Nevronske mreže: kaj so, kako delujejo in zakaj je ime zavajajoče
Centrala vašega dedka
Predstavljajte si tole: leto je 1950 in vaš dedek dela pri telefonskem podjetju. Njegova naloga? Upravljanje ogromne centrale. Na stotine kablov, na tisoče majhnih vtičnic, njegove roke pa bliskovito hitro povezujejo en klic z drugim.
Kako je centrala delovala
Nekdo pokliče iz pekarne v cvetličarno. Vaš dedek vtakne kabel iz vtičnice A47 v vtičnico B23. Klic je povezan. Nekdo drug pokliče iz knjižnice na pošto. Nov kabel, nova povezava. Ves dan vzpostavlja povezave, usmerja signale in pomaga, da informacije tečejo z enega kraja na drugega.
Zdaj pa si predstavljajte, da bi se ta centrala lahko učila. Da bi po na tisočih klicev začela opažati vzorce. Večina klicev iz pekarne zjutraj gre v restavracije. Večina klicev iz šol popoldne gre k staršem. Večina klicev iz bolnišnice je nujnih in bi morala priti takoj skozi.
Če bi se ta centrala lahko prilagajala na podlagi teh vzorcev in usmerjala klice učinkoviteje, ne da bi moral vaš dedek razmišljati o vsakem posebej, bi imeli nekaj zelo podobnega nevronski mreži.
To v resnici je nevronska mreža. Ne možgani. Ne inteligenca. Samo zelo prefinjena centrala, ki se skozi prakso nauči, katere povezave delujejo najbolje.
Ime »nevronska mreža« zveni, kot da gradimo elektronske možgane. Ne gradimo jih. Gradimo pametne centrale, ki z izkušnjami vedno bolje usmerjajo informacije. Naj vam natančno pokažem, kako to deluje, s primeri, ki jih razume vsak.
Velika zmeda z imenom (zakaj je »nevronsko« zavajajoče)
Ko so znanstveniki v petdesetih letih prejšnjega stoletja prvič zgradili te sisteme, so pogledali, kako delujejo človeški možgani, in pomislili: »Hej, lahko bi zgradili nekaj, kar se zgleduje po tem.« Sposodili so si nekaj idej in modno ime.
Slaba poteza.
Zakaj je ime zavajajoče
Te sisteme imenovati »nevronske mreže« je tako, kot bi letalo imenovali »mehanska ptica«. Da, oboje leti. Da, oboje je nastalo po navdihu opazovanja narave. Toda letalo ne maha s krili, nima perja, ne potrebuje črvov za hrano in se pozimi ne seli na jug.
Vaši pravi možgani
- → Približno 86 milijard nevronov
- → Vsak od njih je neverjetno zapletena biološka celica
- → Na tisoče povezav na nevron
- → Deluje na kemijo in nevrotransmiterje
- → Sposobni rasti in spreminjanja skozi vse življenje
Umetni »nevron«
Je preprosta matematična operacija. Množenje in seštevanje. To je vse. Po podobnosti z možgansko celico je približno tako, kot je žarnica podobna soncu. Oboje proizvaja svetlobo, a eno je ogromna krogla jedrske fuzije, drugo pa deluje na elektriko iz vaše stenske vtičnice.
Torej, kadar koli slišite »nevronska mreža«, si preprosto predstavljajte »centralo za učenje vzorcev«. Manj privlačno zveni, a je veliko natančneje. In razumevanje, kaj ti sistemi v resnici so, vam pomaga razumeti, kaj zmorejo in česa ne.
Centrala za učenje
Centrala se uči vzorce klicev v vašem mestu. Po ogledu na tisoče klicev opazi, da pekarna vsako jutro okoli 6. ure pokliče restavracije. Ko jutri ob 6. uri pride ta klic, je centrala pripravljena. Že je pripravila najboljšo povezavo, se naučila iz izkušenj in se prilagodila vzorcu. To počnejo ti sistemi. Najdejo vzorce v primerih in te vzorce uporabijo, da prihodnje povezave potekajo hitreje in bolje.
