Artificiella neuronnät
Definition
Artificiell intelligens (AI) refererar till simuleringen av mänsklig intelligens i maskiner, som är programmerade att tänka som människor och likna deras handlingar. Uttrycket AI kan också tillämpas på alla maskiner, som visar egenskaper vilka är förknippande till den mänskliga hjärnan såsom problemlösning och lärande.
Artificiella neuronnät
Artificiella neurala nätverk är en form av maskininlärningsalgoritm med en struktur som ungefär bygger på den mänskliga hjärnan. Liksom andra typer av maskininlärningsalgoritmer, kan de lösa problem genom försök och fel utan att programmeras uttryckligen med reglar att följa. Det är grunden för artificiell intelligents och löser problem som skulle visa sig vara omöjliga eller svåra enligt mänskliga eller statistiska standarder. ANN har självlärande funktioner som gör det möjligt för dem att producera bättre resultat när mer data är tillgängligt.
Hur funkar ANN?
Neurala nätverk utvecklades först på 1950-talet för att testa teorier om hur sammankopplade nervceller i den mänskliga hjärnan lagrar information och reagerar på ingångsdata. Precis som i hjärnan beror produktionen från ett artificiellt neuralt nätverk på styrkan hos förbindelserna mellan dess virtuella nervceller – förutom i detta fall är ”neuronerna” inte verkliga celler utan anslutna moduler i ett datorprogram.
En inlärningsprocess ställer in dess anslutningsstyrkor via försök och fel, de försöker maximera neuronnätverkets prestanda för att lösa något problem. Målet kan vara att matcha indata och göra förutsägelser om nya data som nätverket inte har sett tidigare (övervakad lärande), eller maximera en ”belönings” funktion för att upptäcka nya lösningar på ett problem (förstärkningslärande). Arkitekturen för ett neuralt nätverk, inklusive antalet neuroner och deras placering, eller arbetsfördelningen mellan specialmoduler, är vanligtvis skräddarsydda för varje problem.
Fördelar
En fördel är att information lagras i hela nätverket. Information som i traditionell programmering lagras inte i en databas. Försvinnandet av några informationsstycken på ett ställe hindrar inte nätverket från att fungera. ANN har möjligheten att arbeta med ofullständig kunskap. Efter träningen som en ANN undergår kan data producera resultat även med ofullständig information. Förlusten av prestanda här beror på vikten av den information som saknas. Dessa nätverk kan även lära av exempel och tillämpa dem när en liknande händelse uppstår, vilket gör dem kunna arbeta igenom realtidshändelser.
Nackdelar
Förmodligen är den mest kända nackdelen med ANN deras ”black box” natur. Enkelt uttryckt, vi vet inte hur eller varför ens ANN kom med en viss output. Till exempel, när vi lägger en bild av en katt i ett neuralt nätverk och den förutspår att den ska vara en bil, det är väldigt svårt att förstå vad som fick den att komma fram till denna förutsägelse. När vi har funktioners som kan tolkas av människor är det mycket lättare att förstå orsaken till misstaget/problemet. Algoritmer är som beslutsträd väldigt tolkningsbara.
Neurala nätverk kräver vanligtvis mycket mer data än traditionella maskininlärningsalgoritmer, som i minst tusentals om inte miljoner märkta prover. Detta är inte ett enkelt problem att hantera och många maskininlärningsproblem kan lösas bra med mindre data om man använder andra algoritmer.
Källor:
https://www.investopedia.com/terms/a/artificial-neural-networks-ann.asp
https://sv.wikipedia.org/wiki/Artificiellt_neuronn%C3%A4t
Advantages of Neural Networks – Benefits of AI and Deep Learning
Bild hämtad från: