今日は、ニューラル ネットワークとは何か、ニューラル ネットワークがどのように機能し、人工知能の作成における役割を理解していきます。
ニューラルネットワーク。 このフレーズはほとんどどこでも聞きます。 冷蔵庫の中でもニューラルネットワークが見つかるということになります（これは冗談ではありません）。 ニューラル ネットワークは機械学習アルゴリズムによって広く使用されており、今日ではコンピューターやスマートフォンだけでなく、家電製品などの他の多くの電子デバイスでも使用されています。 これらのニューラル ネットワークが何なのか考えたことはありますか?
心配しないでください、これは学術的な講義ではありません。 ウクライナ語を含め、精密科学の分野でこの問題を非常に専門的かつ確実に説明する出版物が数多くあります。 このような出版物は十数年前のものです。 これらの古い出版物が今でも有効である可能性はどのようにあるのでしょうか? 実際のところ、ニューラル ネットワークの基本は変わっておらず、その概念自体 (人工ニューロンの数学モデル) は第二次世界大戦中に作成されました。
インターネットも同様で、最初のメールが送信された当時とは比較にならないほど、今日のインターネットは進歩しています。 インターネットの基礎、基本的なプロトコルは、その創設当初から存在していました。 すべての複雑な概念は古い構造の基礎の上に構築されます。 それは私たちの脳でも同じで、最も若い大脳皮質は、最も古い進化要素である脳幹なしでは機能できません。脳幹は、地球上に私たちの種が存在するよりもはるかに古い時代から私たちの頭の中にあります。
少し混乱させてしまったでしょうか？ それでは、さらに詳しく理解しましょう。
また興味深い： ChatGPT: 簡単な使用方法
ニューラルネットワークとは何ですか?
ネットワークは特定の要素の集合です。 これは、数学、物理学、テクノロジーにおける最も単純なアプローチです。 コンピュータ ネットワークが相互接続されたコンピュータのセットである場合、ニューラル ネットワークは明らかにニューロンのセットです。
ただし、これらの要素は、複雑さにおいて私たちの脳や神経系の神経細胞に遠く及ばないものの、ある程度の抽象化レベルでは、人工ニューロンと生物学的ニューロンのいくつかの特徴は共通しています。 しかし、人工ニューロンは生物学的ニューロンよりもはるかに単純な概念であり、それについてまだすべてがわかっているわけではないことを覚えておく必要があります。
また読む： ChatGPTの7つのクールな使い方
最初は人工ニューロンがありました
人工ニューロンの最初の数学モデルは、1943 年 (はい、第二次世界大戦中の間違いではありません) 人のアメリカ人科学者、ウォーレン・マカロックとウォルター・ピッツによって開発されました。 彼らは、脳生理学 (このモデルが作成されたときのことを思い出してください)、数学、そして当時まだ若かった IT アプローチ (とりわけ、アラン チューリングの計算可能性理論) の基本知識を組み合わせた、学際的なアプローチに基づいてこれを行うことができました。 ）。 マカロック・ピッツ人工ニューロン モデルは非常に単純なモデルであり、多くの入力があり、入力情報は重み (パラメーター) を通過し、その値がニューロンの動作を決定します。 得られた結果は つの出力に送信されます (マカロック-ピッツ ニューロンの図を参照)。
このような樹状構造は生物ニューロンと関連しています。なぜなら、生物の神経細胞を描いた絵を考えるとき、樹状突起の特徴的な樹状構造が思い浮かぶからです。 しかし、人工ニューロンが本物の神経細胞に少なくともいくらか近いという幻想に屈してはなりません。 最初の人工ニューロンの作者であるこの 人の研究者は、相互接続されたニューロンのネットワークを使用して、計算可能な関数を計算できることを実証することに成功しました。 ただし、これらの最初の概念は、「紙の上」にのみ存在するアイデアとしてのみ作成され、機器を操作するという形での実際の解釈はなかったということを思い出してください。
また読む： 量子コンピューターについて簡単に言うと
モデルから革新的な実装まで
マカロックとピッツは理論モデルを開発しましたが、最初の実際のニューラル ネットワークの作成には 1957 年以上待たなければなりませんでした。 その作成者は、人工知能研究のもう一人の先駆者であるフランク ローゼンブラットであると考えられています。彼は 年にマーク I パーセプトロン ネットワークを作成しました。そしてあなた自身が、この構造のおかげで、このマシンが以前は動物と人間だけに固有の能力を獲得したことを示しました。学べます。 しかし、ローゼンブラット以前も含め、機械が学習できるというアイデアを思いついた科学者は実際には他にもいたことが今ではわかっています。
