Այսօր մենք կփորձենք պարզել, թե ինչ են նեյրոնային ցանցերը, ինչպես են դրանք աշխատում և ինչ դեր ունեն արհեստական ինտելեկտի ստեղծման գործում։
Նյարդային ցանցեր. Այս արտահայտությունը մենք լսում ենք գրեթե ամենուր. Բանը հասնում է նրան, որ նեյրոնային ցանցեր կգտնեք նույնիսկ սառնարաններում (սա կատակ չէ): Նյարդային ցանցերը լայնորեն օգտագործվում են մեքենայական ուսուցման ալգորիթմների կողմից, որոնք այսօր կարելի է գտնել ոչ միայն համակարգիչներում և սմարթֆոններում, այլև շատ այլ էլեկտրոնային սարքերում, օրինակ՝ կենցաղային տեխնիկայում: Եվ երբևէ մտածե՞լ եք, թե որոնք են այս նեյրոնային ցանցերը:
Մի անհանգստացեք, սա ակադեմիական դասախոսություն չի լինելու: Կան բազմաթիվ հրապարակումներ, այդ թվում՝ ուկրաիներեն, որոնք շատ պրոֆեսիոնալ և հավաստիորեն բացատրում են այս հարցը ճշգրիտ գիտությունների ոլորտում։ Նման հրապարակումներն ավելի քան մեկ տասնյակ տարվա վաղեմություն ունեն։ Ինչպե՞ս է հնարավոր, որ այս հին հրապարակումները դեռ ակտուալ են։ Փաստն այն է, որ նեյրոնային ցանցերի հիմունքները չեն փոխվել, և ինքնին հայեցակարգը` արհեստական նեյրոնի մաթեմատիկական մոդելը, ստեղծվել է Երկրորդ համաշխարհային պատերազմի ժամանակ:
Նույնը ինտերնետի դեպքում, այսօրվա ինտերնետն անհամեմատ ավելի զարգացած է, քան երբ ուղարկվեց առաջին նամակը։ Համացանցի հիմքերը՝ հիմնարար արձանագրությունները, գոյություն են ունեցել դրա ստեղծման հենց սկզբից։ Յուրաքանչյուր բարդ հայեցակարգ կառուցված է հին կառույցների հիմքի վրա: Նույնը մեր ուղեղի դեպքում՝ ամենաերիտասարդ ուղեղային ծառի կեղևը չի կարող գործել առանց ամենահին էվոլյուցիոն տարրի՝ ուղեղի ցողունի, որը մեր գլխում է եղել այս մոլորակի վրա մեր տեսակի գոյությունից շատ ավելի հին ժամանակներից:
Ես քեզ մի քիչ շփոթեցի՞ր։ Այսպիսով, եկեք հասկանանք ավելի մանրամասն:
Հետաքրքիր է նաև. ChatGPT. Օգտագործման պարզ հրահանգներ
Ի՞նչ են նեյրոնային ցանցերը:
Ցանցը որոշակի տարրերի հավաքածու է: Սա մաթեմատիկայի, ֆիզիկայի կամ տեխնոլոգիայի ամենապարզ մոտեցումն է: Եթե համակարգչային ցանցը փոխկապակցված համակարգիչների ամբողջություն է, ապա նեյրոնային ցանցն ակնհայտորեն նեյրոնների ամբողջություն է:
Այնուամենայնիվ, այս տարրերը նույնիսկ բարդությամբ համեմատելի չեն մեր ուղեղի և նյարդային համակարգի նյարդային բջիջների հետ, բայց վերացականության որոշակի մակարդակում արհեստական նեյրոնի և կենսաբանական նեյրոնի որոշ առանձնահատկություններ սովորական են: Բայց պետք է հիշել, որ արհեստական նեյրոնը շատ ավելի պարզ հասկացություն է, քան նրա կենսաբանական նմանակը, որի մասին մենք դեռ ամեն ինչ չգիտենք։
Կարդացեք նաև. ChatGPT-ի 7 ամենաթեժ օգտագործումը
Նախ կար արհեստական նեյրոն
Արհեստական նեյրոնի առաջին մաթեմատիկական մոդելը մշակվել է 1943 թվականին (այո, դա սխալ չէ, Երկրորդ համաշխարհային պատերազմի ժամանակ) երկու ամերիկացի գիտնականների՝ Ուորեն ՄաքՔալոչի և Ուոլթեր Փիթսի կողմից։ Նրանց հաջողվեց դա անել միջդիսցիպլինար մոտեցման հիման վրա՝ համատեղելով ուղեղի ֆիզիոլոգիայի հիմնական գիտելիքները (հիշեք այս մոդելի ստեղծման ժամանակները), մաթեմատիկայի և այն ժամանակ երիտասարդ ՏՏ մոտեցումը (նրանք, ի թիվս այլ բաների, օգտագործել են Ալան Թյուրինգի հաշվարկելիության տեսությունը։ ) McCulloch-Pitts արհեստական նեյրոնի մոդելը շատ պարզ մոդել է, այն ունի բազմաթիվ մուտքեր, որտեղ մուտքային տեղեկատվությունը անցնում է կշիռների (պարամետրերի) միջով, որոնց արժեքները որոշում են նեյրոնի վարքը: Ստացված արդյունքն ուղարկվում է մեկ ելքի (տես ՄակՔալոխ-Փիթս նեյրոնի դիագրամը)։
