Yapay zeka, düşman beyinleriyle eşleşmekten ne kadar uzakta? Yapay sinir ağı ve biyolojik sinir ağı arasındaki en ayrıntılı karşılaştırma
8 Kasım 2017'de Pekin Ulusal Kongre Merkezi'nde AI WORLD 2017 Dünya Yapay Zeka Konferansı Bilet satışları başladı! Erken kuş biletlerinde% 50 indirim, biletleri almak için 3 gün bilet almak için geri sayım . Bulması zor geçen yılki AI WORLD 2016'yı hatırlıyor musunuz? Bu yıl "Lengpu Master" ın babası Tuomas'ı olay yerine davet ettik ve Google, Microsoft, Amazon, BAT, Xunfei, JD.com ve Huawei'den ağır siklet konuklar katılımlarını doğruladılar.
Öğrenmek, zeki yaratıkların ayırt edici özelliği olarak kabul edilir. Makine öğrenimi artık, daha önce hiç görülmemiş nesneleri sınıflandırmak gibi karmaşık görevleri tamamlamak için veri setlerinden öğrenme ve sonuç çıkarma yeteneğine sahip.
Makine öğrenimi ve insan öğrenimi çarpıcı benzerliklere ve önemli farklılıklara sahiptir. Biyoloji ve yapay zekanın nasıl öğrendiğini karşılaştırarak ve karşılaştırarak daha eksiksiz bir yapı inşa edebiliriz.
Nöronlardan bahsetmişken
Biyolojik sinir ağlarında öğrenme, beyindeki sayısız nöron arasındaki bağlantılardan gelir. Beyin yeni bir uyarana maruz kaldıktan sonra, bu nöronlar arasındaki bağlantılar konfigürasyonlarını değiştirir. Bu değişiklikler arasında yeni bağlantıların görünümü, mevcut bağlantıların güçlendirilmesi ve kullanılmayan bağlantıların silinmesi yer alır. Örneğin, belirli bir görev ne kadar çok tekrarlanırsa, bu görevle ilişkili sinirsel bağlantı o kadar güçlü olur ve sonunda görevin öğrenilmiş olduğunu düşünürüz.
Nöronlar, yeni uyaranları işlemek için bellekte ve algıda önceden belirlenmiş temsilleri kullanır. Her uyarı, bilişsel süreç sırasında bir grup nöronun aktive olmasına izin verir ve bu tür birçok nöron vardır.
Bu harika biyolojik tasarım, yapay zeka araştırmacılarına da ilham verdi.Yapay Sinir Ağları (YSA) bu davranışı soyut olarak simüle etmek için tasarlandı, ancak ölçek ve biçim daha küçük ve çok daha basit.
Yapay sinir ağı (YSA) nedir?
YSA, birbirine bağlı nöronlardan oluşur. Bu sinirler, bir dizi girdi ve bir dizi bağlantı ağırlığı ayarı alır, ardından bazı matematiksel işlemler gerçekleştirir ve sonucu, biyolojik nöronlardaki sinapslara benzer bir dizi "aktivasyon" olarak kullanır. Çıktı olarak. YSA genellikle yüz ila binlerce nörondan oluşur, ancak insan beyninin biyolojik sinir ağında milyarlarca nöron vardır.
Nispeten yüksek bir seviyeden, yapay sinir ağı dört bölümden oluşur:
-
Nöronlar
-
Nöronlar arasındaki bağlantı yolu olan topolojik yapı
-
Ağırlıklar
-
Bir öğrenme algoritması
İnsan beyni biyolojik sinir ağı ile yazılımda ifade edilen yapay sinir ağı arasında önemli farklılıklar vardır.
Aşağıdaki resimde biyolojik bir nöron görüyoruz. Akson (Akson) sinir çekirdeğinden diğer nöronlara bilgi çıkışından sorumludur ve Dendrite (Dendrite) diğer nöronlardan bilgi almaktan sorumludur.Nöronlardan (sinapslar) gelen elektrokimyasal sinyaller çekirdekte toplanır. Elektrik sinyali sinaptik eşiğin üzerinde toplanırsa, aksondan aşağıya diğer nöronların dendritlerine giden elektrokimyasal bir dürtü oluşturacaktır.
