เครือข่ายประสาทเทียม (ANN) เป็นชิ้นส่วนของระบบคอมพิวเตอร์ที่ออกแบบมาเพื่อจำลองวิธีการวิเคราะห์และประมวลผลข้อมูลสมองของสมองมนุษย์ พวกเขาเป็นรากฐานของปัญญาประดิษฐ์ (AI) และแก้ปัญหาที่จะพิสูจน์ได้ว่าเป็นไปไม่ได้หรือยากโดยมาตรฐานของมนุษย์หรือสถิติ ANN มีความสามารถในการเรียนรู้ด้วยตนเองที่ทำให้พวกเขาสามารถสร้างผลลัพธ์ที่ดีกว่าเมื่อมีข้อมูลมากขึ้น
ทำลายเครือข่ายประสาทเทียม (ANN)
โครงข่ายประสาทเทียม (ANN) กำลังปูทางสำหรับแอปพลิเคชันที่เปลี่ยนแปลงชีวิตที่จะพัฒนาเพื่อใช้ในทุกภาคส่วนของเศรษฐกิจ แพลตฟอร์มปัญญาประดิษฐ์ (AI) ที่สร้างขึ้นบน ANN กำลังขัดขวางวิธีการทำงานแบบดั้งเดิม ตั้งแต่การแปลหน้าเว็บเป็นภาษาอื่น ๆ ไปจนถึงการมีผู้ช่วยเสมือนสั่งซื้อของชำออนไลน์ไปจนถึงการสนทนากับ chatbots เพื่อแก้ปัญหาแพลตฟอร์ม AI กำลังทำให้การทำธุรกรรมง่ายขึ้นและทำให้ทุกคนสามารถเข้าถึงบริการได้โดยมีค่าใช้จ่ายเล็กน้อย
ระบบทำงานอย่างไร
เครือข่ายประสาทเทียมถูกสร้างขึ้นเหมือนสมองมนุษย์โดยมีโหนดเซลล์ประสาทที่เชื่อมโยงถึงกันเหมือนเว็บ สมองของมนุษย์มีเซลล์หลายร้อยพันล้านเซลล์ที่เรียกว่าเซลล์ประสาท แต่ละเซลล์ประสาทประกอบด้วยเซลล์ของร่างกายที่มีหน้าที่รับผิดชอบในการประมวลผลข้อมูลโดยการส่งข้อมูลไปยัง (อินพุต) และออกไป (เอาต์พุต) จากสมอง ANN มีเซลล์ประสาทเทียมหลายร้อยหรือหลายพันที่เรียกว่าหน่วยการประมวลผลซึ่งเชื่อมต่อกันด้วยโหนด หน่วยประมวลผลเหล่านี้ประกอบด้วยหน่วยอินพุตและเอาต์พุต หน่วยป้อนเข้าได้รับรูปแบบและโครงสร้างของข้อมูลที่หลากหลายตามระบบถ่วงน้ำหนักภายในและเครือข่ายประสาทเทียมพยายามเรียนรู้เกี่ยวกับข้อมูลที่นำเสนอเพื่อสร้างรายงานผลลัพธ์หนึ่งรายงาน เช่นเดียวกับที่มนุษย์ต้องการกฎและแนวทางในการสร้างผลลัพธ์หรือผลลัพธ์ ANNs ก็ใช้ชุดของกฎการเรียนรู้ที่เรียกว่า backpropagation ซึ่งเป็นตัวย่อสำหรับการถ่ายทอดข้อผิดพลาดย้อนหลังเพื่อให้ผลลัพธ์ออกมาสมบูรณ์แบบ
ANN เริ่มแรกจะต้องผ่านขั้นตอนการฝึกอบรมที่จะเรียนรู้ที่จะรับรู้รูปแบบในข้อมูลไม่ว่าจะเป็นภาพทางหูหรือข้อความ ในระหว่างขั้นตอนการตรวจสอบนี้เครือข่ายจะทำการเปรียบเทียบเอาต์พุตจริงที่เกิดขึ้นกับสิ่งที่มันตั้งใจจะผลิตนั่นคือเอาต์พุตที่ต้องการ ความแตกต่างระหว่างผลลัพธ์ทั้งสองจะถูกปรับโดยใช้การกระจายกลับ ซึ่งหมายความว่าเครือข่ายทำงานย้อนกลับจากยูนิตเอาต์พุตไปยังยูนิตอินพุตเพื่อปรับน้ำหนักของการเชื่อมต่อระหว่างหน่วยจนกว่าความแตกต่างระหว่างผลลัพธ์จริงและผลลัพธ์ที่ต้องการจะทำให้เกิดข้อผิดพลาดน้อยที่สุด
ในระหว่างขั้นตอนการฝึกอบรมและการควบคุมดูแล ANN จะได้รับการสอนว่าควรมองหาอะไรและควรใช้ผลลัพธ์ใดโดยใช้ประเภทคำถามใช่ / ไม่ใช่ที่มีเลขฐานสอง ตัวอย่างเช่นธนาคารที่ต้องการตรวจจับการฉ้อโกงบัตรเครดิตตรงเวลาอาจมีสี่หน่วยป้อนเข้าด้วยคำถามเหล่านี้: (1) ธุรกรรมในประเทศอื่นจากประเทศที่ผู้ใช้อยู่อาศัยหรือไม่? (2) เว็บไซต์มีการใช้บัตรในเครือกับ บริษัท หรือประเทศในรายการตรวจสอบของธนาคารหรือไม่ (3) ธุรกรรมมีขนาดใหญ่กว่า $ 2, 000 หรือไม่ (4) ชื่อในใบเรียกเก็บเงินธุรกรรมเหมือนกับชื่อของผู้ถือบัตรหรือไม่? ธนาคารต้องการคำตอบที่ "ตรวจพบการฉ้อโกง" เป็นใช่ใช่ไม่ใช่ไม่ใช่ซึ่งในรูปแบบไบนารี่จะเป็น 1 1 1 0 ถ้าผลลัพธ์ที่แท้จริงของเครือข่ายคือ 1 0 1 0 มันจะปรับผลลัพธ์ของมันจนกว่าจะให้ผลลัพธ์ที่ตรงกับ 1 1 1 0. หลังจากการฝึกอบรมระบบคอมพิวเตอร์สามารถแจ้งเตือนธนาคารเกี่ยวกับธุรกรรมที่ฉ้อโกงที่รอการบันทึกเงินจำนวนมากของธนาคาร
การใช้งานจริง
โครงข่ายใยประสาทเทียมถูกนำไปใช้ในการปฏิบัติงานทุกด้าน ผู้ให้บริการอีเมลใช้ ANN เพื่อตรวจจับและลบสแปมจากกล่องจดหมายของผู้ใช้ ผู้จัดการสินทรัพย์ใช้เพื่อคาดการณ์ทิศทางของหุ้นของ บริษัท บริษัท จัดอันดับเครดิตใช้เพื่อปรับปรุงวิธีการให้คะแนนเครดิตของพวกเขา อี - คอมเมิร์ชใช้เพื่อกำหนดคำแนะนำให้กับผู้ชมของพวกเขา chatbots ได้รับการพัฒนาด้วย ANN สำหรับการประมวลผลภาษาธรรมชาติ อัลกอริธึมการเรียนรู้เชิงลึกใช้ ANN เพื่อทำนายโอกาสของเหตุการณ์ และรายการการรวมตัวกันของ ANN ดำเนินต่อในหลายภาคส่วนอุตสาหกรรมและประเทศ