Նման ծառանման կառուցվածքը կապված է կենսաբանական նեյրոնի հետ, քանի որ երբ մենք մտածում ենք կենսաբանական նյարդային բջիջները պատկերող գծագրերի մասին, մեր մտքում գալիս է դենդրիտների բնորոշ ծառանման կառուցվածքը: Այնուամենայնիվ, չպետք է ենթարկվել այն պատրանքին, որ արհեստական նեյրոնը գոնե ինչ-որ չափով մոտ է իրական նյարդային բջիջին: Այս երկու հետազոտողներին՝ առաջին արհեստական նեյրոնի հեղինակներին, հաջողվել է ցույց տալ, որ ցանկացած հաշվարկելի ֆունկցիա կարելի է հաշվարկել՝ օգտագործելով փոխկապակցված նեյրոնների ցանցը։ Այնուամենայնիվ, հիշենք, որ այս առաջին հասկացությունները ստեղծվել են միայն որպես գաղափարներ, որոնք գոյություն ունեին միայն «թղթի վրա» և իրական մեկնաբանություն չունեին գործող սարքավորումների տեսքով։
Կարդացեք նաև. Քվանտային համակարգիչների մասին պարզ բառերով
Մոդելից մինչև նորարարական իրականացումներ
McCulloch-ը և Pitts-ը մշակեցին տեսական մոդել, սակայն առաջին իրական նեյրոնային ցանցի ստեղծումը պետք է սպասեր ավելի քան տասը տարի: Դրա ստեղծողը համարվում է արհեստական ինտելեկտի հետազոտության ևս մեկ ռահվիրա Ֆրենկ Ռոզենբլատը, ով 1957 թվականին ստեղծեց Mark I Perceptron ցանցը, և դուք ինքներդ ցույց տվեցիք, որ այս կառուցվածքի շնորհիվ մեքենան ձեռք է բերել մի ունակություն, որը նախկինում բնորոշ էր միայն կենդանիներին և մարդկանց. կարող է սովորել. Այնուամենայնիվ, մենք այժմ գիտենք, որ իրականում եղել են այլ գիտնականներ, ովքեր եկել են այն գաղափարին, որ մեքենան կարող է սովորել, այդ թվում՝ Ռոզենբլատից առաջ:
1950-ականներին համակարգչային գիտության շատ հետազոտողներ և ռահվիրաներ եկան այն գաղափարի մասին, թե ինչպես կարելի է մեքենային ստիպել անել այն, ինչ նա չի կարող ինքնուրույն անել: Օրինակ, Արթուր Սամուելը մշակեց ծրագիր, որը շաշկի էր խաղում մարդու հետ, Ալեն Նյուելը և Հերբերտ Սայմոնը ստեղծեցին ծրագիր, որը կարող էր ինքնուրույն ապացուցել մաթեմատիկական թեորեմները: Դեռ մինչև Ռոզենբլատի առաջին նեյրոնային ցանցի ստեղծումը, արհեստական ինտելեկտի ոլորտում հետազոտության երկու այլ ռահվիրաներ՝ Մարվին Մինսկին և Դին Էդմոնդսը, 1952 թ. Analog Reinforcement Calculator) - ստոխաստիկ նյարդային անալոգային հաշվիչի ամրապնդում, որը շատերի կողմից համարվում է առաջին ստոխաստիկ նեյրոնային ցանցի համակարգիչը: Նշենք, որ SNARC-ը ոչ մի կապ չուներ ժամանակակից համակարգիչների հետ։
Հզոր մեքենան, օգտագործելով ավելի քան 3000 էլեկտրոնային խողովակներ և B-24 ռմբակոծիչից պահեստային ավտոմատ օդաչուի մեխանիզմ, կարողացավ մոդելավորել 40 նեյրոնների աշխատանքը, ինչը, պարզվեց, բավարար էր լաբիրինթոսից ելքի առնետի որոնումը մաթեմատիկորեն նմանեցնելու համար։ . Իհարկե, առնետ չկար, դա ընդամենը դեդուկցիայի ու օպտիմալ լուծում գտնելու գործընթաց էր։ Այս մեքենան Մարվին Մինսկու Ph.D.
