Искусственные нейронные сети (ANN) - это части вычислительной системы, разработанной для имитации анализа и обработки информации человеческим мозгом. Они являются основой искусственного интеллекта (ИИ) и решают проблемы, которые по человеческим или статистическим стандартам оказались бы невозможными или трудными. У ANN есть возможности самообучения, которые позволяют им получать лучшие результаты по мере поступления большего количества данных.
Разрушение искусственных нейронных сетей (ANN)
Искусственные нейронные сети (ANN) прокладывают путь к разработке приложений, способных изменить жизнь, для использования во всех секторах экономики. Платформы искусственного интеллекта (ИИ), построенные на ANN, нарушают традиционный способ ведения дел. Платформы ИИ, от перевода веб-страниц на другие языки до виртуального помощника, заказывающего продукты в Интернете, и общения с чат-ботами для решения проблем, упрощают транзакции и делают услуги доступными для всех при минимальных затратах.
Как работает система?
Искусственные нейронные сети построены как человеческий мозг, с нейронными узлами, связанными как сеть. Человеческий мозг содержит сотни миллиардов клеток, называемых нейронами. Каждый нейрон состоит из тела клетки, которое отвечает за обработку информации путем передачи информации в направлении (входных данных) и удаленных (выходных) из мозга. У ANN есть сотни или тысячи искусственных нейронов, называемых процессорами, которые связаны узлами. Эти блоки обработки состоят из блоков ввода и вывода. Входные блоки получают различные формы и структуры информации на основе внутренней системы взвешивания, и нейронная сеть пытается узнать о представленной информации, чтобы создать один выходной отчет. Точно так же, как людям нужны правила и руководящие принципы для получения результата или результата, сети ANN также используют набор правил обучения, называемых обратным распространением, сокращением распространения ошибок в обратном направлении, для совершенствования своих выходных результатов.
ANN сначала проходит этап обучения, где он учится распознавать шаблоны в данных, визуально, на слух или в текстовом виде. Во время этой контролируемой фазы сеть сравнивает свой фактический результат с тем, что она должна была произвести, то есть с желаемым результатом. Разница между обоими исходами корректируется с помощью обратного распространения. Это означает, что сеть работает в обратном направлении, переходя от выходного устройства к входным блокам, чтобы регулировать вес своих соединений между блоками, пока разница между фактическим и желаемым результатом не приведет к наименьшей возможной ошибке.
На этапе обучения и контроля ANN учат, что искать и каким должен быть ее вывод, используя типы вопросов Да / Нет с двоичными числами. Например, банк, который хочет вовремя обнаружить мошенничество с кредитными картами, может иметь четыре блока ввода, на которые задаются следующие вопросы: (1) Находится ли транзакция в другой стране, а не в стране-резиденте пользователя? (2) Является ли веб-сайт, на котором используется карта, филиалом компаний или стран, находящихся в списке наблюдения банка? (3) Сумма сделки превышает 2000 долларов? (4) Имя в счете транзакции совпадает с именем владельца карты? Банк хочет, чтобы ответ «обнаружен мошенник» был Да Да Да Нет, который в двоичном формате будет 1 1 1 0. Если фактический выход сети равен 1 0 1 0, он корректирует свои результаты до тех пор, пока не выдаст выход, совпадающий с 1 1 1 0. После обучения компьютерная система может предупредить банк об ожидающих мошеннических операциях, что сэкономит банку много денег.
Практическое применение
Искусственные нейронные сети были применены во всех областях деятельности. Поставщики услуг электронной почты используют ANN для обнаружения и удаления спама из почтового ящика пользователя; управляющие активами используют его для прогнозирования направления акций компании; Кредитные рейтинговые фирмы используют его для улучшения своих методов кредитного скоринга; платформы электронной коммерции используют его для персонализации рекомендаций для своей аудитории; чатботы разработаны с ANN для обработки естественного языка; алгоритмы глубокого обучения используют ANN для прогнозирования вероятности события; и список включения ANN продолжается в нескольких секторах, отраслях и странах.