Aşağıdaki şekil, bir insan beynindeki nöron topolojisinin makul bir varsayımını göstermektedir. Bu yapının bilgi dolaşımı ve yayımı için büyük bir potansiyel içerdiği görülmektedir.
Biyolojik sinir ağlarında öğrenme: mevcut temsillere ince ayar yaparak, başlangıç durumu genetikten türetilmiştir.
İnsan beyni gibi biyolojik bir sinir ağında, öğrenme, mevcut temsillerde küçük ayarlamalar yapılarak elde edilir ve yapılandırması, herhangi bir öğrenme başlamadan önce önemli bilgiler içerir. Nöronlar veya ağırlıklar arasındaki bağlantının gücü rastgele başlamaz ve bağlantının yapısı, yani ağ topolojisi rastgele değildir. Bu ilk durum, genetikten türemiştir ve evrimin bir yan ürünüdür.
Ağ, zamanla topolojiyi ve ağırlıkları ayarlayarak yeni işlevlerin nasıl gerçekleştirileceğini öğrenir. Aslında, ilk temsile sahip olmak, görevleri yerine getirmek için çok yararlıdır ve bu, kanıtlarla desteklenir. Araştırmalar, bir aylık bebeklerin yabancıların yüzleri ile ebeveynleri arasındaki farklılıkları tanımayı öğrenebileceğini göstermiştir. Başka bir deyişle, insan "yüz" kavramı büyük ölçüde ebeveynlerden miras alınır.
Bebekler çocukluk, ergenlik, yetişkinlik ve hatta emeklilik döneminde gelişip büyüdükçe, her gün yeni arkadaşlar görecek ve tanışacak ve nasıl göründüklerini öğrenecekler. Bu, beyindeki sinir ağında küçük değişiklikler yapılarak elde edilir.
Aynı fenomen, pasif algılama görevleri dahil olmak üzere, genel nesneleri tanımadan sesi bir konuşma kalıbı olarak işlemeye ve ayrıca hareket ve konuşma gibi aktif görevlere kadar diğer görevler için de geçerlidir. Bu beceriler yavaş yavaş öğreniliyor ve bunları geliştirmek için kullanılan ayarlamalar küçülüyor. Bu fenomene karşılık gelen kesin topoloji, bu biyolojik sinir ağlarını eğiten uyaran türünün bir fonksiyonudur. Ünlü bir örnek, Nobel Ödülü sahibi David Hubel ve Torsten Wiesel tarafından yürütülen monoküler yoksunluk araştırmasıdır. Çalışma, ana görsel korteksindeki değişiklikleri gözlemleyerek hayvanları, gelişim sırasında iki ay boyunca gözlerini kapatmaya zorlamayı içeriyordu.
Sonuçlar, normalde binoküler girdiye yanıt veren hücrelerin artık sinyallere tamamen yanıt vermediğini göstermektedir. Sonuç olarak, hayvanın beynindeki ve gözlerindeki hücreler değişti. Bu fenomen aynı zamanda insanlara da uzanıyor. Örneğin, Görsel algının psikolojik testleri, şehirlerde yaşayan insanların kırsal alanlarda yaşayanlara göre paralel çizgilere ve keskin açılara daha duyarlı olduğunu göstermektedir (kırsal kesimde yaşayan insanlar yumuşak doku gradyanlarına daha duyarlıdır), büyük olasılıkla kentsel Yolların, gökdelenlerin ve pencerelerin aşırı paralel yapılarından kaynaklanır.
Yapay sinir ağlarında öğrenme: rastgele bir başlangıç durumu ile sıfırdan başlamak
Biyolojik sinir ağlarının aksine, yapay sinir ağları (YSA) genellikle belirli bir problem için mevcut topolojik yapıyı kullanarak sıfırdan eğitilir. Şu anda, bu ağların topolojisi zamanla değişmeyecek ve ağların ağırlıkları da, girdi uyaranlarını mümkün olduğunca istenen çıktı işlevine eşlemek için optimizasyon algoritmaları aracılığıyla rastgele başlatılmakta ve ayarlanmaktadır.