Osnovni gradnik: ena preprosta povezovalna točka
Začnimo pri najmanjšem delčku naše centrale: eni sami povezovalni točki. V strokovnem izrazoslovju se imenuje "umetni nevron". A v resnici je to le mesto, kjer se stika več žic in ena žica vodi naprej.
Predstavljajte si, da se odločate, ali boste vzeli dežnik, ko greste od doma. Upoštevate več signalov:
Signali, ki jih upoštevate
- Je nebo temno in oblačno? (Signal 1)
- Je vremenska napoved napovedala dež? (Signal 2)
- Je deževna sezona? (Signal 3)
- Nosite še kaj drugega? (Signal 4)
A vsi ti signali niso enako pomembni. Vremenska napoved je verjetno zanesljivejša kot samo pogled v nebo. Deževna sezona je ponekod pomembnejša kot drugod. Morda jih v mislih utežite:
Uteževanje pomembnosti
- ● Temni oblaki: srednje pomembno
- ● Vremenska napoved: zelo pomembno
- ● Deževna sezona: nekoliko pomembno
- ● Nošenje stvari: manj pomembno
Vaši možgani ta izračun opravijo v delčku sekunde. Vse signale stehtajo glede na pomembnost, jih seštejejo in se odločijo: dežnik ali brez dežnika.
Kaj počne umetni nevron
Umetni nevron počne popolnoma isto, le s številkami. Vsak dohodni signal se pomnoži s svojo pomembnostjo (svojo utežjo). Vsi ti uteženi signali se seštejejo. Če je vsota dovolj visoka, je rezultat »da, aktiviraj se.« Če je prenizka, je rezultat »ne, ostani tiho.«
To je en nevron. Pomnoži nekaj številk. Jih seštej. Preveri, ali vsota preseže prag. Rezultat je da ali ne. Brez skrivnosti. Brez inteligence. Samo aritmetika.
Predstavljaj si ga kot vratarja v klubu, ki preverja tvojo starost, tvoj oblačilni kodeks in ali si na seznamu gostov. Vsak dejavnik ima drugačno utež. Na seznamu gostov? Verjetno te spusti noter. Pravi čevlji? Pomembno, a ne odločilno. Vratar sešteje vse dejavnike in sprejme eno odločitev: noter ali ven. To je umetni nevron. Zelo preprosta točka odločanja, ki upošteva več vnosov z različnimi stopnjami pomembnosti.
Povezovanje pik: Gradnja centrale
Ena povezovalna točka ni prav uporabna. Centrala tvojega dedka jih je imela na tisoče. Od tam prihaja moč.
Predstavljaj si, da poskušaš na prepolnem železniškem kolodvoru prepoznati svojo prijateljico Mario. Tvoji možgani te odločitve ne sprejmejo z enim nevronom. Uporabijo na tisoče odločitvenih točk, pri čemer vsaka opazuje druge podrobnosti:
- Odločitve prve stopnje: Je to oseba? Je ženska? Približno prave višine?
- Odločitve druge stopnje: Ima temne lase? Nosi očala? Je to njen običajni plašč?
- Odločitve tretje stopnje: Se njen obraz ujema z Marijinimi potezami? Ta način hoje se zdi znan. To je zagotovo njena torba.
- Končna odločitev: Vsi delčki se ujemajo. To je Maria. Pomahaj in pokliči jo po imenu.
Umetna nevronska mreža deluje na enak način. Organizirana je v plasti, kot nadstropja v stavbi. Informacije tečejo od pritličja (vhodna plast) skozi več srednjih nadstropij (skrite plasti) do vrha (izhodna plast).
