita talle ainult kuldseid retriivereid ja tal on puudlitega raskusi. Näita talle kasse igas värvis, suuruses ja asendis ning ta tunneb kassid ära kõikjal.
Mõtle sellest nagu kitarrikeelte pinguse reguleerimisest. Liiga lõdvad, vale heli. Liiga pingul, samuti vale. Näppad keelt, kuulad nooti ja reguleerid pingust veidi. Näppad uuesti. Ikka pole päris õige. Reguleerid uuesti. Pärast paljusid väikeseid reguleerimisi annab iga keel täiusliku noodi. Närvivõrgu treenimine ongi lihtsalt miljonite „pingutusnuppude" (kaalude) reguleerimine, kuni väljund kõlab õigesti. Ainult et muusika asemel toodad sa ennustusi.
Sügav õppimine (miks rohkem kihte aitab)
Sul võib ette sattuda termin „sügav õppimine". Inimesed käituvad nagu oleks see midagi maagilist. See ei ole.
„Sügav" tähendab lihtsalt „palju kihte". Kolme või nelja peidetud kihi asemel võib sul olla kakskümmend, viiskümmend või isegi sada kihti üksteise otsas. See on kõik. See ongi see suur saladus.
Miks nii palju kihte? Sest keerulised mustrid vajavad keerulist töötlemist.
Kujutage ette, et õpetate kellelegi puude äratundmist. Ainult kahe kihiga (üks peidetud kiht) saate õpetada lihtsaid reegleid:
Lihtsad mustrid väheste kihtidega
- ✓ Roheline asi peal? Ilmselt puu.
- ✓ Pruun vertikaalne asi all? Kindlasti puu.
Aga kuidas on lood palmipuudega? Männipuudega? Kirsipuude õitega? Talviste lehtedeta puudega? Lumega kaetud puudega? Bonsaipuudega? Puukändudega? Ainult lihtsate mustritega jäävad paljud variatsioonid märkamata.
Lisage rohkem kihte ja iga kiht saab õppida järjest keerukamaid tunnuseid:
Keerulised mustrid paljude kihtidega
- Kiht 1: Servad ja tekstuurid
- Kiht 2: Kooremustrid ja lehekujud
- Kiht 3: Oksastruktuurid
- Kiht 4: Erinevate puuliikide tunnused
- Kiht 5: Puud erinevates aastaaegades ja oludes
Iga kiht ehitab oma arusaama eelmise kihi avastustele. Väljundini jõudes suudab võrk ära tunda tammepuid sügisel, palmipuid rannas, männipuid lumes ja kirsipuude õisi kevadel. Kõik need kihilised mustrid.
Kompromiss
Rohkem kihte tähendab rohkem arvutusi, rohkem treeninguaega ja rohkem vajalikke näiteid. Madal võrk võib õppida 10 000 pildi pealt. Sügav võrk võib vajada miljonit. Kuid keeruliste ülesannete puhul, nagu keele mõistmine, tuhandete objektide äratundmine või malemäng meistritasemel, on sügavad võrgud pingutust väärt.
Sellepärast on ChatGPT ja kaasaegsed AI-süsteemid "sügavad". Neil on kümneid või sadu kihte, mis õpivad uskumatult keerulisi mustreid tohututest tekstide, piltide või muude andmete hulkadest. Mitte sellepärast, et nad oleksid intelligentsed, vaid sellepärast, et nende ülesanded nõuavad väga peente ja väga keeruliste mustrite äratundmist.
Kaks lähenemist: täpsus vs. tõhusus
Enamik tänapäeva närvivõrke kasutab oma arvutustes väga täpseid numbreid. Kui nad korrutavad ja liidavad kaale, kasutavad nad numbreid nagu 0.7234891 või 1.3982736. Palju komakohti. Väga täpne.
Traditsiooniline lähenemine: ületäpne
See on nagu koogi koostisosade mõõtmine laborikaaluga, mis on täpne 0.001 grammini. Jahu: 247.384 grammi. Suhkur: 118.592 grammi. Väga täpne, väga täpselt, ja ausalt öeldes täiesti üleliigne koogi küpsetamiseks.
Need täpsed numbrid (nn ujukomaarvud) nõuavad palju arvutusvõimsust. Iga korrutamine nende arvudega võtab tuhandeid transistoritoiminguid. Kui teete miljardeid korrutamisi võrgu treenimiseks, koguneb see tohututeks elektri- ja arvutusaja kogusteks.
Binaarne lähenemine
Binaarsed närvivõrgud: ainult kaks väärtust
On veel üks lähenemine: binaarsed närvivõrgud. Täpsete kümnendarvude asemel kasutage ainult kahte väärtust. Pluss üks või miinus üks. See on kõik.
