Bu gün biz neyron şəbəkələrinin nə olduğunu, necə işlədiyini və süni intellektin yaradılmasında rolunun nə olduğunu anlamağa çalışacağıq.
Neyron şəbəkələri. Bu ifadəni demək olar ki, hər yerdə eşidirik. İş o yerə gəlir ki, neyron şəbəkələri hətta soyuducularda da tapa bilərsiniz (bu zarafat deyil). Neyron şəbəkələri maşın öyrənmə alqoritmləri tərəfindən geniş istifadə olunur, bu gün yalnız kompüterlərdə və smartfonlarda deyil, həm də bir çox digər elektron cihazlarda, məsələn, məişət cihazlarında tapıla bilər. Bu neyron şəbəkələrin nə olduğunu heç düşünmüsünüzmü?
Narahat olmayın, bu akademik mühazirə olmayacaq. Dəqiq elmlər sahəsində bu məsələni çox peşəkar və etibarlı şəkildə izah edən bir çox nəşrlər var, o cümlədən Ukrayna dilində. Belə nəşrlərin on ildən çox yaşı var. Necə ola bilər ki, bu köhnə nəşrlər hələ də aktualdır? Fakt budur ki, neyron şəbəkələrinin əsasları dəyişməyib və konsepsiyanın özü - süni neyronun riyazi modeli - İkinci Dünya Müharibəsi zamanı yaradılıb.
İnternetdə olduğu kimi, bugünkü İnternet də ilk e-poçtun göndərildiyi vaxtdan müqayisəolunmaz dərəcədə inkişaf etmişdir. İnternetin əsasları, fundamental protokolları yarandığı ilk vaxtdan mövcud olmuşdur. Hər bir mürəkkəb konsepsiya köhnə tikililərin təməli üzərində qurulur. Beynimizlə də eynidir, ən gənc beyin qabığı ən qədim təkamül elementi olmadan fəaliyyət göstərə bilmir: bu planetdə növlərimizin mövcudluğundan çox daha qədim zamanlardan bəri başımızda olan beyin sapı.
Sizi bir az çaşdırdım? Beləliklə, daha ətraflı başa düşək.
Həmçinin maraqlıdır: ChatGPT: İstifadə üçün sadə təlimatlar
Neyron şəbəkələri nədir?
Şəbəkə müəyyən elementlərin məcmusudur. Bu, riyaziyyat, fizika və ya texnologiyada ən sadə yanaşmadır. Əgər kompüter şəbəkəsi bir-biri ilə əlaqəli kompüterlər toplusudursa, neyron şəbəkəsi açıq şəkildə neyronlar dəstidir.
Bununla belə, bu elementlər mürəkkəbliyi baxımından beynimizin və sinir sistemimizin sinir hüceyrələri ilə uzaqdan müqayisə edilə bilməz, lakin müəyyən bir abstraksiya səviyyəsində süni neyron və bioloji neyronun bəzi xüsusiyyətləri ortaqdır. Ancaq xatırlamaq lazımdır ki, süni neyron onun bioloji analoqundan daha sadə bir anlayışdır, onun haqqında hələ də hər şeyi bilmirik.
Həmçinin oxuyun: ChatGPT-nin 7 Ən Gözəl İstifadəsi
Əvvəlcə süni neyron var idi
Süni neyronun ilk riyazi modeli 1943-cü ildə (bəli, bu, İkinci Dünya Müharibəsi zamanı səhv deyil) iki amerikalı alim, Warren McCulloch və Walter Pitts tərəfindən hazırlanmışdır. Onlar bunu fənlərarası yanaşma əsasında, beyin fiziologiyası (bu modelin yarandığı vaxtı xatırlayın), riyaziyyat və o vaxtkı gənc İT yanaşmasını (digər şeylərlə yanaşı, Alan Turinqin hesablanabilirlik nəzəriyyəsindən istifadə edirdilər) birləşdirərək edə bildilər. ). McCulloch-Pitts süni neyron modeli çox sadə bir modeldir, çoxlu girişlərə malikdir, burada giriş məlumatı çəkilərdən (parametrlərdən) keçir, dəyərləri neyronun davranışını təyin edir. Nəticə bir çıxışa göndərilir (McCulloch-Pitts neyronunun diaqramına baxın).
