ສິ່ງທີ່ທ່ານຈໍາເປັນຕ້ອງຮູ້ເພື່ອເຂົ້າໃຈເຕັກໂນໂລຢີທີ່ປ່ຽນແປງຮອບທ່ານ
ເຄືອຂ່າຍ Neural ແມ່ນຮູບແບບຄອມພິວເຕີ້ຂອງຫນ່ວຍງານທີ່ເຊື່ອມຕໍ່ຫຼື ຂໍ້ຄວາມທີ່ ອອກແບບມາເພື່ອສົ່ງ, ປຸງແຕ່ງແລະຮຽນຮູ້ຈາກຂໍ້ມູນ (ຂໍ້ມູນ) ໃນແບບດຽວກັບວິທີການເຮັດວຽກຂອງ neurons (ຈຸລັງເສັ້ນປະສາດ) ຢູ່ໃນມະນຸດ.
Neural Networks Artificial
ໃນເຕັກໂນໂລຢີ, ເຄືອຂ່າຍ neural ແມ່ນມັກຈະເອີ້ນວ່າເຄືອຂ່າຍ neural ທຽມ (ANNs) ຫຼືເຄືອຂ່າຍ neural ເພື່ອແຍກອອກຈາກເຄືອຂ່າຍ neural ຊີວະພາບທີ່ພວກເຂົາກໍາລັງສ້າງແບບຈໍາລອງຫຼັງຈາກ. ຄວາມຄິດຕົ້ນຕໍທີ່ຢູ່ເບື້ອງຫລັງ ANNs ແມ່ນວ່າສະຫມອງຂອງມະນຸດແມ່ນຄອມພິວເຕີທີ່ສະລັບສັບຊ້ອນແລະສະຫຼາດທີ່ສຸດທີ່ມີຢູ່. ໂດຍການສ້າງແບບຟອມ ANNs ຢ່າງໃກ້ຊິດກັບໂຄງສ້າງແລະລະບົບການປຸງແຕ່ງຂໍ້ມູນຂ່າວສານທີ່ນໍາໃຊ້ໂດຍສະຫມອງ, ນັກຄົ້ນຄວ້າຫວັງວ່າຈະສ້າງຄອມພິວເຕີທີ່ເຂົ້າຫາທາງດ້ານມະນຸດສະທໍາຫຼືລ້າໆ. ເຄືອຂ່າຍ Neural ແມ່ນອົງປະກອບທີ່ສໍາຄັນຂອງຄວາມກ້າວຫນ້າໃນປັດຈຸບັນໃນຄວາມ ຮູ້ປອມ (AI), ການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ແລະ ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ .
ວິທີການເຄືອຂ່າຍ Neural ເຮັດວຽກ: ການປຽບທຽບ
ເພື່ອເຂົ້າໃຈເຖິງວິທີການເຮັດວຽກຂອງເຄືອຂ່າຍ neural ແລະຄວາມແຕກຕ່າງລະຫວ່າງສອງປະເພດ (ຊີວະສາດແລະປອມ), ໃຫ້ໃຊ້ຕົວຢ່າງຂອງອາຄານຫ້ອງການ 15 ຊັ້ນແລະສາຍໂທລະສັບແລະແຜງວົງຈອນທີ່ເອີ້ນທົ່ວຫ້ອງ, ຊັ້ນດຽວແລະຫ້ອງການສ່ວນຕົວ. ແຕ່ລະຫ້ອງການແຕ່ລະຄົນໃນອາຄານສໍານັກງານ 15 ຊັ້ນຂອງພວກເຮົາສະແດງໃຫ້ເຫັນ neuron (node ໃນເຄືອຂ່າຍຄອມພິວເຕີ້ຫຼືຈຸລັງເສັ້ນປະສາດໃນຊີວະສາດ). ອາຄານຕົວມັນເອງແມ່ນໂຄງສ້າງທີ່ມີຫ້ອງການທີ່ຈັດຢູ່ໃນລະບົບ 15 ຊັ້ນ (ເຄືອຂ່າຍປະສາດ).