Kõlab hullumeelselt, eks? Kuidas saab õppida keerulisi mustreid ainult kahe numbriga?
Vanaema retsepti lähenemine
Mõelge sellele nii. Kui teie vanaema küpsetas seda õunakooki, ei kasutanud ta laborikaalu. Ta kasutas oma silmi ja kogemust. "Umbes nii palju jahu. Hea peotäis suhkrut. Võid umbes muna suurune." Üldse mitte täpne, aga kook tuli ikkagi maitsev.
Binaarsed võrgud töötavad sarnaselt. Iga ühendus on kas "jah, see loeb" (+1) või "ei, see ei loe" (-1). Ei mingit kümnendtäpsust. Lihtsalt lihtsad jah/ei-hääled.
Võlu on kombinatsioonis. Tuhanded lihtsad jah/ei-otsused annavad kokku üllatavalt täpseid ennustusi. Täpselt nagu teie vanaema ebatäpsed mõõtmised koos tema kogemusega andsid täiusliku koogi.
Eelis
Binaarsed võrgud töötavad palju kiiremini ja kasutavad oluliselt vähem energiat. Mäletad meie varasemat juttu binaararvutusest? Lihtsad jah/ei-tehted on sadu kordi kiiremad kui täpne kümnendaritmeetika. Binaarne närvivõrk saab töötada sinu telefonis, lihtsal arvutikiibil, isegi pisikestes seadmetes, millel pole palju võimsust. Sama võrk täpsete arvudega vajaks hiiglaslikku arvutit ja tohutult elektrit.
Dweve'is keskendume binaarsetele närvivõrkudele, et saavutada reaalset tõhusust. Meie Core-süsteem kasutab lihtsaid jah/ei-kaalusid ja töötab 40 korda kiiremini kui traditsioonilised võrgud, kasutades samal ajal 96% vähem energiat. Mitte sellepärast, et me lõikaksime nurki, vaid sest enamiku reaalsete ülesannete puhul pole sul vaja laboriprecisiooni. Vanaema retsepti meetod töötab täiesti hästi.
Milleks närvivõrgud tegelikult head on
Nüüd, kui sa mõistad, kuidas närvivõrgud töötavad, räägime sellest, milleks need tegelikult kasulikud on. Sest vaatamata kõigele sellele kärale pole nad kõiges head.
Närvivõrgud paistavad silma mustrituvastuses. Kui sa näitad neile tuhandeid näiteid järjepidevate mustritega, õpivad nad neid mustreid ära tundma ka uutes näidetes. See teeb neist ideaalse vahendi järgmisteks ülesanneteks:
📷 Piltide äratundmine
Näita võrgule miljon märgistatud fotot ja see õpib ära tundma kasse, koeri, autosid, nägusid, kasvajaid röntgenpiltidel, pragusid teedel, mida iganes sa seda treenid. Sinu telefoni kaamera kasutab seda nägudele teravustamiseks. Haiglad kasutavad seda haiguste tuvastamiseks meditsiinilistel skaneeringutel.
🎤 Kõne mõistmine
Kui sa räägid Siriga või Alexaga, muudab närvivõrk sinu häälemustrid tekstiks. See on õppinud tuhandetest tundidest salvestatud kõnet, mida iga helimuster tähendab. Erinevad aktsendid, taustamüra, pomisemine… see kõik saab mustrituvastuse abil hakkama.
💬 Keele töötlemine
Tõlkimine, küsimustele vastamine, teksti kirjutamine. Miljarditel sõnadel treenitud võrgud õpivad ära mustrid selles, kuidas keel töötab. Mitte sellepärast, et nad keelt "mõistavad", vaid sellepärast, et nad tunnevad ära mustreid nagu "see sõna järgneb tavaliselt sellele sõnale" ja "see lausestruktuur tähendab küsimust".
🎬 Soovituste tegemine
Netflix soovitab sarju, Spotify leiab muusikat, mis sulle meeldib, Amazon soovitab tooteid. Need võrgustikud õpivad mustreid miljonite kasutajate pealt. "Inimestele, kellele meeldisid A ja B, meeldis ka C. Sellele inimesele meeldivad A ja B, seega tõenäoliselt meeldib talle ka C."
🎮 Mängude mängimine
Maleprogrammid, Go-mängijad, videomängude tehisintellekt. Võrgustik mängib miljoneid mänge enda vastu, õppides, millised käigud viivad võiduni ja millised kaotuseni. Puhas mustrituvastus katse-eksituse meetodil.
Märkad mustrit? Need on kõik ülesanded, kus suurtes andmehulkades eksisteerivad järjepidevad mustrid. Näita võrgustikule piisavalt näiteid ja see leiab mustrid.
