UMJETNA INTELIGENCIJA I NEURONSKE MREŽE
Veliki san o računalstvu uskoro bi mogao postati stvarnost:
Stvaranje računala s mogućnostima ne samo sličnim ljudskim, već ih čak i nadmašujućima. Istraživanje umjetne inteligencije postiglo je veliki napredak posljednjih godina. Umjetne neuronske mreže temelje se na tehnologiji usmjerenoj na podučavanje strojeva da samostalno razmišljaju.
Što je neuronska mreža?
Neuronska mreža je matematički model sastavljen od umjetnih neurona inspiriranih biološkim neuronskim mrežama (ljudskim ili životinjskim) i koristi se za rješavanje inženjerskih problema umjetne inteligencije povezanih s raznim tehnološkim područjima poput računarstva, elektronike ili drugih disciplina.
Kako funkcionira neuronska mreža?
Neuronske mreže inspirirane su biološkim funkcioniranjem ljudskog mozga, koji obrađuje informacije putem mreže neurona.
Umjetne neuronske mreže mogu se opisati kao modeli koji se sastoje od najmanje dva sloja, ulaznog sloja i izlaznog sloja, te obično i dodatnih međuslojeva.
Što je složeniji problem koji treba riješiti umjetnom neuronskom mrežom, to je potrebno više slojeva. Svaki sloj mreže sadrži određeni broj specijaliziranih umjetnih neurona.
Obrada informacija u neuronskoj mreži
Obrada informacija u neuronskoj mreži uvijek slijedi isti postupak: informacije u obliku uzoraka ili signala prenose se neuronima u ulaznom sloju, gdje se obrađuju.
Svakom neuronu dodjeljuje se težina, tako da neuroni dobivaju različitu važnost. Težina, zajedno s prijenosnom funkcijom, određuje ulaz, kamo se neuron prosljeđuje.
U sljedećem koraku, aktivacijska funkcija i prag izračunavaju i ponderiraju izlaznu vrijednost neurona. Ovisno o procjeni informacija i ponderiranju, ostali neuroni se povezuju i aktiviraju u većoj ili manjoj mjeri.
Kroz ove procese modelira se algoritam koji daje rezultat za svaki ulaz. Sa svakom sesijom treniranja, ponderiranje, a time i algoritam, modificiraju se tako da mreža pruža sve točnije i bolje rezultate.
Neuronska mreža: primjer primjene
Neuronske mreže mogu se koristiti za prepoznavanje slika. Za razliku od ljudi, računalo ne može prepoznati prikazuje li slika čovjeka, biljku ili objekt; mora ispitati pojedinačne karakteristike slike. Računalo zna koje su značajke relevantne zahvaljujući implementiranom algoritmu ili ih može samostalno otkriti analizom podataka.
U svakom sloju mreže, sustav provjerava ulazne signale, tj. slike, na temelju pojedinačnih kriterija kao što su boja, kutovi i oblici. Nakon svake provjere, računalo može bolje procijeniti što je prikazano na slici.
U početku će rezultati biti relativno skloni pogreškama. Ako neuronska mreža primi povratnu informaciju od ljudskog trenera i može modificirati algoritam, to se naziva strojno učenje. U dubokom učenju, ljudsko učenje se može izostaviti. U tom slučaju sustav uči iz vlastitog iskustva i postaje bolji što više vizualnog materijala ima na raspolaganju.
Idealno bi bilo da je krajnji rezultat algoritam koji može identificirati sadržaj slika bez pogrešaka, bez obzira na to jesu li te slike crno-bijele ili u određenoj pozi ili perspektivi.
Područja primjene neuronskih mreža
Neuronske mreže mogu se uspješno koristiti posebno kada postoji velika količina podataka za procjenu i samo ograničeno sustavno znanje o rješenju. Tipične primjene su prepoznavanje teksta, slika i govora, gdje računala ispituju podatke u potrazi za specifičnim značajkama kako bi uspostavila vezu.
Umjetne neuronske mreže mogu se koristiti i za predviđanja i simulacije, kao što je to u vremenskoj prognozi, medicinskoj dijagnostici ili na burzama.
U industriji se neuronske mreže ponekad koriste u inženjerstvu upravljačkih sustava za praćenje vrijednosti i automatsko poduzimanje protumjera u slučaju odstupanja ili za autonomno postavljanje vrijednosti na temelju procjene podataka.
Među najvažnijim primjenama samoučećih neuronskih mreža možemo spomenuti glasovne asistente poput ALEXE, SIRI
i Google asistent.
HOP