Նեյրոնային ցանցերի ոլորտում մեկ այլ հետաքրքիր նախագիծ էր ADALINE ցանցը, որը մշակվել է 1960 թվականին Բեռնարդ Ուիդրոուի կողմից։ Այսպիսով, կարելի է հարց տալ. քանի որ ավելի քան կես դար առաջ հետազոտողները գիտեին նեյրոնային ցանցերի տեսական հիմքերը և նույնիսկ ստեղծեցին նման հաշվողական շրջանակների առաջին աշխատանքային իրականացումները, ինչու այդքան երկար ժամանակ պահանջվեց մինչև 21-րդ դարը։ ստեղծել իրական լուծումներ՝ հիմնված նեյրոնային ցանցերի վրա։ Պատասխանը մեկն է՝ ոչ բավարար հաշվողական հզորություն, բայց դա միակ խոչընդոտը չէր։
Չնայած 1950-ականներին և 1960-ականներին արհեստական ինտելեկտի շատ ռահվիրաներ հիացած էին նեյրոնային ցանցերի հնարավորություններով, և նրանցից ոմանք կանխատեսում էին, որ մարդկային ուղեղին համարժեք մեքենան ընդամենը տասը տարի է մնացել: Սա նույնիսկ ծիծաղելի է կարդալն այսօր, քանի որ մենք դեռ չենք էլ մոտեցել մարդու ուղեղին համարժեք մեքենայի ստեղծմանը, և մենք դեռ հեռու ենք այս խնդիրը լուծելուց: Շատ արագ պարզ դարձավ, որ առաջին նեյրոնային ցանցերի տրամաբանությունը և՛ հետաքրքրաշարժ, և՛ սահմանափակ էր: Արհեստական նեյրոնների և մեքենայական ուսուցման ալգորիթմների օգտագործմամբ AI-ի առաջին իրականացումները կարողացան լուծել խնդիրների որոշակի նեղ շրջանակ:
Այնուամենայնիվ, երբ խոսքը վերաբերում էր ավելի լայն տարածություններին և իսկապես լուրջ բան լուծելուն, ինչպիսիք են օրինակների և պատկերների ճանաչումը, համաժամանակյա թարգմանությունը, խոսքի և ձեռագրի ճանաչումը և այլն, այսինքն՝ այն, ինչ համակարգիչներն ու AI-ն արդեն կարող են անել այսօր, պարզվեց, որ Նեյրոնային ցանցերի առաջին ներդրումը պարզապես անկարող էր դա անել: Ինչո՞ւ է սա այդպես։ Պատասխանը տրվել է Մարվին Մինսկու (այո, նույնը՝ SNARC-ից) և Սեյմուր Փեյփերթի հետազոտությունը, ով 1969 թվականին ապացուցեց պերցեպտրոնային տրամաբանության սահմանափակումները և ցույց տվեց, որ պարզ նեյրոնային ցանցերի հնարավորությունների մեծացումը բացառապես մասշտաբի շնորհիվ չի աշխատում։ Եվս մեկ, բայց շատ կարևոր խոչընդոտ կար. այն ժամանակ հասանելի հաշվողական հզորությունը չափազանց փոքր էր, որպեսզի նեյրոնային ցանցերն օգտագործվեին ըստ նախատեսվածի:
Հետաքրքիր է նաև.
