Rangkaian Neural Buatan (ANN) adalah kepingan sistem pengkomputeran yang direka untuk mensimulasikan cara menganalisis dan memproses maklumat otak manusia. Mereka adalah asas Kepintaran Buatan (AI) dan menyelesaikan masalah yang akan terbukti mustahil atau sukar oleh standard manusia atau statistik. ANN mempunyai keupayaan pembelajaran kendiri yang membolehkan mereka menghasilkan hasil yang lebih baik apabila lebih banyak data tersedia.
Memecahkan Rangkaian Neural Buatan (ANN)
Rangkaian Neural Buatan (ANN) membuka jalan bagi aplikasi yang mengubah kehidupan untuk dibangunkan untuk digunakan dalam semua sektor ekonomi. Platform Intelijen Buatan (AI) yang dibina di ANN mengganggu cara tradisional melakukan sesuatu. Dari menterjemah laman web ke dalam bahasa lain untuk mempunyai pembantu pesanan pesanan maya secara dalam talian untuk berbual dengan chatbots untuk menyelesaikan masalah, platform AI memudahkan transaksi dan membuat perkhidmatan dapat diakses oleh semua pada kos yang dapat diabaikan.
Bagaimanakah sistem berfungsi?
Rangkaian saraf buatan dibina seperti otak manusia, dengan nod saraf yang saling berkaitan seperti web. Otak manusia mempunyai beratus-ratus bilion sel yang dipanggil neuron. Setiap neuron terdiri daripada badan sel yang bertanggungjawab untuk memproses maklumat dengan membawa maklumat ke arah (input) dan jauh (output) dari otak. ANN mempunyai ratusan atau ribuan neuron tiruan yang dipanggil unit pemprosesan, yang saling berkaitan dengan nod. Unit pemprosesan ini terdiri daripada unit input dan output. Unit masukan menerima pelbagai bentuk dan struktur maklumat berdasarkan sistem penimbang dalaman, dan rangkaian neural cuba untuk mengetahui tentang maklumat yang dibentangkan untuk menghasilkan satu laporan output. Sama seperti manusia memerlukan peraturan dan garis panduan untuk menghasilkan hasil atau output, ANN juga menggunakan satu set peraturan pembelajaran yang disebut backpropagation, singkatan untuk penyebaran kesilapan ke belakang, untuk menyempurnakan hasil keluaran mereka.
ANN mulanya melalui fasa latihan di mana ia belajar untuk mengenal pasti corak dalam data, sama ada secara visual, aurally, atau secara tekstual. Semasa fasa penyeliaan ini, rangkaian membandingkan output sebenar yang dihasilkan dengan apa yang dimaksudkan untuk menghasilkan, iaitu, output yang diingini. Perbezaan antara kedua-dua hasil diselaraskan menggunakan backpropagation. Ini bermakna rangkaian berfungsi mundur dari unit output ke unit input untuk menyesuaikan berat sambungannya di antara unit sehingga perbezaan antara hasil sebenar dan yang diinginkan menghasilkan ralat paling rendah.
Semasa peringkat latihan dan penyeliaan, ANN diajar apa yang perlu dicari dan apakah outputnya, menggunakan jenis soalan Ya / Tiada dengan nombor binari. Sebagai contoh, bank yang ingin mengesan penipuan kad kredit pada masa mungkin mempunyai empat unit input yang disertakan dengan soalan-soalan ini: (1) Adakah transaksi di negara lain dari negara pemastautin pengguna? (2) Adalah laman web kad yang digunakan di kaitkan dengan syarikat atau negara di senarai jam tangan bank? (3) Adakah jumlah urus niaga lebih besar daripada $ 2, 000? (4) Adakah nama pada bil transaksi sama dengan nama pemegang kad? Bank itu mahu jawapan "penipuan yang dikesan" menjadi Ya Ya Ya Tidak, yang dalam format binari ialah 1 1 1 0. Jika output sebenar rangkaian adalah 1 0 1 0, ia menyesuaikan hasilnya sehingga ia menyampaikan output yang bertepatan dengan 1 1 1 0. Selepas latihan, sistem komputer boleh memberi amaran kepada bank penangguhan transaksi penipuan, menjimatkan banyak wang.
Aplikasi praktikal
Rangkaian saraf tiruan telah digunakan di semua bidang operasi. Pembekal perkhidmatan e-mel menggunakan ANN untuk mengesan dan memadamkan spam dari peti masuk pengguna; pengurus aset menggunakannya untuk meramal arah stok syarikat; Firma penarafan kredit menggunakannya untuk meningkatkan kaedah pemarkahan kredit mereka; platform e-dagang menggunakannya untuk memperibadikan cadangan kepada khalayak mereka; chatbots dibangunkan dengan ANN untuk pemprosesan bahasa semula jadi; algoritma pembelajaran mendalam menggunakan ANN untuk meramalkan kemungkinan sesuatu peristiwa; dan senarai penubuhan ANN menerusi pelbagai sektor, industri dan negara.