Ancak YSA'lar önceden var olan temsillere dayalı olarak da öğrenebilirler Bu işleme ince ayar denir. İnce ayar, ağın yeni eğitim verilerinde iyi performans göstermesi için önceden eğitilmiş ağ topolojisinin ağırlıklarını ayarlamak için nispeten yavaş bir öğrenme oranı kullanmayı da içerir.
YSA'yı da çaba harcamadan çoğaltabiliriz, ancak bir insan beyni oluşturmak biraz zaman alacak.
İster sıfırdan başlayarak ister eğitime ince ayar yapın, ağırlık güncelleme işlemi sinir ağındaki verilerin iletilmesidir.
Sonuçları ölçün ve ağırlıkları buna göre değiştirin. Yapay sinir ağının tüm süreci "öğrenmesi" budur. Ağırlık, girdi numunesinin yönünü en büyük ölçüde belirlemek gibi, gerekli görevin performansını en üst düzeye çıkarabilecek yönde kademeli olarak değiştirilecektir. Yapay sinir ağlarının öğrenme süreci, günlük nesneleri tanımayı öğrenmeye çalışan bir çocukla karşılaştırılabilir. Başarısız denemeden sonra cevabın doğruluğu ile ilgili geri bildirim verilir ve çocuk doğru cevabı alabilmek için tekrar farklı bir yön dener.
YSA, öğrenirken aynı görevleri yerine getirir. Bu öğrenme süreci tamamlandıktan sonra YSA, öğrenme sürecinde daha önce açığa çıkmamış yeni uyaranlara yanıt vermek için önceki problem temsillerini kullanabilir. İnsan çocukları gibi YSA da mümkün olduğunca çok sayıda benzer soruna maruz kalarak daha iyi öğrenir. İnsan çocuklar için, ne kadar çok pratik yaparlarsa, yeni sorunlarla o kadar hızlı başa çıkabilirler çünkü çocukların beynindeki ilgili nöron bağlantıları daha spesifik hale gelir. YSA, daha önce maruz kalmayan aynı dağıtımdan öğrenmek ve yeni uyaranlara yanıt vermek için görevi daha geniş bir şekilde dağıtan olası uyaranların daha geniş bir dağılımına benzer.
Ne kadar çok temas o kadar iyi: White Swan - Black Swan
Biz insanlar, uzun vadeli gelişimde, çocuklar için gerçek dünyada ne kadar çok fırsata maruz kalırlarsa, bu tür bir öğrenme bazen acı verici olsa bile, o kadar iyi öğrenebileceklerini öğrendik. Aslında, öğrenmek acı verici olduğunda, acının kendisi harika bir geribildirim mekanizmasıdır. Benzer şekilde, herhangi bir tür sinir ağını eğitmek veya ince ayarını yapmak için YSA'yı belirli bir alandaki çeşitli uyaranlara maruz bırakmak çok önemlidir ve bu, modelinizin belirli bir uyarana fazla uymamasını sağlayabilir.
Ağ, belirli uyaran kategorileri için ek temsiller yaparak yeni uyaranları daha iyi sınıflandırabilir veya kavramlar oluşturabilir. Bu biyolojik sinir ağları ve yapay sinir ağları için geçerlidir, ancak biyolojik sinir ağları genellemede daha iyi sonuç verir. Bu doğrudur, kısmen daha fazla veri türü ve modeline maruz kaldıkları için, kısmen daha gelişmiş biyolojik topolojiler ve öğrenme algoritmaları nedeniyle ve büyük ölçüde Darwinizm nedeniyle.
