Çevrenizdeki değişen teknolojiyi anlamak için bilmeniz gerekenler
Sinir ağları, nöronların (sinir hücreleri) insanlarda nasıl işlediğine benzer şekilde bilgi (veri) iletmek, işlemek ve öğrenmek için tasarlanan bağlı birimlerin veya düğümlerin bilgisayar modelleridir.
Yapay Sinir Ağları
Teknolojide, sinir ağları genellikle sonra modellenen biyolojik sinir ağlarından ayırt etmek için yapay sinir ağları (YSA) veya sinir ağları olarak adlandırılır. YSA'ların ardındaki ana fikir, insan beyninin var olan en karmaşık ve zeki “bilgisayar” olmasıdır. ANN'leri beyin tarafından kullanılan bilgi işlem yapısına ve sistemine mümkün olduğunca yakın bir şekilde modelleyerek, araştırmacılar insan zekasına yaklaşan veya aşan bilgisayarları yaratmayı umdular. Sinir ağları yapay zeka (AI), makine öğrenimi (ML) ve derin öğrenmede güncel gelişmelerin önemli bir bileşenidir.
Sinir Ağları Nasıl Çalışır: Bir Karşılaştırma
Sinir ağlarının nasıl çalıştığını ve iki tip arasındaki (biyolojik ve yapay) farklılıkları anlamak için, 15 katlı bir ofis binası örneğini ve bina boyunca, tek tek katlarda ve bireysel ofislerde çağrıları yönlendiren telefon hatları ve santrallerini kullanalım. 15 katlı ofis binamızda bulunan her ofis, bir nöron (bilgisayar ağında veya sinir hücresindeki biyolojide) temsil eder. Binanın kendisi, 15 katlı bir sistemde (sinir ağı) düzenlenmiş bir dizi ofisden oluşan bir yapıdır.
Örneği biyolojik sinir ağlarına uygulayarak, çağrıları alan santralin, tüm binadaki herhangi bir kattaki herhangi bir ofise bağlanacak hatları vardır. Buna ek olarak, her ofis, herhangi bir kattaki tüm binadaki diğer tüm ofislere bağlayan hatlara sahiptir. Bir aramanın (giriş) geldiğini ve santralin 3. kattaki bir ofise transfer ettiğini ve doğrudan 11. kattaki bir ofise transfer edeceğini ve daha sonra doğrudan 5. kattaki bir ofise transfer ettiğini düşünün. Beyinde, her nöron veya sinir hücresi (bir ofis) kendi sistemi veya sinir ağı (bina) içindeki diğer nöronlara doğrudan bağlanabilir. Bilgi (çağrı), cevap veya çözüm (çıktı) olana kadar gerekli olanı işlemek veya öğrenmek için başka bir nörona (ofis) iletilebilir.
Bu örneği YSA'lara uyguladığımızda, biraz daha karmaşıklaşıyor. Binanın her katı, sadece aynı kattaki ofislere ve ayrıca üstündeki ve altındaki katlardaki panolara bağlanabilen kendi santralini gerektirir. Her ofis sadece aynı kattaki diğer ofislere ve o katın santraline doğrudan bağlanabilir. Tüm yeni çağrılar, 1. kattaki santral ile başlamalı ve çağrı bitmeden 15'inci kata kadar her bir zemine sayısal sırayla aktarılmalıdır. Nasıl çalıştığını görmek için harekete geçirelim.
1. kattaki bir anahtara bir girişin geldiğini (giriş) ve 1. kattaki (ofis) bir ofise yollandığını düşünün. Çağrı daha sonra bir sonraki kata gönderilmeye hazır olana kadar 1. kattaki diğer ofisler (düğümler) arasında doğrudan aktarılır. Ardından çağrı 1. kattaki şalt panosuna geri gönderilmeli ve ardından 2. kat panosuna aktarılmalıdır. Aynı basamaklar her katın bir katını tekrarlar, bu süreç boyunca çağrı her katta zemine 15 kadar yollanır.
YSA'larda, düğümler (ofisler) katmanlar halinde düzenlenmiştir (binanın katları). Bilgi (bir çağrı) her zaman giriş katmanı (1. kat ve santral) üzerinden gelir ve her katın (kat) bir sonrakine geçmeden önce gönderilmesi ve işlenmesi gerekir. Her katman (kat) o çağrıyla ilgili belirli bir ayrıntıyı işler ve sonucu sonraki katmana çağrıyla birlikte gönderir. Arama çıkış katmanına ulaştığında (15. kat ve santral), 1-14 katmanlarından gelen işlem bilgilerini içerir. 15. kattaki (kat) düğümler (ofisler) giriş ve işlem bilgilerini diğer tüm katmanlardan (katlar) kullanarak bir cevap veya çözünürlük (çıktı) elde etmek için kullanırlar.
Sinir Ağları ve Makine Öğrenimi
Sinir ağları, makine öğrenimi kategorisinde bir tür teknolojidir. Aslında, nöral ağların araştırma ve geliştirilmesindeki ilerleme, ebeveyne ve ML'deki ilerlemenin akışlarına sıkı sıkıya bağlıdır. Sinir ağları, veri işleme yeteneklerini genişletir ve ML'nin hesaplama gücünü arttırır, işlenebilecek veri hacmini artırır, aynı zamanda daha karmaşık görevleri gerçekleştirme yeteneğini de arttırır.
ANN'ler için ilk belgelenmiş bilgisayar modeli, 1943'te Walter Pitts ve Warren McCulloch tarafından oluşturuldu. Sinir ağları ve makine öğrenimindeki ilk ilgi ve araştırmalar yavaşladı ve 1969'da sadece küçük yenilenmiş ilgi patlamaları ile az çok rafa kaldırıldı. Zamanın bilgisayarları, bu alanları daha da ilerletmek için yeterince hızlı veya yeterince büyük işlemciye sahip değildi ve ML ve sinir ağları için ihtiyaç duyulan çok miktarda veri o sırada mevcut değildi.
İnternetin büyümesi ve genişlemesi ile birlikte zaman içinde bilgi işlem gücünde büyük artışlar (ve böylece internet üzerinden büyük miktarlarda veriye erişim) bu zorlukları çözmüştür. Nöral ağlar ve ML artık yüz tanıma , görüntü işleme ve arama ve gerçek zamanlı dil çevirisi gibi her gün gördüğümüz ve kullandığımız teknolojilerde, sadece birkaçını belirtmek için etkilidir.
Gündelik Yaşamda Nöral Ağ Örnekleri
ANN, teknoloji içinde oldukça karmaşık bir konudur, ancak, her gün hayatımızı etkileyen yolların sayısının artması nedeniyle, araştırmaya biraz zaman ayırmaya değer. İşte, sinir ağlarının şu anda farklı endüstriler tarafından kullanılma biçimlerinin birkaç örneği:
- Finans: Sinir ağları, döviz kurlarını tahmin etmek için kullanılır. Borsada kullanılan otomatik işlem sistemlerinin arkasındaki teknolojide de kullanılmaktadır.
- Tıp: Sinir ağlarının görüntü işleme yetenekleri, erken evrelerin daha hassas bir şekilde taranması ve tespit edilmesine ve kanser türlerinin tanımlanmasının zorlaşmasına yardımcı olan teknolojiye katkıda bulunmuştur. Böyle bir tür kanser, cilt kanserinin en ciddi ve ölümcül formu olan invazif melanomdur. Yayılmadan önce melanomun daha erken evrelerde tanımlanması, hastalara bu tip kansere sahip olma şansını verir.
- Hava Durumu: Potansiyel olarak ciddi ve tehlikeli bir hava olayına işaret eden atmosferik değişiklikleri, mümkün olduğunca çabuk ve doğru bir şekilde belirleme yeteneği, hayat kurtarmak için önemlidir. Nöral ağlar, sadece kasırgaların ve siklonların erken oluşumunu algılamakla kalmayan, aynı zamanda rüzgar hızındaki ani değişiklikleri ve şekillendirme kasırgasını gösteren yönü algılayan uydu ve radar görüntülerinin gerçek zamanlı olarak işlenmesinde yer alır. Kasırgalar rekordaki en güçlü ve en tehlikeli hava olaylarından bazılarıdır - çoğu zaman kasırgalardan daha ani, yıkıcı ve ölümcül olanlardır.