Rangkaian saraf adalah model komputer unit yang terhubung atau nod yang direka untuk menghantar, memproses, dan belajar dari maklumat (data) dengan cara yang sama seperti bagaimana neuron (sel saraf) berfungsi pada manusia.
Rangkaian Neural Buatan
Dalam teknologi, rangkaian saraf sering dirujuk sebagai rangkaian neural buatan (ANN) atau jaring saraf untuk membezakan dari rangkaian saraf biologi yang mereka model selepas itu. Idea utama di belakang ANN adalah bahawa otak manusia adalah "komputer" yang paling rumit dan cerdas yang wujud. Dengan memodelkan ANN sedekat mungkin kepada struktur dan sistem pemprosesan maklumat yang digunakan oleh otak, para penyelidik berharap dapat membuat komputer yang mendekati atau melampaui kecerdasan manusia. Jaring neural merupakan komponen penting dalam kemajuan semasa dalam kecerdasan buatan (AI), pembelajaran mesin (ML), dan pembelajaran mendalam.
Bagaimana Rangkaian Neural berfungsi: Perbandingan
Untuk memahami bagaimana rangkaian saraf berfungsi dan perbezaan antara kedua-dua jenis (biologi dan tiruan), mari kita gunakan contoh bangunan pejabat 15 tingkat dan saluran telefon dan papan suis yang memanggil laluan di seluruh bangunan, tingkat individu, dan pejabat individu. Setiap pejabat individu di bangunan pejabat 15 tingkat kami mewakili neuron (nod dalam rangkaian komputer atau sel saraf dalam biologi). Bangunan itu sendiri adalah struktur yang mengandungi satu set pejabat yang disusun dalam sistem 15 lantai (sebuah rangkaian saraf).
Memohon contoh kepada rangkaian saraf biologi, papan suis yang menerima panggilan mempunyai garis untuk menyambung ke pejabat apa saja di mana-mana lantai di seluruh bangunan. Selain itu, setiap pejabat mempunyai garisan yang menghubungkannya ke setiap pejabat lain di seluruh bangunan di mana-mana lantai. Bayangkan bahawa panggilan masuk (input) dan switchboard memindahkannya ke pejabat pada 3rd lantai, yang memindahkannya terus ke pejabat pada 11th lantai, yang kemudiannya memindahkannya ke pejabat pada 5th lantai. Di dalam otak, setiap sel neuron atau saraf (pejabat) boleh terus menyambung ke mana-mana neuron lain dalam sistem atau rangkaian sarafnya (bangunan). Maklumat (panggilan) boleh dihantar ke mana-mana neuron lain (pejabat) untuk memproses atau mempelajari apa yang diperlukan sehingga ada jawaban atau resolusi (output).
Apabila kita menerapkan contoh ini kepada ANN, ia mendapat sedikit lebih rumit. Setiap tingkat bangunan memerlukan papan suis sendiri, yang hanya boleh menyambung ke pejabat-pejabat di tingkat yang sama, serta papan suis di atas lantai di atas dan di bawahnya. Setiap pejabat hanya boleh menyambung terus ke pejabat lain di tingkat yang sama dan papan suis untuk lantai itu. Semua panggilan baru mesti bermula dengan papan suis di tingkat 1 dan mesti dipindahkan ke setiap tingkat individu dalam urutan berangka sehingga 15th lantai sebelum panggilan boleh berakhir. Mari kita gerakkan untuk melihat bagaimana ia berfungsi.
Bayangkan bahawa panggilan masuk (input) kepada 1st papan suis lantai dan dihantar ke pejabat pada 1st lantai (nod). Panggilan itu kemudiannya dipindahkan secara langsung ke pejabat lain (nod) pada 1st lantai sehingga siap untuk dihantar ke tingkat berikutnya. Kemudian panggilan mesti dihantar kembali ke 1st papan suis lantai, yang kemudiannya memindahkannya ke 2nd papan suis lantai. Langkah-langkah yang sama mengulangi satu lantai pada satu masa, dengan panggilan yang dihantar melalui proses ini di setiap lantai sehingga ke lantai 15.
