Когда вы читаете эту статью, тот самый мозг, который иногда забывает, почему вы вошли в комнату, волшебным образом переводит эти пиксели в буквы, слова и предложения — подвиг, который посрамляет самые быстрые супер компьютеры в мире. В мозгу тысячи нейронов срабатывают с невероятной скоростью и точностью, чтобы помочь нам распознавать текст, изображения и мир в целом.
Нейронная сеть — это модель программирования, имитирующая человеческий мозг. Давайте посмотрим, как он появился.
Рождение искусственного нейрона
Компьютеры были разработаны, чтобы преуспеть в вычислении чисел, что для большинства людей пугает. С другой стороны, люди от природы запрограммированы на то, чтобы без усилий распознавать объекты и закономерности, что компьютерам сложно.
Это сопоставление подняло два важных вопроса в 1950-х годах:
- «Как компьютеры могут лучше решать проблемы, которые люди считают легкими?»
- «Как компьютеры могут решать такие проблемы так, как это делает человеческий мозг?»
В 1957 году Фрэнк Розенблатт исследовал второй вопрос и изобрел алгоритм персептрона, который позволил искусственному нейрону имитировать биологический нейрон. Искусственный нейрон может принимать входные данные, обрабатывать их на основе некоторых правил и запускать результат. Но компьютеры делали это годами — что же такого замечательного?
Был последний шаг в алгоритме персептрона, который породил невероятно таинственный мир нейронных сетей — искусственный нейрон мог обучаться на основе своих собственных результатов и давать лучшие результаты в будущем. Другими словами, он мог учиться методом проб и ошибок, как биологический нейрон.
Больше нейронов
Алгоритм перцептрона использовал несколько искусственных нейронов или перцептронов для задач распознавания изображений и открыл новый способ решения вычислительных задач. Однако этого было недостаточно для решения широкого круга задач, и интерес к алгоритму персептрона вместе с нейронными сетями угас на долгие годы.
Но много лет спустя нейроны открыли ответный огонь.
Создавая несколько слоев нейронов, один из которых передает свои выходные данные следующему уровню в качестве входных, алгоритм может обрабатывать широкий диапазон входных данных, принимать сложные решения и при этом давать значимые результаты. С некоторыми изменениями этот алгоритм стал известен как Multilayer Perceptron, что привело к появлению нейронных сетей с прямой связью.
Нейронные сети сегодня
Благодаря Feedforward Networks результаты вычислений улучшились. Но только недавно, с появлением высокоскоростных процессоров, нейронные сети наконец получили необходимую вычислительную мощность для беспрепятственной интеграции в повседневную жизнь человека.
В 2012 году Алекс Крижевский и его команда из Университета Торонто приняли участие в конкурсе ImageNet (ежегодная Олимпиада компьютерного зрения) и обучили глубокую сверточную нейронную сеть. Никто по-настоящему не понимал, как он принимал решения, но он работал лучше, чем любой другой традиционный классификатор, с огромной разницей в 10,8%.
Сегодня приложения нейронных сетей получили широкое распространение — от простых задач, таких как распознавание речи, до более сложных задач, таких как беспилотные автомобили.
В заключение
Нейронные сети смехотворно хороши в создании результатов, но при этом загадочно сложны; очевидная сложность процесса принятия решений не позволяет точно сказать, как нейронные сети достигают своего сверхчеловеческого уровня точности.
Нейроны прошли долгий путь. Они выдержали зиму искусственного интеллекта и остались терпеливыми в условиях нехватки вычислительной мощности в 20 веке. Теперь они захватили мир штурмом, и это заслужено.