Recimo, da poskušaš računalnik naučiti prepoznavati slike mačk. Takole poteka:
-
1
Vhodna plast (pritličje):
Sprejme surovo sliko. Vsaka drobcena pika (piksel) na sliki gre v en nevron. Majhna fotografija ima lahko 10.000 pikslov, zato jih potrebuješ 10.000 nevronov samo za sprejem. Vsak nevron hrani en droben podatek: "Moj piksel je temen" ali "Moj piksel je svetel."
-
2
Prva skrita plast (drugo nadstropje):
Išče preproste vzorce. Nekateri nevroni se vznemirijo, ko vidijo vodoravne črte. Drugi opazijo navpične črte. Nekateri prepoznajo krivulje ali vogale. Ti nevroni še ne vedo, da gledajo mačke. Vedo samo: "Našel sem ukrivljeno črto" ali "Opazil sem rob."
-
3
Druga skrita plast (tretje nadstropje):
Združuje te preproste vzorce v bolj zapletene oblike. "Hej, te krivulje in robovi skupaj izgledajo kot koničasto uho." "Ti vzorci, razporejeni na ta način, izgledajo kot brki." "To je zagotovo oblika očesa." Še vedno ne prepoznava mačk, samo prepoznava dele mačke.
-
4
Tretja skrita plast (četrto nadstropje):
Sestavlja dele v celotne značilnosti. "Ti brki, ta oblika smrčka, ta koničasta ušesa ... To kombinacijo sem že videl. To začenja izgledati kot mačji obraz." Zdaj smo že blizu.
-
5
Izhodna plast (zgornje nadstropje):
Sprejme končno odločitev. "Na podlagi vsega, kar so našla druga nadstropja, sem 95-odstotno prepričan, da je to mačka. Lahko bi bil pes (3-odstotna možnost). Zagotovo ni avto (0,001-odstotna možnost)." Nevron z najvišjo stopnjo zaupanja zmaga in omrežje naznani: "Mačka!"
Vsaka plast gradi na prejšnji. Preprosti vzorci postanejo zapletene oblike. Zapletene oblike postanejo prepoznavne značilnosti. Značilnosti postanejo celotni predmeti. To je čarovnija. Ne prava inteligenca, ampak resnično pametno plastenje preprostih odločitev.
Učni del (kako stikališče postaja pametnejše)
Zdaj pa postane zanimivo. Kako se omrežje nauči, katere povezave so pomembne?
Učenje kot razvrščanje perila
Predstavljaj si, da učiš svojega nečaka razvrščati perilo. Prvič nima pojma. Rdečo nogavico bi lahko dal k belim srajcam. Katastrofa. Rožnate srajce povsod. Rečeš: "Ne, ne, to je bilo narobe. Rdeče gre k temnim, ne k belim." On prilagodi svoja miselna pravila. Naslednjič mu gre malo bolje. Še vedno dela napake, a manj. Še naprej ga popravljaš. "Tako je!" "Ne, poskusi znova." "Odlično!" "Ups, skoraj." Po sto polnih košarah perila se je tvoj nečak naučil vzorcev. Bele skupaj. Temne skupaj. Rdeče s temnimi. Občutljivo perilo posebej. Ne potrebuje te več. Naučil se je z vajo in popravki.
Nevronska omrežja se učijo na popolnoma enak način. Postopek je naslednji:
-
1
Začnite z naključnimi ugibanji
Omrežje začne s popolnoma naključnimi močmi povezav (utežmi). Kot vaš nečak prvi dan. Pokažete mu sliko mačke, on pa reče "Avto!" Čista neumnost. Ampak to je v redu. Vsak začne nekje.
-
2
Pokažite mu primer
Omrežju podate sliko mačke. Slika teče skozi vse plasti. Vsak nevron opravi svoj izračun (pomnoži vnose z utežmi, jih sešteje, se aktivira ali ne). Na koncu izhodna plast poda ugibanje. Z naključnimi utežmi je ugibanje grozno. "Pes! Ne, avto! Mogoče ... dežnik?"