- Այսինքն՝ խոսե՞լ, թե՞ չխոսել։ Մասկը հերքում է Պուտինի հետ խոսելը. Բայց կա մի «բայց».
- Ժամանակակից հրետանին Ուկրաինայի գերզենքն է. Իսկ ինչո՞ւ է Իլոն Մասկը այստեղ:
Նյարդային ցանցերի վերածնունդ
1970-1980-ական թվականներին նեյրոնային ցանցերը գործնականում մոռացության մատնվեցին: Միայն անցյալ դարի վերջում հասանելի հաշվողական հզորությունն այնքան մեծացավ, որ մարդիկ սկսեցին վերադառնալ դրան և զարգացնել իրենց կարողությունները այս ոլորտում: Հենց այդ ժամանակ հայտնվեցին նոր գործառույթներ և ալգորիթմներ, որոնք կարողացան հաղթահարել առաջին ամենապարզ նեյրոնային ցանցերի սահմանափակումները։ Հենց այդ ժամանակ առաջացավ բազմաշերտ նեյրոնային ցանցերի խորը մեքենայական ուսուցման գաղափարը: Ի՞նչ է իրականում տեղի ունենում այս շերտերի հետ: Այսօր մեր միջավայրում գործող գրեթե բոլոր օգտակար նեյրոնային ցանցերը բազմաշերտ են: Մենք ունենք մուտքային շերտ, որի խնդիրն է ստանալ մուտքային տվյալներ և պարամետրեր (կշիռներ): Այս պարամետրերի թիվը տատանվում է՝ կախված ցանցի կողմից լուծվելիք հաշվողական խնդրի բարդությունից:
Բացի այդ, մենք ունենք այսպես կոչված «թաքնված շերտեր»՝ այստեղ տեղի է ունենում խորը մեքենայական ուսուցման հետ կապված ամբողջ «մոգությունը»: Հենց թաքնված շերտերն են պատասխանատու այս նեյրոնային ցանցի՝ անհրաժեշտ հաշվարկները սովորելու և կատարելու ունակության համար։ Վերջապես, վերջին տարրը ելքային շերտն է, այսինքն՝ նեյրոնային ցանցի շերտը, որը տալիս է ցանկալի արդյունքը, այս դեպքում՝ ճանաչված ձեռագիր, դեմք, ձայն, տեքստային նկարագրության հիման վրա ձևավորված պատկեր, տոմոգրաֆիկ վերլուծության արդյունք։ ախտորոշիչ պատկերը և շատ ավելին:
Կարդացեք նաև. Ես փորձարկեցի և հարցազրույց վերցրեցի Bing-ի չաթբոտի հետ
Ինչպե՞ս են սովորում նեյրոնային ցանցերը:
Ինչպես արդեն գիտենք, նեյրոնային ցանցերում առանձին նեյրոնները տեղեկատվությունը մշակում են պարամետրերի (կշիռների) օգնությամբ, որոնց հատկացվում են անհատական արժեքներ և կապեր: Այս կշիռները փոխվում են ուսուցման գործընթացում, ինչը թույլ է տալիս հարմարեցնել այս ցանցի կառուցվածքն այնպես, որ այն գեներացնի ցանկալի արդյունքը։ Ինչպե՞ս է կոնկրետ սովորում ցանցը: Ակնհայտ է, այն պետք է անընդհատ մարզել։ Մի զարմացեք այս ասացվածքից. Մենք էլ ենք սովորում, ու այս գործընթացը ոչ թե քաոսային է, այլ կարգուկանոնի, ասենք. Մենք դա անվանում ենք կրթություն: Ամեն դեպքում, նեյրոնային ցանցերը կարող են նաև վերապատրաստվել, և դա սովորաբար արվում է մուտքերի համապատասխան ընտրված հավաքածուի միջոցով, որը ինչ-որ կերպ պատրաստում է ցանցը ապագայում կատարվող առաջադրանքների համար: Եվ այս ամենը կրկնվում է քայլ առ քայլ, երբեմն ուսուցման գործընթացը որոշ չափով հիշեցնում է հենց վերապատրաստման գործընթացը։