Di ANN, nod (pejabat) disusun dalam lapisan (tingkat bangunan). Maklumat (panggilan) sentiasa masuk melalui lapisan masukan (1st lantai dan papan suisnya) dan mesti dihantar dan diproses oleh setiap lapisan (lantai) sebelum ia boleh bergerak ke depan. Setiap lapisan (lantai) memproses terperinci khusus tentang panggilan itu dan menghantar hasilnya bersama panggilan ke lapisan seterusnya. Apabila panggilan mencapai lapisan output (15th lantai dan papan suisnya), termasuk maklumat pemprosesan dari lapisan 1-14. Nod (pejabat) pada 15th lapisan (lantai) menggunakan input dan maklumat pemprosesan dari semua lapisan lain (tingkat) untuk menghasilkan jawapan atau resolusi (output).
Rangkaian Neural dan Pembelajaran Mesin
Jaring neural adalah satu jenis teknologi di bawah kategori pembelajaran mesin. Malah, kemajuan dalam penyelidikan dan pembangunan jaring saraf telah terhubung erat dengan ebbs dan aliran kemajuan dalam ML. Jaring neural meluaskan keupayaan pemprosesan data dan meningkatkan daya pengkomputeran ML, meningkatkan jumlah data yang dapat diproses tetapi juga kemampuan untuk melaksanakan tugas yang lebih kompleks.
Model komputer terdokumentasi pertama untuk ANN dibuat pada tahun 1943 oleh Walter Pitts dan Warren McCulloch. Kepentingan awal dan penyelidikan dalam rangkaian saraf dan pembelajaran mesin akhirnya menjadi perlahan dan lebih kurang ditangguhkan pada tahun 1969, dengan hanya pecah kecil minat baru. Komputer pada masa itu hanya tidak mempunyai pemproses yang cukup pantas atau cukup besar untuk memajukan kawasan-kawasan ini lebih jauh, dan sejumlah besar data yang diperlukan untuk ML dan jaring saraf tidak tersedia pada masa itu.
Peningkatan besar dalam kuasa pengkomputeran sepanjang masa bersama-sama dengan pertumbuhan dan pengembangan internet (dan dengan itu akses ke sejumlah besar data melalui internet) telah menyelesaikan masalah awal. Jaring neural dan ML kini berperanan dalam teknologi yang kita lihat dan digunakan setiap hari, seperti pengenalan muka, pemprosesan imej dan pencarian, dan penterjemahan bahasa masa nyata - untuk menamakan beberapa.
Contoh Rangkaian Neural dalam Kehidupan Seharian
ANN adalah topik yang agak rumit dalam teknologi, namun, perlu mengambil sedikit masa untuk meneroka kerana semakin banyak cara ia memberi impak kepada kehidupan kita setiap hari. Berikut adalah beberapa contoh cara rangkaian saraf kini digunakan oleh industri yang berbeza:
- Kewangan: Jaring neural digunakan untuk meramalkan kadar tukaran mata wang. Mereka juga digunakan dalam teknologi di sebalik sistem dagangan automatik yang digunakan dalam pasaran saham.
- Ubat: Keupayaan pemprosesan imej jaring saraf telah menyumbang kepada teknologi yang membantu lebih tepat untuk skrin dan mengesan peringkat awal dan sukar untuk mengenal pasti jenis kanser. Salah satu jenis kanser adalah melanoma invasif, bentuk kanser kulit yang paling serius dan mematikan. Mengenal pasti melanoma pada peringkat awal, sebelum ia tersebar, memberikan pesakit kanser jenis ini peluang terbaik untuk mengalahkannya.
- Cuaca: Keupayaan untuk mengesan perubahan atmosfera yang menunjukkan peristiwa cuaca yang berpotensi serius dan berbahaya dengan cepat dan tepat adalah penting untuk menyelamatkan nyawa. Jaring neural terlibat dalam pemprosesan satelit satelit dan radar secara tepat masa yang bukan sahaja mengesan pembentukan awal taufan dan siklon, tetapi juga mengesan perubahan mendadak dalam kelajuan angin dan arah yang menunjukkan tornado membentuk. Tornado adalah beberapa peristiwa cuaca yang paling kuat dan paling berbahaya yang dirakam - sering lebih tiba-tiba, merosakkan, dan mematikan daripada taufan.
