Neurale netværk er computersystemer med indbyrdes forbundne knudepunkter, der fungerer ligesom neuroner i den menneskelige hjerne. Ved hjælp af algoritmer kan de genkende skjulte mønstre og sammenhænge i rådata, gruppere og klassificere dem og - over tid - løbende lære og forbedre sig.
Historien om neurale netværk
Det første neurale netværk blev skabt af Warren McCulloch og Walter Pitts i 1943. De skrev en banebrydende artikel om, hvordan neuroner kan fungere, og modellerede deres ideer ved at udvikle et simpelt neuralt netværk ved hjælp af elektriske kredsløb.
Denne banebrydende model banede vejen for forskning i neurale netværk inden for to områder:
Biologiske processer i hjernen.
Anvendelsen af neurale netværk til kunstig intelligens (AI).
Forskningen i kunstig intelligens tog hurtigt fart, og Kunihiko Fukushima udviklede det første ægte neurale netværk med mange lag i 1975.
Det oprindelige mål med den neurale netværkstilgang var at skabe et computersystem, der kunne løse problemer på samme måde som den menneskelige hjerne. Men med tiden flyttede forskerne deres fokus til at bruge neurale netværk til at matche specifikke opgaver, hvilket førte til afvigelser fra en udelukkende biologisk tilgang. Siden da har neurale netværk understøttet forskellige opgaver, herunder computervision, talegenkendelse, maskinoversættelse, filtrering af sociale netværk, bræt- og videospil og medicinsk diagnose.
Da strukturerede og ustrukturerede datastørrelser steg til big data-niveauer, udviklede folk deep learning-systemer, som i bund og grund er neurale netværk med mange lag. Deep learning gør det muligt at indsamle og udvinde flere og større data, herunder ustrukturerede data.
Hvorfor er neurale netværk så vigtige?
Neurale netværk er desuden velegnede til at hjælpe folk med at løse komplekse problemer i det virkelige liv. De kan tilegne sig viden og modellere forholdet mellem input og output, som er ikke-lineært og komplekst; foretage generaliseringer og konklusioner; identificere skjulte sammenhænge, mønstre og forudsigelser; og modellere meget ustabile data (som f.eks. finansielle tidsseriedata) og variationer, der er nødvendige for at forudsige usædvanlige hændelser (som f.eks. afsløring af svindel). Som følge heraf kan neurale netværk forbedre beslutningsprocesser inden for områder som f.eks:
- Registrering af svindel med kreditkort og sygesikring.
- Logistikoptimering for transportnetværk.
- Tegn- og stemmegenkendelse, også kendt som sprogteknologi.
- Medicinsk diagnose og sygdomsdiagnose.
- Målrettet markedsføring.
- Finansielle forudsigelser af aktiekurser, valuta, optioner, futures, konkurser og obligationsvurderinger.
- Kontrolsystemer til robotter.
- Varsling af elektrisk belastning og energiefterspørgsel.
- Proces- og kvalitetskontrol.
- Identifikation af kemiske forbindelser.
- Evaluering af økosystemer.
- Computervision til at fortolke rå billeder og videoer (f.eks. inden for medicinsk billedbehandling, robotteknologi og ansigtsgenkendelse).
Vores første mål for disse neurale netværk eller modeller er at opnå en præcision svarende til det menneskelige niveau. Indtil man når det niveau, ved man altid, at man kan gøre det bedre selv. Ivan Gomez Dataforsker og konsulent Zencos
Typer af neurale netværk
Der findes forskellige former for dybtgående neurale netværk - og de har hver især fordele og ulemper, afhængigt af hvad de skal bruges til. Eksemplerne omfatter:
- Konvolutionsneurale netværk (CNN'er) består af fem forskellige lag: input, convolution, pooling, fully connected og output. Hvert lag har et specifikt formål, f.eks. at opsummere, forbinde eller aktivere. Konvolutionsneurale netværk er blevet populære inden for billedklassificering og objektdetektion. Men CNN'er er også blevet anvendt på andre områder, f.eks. i forbindelse med sprogteknologi og prognoser.
