Kami mendengar semakin banyak keberhasilan dalam penggunaan jaringan saraf tiruan. Di sini mereka melukis gambar, di sini mereka menulis puisi. Kreatif dan otodidak, bukankah mereka akan segera mengambil pekerjaan kita?
Dilatih pada kucing
Cara-cara baru untuk menggunakan jaringan saraf tiruan semakin banyak bermunculan. Berikut adalah contoh hari-hari terakhir. Insinyur Nvidia Robert Bond telah menciptakan sistem otomatis untuk menangani kucing tetangga, yang suka menyerang propertinya tanpa permintaan. Hewan-hewan yang menandai wilayah dan berteriak di malam hari sangat mengganggu insinyur. Sekarang, segera setelah kucing muncul di situs, sistem mendeteksi dia dan menyalakan penyemprot air, yang menakut-nakuti hewan itu.
Anda bertanya, apa hubungan jaringan saraf dengannya? Nah, lalu coba jelaskan ke komputer apa itu kucing dan seperti apa bentuknya. Ini adalah kucing, dan bukan hewan lain yang secara tidak sengaja memasuki situsnya. Bukan anjing atau gagak yang tidak disengaja, apalagi Bond sendiri, yang pergi ke situsnya, meskipun pada awalnya dia juga mendapatkannya dari pembalut.
Jaringan saraf tiruan Caffe memainkan peran kunci dalam sistem anti-khelasi ini. Itu dipercayakan dengan tugas untuk menentukan siapa sebenarnya pengunjung halaman itu. Dengan bantuan kamera, sistem keamanan memantau semua pergerakan di kawasan lindung. Segera setelah objek tak dikenal muncul di halaman, itu difoto dan gambarnya ditransmisikan ke Jetson TX1 - modul perangkat keras dari Nvidia, yang juga dirancang untuk pengenalan gambar. Jika jaringan saraf mendeteksi bahwa ada kucing di foto, alat penyiram terdekat segera menyala, yang membuat hewan itu takut. Tapi di masa depan, kecuali, tentu saja, pembela hewan menghentikan insinyur inventif, Bond berharap dapat menciptakan sistem yang akan menembakkan air ke kucing dengan tujuan.
Apakah mungkin untuk menyetel sistem ke anjing atau, misalnya, hanya untuk kucing jahe? Bisa. Keuntungan dari jaringan saraf adalah mereka tidak perlu "secara lisan" menjelaskan apa itu kucing. Dia hanya membutuhkan banyak gambar hewan-hewan ini - yang disebut set pelatihan. Jaringan itu sendiri menemukan fitur dalam gambar yang menjadi ciri khas kucing dan mengingatnya. Ini adalah pembelajaran. Sekarang setelah jaringan dilatih, ia akan dapat mengenali kucing dalam gambar. Omong-omong, Anda dapat mencoba jaringan saraf Caffe, yang dibuat oleh para ilmuwan dari University of California di Berkeley, dan lihat bagaimana ia membedakan kucing dari anjing di /demo.caffe.berkeleyvision.org/. Unggah gambar atau tempel tautan ke sana dan sistem akan memberi tahu Anda apa yang ditampilkan dalam gambar.
Baru itu lama, tapi tidak dilupakan sama sekali
Jika Anda merasa bahwa jaringan saraf tiruan adalah sesuatu yang benar-benar baru, maka ini tidak sepenuhnya benar. Bahkan istilah "jaringan saraf" sendiri muncul di pertengahan abad terakhir. Kemudian, pada awal era komputer, masih belum ada konsensus tentang bagaimana prinsip pengoperasian komputer harus dibangun.
Awalnya, setidaknya ada dua arsitektur komputer yang menjanjikan. Salah satunya - arsitektur von Neumann - relatif lebih sederhana dan mulai diimplementasikan dalam praktik. Sekarang prinsip-prinsipnya diletakkan di dasar hampir semua komputer yang ada. Yang lainnya, jaringan syaraf tiruan (neural network computer), telah menjadi objek penelitian para ahli teori. Akibatnya, selama waktu yang telah berlalu sejak saat itu, basis teoretis yang signifikan telah dikumpulkan, yang, khususnya, memungkinkan untuk akhirnya memahami dengan tepat cara mengajar jaringan saraf.
