Sieci neuronowe imitują ludzki mózg, ale tylko w luźny sposób. To jest ten fragment, który ludzie często przeoczają. Przejmują one pomysł wielu małych jednostek połączonych w sieć, a następnie wykorzystują tę strukturę do nauki wzorców z danych. Dlatego są przydatne w trudnych zadaniach, takich jak rozpoznawanie obrazów, mowy i przewidywanie.
Ciągle wracam do jednego prostego faktu. Sieć neuronowa nie jest mózgiem. Jest to model matematyczny. Nazwa pochodzi od starego pomysłu, że wiele prostych jednostek może pracować razem, podobnie jak neurony w mózgu. W uczeniu głębokim te jednostki są ułożone w warstwy, a każda warstwa przekazuje informacje dalej. Sieć dostosowuje siły połączeń podczas treningu, dzięki czemu staje się lepsza w mapowaniu wejść na wyjścia.
To jest prawdziwy sekret. Sieć nie „myśli” jak człowiek. Uczy się funkcji. Jeśli wejściem jest obraz, wczesne warstwy mogą nauczyć się krawędzi. Późniejsze warstwy mogą nauczyć się kształtów lub części. Ostatecznie model może zdecydować, co przedstawia obraz. Ten sam wzorzec obowiązuje w przypadku wielu zadań. Podaj wystarczającą liczbę przykładów, a sieć nauczy się użytecznej struktury, którą trudno byłoby zakodować ręcznie.
Dlatego uczenie głębokie ma znaczenie. Wykorzystuje wiele warstw, a nie tylko jedną. Płytki model może wychwytywać proste zależności. Głęboki model może budować bardziej złożone cechy krok po kroku. Ta warstwowa konfiguracja jest powodem, dla którego dziedzina nosi słowo „głębokie”. To również wyjaśnia, dlaczego sieci neuronowe znajdują się w centrum dużych części nowoczesnego uczenia głębokiego.
Podoba mi się inżynierska strona tego, ponieważ jest ona jasna, gdy mgła opadnie. Sieć ma wejścia, wagi, aktywacje i wyjścia. Trening zmienia wagi. To wszystko. Nie ma żadnej magii wewnątrz. Moc wynika ze skali, danych i współpracy warstwowej struktury.
Mimo to porównanie do mózgu ma swoje granice. Ludzkie mózgi są znacznie bardziej złożone. Prawdziwe neurony nie są takie same jak sztuczne jednostki. Mózg także uczy się w sposoby, których obecne modele nie odzwierciedlają w pełni. Dlatego fraza „imituje ludzki mózg” jest użyteczna, ale tylko jako punkt wyjścia. Nie powinna być odczytywana jako twierdzenie, że sieci neuronowe kopiują ludzką myśl jeden do jednego.
Ta luka ma znaczenie. Sieć neuronowa może być silna w jednym zadaniu i słaba w innym. Może wymagać dużej ilości danych. Może również nauczyć się błędnego wzorca, jeśli dane treningowe są przesunięte lub wąskie. Nie rozumie świata tak, jak robią to ludzie. Znajduje statystyczną strukturę. Działa to bardzo dobrze w wielu przypadkach, a także zawodzi w sposób, który wygląda dziwnie, jeśli oczekujesz ludzkiej logiki.
Więc odpowiedź na pytanie jest prosta. W uczeniu głębokim sieć neuronowa to warstwowy system matematyczny inspirowany mózgiem. Rozwiązuje złożone problemy, ucząc się wzorców z danych, a nie kopiując ludzką myśl jeden do jednego. To jest użyteczna prawda, a także granica. Jeśli ta granica pozostaje jasna, reszta dziedziny staje się łatwiejsza do zrozumienia.
O taki prosty odpowiedź chodzi w The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jedna szczera ocena tego, co faktycznie działa.
