Šiame tinklaraščio įraše išnagrinėsime neuroninio tinklo mokymosi koncepciją, kaip tai veikia ir ar AI gali mąstyti kaip žmonės.
2016-aisiais įvyko ne vieną žmogų sukrėtęs įvykis. „Google DeepMind“ sukurta dirbtinio intelekto programa „Alpha Go“ penkių žaidimų rungtynėse nugalėjo profesionalų Pietų Korėjos „Go“ žaidėją Lee Sedolą ir laimėjo 4 iš 5 žaidimų. Šis įvykis sukėlė susidomėjimą dirbtiniu intelektu visoje visuomenėje. Tuo pačiu metu ėmė augti susirūpinimas dėl distopinio pasaulio, kuriame mašinos dominuoja žmonėms, galimybės, kuri buvo daugelio romanų ir filmų tema.
AlphaGo yra programa, pagrįsta mašininio mokymosi teorija, kompiuterių mokslo šaka. Mašinų mokymasis yra idėja, kad programos gali išmokti atlikti konkrečias užduotis, nesiremdamos aiškiu programavimu. Šis požiūris gali būti reikalingas įvairiose srityse. Pavyzdžiui, tokias užduotis kaip dokumentų suskirstymas į temas, akcijų rinkos tendencijų numatymas ar skaičių atpažinimas valstybiniame numeryje ne visada lengva aiškiai nustatyti ir įforminti veiksmų seką, kurių reikia imtis norint pasiekti savo tikslus.
Bėgant metams buvo sukurti ir panaudoti įvairūs mašininio mokymosi teorija pagrįsti metodai. Mokslininkai nuolat bando panaudoti mašininio mokymosi teoriją, kad sukurtų dirbtinį intelektą, kurio intelektas toks pat arba aukštesnis kaip žmonių. Buvo keli bandymai, bet iki šiol jie nebuvo labai sėkmingi. Tačiau pastarojo meto pažanga buvo dramatiška, kaip rodo AlphaGo pavyzdys. Ši idėja yra koncepcija, vadinama neuroninio tinklo mokymusi.
Norėdami suprasti neuroninio tinklo mokymąsi, pirmiausia turime pažvelgti į žmogaus smegenų struktūrą. Taip yra todėl, kad neuroninio tinklo mokymasis yra problemų sprendimo būdas modeliuojant žmogaus smegenis.
Žmogaus smegenys yra sudarytos iš mažų vienetų, vadinamų neuronais. Žmogaus smegenyse yra apie 100 milijardų neuronų ir jie yra sudėtingai sujungti, kad sudarytų tinklą. Kiekvienas neuronas yra atsakingas už informacijos iš kitų neuronų priėmimą ir apdorojimą bei šios informacijos siuntimą atgal į kitus neuronus.
Neuronai susideda iš dendritų, ląstelių kūnų ir aksonų. Dendritai yra dalis, kuri gauna informaciją iš kaimyninių neuronų. Jie yra šakų formos, todėl gali gauti informaciją iš kelių neuronų vienu metu. Ląstelės kūnas yra atsakingas už šios informacijos integravimą ir apdorojimą. Aksonas yra plonas vamzdelis, kuris perduoda apdorotą informaciją iš ląstelės kūno į kaimyninius neuronus. Informacijos perdavimo procesas, vykstantis neurone, yra visas elektrinis.
Neuronai sąveikauja su kaimyniniais neuronais be tiesioginio kontakto, tačiau tarp jų yra tam tikra erdvė, kuri vadinama sinapse. Sinapsėje informacija chemiškai perduodama per neuromediatorius. Kai elektrinis signalas pasiekia nervinės ląstelės aksono galą, neurotransmiteriai išsiskiria į sinapsę. Tada neurotransmiteriai stimuliuoja kaimynines nervines ląsteles, o elektrinis signalas perduodamas iš dendrito galo į aksoną. Norint stimuliuoti kaimyninius neuronus, išskiriamo neurotransmiterio kiekis turi viršyti tam tikrą lygį.
Nepaisant to, kad žmogaus smegenys yra sudarytos iš tokių gana paprastų struktūrinių vienetų, jos gali sudėtingai mąstyti ir jausti įvairiausias emocijas. Programos, kuriose naudojamas neuroninių tinklų mokymasis, turi abstrakčius neuroninius tinklus, atspindinčius esmines biologinių neuroninių tinklų charakteristikas. Kompiuterių programose esantys abstraktūs neuroniniai tinklai vadinami dirbtiniais neuroniniais tinklais, siekiant juos atskirti nuo biologinių neuroninių tinklų.