-
3
Povejte mu pravilen odgovor
Vi poznate pravilen odgovor (ker ste sami označili učne slike). "Ne, to je bila mačka, ne avto." Omrežje izmeri, kako zelo se je zmotilo. Uganilo je avto z 80-odstotno gotovostjo, ko bi moralo reči mačka? To je zelo narobe. Natančno izračunajte, kako daleč je bil vsak nevron od pravilnega odgovora.
-
4
Prilagodite povezave (povratno širjenje)
Tukaj je pametni del. Omrežje deluje nazaj od izhoda do vhoda in se sprašuje: "Katere povezave so prispevale k tej napaki? Katere uteži je treba spremeniti?" Kot da bi sledili miselnemu procesu svojega nečaka. "Rdečo nogavico si dal k belim, ker si mislil, da barva ni pomembna. Povečajmo pomen barve pri tvoji odločitvi." Vsako utež rahlo prilagodite v smeri, ki bi zmanjšala napako.
-
5
Ponovite na tisoče krat
Omrežju pokažite drugo sliko. Spet ugane (zdaj že malo bolje). Izmerite napako. Spet prilagodite uteži. Ponovite s tisoči ali milijoni slik. Počasi, postopoma se uteži premaknejo od naključnega šuma k uporabnim vzorcem. Po dovolj vaje začne omrežje pravilno odgovarjati. Pokažete mu mačko, reče mačka. Pokažete mu psa, reče pes. Naučilo se je.
Kaj »učenje« v resnici pomeni
Ta postopek se imenuje »usposabljanje« ali »učenje«, vendar gre v resnici le za matematično optimizacijo. Na podlagi primerov prilagajate milijone drobnih številk (uteži), dokler se napovedi omrežja ne ujemajo z resničnostjo. Brez razumevanja. Brez zavesti. Le prepoznavanje vzorcev s poskušanjem in napakami.
Več primerov kot mu pokažete, boljši postane. Bolj raznoliki kot so primeri, bolje obravnava nove situacije. Če mu pokažete samo zlate prinašalce, bo imel težave s pudlji. Če mu pokažete mačke v vseh barvah, velikostih in položajih, bo mačke prepoznal povsod.
Predstavljajte si, da nastavljate napetost strun na kitari. Preveč ohlapno, napačen zvok. Preveč napeto, prav tako napačno. Potegnete struno, poslušate ton in rahlo prilagodite napetost. Spet potegnete. Še vedno ni čisto prav. Spet prilagodite. Po številnih majhnih prilagoditvah vsaka struna proizvede popoln ton. Usposabljanje nevronskega omrežja je le prilagajanje milijonov »gumbov za napetost« (uteži), dokler rezultat ne zveni prav. Le da namesto glasbe ustvarjate napovedi.
Globoko učenje (zakaj več plasti pomaga)
Morda slišite izraz »globoko učenje«. Ljudje se obnašajo, kot da je nekaj čarobnega. Ni.
»Globoko« preprosto pomeni »veliko plasti«. Namesto treh ali štirih skritih plasti jih imate lahko dvajset, petdeset ali celo sto zloženih plasti. To je vse. To je velika skrivnost.
Zakaj toliko plasti? Ker zapleteni vzorci potrebujejo zapleteno obdelavo.
Predstavljaj si, da nekoga učiš prepoznavati drevesa. Z le dvema plastema (eno skrito plastjo) lahko naučiš preprosta pravila:
Preprosti vzorci z malo plastmi
- ✓ Zeleno zgoraj? Verjetno drevo.
- ✓ Rjava navpična stvar spodaj? Zagotovo drevo.
Kaj pa palme? Borovci? Češnjevi cvetovi? Drevesa pozimi brez listov? Drevesa pod snegom? Bonsaji? Štorovi? S preprostimi vzorci boš zamudil veliko različic.