- Tilbagevendende neurale netværk (RNN'er) bruger sekventiel information som f.eks. tidsstemplede data fra en sensorenhed eller en indtalt sætning, der består af en sekvens af udtryk. I modsætning til traditionelle neurale netværk er alle input til et tilbagevendende neuralt netværk ikke uafhængige af hinanden, og outputtet for hvert element afhænger af beregningerne af de foregående elementer. RNN'er bruges til prognoser og tidsserier, sentimentanalyse og andre tekstapplikationer.
- Feedforward neurale netværk, hvor hver perceptron i et lag er forbundet med hver perceptron i det næste lag. Informationerne sendes kun fremad fra det ene lag til det næste. Der er ingen feedbacksløjfer.
- Autoencoder-neurale netværk bruges til at skabe abstraktioner kaldet encoders, der skabes ud fra et givet sæt input. Selvom de ligner mere traditionelle neurale netværk, forsøger autoencodere at modellere selve inputtene, og derfor betragtes metoden som uovervåget. Præmissen for autokodning er at desensibilisere det irrelevante og sensibilisere det relevante. Efterhånden som der tilføjes flere lag, formuleres der yderligere abstraktioner i de højere lag (lagene tættest på det punkt, hvor der indføres et dekoderlag). Disse abstraktioner kan derefter bruges af lineære eller ikke-lineære klassifikatorer.
Neurale netværk i dag
Neurale netværk ændrer, hvordan mennesker og organisationer interagerer med systemer, løser problemer og træffer bedre beslutninger og forudsigelser. Læs mere om virkningen af neurale netværk.
Neurale netværk til sundhed i dyrebesætninger
En passioneret dataforsker bruger neurale netværk til at opdage tuberkulose hos elefanter. Find ud af, hvordan hendes forskning kan hjælpe med at forhindre spredning af tuberkulose.
Lær mere om modellering af neurale netværk
Lær hvordan du vælger den rigtige neurale netværksarkitektur, fastlægger den relevante træningsmetode, implementerer neurale netværksmodeller i et decentralt computermiljø og konstruerer brugerdefinerede neurale netværk ved hjælp af NEURAL-proceduren.
Lær deep learning ved hjælp fra SAS®
Har du brug for et mere teknisk overblik over deep learning-teknikker og -applikationer? Læs denne artikel og find ud af, hvordan SAS hjælper med at skabe dybe neurale netværksmodeller.
Hvem bruger neurale netværk?
Deep learning-systemer - og de neurale netværk, der gør at de kan fungere - bruges strategisk i mange brancher og forretningsområder.
Biovidenskab
Sundheds- og biovidenskabelige organisationer bruger neurale netværk til at give mulighed for prædiktiv diagnostik, biomedicinsk billeddannelse og sundhedsovervågning.
Produktion
Energi- og produktionsvirksomheder bruger neurale netværk til at optimere forsyningskæder, automatisere fejlfinding og forudsige energibehov.
Banksektoren
Banker anvender neurale netværk til at opdage svindel, foretage kreditanalyser og automatisere finansielle rådgivningstjenester.
Den offentlige sektor
Organisationer i den offentlige sektor bruger neurale netværk til at understøtte intelligente byer, sikkerhedsintelligens og ansigtsgenkendelse.
Detailsektoren
Detailbranchen bruger neurale netværk til at drive samtalechatbots, forbedre og uddybe kundeinformation og udføre netværksanalyse.
Få mere at vide om de brancher, der bruger denne teknologi
Neurale netværk har evnen til at identificere uregelmæssigheder. I fremtiden kan vi bruge dem til at komme med en second opinion til læger - f.eks. hvorvidt noget har karakter af kræft, eller hvad et ukendt symptom kan skyldes. Og vi vil være i stand til at give disse second opinions hurtigere og med større nøjagtighed. Leigh Ann Herhold Dataforsker og konsulent Zencos
Opbygning af en neural netværksmodel
I denne video lærer du, hvordan du bruger SAS® Visual Data Mining og Machine Learning i forbindelse med neurale netværk. Dette eksempel undersøger, hvad der motiverer besøgende på en hjemmeside, og hvad der får dem til at downloade en artikel fra en IT-virksomheds hjemmeside.
