Sieci neuronowe są używane do znajdowania wzorców w danych i przekształcania tych wzorców w przewidywania lub etykiety. To jest prosta odpowiedź, i to ona ma największe znaczenie.
Wracam do tego repeatedly, ponieważ to sformułowanie jest często używane w luźny sposób. Ludzie słyszą je i myślą o czymś konkretnym, np. o czatbotach czy narzędziach graficznych. W praktyce ten sam podstawowy pomysł pojawia się w wielu miejscach. Sieć uczy się na przykładach, a następnie mapuje nowe dane wejściowe na wyjście, które wydaje się przydatne.
Co to oznacza w rzeczywistej pracy? Oznacza to, że sztuczna sieć neuronowa może przyjmować obrazy, tekst, mowę, liczby lub sygnały i uczyć się z nich zadania. Może pomagać w rozpoznawaniu obrazów, rozpoznawaniu mowy, tłumaczeniu językowym, wykrywaniu oszustw, prognozowaniu, systemach rekomendacyjnych oraz analizie obrazów medycznych. To wszystkie przypadki, gdzie dane wejściowe są nieporządne, a reguła trudna do zapisania ręcznie.
Ta ostatnia część jest prawdziwym powodem, dla którego sieci neuronowe stały się tak ważne. Są skuteczne, gdy reguły nie są czyste. Jeśli zadanie jest proste i ustalone, wystarczyć może mniejsza metoda. Jeśli zadanie zawiera wiele ukrytych wzorców, sieć może nauczyć się lepszej dopasowania z danych.
Myślę, że ten punkt jest łatwy do przeoczenia. Sieci neuronowe nie są magicznymi maszynami decyzyjnymi. Są uczniami wzorców. Podczas treningu dostosowują wewnętrzne wagi, aby wyjście było bliższe celowi. Po zakończeniu treningu mogą zgadywać na podstawie nowych danych. Ta zgadywanka może być trafna, ale nadal pozostaje zgadywanką.
Dlatego dobrze sprawdzają się one w pracach z wizją komputerową i przetwarzaniem języka naturalnego. Obraz ma wiele pikseli, a zdanie wiele słów i relacji. Ręczne reguły stają się szybko niezgrabne. Sieć neuronowa może zamiast tego uczyć się na przykładach. Dlatego widzimy je w detekcji obiektów, rozpoznawaniu twarzy, klasyfikacji tekstu, systemach czatu i narzędziach konwersji mowy na tekst.
Pojawiają się również w zadaniach prognozowania i sterowania. Banki używają ich do kontroli oszustw. Zespoły stosują je do przewidywania popytu, kontroli jakości i planowania tras. W tych przypadkach model patrzy na historyczne dane i próbuje wyłapać kształt tego, co może nadejść. Nie zna przyszłości. Szacuje ją na podstawie wzorców, które istniały wcześniej.
Istnieje jeden szczery limit, który zasługuje na uwagę. Sieć neuronowa może być bardzo przydatna i mimo to trudna do zaufania. Może wymagać dużo danych. Może zawodzić, gdy nowe dane wyglądają inaczej niż dane treningowe. Może też być trudna do wyjaśnienia, ponieważ naukowalna reguła rozłożona jest na wiele wag. Dlatego dobry wynik na papierze nie kończy pracy. Model nadal wymaga ostrożnej weryfikacji w środowisku, w którym będzie używany.
Myślę też, że ludzie czasem oczekują, że jedna sieć pasuje do każdego problemu. Tak to nie działa. Najlepsze zastosowanie jest wąskie i jasno zdefiniowane. Sieć powinna odpowiadać typowi danych i zadaniu. Obrazy, tekst, mowa i dane tabelaryczne często wymagają różnych struktur modeli i innej opieki podczas trenowania.
Tak więc bezpośrednią odpowiedzią na pytanie „do czego służy sztuczna sieć neuronowa” jest: służy do nauki wzorców w danych, dzięki czemu maszyna może klasyfikować, przewidywać, rozpoznawać lub generować wyjścia z nowego wejścia. Przydatna część nie leży w słowie „neuronowa”. Przydatna część to zdolność do nauki zadania na podstawie przykładów, gdy stałe reguły są zbyt słabe lub zbyt trudne do zapisania.
To jest praktyczny pogląd, któremu ufnie. Sieć neuronowa to narzędzie do pracy ze wzorcami, nie obietnica. Jest silna tam, gdzie dane są bogate, a struktura ukryta. Jest słabsza, gdy dane są rzadkie, zadanie często się zmienia, albo wynik musi być łatwy do wyjaśnienia.
O taki rodzaj prostej prawdy chodzi mi w The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jeden szczery spojrzenie na to, co naprawdę działa.