1950 年代の多くの研究者やコンピューター サイエンスの先駆者は、機械だけではできないことを機械に実行させる方法を考え出しました。 たとえば、アーサー・サミュエルは人間とチェッカーをするプログラムを開発し、アレン・ニューウェルとハーバート・サイモンは独立して数学の定理を証明できるプログラムを作成しました。 ローゼンブラットの最初のニューラル ネットワークが作成される前でさえ、1952 年に、人工知能分野の研究の他の 人の先駆者であるマービン ミンスキーとディーン エドモンズは、ローゼンブラットのパーセプトロンが登場する前でさえ、SNARC (確率的ニューラル ネットワーク) と呼ばれるマシンを構築しました。 Analog Reinforcement Calculator) - 確率的ニューラル アナログ計算機の強化。多くの人が最初の確率的ニューラル ネットワーク コンピューターであると考えています。 SNARC は現代のコンピューターとは何の関係もないことに注意してください。
この強力なマシンは、3000 本以上の電子管と B-24 爆撃機の予備の自動操縦機構を使用しており、40 個のニューロンの動作をシミュレートすることができ、ネズミが迷路からの出口を探す様子を数学的にシミュレートするには十分であることが判明しました。 。 もちろん、ネズミなど存在せず、演繹して最適解を見つけるプロセスにすぎません。 この車はマービン・ミンスキーの博士課程の一部でした。
ニューラル ネットワークの分野におけるもう 1960 つの興味深いプロジェクトは、Bernard Withrow によって 21 年に開発された ADALINE ネットワークです。 したがって、半世紀以上前に研究者たちはニューラル ネットワークの理論的基礎を理解し、そのような計算フレームワークの最初の実際に動作する実装さえ作成して以来、なぜ 世紀までこれほど長い時間がかかったのかと疑問を抱くことができます。ニューラルネットワークに基づいて実際のソリューションを作成しますか? 答えは つ、コンピューティング能力が不十分であるということですが、障害はそれだけではありませんでした。
1950 年代と 1960 年代には、多くの AI 先駆者がニューラル ネットワークの可能性に魅了され、人間の脳に相当する機械がわずか 年先に登場すると予測する人もいました。 私たちはまだ人間の脳に相当する機械の作成にすら近づいておらず、この課題の解決にはまだ程遠いので、これは今読んでも面白いものです。 最初のニューラル ネットワークのロジックは魅力的であると同時に限界があることがすぐに明らかになりました。 人工ニューロンと機械学習アルゴリズムを使用した AI の最初の実装では、特定の狭い範囲のタスクを解決できました。
しかし、より広い空間で、パターンや画像の認識、同時翻訳、音声や手書きの認識など、本当に深刻なことを解決することになると、つまり、今日コンピューターと AI がすでに実行できることになることがわかりました。ニューラル ネットワークの最初の実装では、それがまったくできませんでした。 なぜそうなるのでしょうか? その答えは、マービン ミンスキー (はい、SNARC の研究と同じです) とシーモア パパートの研究によって得られました。彼らは 1969 年にパーセプトロン ロジックの限界を証明し、スケーリングだけによって単純なニューラル ネットワークの能力を向上させることは機能しないことを示しました。 もう つ、非常に重要な障壁がありました。当時利用可能なコンピューティング能力が小さすぎて、ニューラル ネットワークを意図どおりに使用できなかったのです。
また興味深い：
ニューラルネットワークのルネッサンス
1970 年代と 1980 年代には、ニューラル ネットワークは事実上忘れ去られていました。 利用可能なコンピューティング能力が非常に大きくなり、人々がそこに戻り、この分野での能力を開発し始めたのは、前世紀の終わりになってからです。 そのとき、最初の最も単純なニューラル ネットワークの限界を克服できる新しい関数とアルゴリズムが登場しました。 そのとき、多層ニューラルネットワークの深層機械学習のアイデアが生まれました。 これらの層では実際に何が起こるのでしょうか? 現在、私たちの環境で動作する便利なニューラル ネットワークのほとんどは多層化されています。 入力データとパラメーター (重み) を受け取ることをタスクとする入力層があります。 これらのパラメータの数は、ネットワークによって解決される計算問題の複雑さに応じて異なります。
さらに、いわゆる「隠れ層」があり、深層機械学習に関連するすべての「魔法」がここで発生します。 このニューラル ネットワークが必要な計算を学習して実行する能力を担うのは隠れ層です。 最後に、最後の要素は出力層です。つまり、望ましい結果を与えるニューラル ネットワークの層です。この場合、認識された手書き文字、顔、音声、テキスト記述に基づいて形成された画像、トモグラフィー分析の結果などです。診断画像など。
また読む： Bingのチャットボットをテストしてインタビューしました
ニューラルネットワークはどのように学習するのでしょうか?
すでにご存知のとおり、ニューラル ネットワーク内の個々のニューロンは、個別の値と接続が割り当てられたパラメーター (重み) を利用して情報を処理します。 これらの重みは学習プロセス中に変化するため、望ましい結果が生成されるようにこのネットワークの構造を調整できます。 ネットワークは正確にどのように学習するのでしょうか? 当然のことですが、常に訓練する必要があります。 この言葉に驚かないでください。 私たちも学んでおり、このプロセスは混沌としたものではなく、秩序あるものだと言えます。 私たちはそれを教育と呼びます。 いずれの場合でも、ニューラル ネットワークをトレーニングすることもできます。これは通常、適切に選択された入力のセットを使用して行われ、将来実行されるタスクに備えてネットワークを何らかの形で準備します。 そして、これらすべてが段階的に繰り返され、場合によっては学習プロセスがトレーニングプロセス自体にある程度似ています。
たとえば、このニューラル ネットワークのタスクが顔を認識することである場合、顔を含む多数の画像で事前トレーニングされます。 学習プロセスでは、隠れ層の重みとパラメータが変化します。 専門家はここで「コスト関数の最小化」という言葉を使います。 コスト関数は、特定のニューラル ネットワークがどの程度ミスを犯すかを示す量です。 トレーニングの結果としてコスト関数を最小限に抑えることができればできるほど、このニューラル ネットワークは現実世界でより良いパフォーマンスを発揮します。 ニューラル ネットワークと古典的なアルゴリズムを使用してプログラムされたタスクを区別する最も重要な特徴は、古典的なアルゴリズムの場合、プログラマーがプログラムが実行するアクションを段階的に設計する必要があることです。 ニューラル ネットワークの場合、ネットワーク自体がタスクを正しく実行する方法を学習できます。 そして、複雑なニューラル ネットワークがどのように計算を実行するかを正確に知っている人は誰もいません。
今日、ニューラル ネットワークは広く使用されていますが、驚くべきことに、特定のネットワーク内の計算プロセスが実際にどのように機能するかを理解せずに使用されることが非常に多いです。 その必要はありません。 プログラマーは、特定のタイプの入力データ用に準備された既製の機械学習ニューラル ネットワークを使用し、プログラマーだけが知っている方法でデータを処理し、望ましい結果を生成します。 プログラマは、ニューラル ネットワーク内で推論プロセスがどのように機能するかを知る必要はありません。 つまり、人は大量の計算、情報を取得する方法、およびニューラルネットワークによるその処理から距離を置いたままになります。 人工知能のモデルに対する人類のある種の恐怖はそこから来ています。 私たちは、いつかニューラルネットワークが自ら特定のタスクを設定し、人の助けなしに独立してそれを解決する方法を見つけることをただ恐れています。 これは人類を憂慮し、機械学習アルゴリズムの使用に対する恐怖と不信を引き起こします。
この功利主義的なアプローチは今日では一般的です。 それは私たちも同じです。私たちは特定のアクティビティで誰かをトレーニングする方法を知っており、トレーニング プロセスが正しく行われれば効果的であることを知っています。 人は望むスキルを習得します。 しかし、この効果を引き起こした推論プロセスが彼の脳内でどのように行われるのか、私たちは正確に理解しているでしょうか? 私たちには分かりません。
科学者の任務は、これらの問題が必要に応じて私たちに役立ち、役立つように、そして最も重要なことに、脅威にならないように、これらの問題を可能な限り研究することです。 人間として、私たちは知らないことに対して恐怖を感じます。
また興味深い：