ການນໍາໃຊ້ຕົວຢ່າງກັບເຄືອຂ່າຍ neural ຊີວະພາບ, ສະຫວິດທີ່ໄດ້ຮັບການໂທມີສາຍທີ່ເຊື່ອມຕໍ່ກັບຫ້ອງການໃດຫນຶ່ງໃນຊັ້ນໃດກໍ່ຕາມໃນອາຄານທັງຫມົດ. ນອກຈາກນັ້ນ, ແຕ່ລະຫ້ອງການມີສາຍທີ່ເຊື່ອມຕໍ່ກັບທຸກຫ້ອງການອື່ນໆໃນອາຄານທັງຫມົດໃນພື້ນທີ່ໃດຫນຶ່ງ. ຈິນຕະນາການວ່າການໂທຢູ່ໃນ (input) ແລະ switchboard ໄດ້ໂອນມັນໄປຫາຫ້ອງການເທິງຊັ້ນທີ 3, ເຊິ່ງໂອນມັນໄປໂດຍກົງກັບຫ້ອງການເທິງຊັ້ນ ທີ 11 ຊຶ່ງຫຼັງຈາກນັ້ນໂອນມັນໂດຍກົງກັບຫ້ອງການຢູ່ຊັ້ນ ທີ 5. ໃນສະຫມອງ, ແຕ່ລະຫ້ອງຂອງ neuron ຫຼືເສັ້ນປະສາດ (ຫ້ອງການ) ສາມາດເຊື່ອມຕໍ່ໂດຍກົງກັບ neuron ອື່ນໆໃນລະບົບຫຼືເຄືອຂ່າຍ neural (ອາຄານ). ຂໍ້ມູນຂ່າວສານ (ການໂທ) ສາມາດຖືກສົ່ງໄປຫາ neuron ອື່ນໆ (ຫ້ອງການ) ເພື່ອປຸງແຕ່ງຫຼືຮຽນຮູ້ສິ່ງທີ່ຈໍາເປັນຈົນກວ່າຈະມີຄໍາຕອບຫຼືຄວາມລະອຽດ (ຜົນຜະລິດ).
ໃນເວລາທີ່ພວກເຮົານໍາໃຊ້ຕົວຢ່າງນີ້ກັບ ANNs, ມັນຈະສະລັບສັບຊ້ອນຫຼາຍ. ແຕ່ລະຊັ້ນຂອງອາຄານຮຽກຮ້ອງໃຫ້ມີສະພານຂອງຕົນເອງ, ເຊິ່ງສາມາດເຊື່ອມຕໍ່ກັບຫ້ອງການຢູ່ຊັ້ນດຽວກັນເທົ່ານັ້ນ, ແລະສະຫຼັບຢູ່ຊັ້ນເທິງແລະດ້ານລຸ່ມ. ຫ້ອງການແຕ່ລະຄົນສາມາດເຊື່ອມຕໍ່ໄດ້ໂດຍກົງກັບຫ້ອງການອື່ນໆທີ່ຢູ່ໃນຊັ້ນດຽວກັນແລະສໍາຫຼັບຫ້ອງສໍາລັບຊັ້ນນັ້ນ. ການໂທໃຫມ່ທັງຫມົດຕ້ອງເລີ່ມຕົ້ນດ້ວຍສະຫວິດສະແຕນຢູ່ຊັ້ນທີ 1 ແລະຕ້ອງຖືກໂອນໄປຫາຊັ້ນແຕ່ລະຄົນໃນຄໍາສັ່ງຈໍານວນຫລາຍເຖິງຊັ້ນ ທີ 15 ກ່ອນທີ່ສາຍຈະຢຸດ. ໃຫ້ເອົາໃຈໃສ່ໃນວິທີການເບິ່ງວ່າມັນເຮັດວຽກໄດ້ແນວໃດ.
ຈິນຕະນາການວ່າການໂທຢູ່ໃນ (input) ກັບ switchboard ຊັ້ນ 1 ແລະຖືກສົ່ງໄປຫາຫ້ອງການຢູ່ຊັ້ນ 1 (node). ຫຼັງຈາກນັ້ນໂທລະສັບໄດ້ຖືກຍົກຍ້າຍໂດຍກົງໃນບັນດາຫ້ອງການອື່ນ (nodes) ຢູ່ຊັ້ນ 1 ຈົນກວ່າມັນຈະຖືກສົ່ງໄປຫາຊັ້ນຕໍ່ໄປ. ຫຼັງຈາກນັ້ນ, ໂທຫາຕ້ອງຖືກສົ່ງກັບຄືນໄປບ່ອນສະຖານີຈອດຊັ້ນຊັ້ນ 1, ເຊິ່ງຫຼັງຈາກນັ້ນຈະໂອນມັນໄປສະຖານີຈອດຊັ້ນຊັ້ນທີ 2. ຂັ້ນຕອນດຽວກັນກັບຄືນໄປບ່ອນຫນຶ່ງຊັ້ນໃນເວລາຫນຶ່ງ, ດ້ວຍການໂທທີ່ຖືກສົ່ງຜ່ານຂະບວນການນີ້ໃນທຸກໆຊັ້ນດຽວທັງຫມົດໄປເຖິງຊັ້ນ 15.