Milles närvivõrgustikud on kohutavalt halvad
Nüüd reaalsuskontroll. Närvivõrgustikel on tõsised piirangud:
⚠️ Nad vajavad tohutul hulgal andmeid
Laps näeb kolme koera ja mõistab "koer". Närvivõrgustik vajab tuhandeid või miljoneid koerapilte. Pole andmeid? Pole õppimist. Väike andmehulk? Kehv jõudlus. Need süsteemid on andmejanulised koletised.
⚠️ Nad on mustad kastid
Võrgustik ei oska oma otsuseid selgitada. See teab vastust (või arvab, et teab), kuid ei oska sulle öelda, miks. Miljonid kaalud, mis suhtlevad keerukatel viisidel. Ükski inimene ei suuda põhjenduskäiku jälgida. See on suur probleem meditsiinis, õiguses ja kõikjal, kus otsuseid tuleb põhjendada.
⚠️ Nad õpivad andmetest eelarvamusi
Kui sinu treeningandmetes on eelarvamusi (ja enamikus reaalse maailma andmetes on), õpib võrgustik need eelarvamused selgeks. Ajalooline diskrimineerimine? Võrgustik hakkab diskrimineerima. Tasakaalustamata näited? Võrgustik töötab alaesindatud rühmade puhul halvemini. Rämps sisse, rämps välja.
⚠️ Nad ei üldista hästi
Treeni võrk kasside ja koerte peal ning näita talle siis hobust. Ta jääb hätta. Inimestel on üldistamine lihtne ("Ah, see on veel üks neljajalgne loom"). Närvivõrgud ei suuda seda. Nad tunnevad ainult neid kindlaid mustreid, mida treeningu ajal nägid. Uued olukorrad ajavad nad segadusse.
⚠️ Neid on lihtne petta
Inimestele nähtamatud pisimuudatused võivad võrgu täielikult lollitada. Muuda kassipildil mõnda pikslit (muudatusi, mida sa isegi ei märkaks) ja võrk võib järsku öelda "Lennuk!" 99% kindlusega. Seda nimetatakse adversariaalseks ründeks ja see on tõeline turvaprobleem.
Need pole väikesed probleemid. Need on närvivõrkude tööpõhimõtte tuum. Võrk on ainult nii hea kui tema treeningandmed ning ta suudab ära tunda ainult mustreid, mida on varem näinud.
Tegelik lõppkokkuvõte
Mis närvivõrgud siis tegelikult on?
Need on keerukad mustrituvastusmasinad. Mitmekihilised lülitusseadmed, mis õpivad näidete põhjal. Matemaatilised optimeerimissüsteemid, mis kohandavad miljoneid pisikesi kaalusid, kuni ennustused langevad kokku tegelikkusega.
Need ei ole ajud. Need ei ole intelligentsed. Need ei ole teadvusega. Nad ei "mõista" midagi. Nad tunnevad mustreid ära kordamise ja parandamise kaudu.
Kuid nendes piirides on nad märkimisväärselt võimsad. Nad on muutnud tehnoloogiat. Sinu telefoni näotuvastus, häälassistendid, rämpspostifiltrid, fotode korrastamine, navigatsioonirakendused, voogedastussoovitused, automaattõlked… kõik põhineb närvivõrkudel.
Võti on kasutada neid õigete ülesannete jaoks
Mustrituvastus? Suurepärane. Ülesanded, millel on selged näited ja järjepidevad mustrid? Ideaalsed. Loominguline probleemilahendus, mis nõuab konteksti ja tähenduse mõistmist? Mitte nii väga.
Kui keegi üritab sulle "tehisintellekti" või "närvivõrke" müüa, küsi endalt: kas see on tõesti mustrituvastusprobleem? Kas treenimiseks on piisavalt häid andmeid? Kas see töötab olukordades, mida ta varem näinud pole? Kas ta suudab vajadusel oma otsuseid selgitada?
Kui vastused on vastavalt jah, jah, tõenäoliselt ja ei, siis võivad närvivõrgud olla õige tööriist. Kui mitte, võib sul olla vaja midagi muud.
Ajumetafoor muutis närvivõrgud põnevaks ja salapäraseks. Kui mõistad, mis need tegelikult on, keerukad lülitusseadmed, mis õpivad näidetest, muutuvad need vähem maagiliseks, kuid palju kasulikumaks. Sest kui sa mõistad tööriista, tead, millal seda kasutada ja millal haarata millegi muu järele. Ja see arusaam on väärt rohkem kui ükskõik milline turunduslik ülespuhutus.
Dweve'is ehitame närvivõrke, mis austavad reaalsust. Kahendtehted. Tõhus arvutus. Selged piirangud. Ei mingit maagiat, ei mingit ülespuhutust, vaid aus inseneritöö. Sest parim tehisintellekt on selline, mis töötab päris maailmas, mitte ainult teadusartiklites.