Selain itu, pada saat itu tidak mungkin untuk beroperasi dengan data dalam jumlah besar. Misalnya, array gambar yang sudah ditandai yang tersedia untuk umum ImageNet berisi lebih dari satu juta gambar, oleh karena itu, persyaratan untuk kekuatan komputasi jaringan saraf cukup tinggi.
Selama ini, jaringan saraf telah menunggu di sayap. Hari ini situasinya telah berubah. Dalam bekerja dengan jaringan saraf, mereka mulai menggunakan kartu video berkinerja tinggi, dan ini memungkinkan untuk mempercepat pelatihan sepuluh kali lipat. Bukan kebetulan bahwa Nvidia - pemimpin dunia dalam produksi kartu video - mengandalkan pembelajaran jaringan saraf yang mendalam.
Dua arsitektur, von Neumann dan neural network, memiliki perbedaan yang signifikan. Tetapi perbedaan yang paling penting adalah, tentu saja, kemungkinan belajar mandiri dari jaringan saraf. Jika komputer klasik bekerja sesuai dengan program yang sebelumnya ditulis oleh manusia, maka neurokomputer dapat dilatih. Untuk komputer tradisional, program ditulis, jaringan saraf dapat belajar dan bertindak berdasarkan pengalaman yang diperoleh. Yang, bagaimanapun, tidak menyangkal perlunya pelatihan yang ditargetkan dan penyetelan jaringan. Dengan "memberi makan" mesin banyak gambar, yang jaringan tahu sebelumnya bahwa itu adalah kucing, anjing, atau, misalnya, gagak, dan sebagainya, Anda melatihnya untuk mengenali gambar. Ketika sampai pada penerapan praktis dari keterampilan yang diperoleh, jaringan akan dapat menentukan apa yang ditunjukkan dalam gambar dengan tanda-tanda yang dicatat dalam proses pembelajaran, dan akan memberikan jawaban yang sesuai.
Berikut adalah contoh yang baik dari penerapan teknologi pengenalan pola. Saat ini, pencarian gambar di Internet didasarkan pada kata kunci. Mesin pencari mencari gambar untuk permintaan Anda, dengan fokus pada teks yang menyertai gambar di halaman situs. Jika artikel tentang kucing, maka masuk akal untuk berasumsi bahwa gambar dalam teks adalah gambar kucing. Tapi terkadang logika ini tidak berhasil. Di masa depan, menerapkan teknologi jaringan saraf untuk pengenalan gambar, Yandex, Google atau mesin pencari lainnya akan menghasilkan gambar yang dikenali oleh jaringan saraf yang persis seperti yang Anda cari. Artinya, kata kunci akan dihasilkan dari gambar itu sendiri, dan bukan dari teks di sebelahnya.
Sebenarnya, untuk komputer, apa itu gambar, apa itu teks, tidak lebih dari sekumpulan byte. Robot humanoid, terkadang begitu pandai menjawab pertanyaan, hanya beroperasi dengan jawaban yang sudah disiapkan sebelumnya, seperti orang di "Ruang China", eksperimen pemikiran yang diusulkan oleh filsuf Amerika John Searle. Tidak mengetahui esensi pertanyaan, robot, atau lebih tepatnya, komputer yang mengendalikannya, menjalankan instruksi, yang menurutnya harus memberikan jawaban yang telah ditentukan untuk pertanyaan yang telah ditentukan. Atau, jika orang tersebut belum menyiapkan jawaban seperti itu untuknya, alihkan "percakapan" dengan memberikan jawaban universal yang sesuai dengan hampir semua pertanyaan. Jaringan saraf akan memungkinkan "otak" elektronik robot untuk "memahami" arti kata-kata yang diucapkan oleh lawan bicara, seperti halnya dari kumpulan piksel yang membentuk gambar, jaringan saraf "memahami" apa yang digambarkan di dalamnya.