Belə ağaca bənzər quruluş bioloji neyronla əlaqələndirilir, çünki bioloji sinir hüceyrələrini əks etdirən rəsmlər haqqında düşünəndə ağlımıza dendritlərin xarakterik ağaca bənzər quruluşu gəlir. Bununla belə, süni neyronun real sinir hüceyrəsinə ən azı bir qədər yaxın olması illüziyasına uymamaq lazımdır. İlk süni neyronun müəllifləri olan bu iki tədqiqatçı bir-birinə bağlı neyronlar şəbəkəsindən istifadə etməklə istənilən hesablana bilən funksiyanın hesablana biləcəyini nümayiş etdirməyə nail olublar. Ancaq xatırlayaq ki, bu ilk anlayışlar yalnız "kağız üzərində" mövcud olan və əməliyyat avadanlıqları şəklində real şərhə malik olmayan ideyalar kimi yaradılmışdır.
Həmçinin oxuyun: Sadə sözlərlə kvant kompüterləri haqqında
Modeldən tutmuş innovativ tətbiqlərə qədər
McCulloch və Pitts nəzəri model hazırladılar, lakin ilk real neyron şəbəkənin yaradılması on ildən çox gözləməli oldu. Onun yaradıcısı 1957-ci ildə Mark I Perceptron şəbəkəsini yaradan Frank Rosenblatt süni intellekt tədqiqatlarının digər qabaqcıllarından hesab olunur və siz özünüz göstərdiniz ki, bu quruluş sayəsində maşın əvvəllər yalnız heyvanlara və insanlara xas olan bir qabiliyyət əldə edib: o öyrənə bilər. Bununla belə, indi bilirik ki, əslində, bir maşının öyrənə biləcəyi ideyasını irəli sürən başqa elm adamları da var idi, o cümlədən Rosenblatt-dan əvvəl.
1950-ci illərdə bir çox tədqiqatçı və kompüter elminin qabaqcılları bir maşının öz başına edə bilmədiyi şeyi necə etmək fikri ilə çıxış etdilər. Məsələn, Artur Samuel bir insanla dama oynayan bir proqram hazırladı, Allen Newell və Herbert Simon riyazi teoremləri müstəqil şəkildə sübut edə biləcək bir proqram yaratdılar. Rosenblatt-ın ilk neyron şəbəkəsi yaradılmazdan əvvəl, süni intellekt sahəsində tədqiqatların digər iki qabaqcılları Marvin Minsky və Dean Edmonds 1952-ci ildə, yəni Rosenblatt-ın perseptronu görünməzdən əvvəl SNARC (Stokastik Neyral) adlı maşın qurmuşdular. Analoq Gücləndirici Kalkulyator) - bir çoxları tərəfindən ilk stoxastik neyron şəbəkə kompüteri hesab edilən stoxastik neyron analoq kalkulyator gücləndiricisi. Qeyd edək ki, SNARC-ın müasir kompüterlərlə heç bir əlaqəsi yox idi.
3000-dən çox elektron borudan və B-24 bombardmançısının ehtiyat avtopilot mexanizmindən istifadə edən güclü maşın 40 neyronun işini simulyasiya edə bildi ki, bu da siçovulun labirintdən çıxış axtarışını riyazi simulyasiya etmək üçün kifayət etdi. . Təbii ki, siçovul yox idi, bu, sadəcə deduksiya və optimal həll yolunun tapılması prosesi idi. Bu avtomobil Marvin Minskinin Ph.D.
Neyron şəbəkələri sahəsində daha bir maraqlı layihə 1960-cı ildə Bernard Withrow tərəfindən hazırlanmış ADALINE şəbəkəsi idi. Beləliklə, sual vermək olar: yarım əsrdən çox əvvəl tədqiqatçılar neyron şəbəkələrinin nəzəri əsaslarını bildiklərinə və hətta bu cür hesablama çərçivələrinin ilk işçi tətbiqlərini yaratdıqlarına görə, niyə 21-ci əsrə qədər bu qədər uzun müddət çəkdi. neyron şəbəkələr əsasında real həllər yaratmaq? Cavab birdir: qeyri-kafi hesablama gücü, lakin bu, yeganə maneə deyildi.
