Изкуствените невронни мрежи (ANN) са части от изчислителна система, предназначена да симулира начина, по който човешкият мозък анализира и обработва информация. Те са основите на изкуствения интелект (AI) и решават проблеми, които биха се оказали невъзможни или трудни по човешки или статистически стандарти. ANN имат възможности за самообучение, които им позволяват да дават по-добри резултати, тъй като повече данни стават достъпни.
Разрушаване на изкуствени невронни мрежи (ANN)
Изкуствените невронни мрежи (ANN) проправят пътя за разработване на променящи живота приложения за използване във всички сектори на икономиката. Платформите за изкуствен интелект (AI), изградени на ANN, нарушават традиционния начин на правене на нещата. От превода на уеб страници на други езици до виртуалния асистент да поръчва хранителни продукти онлайн до разговори с чатботи за решаване на проблеми, AI платформите опростяват транзакциите и правят услугите достъпни за всички на незначителни разходи.
Как работи системата?
Изкуствените невронни мрежи са изградени като човешкия мозък, като невронните възли са свързани помежду си като мрежа. Човешкият мозък има стотици милиарди клетки, наречени неврони. Всеки неврон е съставен от клетъчно тяло, което е отговорно за обработката на информация, като носи информация към (входове) и далеч (изходи) от мозъка. ANN има стотици или хиляди изкуствени неврони, наречени обработващи единици, които са свързани помежду си с възли. Тези обработващи единици са съставени от входни и изходни единици. Входните единици получават различни форми и структури на информация, базирани на вътрешна система за претегляне, и невронната мрежа се опитва да научи за информацията, представена за изготвяне на един изходен отчет. Точно както хората се нуждаят от правила и насоки, за да постигнат резултат или резултат, ANNs също използват набор от правила за обучение, наречени backpropagation, съкращение за обратно разпространение на грешка, за да усъвършенстват своите резултати.
ANN първоначално преминава през тренировъчна фаза, където се научава да разпознава модели в данните, независимо дали визуално, слухово или текстово. По време на тази контролирана фаза мрежата сравнява действителната си продукция, произведена с желаната продукция, т.е. желаната продукция. Разликата между двата резултата се коригира с помощта на обратното размножаване. Това означава, че мрежата работи назад, преминавайки от изходния блок към входните единици, за да регулира теглото на връзките си между единиците, докато разликата между действителния и желания резултат произведе възможно най-ниската грешка.
По време на етапа на обучение и надзор ANN се обучава какво да търсите и какъв трябва да бъде неговият резултат, като се използват да / не видове въпроси с двоични числа. Например, банка, която иска да открие измама с кредитна карта навреме, може да има четири входни единици, захранвани с тези въпроси: (1) Сделката в друга държава от държавата-резидент на потребителя? (2) Уебсайтът, на който се използва картата, е свързан с компании или държави от списъка за наблюдение на банката? (3) Сумата на транзакцията по-голяма ли е от 2000 долара? (4) Съответно ли е името на сметката за транзакцията с името на притежателя на картата? Банката иска отговорите на „откритите измами“ да да да не, което в двоичен формат би било 1 1 1 0. Ако действителният изход на мрежата е 1 0 1 0, коригира резултатите си, докато не даде резултат, който съвпада с 1 1 1 0. След обучение компютърната система може да предупреди банката за висящи измамни транзакции, спестявайки на банката много пари.
Практически приложения
Изкуствените невронни мрежи се прилагат във всички области на операцията. Доставчиците на имейл услуги използват ANN за откриване и изтриване на спам от пощенската кутия на потребителя; мениджърите на активи го използват за прогнозиране на посоката на акциите на компанията; Фирмите за кредитен рейтинг го използват за подобряване на методите си за оценка на кредити; платформите за електронна търговия го използват за персонализиране на препоръките към своята аудитория; чатботите са разработени с ANN за обработка на естествен език; алгоритмите за задълбочено обучение използват ANN за прогнозиране на вероятността от събитие; и списъкът с включването на ANN продължава в множество сектори, индустрии и страни.