Kembali ke mesin pencari, perlu juga dikatakan bahwa Yandex tidak tahu arti dari teks yang diindeksnya. Hanya keberadaan yang disebut "kata kunci" yang memungkinkan Anda menentukan relevansi teks yang ditemukan dan permintaan pengguna.
Jaringan saraf akan menyediakan antarmuka yang lebih baik untuk berkomunikasi dengan mesin. Mesin pencari akan dapat mengajukan pertanyaan dan mendapatkan jawaban atau sekumpulan teks yang paling relevan dari Internet. Dimungkinkan untuk memberikan perintah kepada robot dalam bahasa yang sederhana. Misalnya, permintaan untuk membawa palu dapat diekspresikan dalam banyak cara, dengan mengatur ulang kata-katanya, karena bahasa Rusia hanya mengizinkan. Dan robot akan mengerti Anda. Sebenarnya, jaringan saraf adalah teknologi yang memungkinkan kita mendapatkan apa yang telah lama kita harapkan dari komputer: visi mesin, memahami ucapan manusia, drone swakemudi, dan banyak lagi.
Cara kerja jaringan saraf
Jadi, sebenarnya, bagaimana cara kerja jaringan saraf? Setiap neuron dalam jaringan melakukan sejumlah kecil pekerjaan totalnya sendiri. Neuron dikelompokkan menjadi beberapa lapisan berurutan. Sinyal input (misalnya, piksel gambar) tiba di lapisan pertama neuron dan secara berurutan melewati semua lapisan. Dari pertama hingga terakhir. Benar, ada juga yang disebut struktur berulang yang mengedarkan serangkaian sinyal internal tertentu dalam jaringan. Data input eksternal melewati semua lapisan secara berurutan dan pada output sudah disajikan sebagai hasilnya. Jaringan saraf mampu menggeneralisasi data dan menemukan pola di dalamnya. Hafalkan temuan dan terapkan dalam pekerjaan.
Dipercaya bahwa jaringan saraf tiruan meniru struktur dan sifat sistem saraf organisme hidup, atau bahkan otak manusia. Seperti otak, jaringan saraf tiruan terdiri dari banyak neuron (elemen komputasi) yang saling berhubungan melalui sinapsis. Namun, beberapa orang percaya bahwa fitur umum ini saja tidak cukup, dan sebenarnya ada sedikit kesamaan antara kerja jaringan saraf tiruan dan otak manusia.
Apa pekerjaan neuron tertentu? Semuanya terjadi dengan cara berikut. Satu set sinyal input diterima pada input neuron, yang dijumlahkan dan, setelah menghasilkan sinyal output, mengirimkannya ke neuron lain atau ke output jaringan. Perlu dicatat bahwa neuron dari lapisan input (pertama) jaringan tidak melakukan operasi matematika, tujuannya adalah untuk melipatgandakan sinyal input dan mengirimkannya ke neuron lain. Sinyal yang memasuki neuron dikalikan dengan koefisien yang ditentukan (disebut "bobot"), kemudian dijumlahkan, dan hasil yang diperoleh dikonversi menggunakan fungsi tertentu, dan kemudian ditransmisikan ke output.
Dalam skema ini, titik kuncinya adalah bobotnya. Kemampuan untuk menyesuaikan jaringan untuk memecahkan masalah tertentu dan fleksibilitas sistem ditentukan oleh mereka. Sinyal input dikalikan dengan bobot yang lebih tinggi menghasilkan kontribusi yang lebih besar terhadap total. Tetapi jika bobotnya sama dengan nol, maka itu tidak akan diperhitungkan.
Menemukan bobot yang benar untuk setiap neuron adalah pelatihan jaringan. Sinyal dikirim ke neuron input jaringan, yang sebelumnya diketahui dengan apa mereka berkorespondensi. Jika jaringan dilatih untuk mengenali kucing, maka ini akan menjadi gambar kucing dan kucing dari ras dan warna yang berbeda. Jika jaringan memberikan jawaban yang salah pada output, maka nilai bobot berubah. Begitu seterusnya hingga jaringan memberikan jawaban yang benar.