Dodaj več plasti in vsaka plast se lahko nauči vse bolj prefinjenih značilnosti:
Zapleteni vzorci z veliko plastmi
- Plast 1: Robovi in teksture
- Plast 2: Vzorci lubja in oblike listov
- Plast 3: Strukture vej
- Plast 4: Značilnosti različnih vrst dreves
- Plast 5: Drevesa v različnih letnih časih in pogojih
Vsaka plast gradi razumevanje na odkritjih prejšnje plasti. Ko prideš do izhoda, lahko mreža prepozna hraste v jeseni, palme na plažah, borovce v snegu in češnjeve cvetove spomladi. Vse iz teh plastnih vzorcev.
Kompromis
Več plasti pomeni več izračunov, več časa za učenje in več potrebnih primerov. Plitva mreža se lahko uči iz 10.000 slik. Globoka mreža morda potrebuje milijon. Toda pri zapletenih nalogah, kot so razumevanje jezika, prepoznavanje na tisoče predmetov ali igranje šaha na mojstrski ravni, so globoke mreže vredne truda.
Zato so ChatGPT in sodobni sistemi umetne inteligence »globoki«. Imajo na desetine ali stotine plasti, ki se učijo izjemno zapletenih vzorcev iz ogromnih količin besedil, slik ali drugih podatkov. Ne zato, ker so inteligentni, ampak zato, ker naloge, ki jih opravljajo, zahtevajo prepoznavanje zelo subtilnih in zelo zapletenih vzorcev.
Dva pristopa: natančnost proti učinkovitosti
Večina današnjih nevronskih mrež pri svojih izračunih uporablja zelo natančne številke. Pri množenju in seštevanju uteži uporabljajo številke, kot so 0,7234891 ali 1,3982736. Veliko decimalnih mest. Zelo natančno.
Tradicionalni pristop: pretirana natančnost
To je kot merjenje sestavin za torto z laboratorijsko tehtnico, ki je natančna na 0,001 grama. Moka: 247,384 grama. Sladkor: 118,592 grama. Zelo natančno, zelo točno in, odkrito povedano, popolnoma pretirano za peko torte.
Te natančne številke (imenovane plavajoča vejica) zahtevajo veliko računalniške moči. Vsako množenje s temi številkami zahteva na tisoče operacij tranzistorjev. Ko za učenje mreže opravite milijarde množenj, se to kopiči v ogromne količine elektrike in računalniškega časa.
Binarni pristop
Binarne nevronske mreže: samo dve vrednosti
Obstaja še en pristop: binarne nevronske mreže. Namesto natančnih decimalnih številk uporabite samo dve vrednosti. Plus ena ali minus ena. To je vse.
Sliši se noro, kajne? Kako se lahko naučite zapletenih vzorcev samo z dvema številkama?
Pristop po babičinem receptu
Pomislite na to takole. Ko je vaša babica pekla tisto jabolčno pito, ni uporabljala laboratorijske tehtnice. Uporabljala je svoje oči in izkušnje. »Približno toliko moke. Dobra pest sladkorja. Masla za velikost jajca.« Sploh ni natančno, pa je pita vseeno odlično uspela.
Binarne mreže delujejo podobno. Vsaka povezava je bodisi »da, to je pomembno« (+1) bodisi »ne, to ni pomembno« (-1). Brez decimalne natančnosti. Samo preprosti glasovi da/ne.
Čarobnost je v kombinaciji. Na tisoče preprostih odločitev da/ne se združi v presenetljivo natančne napovedi. Tako kot so se babičine nenatančne meritve skupaj z njenimi izkušnjami združile v popolno pito.
Prednost
Binarne mreže delujejo veliko hitreje in porabijo precej manj energije. Se spomnite naše prejšnje razprave o binarnem računalništvu? Preproste operacije da/ne so stokrat hitrejše od natančne decimalne matematike. Binarna nevronska mreža lahko deluje na vašem telefonu, na preprostem računalniškem čipu, celo na majhnih napravah, ki nimajo veliko moči. Ista mreža z natančnimi številkami bi potrebovala ogromen računalnik in veliko elektrike.