Օրինակ, եթե այս նեյրոնային ցանցի խնդիրն է ճանաչել դեմքերը, ապա այն նախապես պատրաստված է դեմքեր պարունակող մեծ թվով պատկերների վրա: Ուսուցման գործընթացում փոխվում են թաքնված շերտերի կշիռներն ու պարամետրերը։ Փորձագետներն այստեղ օգտագործում են «ծախսերի գործառույթի նվազագույնի հասցում» արտահայտությունը։ Արժեքի ֆունկցիան այն մեծությունն է, որը մեզ ասում է, թե տվյալ նեյրոնային ցանցը որքանով է սխալվում: Որքան շատ մենք կարողանանք նվազագույնի հասցնել ծախսերի գործառույթը վերապատրաստման արդյունքում, այնքան ավելի լավ կգործի այս նեյրոնային ցանցը իրական աշխարհում: Ամենակարևոր առանձնահատկությունը, որը տարբերում է ցանկացած նեյրոնային ցանց դասական ալգորիթմի միջոցով ծրագրավորված առաջադրանքից, այն է, որ դասական ալգորիթմների դեպքում ծրագրավորողը պետք է քայլ առ քայլ նախագծի, թե ինչ գործողություններ կկատարի ծրագիրը: Նեյրոնային ցանցերի դեպքում ցանցն ինքն է ունակ սովորելու ինքնուրույն կատարել առաջադրանքները ճիշտ: Եվ ոչ ոք հստակ չգիտի, թե ինչպես է բարդ նեյրոնային ցանցը կատարում իր հաշվարկները:
Այսօր նեյրոնային ցանցերը լայնորեն օգտագործվում են և, թերևս, զարմանալիորեն, շատ հաճախ՝ առանց հասկանալու, թե իրականում ինչպես է աշխատում տվյալ ցանցում հաշվողական գործընթացը: Սրա կարիքը չկա։ Ծրագրավորողները օգտագործում են պատրաստի մեքենայացված նեյրոնային ցանցեր, որոնք պատրաստված են որոշակի տեսակի մուտքային տվյալների համար, մշակում են դրանք միայն իրենց հայտնի եղանակով և տալիս են ցանկալի արդյունք: Ծրագրավորողը կարիք չունի իմանալու, թե ինչպես է աշխատում եզրակացության գործընթացը նեյրոնային ցանցի ներսում: Այսինքն՝ մարդը զերծ է մնում հաշվարկների մեծ ծավալից, նեյրոնային ցանցերով տեղեկատվություն ստանալու և դրա մշակման մեթոդից։ Որտեղի՞ց են մարդկության որոշակի մտավախությունները՝ կապված արհեստական ինտելեկտի մոդելների հետ: Մենք ուղղակի վախենում ենք, որ մի օր նեյրոնային ցանցն իր առջեւ որոշակի խնդիր կդնի և ինքնուրույն, առանց մարդու օգնության, կգտնի դրա լուծման ուղիները։ Սա անհանգստացնում է մարդկությանը, վախ ու անվստահություն է առաջացնում մեքենայական ուսուցման ալգորիթմների օգտագործման նկատմամբ։
Այս ուտիլիտար մոտեցումն այսօր տարածված է: Մեզ մոտ այդպես է՝ մենք գիտենք, թե ինչպես պետք է ինչ-որ մեկին վերապատրաստել կոնկրետ գործունեության մեջ, և գիտենք, որ վերապատրաստման գործընթացը արդյունավետ կլինի, եթե այն ճիշտ կատարվի։ Մարդը ձեռք կբերի ցանկալի հմտություններ։ Բայց արդյո՞ք մենք հստակ հասկանում ենք, թե ինչպես է նրա ուղեղում տեղի ունենում դեդուկցիայի գործընթացը, որն առաջացրել է այս ազդեցությունը: Մենք գաղափար չունենք։
Գիտնականների խնդիրն է հնարավորինս ուսումնասիրել այդ խնդիրները, որպեսզի նրանք ծառայեն ու օգնեն մեզ, որտեղ պետք է, և որ ամենակարեւորն է՝ սպառնալիք չդառնան։ Որպես մարդիկ՝ մենք վախենում ենք նրանից, ինչ չգիտենք։
Հետաքրքիր է նաև.