ໃນ ANNs, nodes (ຫ້ອງການ) ແມ່ນຈັດຢູ່ໃນຊັ້ນ (ຊັ້ນຂອງອາຄານ). ຂໍ້ມູນຂ່າວສານ (ການໂທ) ສະເຫມີມາໂດຍຜ່ານຊັ້ນຊັ້ນໃນ (ຊັ້ນ ທີ 1 ແລະສະຫວິດ) ແລະຕ້ອງໄດ້ສົ່ງຜ່ານແລະການປະຕິບັດໂດຍແຕ່ລະຊັ້ນ (ຊັ້ນ) ກ່ອນທີ່ມັນຈະຍ້າຍໄປຂ້າງຫນຶ່ງ. ແຕ່ລະຊັ້ນ (ຊັ້ນ) ປະຕິບັດລາຍລະອຽດສະເພາະກ່ຽວກັບການເອີ້ນນັ້ນແລະສົ່ງຜົນໄດ້ຮັບພ້ອມກັບການໂທຫາຊັ້ນຕໍ່ໄປ. ໃນເວລາທີ່ການໂທຫາຊັ້ນສູງສຸດ (ຊັ້ນທີ 15 ແລະສະຫຼັບຂອງມັນ), ມັນປະກອບມີຂໍ້ມູນການປຸງແຕ່ງຈາກຊັ້ນ 1-14. ລະຫັດ (ຫ້ອງການ) ໃນຊັ້ນ ທີ 15 (ພື້ນ) ໃຊ້ຂໍ້ມູນການປ້ອນຂໍ້ມູນແລະການປະມວນຜົນຈາກຂັ້ນຕອນອື່ນ ໆ (ຊັ້ນ) ເພື່ອໃຫ້ມີຄໍາຕອບຫລືຄວາມລະອຽດ (ຜົນຜະລິດ).
ເຄືອຂ່າຍ Neural ແລະການຮຽນຮູ້ເຄື່ອງຈັກ
ເຄືອຂ່າຍປະສາດແມ່ນຫນຶ່ງໃນເຕັກໂນໂລຢີພາຍໃຕ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ໃນຄວາມເປັນຈິງ, ຄວາມກ້າວຫນ້າໃນການຄົ້ນຄວ້າແລະການພັດທະນາເຄືອຂ່າຍ neural ໄດ້ຖືກເຊື່ອມຕໍ່ຢ່າງແຫນ້ນຫນາກັບ ebbs ແລະ flow of advancement ໃນ ML. ເຄືອຂ່າຍ Neural ຂະຫຍາຍຄວາມສາມາດໃນການປະມວນຜົນຂໍ້ມູນແລະເພີ່ມພະລັງງານຄອມພິວເຕີຂອງ ML, ເພີ່ມປະລິມານຂໍ້ມູນທີ່ສາມາດດໍາເນີນການໄດ້, ແຕ່ຍັງສາມາດປະຕິບັດວຽກທີ່ສັບສົນຫຼາຍ.
ຮູບແບບຄອມພິວເຕີຄັ້ງທໍາອິດສໍາລັບ ANNs ໄດ້ຖືກສ້າງຂື້ນໃນປີ 1943 ໂດຍ Walter Pitts ແລະ Warren McCulloch. ຄວາມສົນໃຈໃນເບື້ອງຕົ້ນແລະການຄົ້ນຄວ້າໃນເຄືອຂ່າຍ neural ແລະການຮຽນຮູ້ເຄື່ອງຈັກໃນທີ່ສຸດກໍຊ້າລົງແລະໄດ້ຮັບການຍົກເວັ້ນຫຼາຍຫຼືຫນ້ອຍໂດຍ 1969, ມີພຽງແຕ່ລະເບີດຂະຫນາດນ້ອຍຂອງການມີຄວາມສົນໃຈໃຫມ່. ຄອມພິວເຕີ້ທີ່ໃຊ້ເວລາພຽງແຕ່ບໍ່ມີຂະບວນການທີ່ມີຄວາມໄວພຽງພໍຫຼືຂະຫນາດໃຫຍ່ພໍທີ່ຈະພັດທະນາເຂດເຫຼົ່ານີ້ຕື່ມອີກແລະຈໍານວນຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍທີ່ຈໍາເປັນສໍາລັບ ML ແລະເຄືອຂ່າຍ neural ແມ່ນບໍ່ມີໃນເວລານັ້ນ.
ການເພີ່ມຂຶ້ນຂອງການໃຊ້ພະລັງງານຄອມພິວເຕີໃນໄລຍະເວລາພ້ອມກັບການເຕີບໂຕແລະການຂະຫຍາຍຕົວຂອງອິນເຕີເນັດ (ແລະການເຂົ້າເຖິງຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍໂດຍຜ່ານອິນເຕີເນັດ) ໄດ້ແກ້ໄຂບັນຫາເຫຼົ່ານັ້ນ. Neural nets ແລະ ML ແມ່ນປັດຈຸບັນນໍາໃຊ້ໃນເຕັກໂນໂລຢີທີ່ພວກເຮົາເຫັນແລະນໍາໃຊ້ທຸກໆມື້, ເຊັ່ນ ການຮັບຮູ້ທາງຫນ້າ , ການປຸງແຕ່ງຮູບພາບແລະການຄົ້ນຫາແລະການແປພາສາໃນເວລາທີ່ແທ້ຈິງ.