Sådan fungerer neurale netværk
Et simpelt neuralt netværk omfatter et inputlag, et outputlag (eller targetlag) og derimellem et skjult lag. Lagene er forbundet via knudepunkter, og disse forbindelser danner et “netværk” - det neurale netværk - af sammenkoblede knudepunkter.
En node er udformet efter en neuron i den menneskelige hjerne. I lighed med neuroner aktiveres knudepunkter, når der er tilstrækkelig stimuli eller input. Denne aktivering spreder sig i hele netværket og skaber en reaktion på stimuli (output). Forbindelserne mellem disse kunstige neuroner fungerer som simple synapser, der gør det muligt at overføre signaler fra den ene til den anden. Signalerne bevæger sig på tværs af lagene fra det første input til det sidste outputlag - og bliver bearbejdet undervejs.
Når neuronerne bliver stillet over for en anmodning eller et problem, der skal løses, foretager de matematiske beregninger for at finde ud af, om der er nok information til at sende informationen videre til den næste neuron. Sagt mere enkelt læser de alle data og finder ud af, hvor de stærkeste relationer findes. I den enkleste type netværk lægges de modtagne datainput sammen, og hvis summen er over en bestemt tærskelværdi, “affyres” neuronen og aktiverer de neuroner, den er forbundet med.
Når antallet af skjulte lag i et neuralt netværk øges, dannes der dybe neurale netværk. Deep learning-arkitekturer løfter simple neurale netværk til næste niveau. Ved hjælp af disse lag kan dataforskere bygge deres egne dybe læringsnetværk, der muliggør maskinlæring, som kan træne en computer til nøjagtigt at efterligne menneskelige opgaver, såsom at genkende tale, identificere billeder eller komme med prognoser. Lige så vigtigt er det, at computeren kan lære af sig selv ved at genkende mønstre i mange behandlingslag.
Men lad os omsætte denne definition til handling. Data føres ind i et neuralt netværk gennem inputlaget, som kommunikerer til de skjulte lag. Bearbejdningen finder sted i de skjulte lag gennem et system af vægtede forbindelser. Noder i det skjulte lag kombinerer derefter data fra inputlaget med et sæt koefficienter og fordeler passende vægtninger til input. Disse input-vægt-produkter lægges derefter sammen. Summen sendes gennem en nodes aktiveringsfunktion, som bestemmer, i hvilket omfang et signal skal bevæge sig videre gennem netværket for at påvirke det endelige output. Til sidst forbindes de skjulte lag med outputlaget - hvor outputtet hentes.
Udvalgte produkter til neurale netværk
SAS® Visual Data Mining og Machine Learning
Understøt den komplette datamining- og maskinlæringsproces med en omfattende, visuel (og programmeringsmæssig) brugergrænseflade, der håndterer alle opgaver i den analytiske livscyklus.
Anbefalet læsestof
-
Article
Unlocking a strategic approach to data and AIAI is only as good as the data that powers it – this is a fundamental truth about data and AI that defines the limits of what’s possible with artificial intelligence. It may seem surprising, but it's rarely a bad algorithm or a bad learning model that causes AI failures. It's not the math or the science. More often, it's the quality of the data being used to answer the question.
-
Article
Fraud detection and machine learning: What you need to knowMachine learning and fraud analytics are critical components of a fraud detection toolkit. Discover what you’ll need to get started defending against fraud – from integrating supervised and unsupervised machine learning in operations to maintaining customer service.
-
Article
AI in government: The path to adoption and deploymentThe government sector is lagging in AI adoption, but awareness of the importance of AI in the public sector is increasing. Our survey indicates that operational issues are requiring governments to turn their attention to AI projects as a way to address important public issues.