Perhatikan juga bahwa jaringan dengan sejumlah kecil neuron belajar lebih cepat, tetapi pada saat yang sama, mereka tidak selalu dapat memecahkan masalah yang kompleks. Oleh karena itu, ketika membangun jaringan saraf, penting untuk menentukan jumlah neuron yang diperlukan dalam jaringan. Selain itu, agar latihan tidak memakan waktu terlalu lama, penting juga untuk menetapkan nilai awal bobot di awal.
Selain melatih jaringan saraf, Anda juga dapat menyesuaikan: menyertakan neuron tambahan atau bahkan lapisan neuron baru dan mengecualikan neuron, lapisan, atau koneksi yang tidak perlu di antara mereka. Ini memungkinkan untuk lebih menyesuaikan jaringan dengan tugas-tugas yang dibuatnya.
Tetapi masalahnya tidak terbatas pada pengenalan pola. Belum lama ini, kecerdasan buatan AlphaGo mengalahkan master game go, Lee Sedol. Tidak seperti catur, Go, yang memiliki banyak kemungkinan posisi, tidak mau menyerah pada komputer. Superkomputer Deep Blue mengalahkan juara catur dunia Garry Kasparov pada tahun 1997. Saya berhasil memenangkan Go hanya sekarang. Jaringan saraf yang terdiri dari 13 level dilatih pada game profesional yang diambil dari KGS Go Server. Selain itu, dalam proses pembelajaran, jaringan bermain dengan program lain dan dengan salinannya sendiri.
Masa depan milik jaringan saraf. Tren ini tidak akan berlalu, karena mode untuk sesuatu yang menarik, tetapi umumnya tidak berguna, hilang. Jaringan syaraf tiruan adalah tahap selanjutnya dalam pengembangan sistem komputer. Segera mereka akan mengelilingi kita di mana-mana. Kami, secara kiasan, menemukan diri kami dalam jaringan saraf. Seperti yang diprediksi oleh penggemar yang bersemangat tentang perkembangan mereka, di masa depan kita akan membaca catatan berita yang ditulis oleh jaringan saraf dan mendengarkan musik yang digubah olehnya. Berkomunikasi dengan asisten suara yang akan memahami kami berkat teknologi ini, dan gunakan terjemahan mesin suara berkualitas tinggi. Jaringan saraf akan memprediksi cuaca, mengendalikan kendaraan tak berawak dan drone militer. Mereka dapat diterapkan di hampir semua bidang, dan ketika memecahkan masalah di mana diperlukan untuk memproses data dalam jumlah besar, mereka tidak akan tergantikan. Banyak profesi, termasuk yang biasanya diklasifikasikan sebagai kreatif, mungkin memang terancam.
Semakin banyak pengembang yang terlibat dalam jaringan saraf. Sejumlah besar alat dan data telah muncul di domain publik. Peralatan untuk membangun jaringan saraf menjadi lebih mudah diakses. Teknologi menjadi tersedia tidak hanya untuk perusahaan besar, tetapi juga untuk siapa saja yang tahu cara memprogram. Dengan demikian, semakin banyak layanan berbasis teknologi jaringan saraf dan dirancang untuk pengguna biasa.
Jadi, misalnya, aplikasi Prisma hanya dalam beberapa hari memimpin dalam hal jumlah unduhan di AppStore di sepuluh negara, termasuk Rusia. Sebuah aplikasi yang dibuat oleh pengembang Rusia, yang telah muncul di Google play, memungkinkan Anda untuk "menggambar ulang" foto yang telah Anda ambil, menyesuaikannya agar terlihat seperti lukisan oleh seniman terkenal. Di gudang aplikasi adalah Van Gogh, Picasso, Levitan, Hokusai dan jenius yang diakui lainnya. Atau aplikasi FindFace yang terkenal, yang memungkinkan Anda menemukan profil seseorang di jejaring sosial dari foto yang Anda ambil lima menit yang lalu. Untuk mencari, ia menggunakan foto kami yang diposting di jejaring sosial VKontakte. Jadi kita sudah pasti masuk ke jaringan saraf.