Sieci neuronowe naśladują ludzki mózg w przetwarzaniu danych, ale tylko w luźny sposób. To jest główna idea. Kopiują ogólny kształt połączeń przypominających te z mózgu, a nie pełną biologię.
Trzymam się tego rozróżnienia, ponieważ ma ono znaczenie. Sieć neuronowa składa się z małych jednostek zwanych neuronami. Każdy z nich przyjmuje dane wejściowe, nadaje im wagi, sumuje je i przesyła wynik przez funkcję aktywacji. Taka konfiguracja pozwala sieci przekształcać surowe dane w sygnały, których może użyć do wykonania zadania.
To, co to oznacza w praktyce, jest proste. Sieć patrzy na dane wejściowe, takie jak tekst, obrazy lub liczby, i przepuszcza je przez warstwy. Każda warstwa nieco zmienia dane. Wczesne warstwy mogą wychwytywać proste wzorce. Późniejsze warstwy mogą łączyć te wzorce w bardziej użyteczne.
Związanie z mózgiem jest źródłem nazwy. Prawdziwe komórki mózgowe przesyłają sygnały poprzez połączenia. Sztuczne neurony również przesyłają wartości przez połączenia. Pomysł jest inspirowany biologią, ale matematyka jest znacznie prostsza. Nie ma w modelu przepływu krwi, chemikaliów ani żywej tkanki. Są tylko liczby i reguły.
To jest ta część, którą wielu ludzi pomija. Sieć neuronowa nie myśli jak człowiek. Nie rozumie faktów w ludzkim sensie. Nie „widzi” świata. Uczy się funkcji, która mapuje wejścia na wyjścia. Jeśli dane treningowe są dobre, ta funkcja może być przydatna. Jeśli dane treningowe są słabe lub wąskie, model też może być słaby lub wąski.
Myślę, że to prawdziwa odpowiedź, której potrzebuje czytelnik. Sieci neuronowe przetwarzają dane, ucząc się, które wejścia mają znaczenie i jak powinny być łączone. Wagi działają jak pokrętła. Podczas trenowania sieć zmienia te pokrętła ponownie i ponownie, aż jej wyjście zbliży się do celu. Tak uczy się wzorców z danych, zamiast być ręcznie napisanym dla jednego ustalonego prawa.
Porównanie z mózgiem pomaga na początku, ale może też wprowadzać w błąd. Ludzkie mózgi są szumne, elastyczne i pełne złożonych sprzężeń zwrotnych. Sieci neuronowe są bardziej sztywne. Są potężne, ponieważ mogą dopasowywać duże przestrzenie wzorców, a nie dlatego, że są bliskimi kopiami umysłu. Nazwa jest użyteczna. Analogia nie jest dokładna.
Jest jeden szczery limit wart powiedzenia wprost. Nadal nie wiemy w pełni, ile z nauki ludzkiego mózgu można dopasować za pomocą obecnych projektów sieci neuronowych. Niektóre pomysły z biologii pomagają. Inne wcale nie dobrze się mapują. Dlatego gdy ludzie mówią „naśladuj mózg”, bezpiecznym odczytem jest „inspirowany mózgiem”, a nie „reprodukuje mózg”.
Dlatego wolę zwykłe słowa niż histerię. Sieć neuronowa to model uczenia maszynowego, który uczy się na przykładach. Używa ważonych połączeń, funkcji aktywacji i warstw do przetwarzania danych. Mózg jest luźnym modelem. Rzeczywistym silnikiem jest matematyka.
The Model Log utrzymuje ten sam standard. Jeden praktyczny koncept AI, jeden działający przykład i jeden szczery rzut oka na to, co naprawdę działa. To właściwy poziom szczegółowości też dla sieci neuronowych.