ຕົວຢ່າງຂອງເຄືອຂ່າຍ Neural ໃນຊີວິດປະຈໍາວັນ
ANN ແມ່ນຫົວຂໍ້ທີ່ສະລັບສັບຊ້ອນທີ່ຂ້ອນຂ້າງໃນເຕັກໂນໂລຢີ, ແຕ່ມັນກໍ່ເປັນມູນຄ່າທີ່ໃຊ້ເວລາເພື່ອຄົ້ນຫາຍ້ອນວ່າມີຈໍານວນວິທີທີ່ມັນມີຜົນກະທົບຕໍ່ຊີວິດຂອງເຮົາທຸກໆມື້. ຕໍ່ໄປນີ້ແມ່ນຕົວຢ່າງຂອງວິທີການເຄືອຂ່າຍ neural ທີ່ໃຊ້ໃນປະຈຸບັນໂດຍອຸດສາຫະກໍາທີ່ແຕກຕ່າງກັນ:
- ການເງິນ: ການ ນໍາໃຊ້ວັດຖຸດິບແມ່ນໃຊ້ໃນການຄາດຄະເນອັດຕາແລກປ່ຽນເງິນຕາ. ພວກເຂົາເຈົ້າຍັງຖືກນໍາໃຊ້ໃນເຕັກໂນໂລຢີທີ່ຢູ່ເບື້ອງຫລັງລະບົບການຄ້າອັດຕະໂນມັດທີ່ໃຊ້ໃນຕະຫຼາດຫຼັກຊັບ.
- ຢາ: ຄວາມສາມາດໃນການປຸງແຕ່ງຮູບພາບຂອງເຄືອຂ່າຍ neural ໄດ້ປະກອບສ່ວນໃຫ້ກັບເຕັກໂນໂລຢີທີ່ຊ່ວຍໃຫ້ຫນ້າຈໍລະອຽດແລະກວດພົບໃນຂັ້ນຕົ້ນແລະຍາກທີ່ຈະກໍານົດປະເພດຂອງມະເຮັງ. ຫນຶ່ງໃນປະເພດມະເຮັງດັ່ງກ່າວແມ່ນມະເລັງໂຣກມະເລັງທີ່ເປັນໂຣກມະເຮັງຜິວຫນັງທີ່ຮ້າຍແຮງແລະຮ້າຍແຮງທີ່ສຸດ. ການກໍານົດ melanoma ໃນຂັ້ນຕອນກ່ອນຫນ້ານີ້, ກ່ອນທີ່ມັນຈະແຜ່ລາມ, ໃຫ້ຜູ້ປ່ວຍທີ່ມີມະເຮັງນີ້ເປັນໂອກາດທີ່ດີທີ່ຈະເອົາຊະນະມັນ.
- ສະພາບອາກາດ: ຄວາມສາມາດໃນການກວດສອບການປ່ຽນແປງຂອງບັນຍາກາດທີ່ຊີ້ບອກເຖິງເຫດການສະພາບອາກາດທີ່ຮ້າຍແຮງແລະເປັນອັນຕະລາຍໄວແລະໄວເທົ່າທີ່ຈະເປັນໄປໄດ້ແມ່ນສິ່ງສໍາຄັນທີ່ຈະຊ່ວຍຊີວິດ. ເຄືອຂ່າຍ Neural ແມ່ນມີສ່ວນຮ່ວມໃນການປະມວນຜົນຮູບພາບດາວທຽມແລະຣາດາທີ່ບໍ່ພຽງແຕ່ກວດພົບການທໍາລາຍລະດັບພະຍຸເຮີລິເຄນແລະໄພແຫ້ງແລ້ງ, ແຕ່ຍັງເຫັນການປ່ຽນແປງຂອງຄວາມໄວລົມແລະທິດທາງທີ່ຊີ້ບອກວ່າເປັນພະຍຸທໍນາໂດ. Tornadoes ແມ່ນບາງເຫດການອາກາດທີ່ຮ້າຍແຮງແລະເປັນອັນຕະລາຍທີ່ສຸດໃນບັນທຶກ - ເລື້ອຍໆຫຼາຍຂຶ້ນ, ທໍາລາຍ, ແລະຮ້າຍແຮງກວ່າ hurricanes.