Baxmayaraq ki, 1950 və 1960-cı illərdə bir çox süni intellekt qabaqcılları neyron şəbəkələrinin imkanlarına heyran olmuşdular və bəziləri insan beyninə bərabər maşın ekvivalentinin cəmi on il olduğunu proqnozlaşdırmışdılar. Bu gün oxumaq hətta gülməlidir, çünki biz hələ insan beyninin maşın ekvivalentini yaratmağa belə yaxınlaşmamışıq və hələ də bu vəzifəni həll etməkdən uzağıq. Tezliklə aydın oldu ki, ilk neyron şəbəkələrinin məntiqi həm valehedici, həm də məhdud idi. Süni neyronlardan və maşın öyrənmə alqoritmlərindən istifadə edən AI-nin ilk tətbiqləri müəyyən dar bir sıra vəzifələri həll edə bildi.
Bununla belə, daha geniş məkanlara və naxış və təsvirin tanınması, sinxron tərcümə, nitq və əl yazısının tanınması və s. kimi həqiqətən ciddi bir şeyin həllinə gəldikdə, yəni kompüterlərin və süni intellektin bu gün edə biləcəyi şeylər məlum oldu. neyron şəbəkələrinin ilk tətbiqləri sadəcə bunu edə bilmədi. Bu niyə belədir? Cavab, 1969-cu ildə perseptron məntiqinin məhdudiyyətlərini sübut edən və sadə neyron şəbəkələrinin imkanlarının yalnız miqyaslama hesabına artırılmasının nəticə vermədiyini göstərən Marvin Minski (bəli, SNARC-dən eyni) və Seymur Papertin tədqiqatları ilə verildi. Daha bir, lakin çox vacib maneə var idi - o zaman mövcud hesablama gücü neyron şəbəkələrinin təyinatı üzrə istifadə edilməsi üçün çox kiçik idi.
Həmçinin maraqlıdır:
- Yəni danışmaq, ya danışmamaq? Mask Putinlə danışdığını inkar edir. Ancaq bir "amma" var
- Müasir artilleriya Ukraynanın super silahıdır. Bəs Elon Musk niyə buradadır?
Neyron şəbəkələrin renessansı
1970-1980-ci illərdə neyron şəbəkələri praktiki olaraq unudulmuşdu. Yalnız ötən əsrin sonlarında mövcud hesablama gücü o qədər böyük oldu ki, insanlar ona qayıtmağa və bu sahədə öz imkanlarını inkişaf etdirməyə başladılar. Məhz o zaman ilk sadə neyron şəbəkələrinin məhdudiyyətlərini aşa bilən yeni funksiyalar və alqoritmlər meydana çıxdı. Məhz o zaman çoxqatlı neyron şəbəkələrinin dərin maşın öyrənməsi ideyası yarandı. Bu təbəqələrlə əslində nə baş verir? Bu gün mühitimizdə fəaliyyət göstərən demək olar ki, bütün faydalı neyron şəbəkələri çoxqatlıdır. Bizim vəzifəsi giriş məlumatlarını və parametrləri (çəkilər) qəbul etmək olan bir giriş qatımız var. Bu parametrlərin sayı şəbəkə tərəfindən həll ediləcək hesablama məsələsinin mürəkkəbliyindən asılı olaraq dəyişir.
Bundan əlavə, bizdə "gizli təbəqələr" var - dərin maşın öyrənməsi ilə əlaqəli bütün "sehr" burada baş verir. Məhz gizli təbəqələr bu neyron şəbəkənin öyrənmək və lazımi hesablamaları aparmaq qabiliyyətinə cavabdehdir. Nəhayət, sonuncu element çıxış təbəqəsidir, yəni neyron şəbəkənin istənilən nəticəni verən təbəqəsidir, bu halda: tanınan əl yazısı, üz, səs, mətn təsviri əsasında formalaşmış təsvir, tomoqrafik analizin nəticəsi. diaqnostik görüntü və daha çox.
Həmçinin oxuyun: Bing-in chatbotunu sınaqdan keçirdim və müsahibə etdim
Neyron şəbəkələri necə öyrənir?