Pri Dweve se osredotočamo na binarne nevronske mreže za učinkovitost v resničnem svetu. Naš sistem Core uporablja preproste uteži da/ne in deluje 40-krat hitreje kot tradicionalne mreže, hkrati pa porabi 96 % manj energije. Ne zato, ker bi varčevali, ampak zato, ker pri večini resničnih nalog ne potrebujete laboratorijske natančnosti. Pristop po babičinem receptu deluje povsem dobro.
Pri čem so nevronske mreže dejansko dobre
Zdaj, ko razumete, kako delujejo nevronske mreže, se pogovorimo o tem, za kaj so dejansko uporabne. Kljub vsemu navdušenju namreč niso dobre za vse.
Nevronske mreže blestijo pri prepoznavanju vzorcev. Če jim pokažete na tisoče primerov z doslednimi vzorci, se bodo naučile prepoznavati te vzorce v novih primerih. Zaradi tega so popolne za:
📷 Prepoznavanje slik
Pokažite mreži milijon označenih fotografij in naučila se bo prepoznavati mačke, pse, avtomobile, obraze, tumorje na rentgenskih posnetkih, razpoke na cestah, karkoli ste jo naučili. Kamera vašega telefona to uporablja za ostrenje na obrazih. Bolnišnice to uporabljajo za odkrivanje bolezni na medicinskih posnetkih.
🎤 Razumevanje govora
Ko se pogovarjate s Siri ali Alexo, nevronska mreža pretvori vaše glasovne vzorce v besedilo. Naučila se je iz na tisoče ur posnetega govora, kaj pomeni vsak zvočni vzorec. Različni naglasi, hrup v ozadju, momljanje ... vse to obvlada s prepoznavanjem vzorcev.
💬 Obdelava jezika
Prevajanje, odgovarjanje na vprašanja, pisanje besedil. Mreže, naučene na milijardah besed, prepoznajo vzorce v delovanju jezika. Ne zato, ker bi jezik "razumele", ampak zato, ker prepoznavajo vzorce, kot so "ta beseda običajno sledi tisti besedi" in "ta stavčna struktura pomeni vprašanje".
🎬 Predlogi priporočil
Netflix predlaga serije, Spotify najde glasbo, ki vam bo všeč, Amazon priporoča izdelke. Te mreže se učijo vzorcev od milijonov uporabnikov. »Ljudem, ki so jim bili všeč A in B, je bil všeč tudi C. Tej osebi sta všeč A in B, zato ji bo verjetno všeč tudi C.«
🎮 Igranje iger
Šahovski programi, igralci Gota, umetna inteligenca v videoigrah. Mreža odigra milijone iger proti sami sebi in se uči, kateri premiki vodijo do zmage in kateri do poraza. Čisto prepoznavanje vzorcev s poskušanjem in napakami.
Opazite vzorec? To so vse naloge, pri katerih v velikih količinah podatkov obstajajo dosledni vzorci. Pokažite mreži dovolj primerov in našla bo vzorce.
Pri čemer so nevronske mreže zelo slabe
Zdaj pa realnost. Nevronske mreže imajo resne omejitve:
⚠️ Potrebujejo ogromne količine podatkov
Otrok vidi tri pse in razume, kaj je »pes«. Nevronska mreža potrebuje na tisoče ali milijone slik psov. Ni podatkov? Ni učenja. Majhen nabor podatkov? Slabo delovanje. Ti sistemi so pošasti, lačne podatkov.
⚠️ So črne škatle
Mreža ne more pojasniti svojih odločitev. Pozna odgovor (ali misli, da ga pozna), vendar vam ne more povedati, zakaj. Milijoni uteži, ki medsebojno delujejo na zapletene načine. Noben človek ne more slediti razmišljanju. To je velik problem v medicini, pravu in povsod, kjer morate utemeljiti odločitve.
⚠️ Iz podatkov se naučijo pristranskosti
Če vaši učni podatki vsebujejo pristranskosti (in večina podatkov iz resničnega sveta jih), se jih mreža nauči. Zgodovinska diskriminacija? Mreža bo diskriminirala. Neuravnoteženi primeri? Mreža slabše deluje pri premalo zastopanih skupinah. Kar noter daš, to dobiš.
⚠️ Slabo posplošujejo
Naučite omrežje na mačkah in psih, nato pa mu pokažite konja. Zmoti se. Ljudje zlahka posplošujemo (»Oh, to je pa še ena štirinožna žival«). Nevronska omrežja pa ne. Poznajo samo določene vzorce, ki so jih videla med učenjem. Nove situacije jih zmedejo.
⚠️ Zlahka jih je prevarati
Drobne spremembe, ki jih ljudje ne opazimo, lahko omrežje popolnoma zavedejo. Spremenite nekaj slikovnih pik na fotografiji mačke (spremembe, ki jih sploh ne bi opazili), in omrežje bo nenadoma z 99-odstotno gotovostjo reklo »Letalo!«. Temu rečemo sovražni napad in to je resnična varnostna skrb.
To niso manjše težave. To je temelj delovanja nevronskih omrežij. Omrežje je le toliko dobro, kolikor so dobri njegovi učni podatki, in prepozna lahko samo vzorce, ki jih je že videlo.
Pravi zaključek
Kaj torej nevronska omrežja v resnici so?
So prefinjeni stroji za prepoznavanje vzorcev. Večplastne centrale, ki se učijo iz primerov. Matematični optimizacijski sistemi, ki prilagajajo milijone drobnih uteži, dokler napovedi ne ustrezajo resničnosti.
Niso možgani. Niso inteligentni. Niso zavestna. Ničesar ne »razumejo«. Vzorce prepoznavajo s ponavljanjem in popravljanjem.
A kljub tem omejitvam so izjemno zmogljiva. Spremenila so tehnologijo. Prepoznavanje obraza v vašem telefonu, glasovni pomočniki, filtri za neželeno pošto, organizacija fotografij, navigacijske aplikacije, priporočila pri pretakanju, samodejni prevodi … vse to poganjajo nevronska omrežja.
Ključno je, da jih uporabljamo za prave naloge
Prepoznavanje vzorcev? Odlično. Naloge z jasnimi primeri in doslednimi vzorci? Popolno. Ustvarjalno reševanje problemov, ki zahteva razumevanje konteksta in pomena? Tu pa ne toliko.
Ko vam nekdo poskuša prodati »umetno inteligenco« ali »nevronska omrežja«, se vprašajte: Je to res problem prepoznavanja vzorcev? Je dovolj dobrih podatkov za učenje? Bo delovalo v situacijah, ki jih še ni videlo? Zna pojasniti svoje odločitve, ko je to potrebno?
Če so odgovori da, da, verjetno in ne (v tem vrstnem redu), potem so nevronska omrežja morda pravo orodje. Če niso, boste morda potrebovali nekaj drugega.
Možganska metafora je nevronske mreže naredila vznemirljive in skrivnostne. Ko razumemo, kaj v resnici so, prefinjene stikalne plošče, ki se učijo iz primerov, postanejo manj čarobne, a veliko bolj uporabne. Kajti ko razumeš orodje, veš, kdaj ga uporabiti in kdaj seči po nečem drugem. In to razumevanje je vredno več kot vsa marketinška navlaka.
Pri Dweve gradimo nevronske mreže, ki spoštujejo resničnost. Binarne operacije. Učinkovito računanje. Jasne omejitve. Brez čarovnije, brez navlake, samo pošteno inženirstvo. Kajti najboljša umetna inteligenca je tista, ki deluje v resničnem svetu, ne le v raziskovalnih člankih.