Bu ifadenin bir örneği Nassim Taleb tarafından geliştirilen "Kara Kuğu Teorisi" nden geliyor. Bu terim 16. yüzyılda Londra'da bir "sağduyu" dan gelir Bazı insanlar tüm kuğuların beyaz olduğunu düşünür çünkü başka renkli kuğuların kaydı yoktur. Bu nedenle, onlar için kuğu olarak sınıflandırılabilmesi için kuğu beyaz olmalıdır. Hollandalı kaşif Willem de Vlamingh (Willem de Vlamingh) daha sonra Batı Avustralya'nın siyah kuğusunu gördü ve bu doğal sınıflandırmayı değiştirdi.
Buradaki kavram, Bir kişi yalnızca beyaz kuğuları görecek şekilde büyürse, yani bir kişinin sinir ağı yalnızca "tüm kuğular beyazdır" ve ardından "siyah kuğu" dağılımı konusunda eğitilebilir "Kuğu", onu bir kuğu olarak sınıflandıramaz çünkü bu daha önce hiç görülmemiş bir kuğu . Bir kişi küçükten büyüğe iki renk kuğu görmüşse, tüm kuğu türlerini sınıflandırmak için daha uygundur, çünkü bu biyolojik sinir ağı, daha fazlasını içeren daha büyük bir kuğu türü dağılım üzerinde eğitilmiştir. Daha fazla bilgi ile insanlar kuğunun içerebileceği özellikler hakkında daha fazla bilgi edinebilir.
Genelleme veya önceden öğrenilen bilgiden soyutlama yeteneği, hafif ağırlık ayarlamalarıyla farklı alanlardaki sorunları hızla çözebilen çok yararlı bir işlevdir. Bu, göç öğrenme ve uyum sorunları için bir sinir ağı çözümüdür.
Aslında, çok sayıda nöronun yeniden bağlanmasına gerek kalmaması, ortalama olarak, genellikle ilk kez kayak yapanlardan daha hızlı kayak yapan insanların daha hızlı kayak yapmasının nedenlerinden biridir. Nesne algılama için eğitilmiş bir yapay sinir ağı, ince ayar yapıldıktan sonra yüz tanıma için de kullanılabilir ve performansı, sıfırdan aynı yüz tanıma veri seti üzerinde sıkı bir şekilde eğitilmiş bir çözümden genellikle daha iyidir.
Adam vs makine
Bugünün yapay sinir ağlarının hala emekleme döneminde olduğu açık olmalıdır. Yapı olarak benzer olsalar da, ağırlıklar, nöronlar (fonksiyonel birimler), topoloji öğrenimi ve öğrenme algoritmaları için, birçok karmaşık görev türü için insan işleme yeteneklerini taklit edemezler. Topolojik yapıları çok daha basittir, büyüklük sıraları daha küçüktür ve öğrenme algoritması nispeten naiftir. Ayrıca, aynı anda birçok heterojen görev konusunda eğitilemezler.
Daha önce bilinmeyen kötü amaçlı yazılım türlerini tespit etmek gibi sorunları çözmek için YSA'lar oluşturmaya devam ederken, insan beyninin görevleri nasıl yerine getirdiğini anlamaya devam edeceğiz. Veya belirli görev türleri için YSA, insan analistlerinin doğruluğunu ve hızını gerçekten aşabilir. Beyindeki aksiyon potansiyelleri binlerce saniye içinde hareket eder ve YSA, veri miktarını daha hızlı sınıflandırabilir.
Diğer görevler için YSA'nın avantajları, en güçlü insan düşüncesinin bile büyük ölçekli iş süreçlerini otomatikleştirme yeteneğini tamamlar ve geliştirir. Yakın gelecekte YSA'lar insana yakın hatta insanüstü düzeyde ek görevler yapmaya başlayacaklar.Matematik ve yapı açısından biyolojik sinir ağlarına daha çok benzeyebilirler.
Orijinal bağlantı: https://news.sophos.com/en-us/2017/09/21/man-vs-machine-comparing-art artificial-and-biological-neural-networks/
["Erken kuş biletlerini" yakalamak için orijinal metni tarayın veya tıklayın]