Artıq bildiyimiz kimi, neyron şəbəkələrindəki fərdi neyronlar fərdi dəyərlər və əlaqələr təyin olunan parametrlərin (çəkilərin) köməyi ilə məlumatları emal edir. Bu çəkilər öyrənmə prosesi zamanı dəyişir ki, bu da bu şəbəkənin strukturunu elə tənzimləməyə imkan verir ki, o, istənilən nəticəni yaradır. Şəbəkə tam olaraq necə öyrənir? Aydındır ki, onu daim məşq etmək lazımdır. Bu sözə təəccüblənməyin. Biz də öyrənirik və bu proses xaotik deyil, deyək ki, nizam-intizamlıdır. Biz buna təhsil deyirik. İstənilən halda, neyron şəbəkələri də öyrədilə bilər və bu, adətən müvafiq seçilmiş girişlər dəstindən istifadə etməklə həyata keçirilir ki, bu da hansısa şəkildə şəbəkəni gələcəkdə yerinə yetirəcəyi vəzifələrə hazırlayır. Və bütün bunlar addım-addım təkrarlanır, bəzən təlim prosesi müəyyən dərəcədə təlim prosesinin özünə bənzəyir.
Məsələn, bu neyron şəbəkənin vəzifəsi üzləri tanımaqdırsa, o, üzləri ehtiva edən çoxlu sayda şəkillər üzərində əvvəlcədən öyrədilir. Öyrənmə prosesində gizli təbəqələrin çəkiləri və parametrləri dəyişir. Mütəxəssislər burada “xərc funksiyasının minimuma endirilməsi” ifadəsini işlədirlər. Xərc funksiyası bizə verilən neyron şəbəkənin nə qədər səhv etdiyini bildirən kəmiyyətdir. Təlim nəticəsində xərc funksiyasını nə qədər minimuma endirə bilsək, bu neyron şəbəkə real dünyada bir o qədər yaxşı çıxış edəcək. İstənilən neyron şəbəkəsini klassik alqoritmlə proqramlaşdırılmış tapşırıqdan fərqləndirən ən mühüm xüsusiyyət ondan ibarətdir ki, klassik alqoritmlər vəziyyətində proqramçı proqramın hansı hərəkətləri yerinə yetirəcəyini addım-addım layihələndirməlidir. Neyron şəbəkələri vəziyyətində, şəbəkə özü tapşırıqları düzgün yerinə yetirməyi tək başına öyrənməyə qadirdir. Mürəkkəb neyron şəbəkənin hesablamalarını necə yerinə yetirdiyini heç kim dəqiq bilmir.
Bu gün neyron şəbəkələri geniş şəkildə istifadə olunur və bəlkə də təəccüblüdür ki, müəyyən bir şəbəkədə hesablama prosesinin əslində necə işlədiyini başa düşmədən çox vaxt. Buna ehtiyac yoxdur. Proqramçılar müəyyən tipli daxiletmə verilənləri üçün hazırlanmış, maşınla öyrənilmiş hazır neyron şəbəkələrindən istifadə edir, onları yalnız onlara məlum olan üsulla emal edir və istənilən nəticəni verirlər. Bir proqramçıya neyron şəbəkə daxilində nəticə çıxarma prosesinin necə işlədiyini bilməyə ehtiyac yoxdur. Yəni, insan böyük həcmdə hesablamalardan, məlumat əldə etmək üsulundan və onun neyron şəbəkələri tərəfindən işlənməsindən kənarda qalır. Süni intellekt modelləri ilə bağlı bəşəriyyətin müəyyən qorxuları da bundan irəli gəlir. Biz sadəcə olaraq qorxuruq ki, bir gün neyron şəbəkəsi qarşısına müəyyən vəzifə qoyacaq və müstəqil olaraq, bir insanın köməyi olmadan, onun həlli yollarını tapacaq. Bu, insanlığı narahat edir, maşın öyrənməsi alqoritmlərinin istifadəsinə qorxu və inamsızlıq yaradır.
Bu utilitar yanaşma bu gün çox yayılmışdır. Bizdə də belədir: biz kimisə konkret fəaliyyətə necə öyrətmək lazım olduğunu bilirik və bilirik ki, təlim prosesi düzgün aparılarsa təsirli olacaq. İnsan istədiyi bacarıqları əldə edəcək. Bəs bu təsirə səbəb olan deduksiya prosesinin onun beynində necə baş verdiyini dəqiq anlayırıqmı? Bizim heç bir fikrimiz yoxdur.
Alimlərin vəzifəsi odur ki, imkan daxilində bu problemləri araşdırsınlar, lazım olan yerdə bizə xidmət etsinlər, kömək etsinlər, ən əsası təhlükəyə çevrilməsinlər. İnsan olaraq bilmədiklərimizdən qorxuruq.
Həmçinin maraqlıdır: