作為人工智能的關鍵元素，人工神經網絡 (ANN) 以類似于人腦的方式運行。它們模仿實際生物神經元的功能方式，以便為複雜的計算問題和挑戰找到答案。該方法可以包括數百萬個人工神經元，屬于機器學習的範疇。它産生的數學算法被廣泛用于識别模式和解決科學和商業中的複雜問題。

ANN，也稱為模拟神經網絡 (SNN)，使用電路相互發送信号。通常，神經網絡依賴于由輸入層、一個或多個隐藏層和輸出層組成的節點。單個節點被分配一個權重和阈值。當阈值被激活時，數據會流過它并連接到其他節點或層。如果數據沒有觸發響應，系統通常會忽略它。

神經網絡使用訓練數據來識别複雜且通常隐藏的模式并開發算法。随着時間的推移和更多的數據，它的準确性會提高。結果，這種機器學習技術産生了對一系列任務有價值的計算機算法，例如語音識别、語言翻譯、圖像識别、機器人行為和人工智能 (AI) 的許多其他領域。

深度學習系統——一種無監督機器學習——越來越多地與神經網絡一起使用。它們被稱為“深度學習”，因為它們包含大量的神經層。使用不同的方法，數據科學家可以執行人類能力或範圍之外的複雜任務。此外，随着新數據的出現，這些系統可以不斷進步和發展。

如何以及為什麼使用神經網絡？

計算機生成的數據量不斷增長，其中包含許多問題的答案。一些行業消息來源報告說，每天産生超過 2.5 萬億字節的數據，全球存在超過 100 澤字節的數據。這包括來自數據庫、銷售管理系統、傳感器、财務系統、博客、社交媒體、音頻和視頻、文本和日志以及電子表格文件等的結構化和非結構化數據。

因此，政府、企業、研究人員和其他人廣泛使用基于神經網絡的深度學習系統來挖掘這些數據。咨詢公司 Gartner報告稱，超過 80% 的數據科學家現在使用人工神經網絡，由深度學習推動的自然語言生成現在已成為 90% 的現代 BI 和分析平台的一部分。常見的使用領域包括生命科學、制造、銀行、零售和公共部門。

例如，醫療保健公司使用神經網絡來處理預測診斷、生物醫學成像和健康監測等任務。金融服務公司依靠它來檢測欺詐、監督信用分析和自動化咨詢服務。零售商将深度學習用于營銷、聊天機器人和增強現實，這些在智能手機應用程序上的應用越來越廣泛。制造商依靠機器視覺系統的技術來發現缺陷和安全違規，以及自動化供應鍊和預測需求。

另一個常見用例是智慧城市計劃。例如，神經網絡可能會從無線攝像頭攝取圖像數據，機器學習系統随後會學習如何調整交通信号和其他系統以實時優化交通流量。這種方法比在人行道上安裝傳感器要便宜得多。這些系統——通常包含連接的物聯網 (IoT) 傳感器和設備——還可以提高能源系統的性能并提供其他高級自動化，以及增強安全功能。

人工神經網絡簡史

人工神經網絡的起源可以追溯到 1943 年。當時，在神經科學和計算領域工作的 Warren McCulloch 和 Walter Pitts介紹了一種使用稱為阈值邏輯的算法的計算模型。該模型依賴于邏輯門或基本構建塊（在本例中為人工神經元）來構建更大的計算框架。

在 1940 年代和 1950 年代，研究人員繼續探索人工神經網絡模型。1958 年，Frank Rosenblatt 在實際的計算設備中放置了一個感知器，一種用于監督學習的算法。到 1960 年代，第一個具有多層的功能模型開始出現，1975 年，研究員 Kunihiko Fukushima開發了第一個多層神經網絡。1980 年代，現代機器學習能力開始出現。在接下來的三十年裡，更強大的計算能力和該領域的進步帶來了更強大的能力。

該領域的一項關鍵發展是 2010 年引入了圖形處理單元 (GPU)。這些系統提供了顯着的速度和性能優勢，包括通過跨模型層進行更大的微調來減少錯誤的能力。事實上，GPU 引入了深度學習中無法實現的特性和功能。今天的神經網絡使用多種技術和模型來處理越來越複雜的任務，在某些情況下這些任務超出了人類的能力。

神經網絡如何工作？

神經網絡的基礎是人工神經元。神經元被放置在三種不同類型的層中：

• 輸入層：輸入層攝取數據并将其轉換為計算機可以使用的二進制代碼。
• 隐藏層：隐藏層使用非線性處理技術對數據執行數學計算，該處理技術在模型的各個隐藏層中起作用。這種“加權”過程形成了一個分層的數學框架。
• 輸出層：輸出層提供用于 AI 的算法。

根據 IBM 的說法，考慮神經網絡的一種方法是，每個單獨的節點都運行自己的線性回歸模型，其中包括輸入數據、權重、偏差（或阈值）和輸出。一旦系統識别出輸入層，它就會分配确定任何給定變量值的權重。這些輸入被構建到一個數學模型中。當輸出達到所需的臨界阈值時，它會激活節點，将數據中繼到網絡中的下一個節點。這個過程一直持續到算法存在。

在某些情況下，數據從一個方向流過人工神經網絡，從輸入階段流向輸出階段。但是，可以使用其他技術（例如反向傳播）來研究從輸出到輸入的數據。

這種方法可以改進錯誤檢測并減少有偏差或不準确的結果。使用這種技術，可以根據需要更改權重并調整和調整深度學習模型。

存在哪些類型的人工神經網絡？

雖然神經網絡松散地反映了人類大腦的工作方式，但随着時間的推移，它們變得更加專業化。今天，存在四種主要類型的人工神經網絡。根據預期目的和實際用例，每個都有優點和缺點。這些包括：

• 卷積神經網絡 (CNN)：這些機器學習系統通常用于機器視覺、物體檢測、圖像分類和某些類型的預測。CNN 包含五個不同的層：輸入、卷積、池化、全連接和輸出。這些系統需要巨大的處理能力——通常由 GPU 提供。
• 循環神經網絡 (RNN)：這種類型的 ANN 框架通常使用時間序列數據和其他序列數據來生成概率模型。換句話說，輸入不是相互獨立的。這使其成為自然語言處理、語音識别、情感分析和文本相關應用程序等任務的理想選擇。
• 前饋神經網絡 (FNN)： 循環神經網絡的後代，FNN 不使用任何類型的循環或循環來處理數據和開發模型。相反，數據僅沿一個方向流動——從輸入節點向前并通過任何隐藏節點到達輸出節點。因此，FNN 通常用于數字營銷和銷售等監督學習任務。
• 自動編碼器神經網絡： 這些無監督機器學習系統（有時稱為自動關聯器）會攝取未标記的輸入，對數據進行編碼，然後在嘗試查明和提取最有價值的信息時對數據進行解碼。該方法旨在減少數據噪聲。這種方法的一個流行用途是檢測欺詐。

數據科學家如何使用神經網絡進行訓練？

在數據科學家确定了 ANN 的用例并選擇了特定方法後，下一步就是啟動系統。數據科學家使用兩種基本方法：監督學習和無監督學習。

監督學習

顧名思義，人類監督這種類型的機器學習系統。操作員标記數據集以幫助訓練算法，以便它可以對數據進行分類并準确預測結果。

例如，人類可能會标記不同類型貓的照片——獅子、老虎、美洲虎、豹、山獅、山貓、豹貓和家貓——這樣系統就可以學會區分它們。例如，當臨時用戶将電子郵件标記為垃圾郵件時，他們可能會在不知不覺中處理此任務。監督學習通常在對象識别、預測分析和情感分析中發揮作用。

無監督學習

這些系統從未被人類分類或标記的數據中學習。簡而言之，系統會自行找到模式并構建算法模型——因此得名“無監督學習”。

在某些情況下，數據科學家還使用結合了這兩種方法的半監督學習和強化學習，後者使用計算機程序構建結果，該程序在追求模型時會收到正面和負面的“獎勵”。

人工神經網絡如何影響企業？

人工神經網絡更常見的用途是預測分析。越來越多的企業軟件平台（包括雲框架）包括機器學習、深度學習和其他有助于構建高級 AI 模型的工具。

這種類型的預測分析通常用于向客戶提供更有針對性的内容、了解信用額度和批準、構建聊天機器人和其他自然語言工具以及為電子商務、社交媒體和流媒體提供建議等任務。

但預測分析也正在許多其他領域感受到它的存在。例如，在醫療保健領域，人工智能增強軟件通過建議藥物和治療方法來指導醫生和其他從業人員獲得相關結果。在制造業中，機器視覺可幫助制造商檢測人眼無法察覺的錯誤和缺陷。在車隊管理和物流中，軟件決定路線以及如何優化設備和燃料——實時适應天氣或交通。在網絡安全中，神經網絡越來越多地用于檢測網絡上的惡意軟件和其他可疑行為。

這些系統也滲透到軟件開發和業務的日常使用中。在許多情況下，企業應用程序包括無代碼或低代碼拖放界面，允許用戶組裝 AI 和 ML 任務。人工智能生成的軟件系統，如 OpenAI Codex、IBM 的 Project Wisdom、亞馬遜的 CodeWhisperer 和 GitHub 的 Copilot 也正在成為主流。他們接受過大量數據集的培訓，并且能夠從自然語言輸入中生成代碼。

利用雲計算資源，這些系統處理越來越多的任務——從構建聊天機器人和數字營銷系統到将自動化構建到各種任務中。然而，Forrester警告說，如果沒有合适的技術平台，收益就不會發生。投資支持高級機器學習和深度學習的系統至關重要。這通常涉及提供強大 GPU 的雲。

存在哪些道德和法律問題？

神經網絡的一個問題是它們提供的信息與輸入系統的信息一樣好。除了可能以表現不佳的系統結束之外，研究人員還發現了許多隐性偏見的案例，這可能導緻性别或種族歧視。

這可能會給保險公司、醫療保健提供者、金融服務公司和政府機構帶來問題，包括法律影響。因此，企業在使用神經網絡和深度學習進行決策之前，應仔細權衡道德和法律問題。

人工神經網絡的未來是什麼？

越來越強大的計算機和更快的 GPU 有望推動 ANN 和深度學習向前發展。在未來幾年，這些系統将推動包括預測分析在内的多個領域的進步；自動駕駛汽車；群機器人；藥物研究、預測醫學；個人助理和聊天機器人；網絡安全; 軟件開發; 以及制造和供應鍊自動化。

随着更多數據的積累——包括物聯網傳感器數據和邊緣計算的進步——也将出現新的用例。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!