Kaip ir biologiniai neuroniniai tinklai, dirbtiniai neuroniniai tinklai susideda iš neuronų. Kiekvienas neuronas gali gauti kelis įvestis iš kitų neuronų, pagal šias įvestis atlikti tam tikrus skaičiavimus ir išvesti rezultatą kaip išvestį. Neurono skaičiavimo procesas susideda iš dviejų etapų.
Pirmas žingsnis yra padauginti kiekvieną įvestį iš svorio ir tiesiog sudėti. Žvelgiant į ryšius tarp neuronų biologiniame neuroniniame tinkle, kai kurie ryšiai yra stipresni už kitus, o kai kurie yra silpnesni. Dirbtiniame neuroniniame tinkle svoriai atspindi šiuos jungčių tarp neuronų stiprumo skirtumus. Tokiu būdu galime atskirti informaciją, kuri yra santykinai svarbi, ir informaciją, kuri nesvarbi, ir skirtingai paveikti skaičiavimo rezultatus.
Antras žingsnis – gautoms reikšmėms pritaikyti aktyvinimo funkciją, kad būtų gautos naujos reikšmės. Aktyvinimo funkcija pagrįsta tam tikra reikšme ir suteikia vertę, artimą 1, jei įvesties reikšmė yra didesnė už slenkstį, ir artimą 0 kitu atveju. Reikšmė, kurią suteikia aktyvinimo funkcija, priklauso nuo jos įtakos kitam neuronui. Naudojant analogiją iš biologinio neuroninio tinklo, aktyvinimo funkcija yra atsakinga už neurotransmiterio išsiskyrimo kiekio nustatymą.
Šie paprasti neuronai yra suskirstyti į sluoksnius, kurie vėliau yra sukrauti vienas ant kito, kad sudarytų dirbtinį neuronų tinklą. Pavyzdžiui, apsvarstykite problemą, kaip atpažinti gyvūną, pateikus jo nuotrauką. Pirmiausia kompiuteris paverčia gyvūno vaizdo failą į skaičių rinkinį, kurį vėliau perduoda į neuroninį tinklą. Tada neuroninis tinklas atlieka daugybę skaičiavimų, kad nustatytų, ar gyvūnas greičiausiai bus katė, šuo ar kažkas kita. Skaičiavimo rezultatai labai priklauso nuo svorių, kuriuos apibrėžia jungtys tarp neuronų. Neuroninio tinklo našumą lemia tai, kaip gerai nustatyti svoriai. Svorių optimizavimo naudojant duomenis procesas vadinamas neuroninio tinklo mokymu. Žinoma, vartojame žodį „mokymasis“, nes šį procesą atlieka programa, o ne žmogus.
Neuroninio tinklo mokymosi koncepcija egzistuoja jau seniai, tad kodėl tik neseniai ji sulaukė tiek daug dėmesio? Tam yra dvi priežastys. Pirma, programoms, pagrįstoms neuroninio tinklo mokymusi, reikia daug skaičiavimų, priklausomai nuo konteksto. Anksčiau kompiuteriams buvo sunku atlikti pakankamai skaičiavimų, kad būtų gauti prasmingi rezultatai, tačiau dėl technologijų pažangos tai įmanoma dabar. Antra, interneto ir mobiliųjų įrenginių plėtra paskatino susikaupti įvairiausių įvairių formų duomenų, įskaitant tekstą, vaizdus, balsą ir vaizdo įrašus, todėl buvo lengviau gauti didelius duomenų kiekius neuroninio tinklo mokymui. Dėl to neuroninio tinklo mokymasis sparčiai tampa pagrindine akademinės bendruomenės tema.
Iki šiol, kurdami programą konkrečiam tikslui pasiekti, žmonės turėjo aiškiai apibrėžti kiekvieną žingsnį, tačiau mokantis neuroninių tinklų šis poreikis šiek tiek sumažėjo, o problemos, kurias buvo sunku išspręsti tradiciniais metodais dabar bus išspręsta. Mokslininkai džiaugiasi neuroninio tinklo mokymosi pažadu ir mano, kad galiausiai jis galėtų būti pritaikytas kuriant dirbtinį intelektą, kuris mąsto panašiai kaip žmonės.
