Ако в днешно време в редица области научната фантастика e почнала да става реалност, то това не е без участието на т.нар. невронни мрежи и тяхното приложение в множество технологични сфери. “Настоящата „истерия“ по темата и разнообразните области на приложение на тази технология затрудняват вземащите решения в компаниите да виждат потенциалните ползи от нея”, казва Кристоф Вендл – главен изпълнителен директор на Iphos IT Solutions. В този материал ще се опитваме да Ви дадем ориентация, да предадем основни знания и да посочим възможните области на приложение на тази иновационна технология.

 

В началото бе идеята:

С настъпилото около 16в. осъзнаване, че човек е в състояние да учи множество неща интуитивно така, както боравенето с кой и да е инструмент от процеса на практиката с него, се заражда и идеята за човека като създател. Създател, който е в състояние да взаимодейства със създаденото от него поне на елементарно ниво. Така, с течение на времето се стига до там, че през 17в. да бъде създадена първата механична изчислителна машина, с която са овладяни прости математически функции като събиране, изваждане, умножение и деление. Може да Ви звучи просто – уви – до онзи исторически момент не е съществувало нищо друго в подобна съизмерима форма, което да води до логически резултати, продукт на по-предно приложени правила.

Развитие от ХХ-в. нататък:

За да бъде направена следваща стъпка по този път, на човека и технологиите това им е струвало  „само“ няколко века. Така едва през 40-те години на ХХ век за първи път бива показана нелинейността в прицеса при обработка на информация от невроните. Тогава бива представен и метода, който доказва, че изкуствените невронни мрежи умеят да „учат“ – така нареченото „правило за обучение по Хеббиан“. То се основава на непрекъснатата, повтаряща се промяна в силата на свързване на два неврона, която дава „заучен“ резултат след пресичането на определен праг.

Така, през 1956г., въпреки трудностите покрай дефинирането му, бива наложен термина „Artificial Intelligence“ (AI) или „Изкуствен интелект“ (ИИ). Все пак, заради липсата на подходящ хардуер по това време, капацитетът и практичността са много ограничени, което води и до намаляване на  интереса към невронните мрежи. Увеличаващото се теоретично и методологично развитие от 80-те години на миналия век, и бързото подобряване на производителността на хардуера, и софтуера, довеждат до по-нататъшни успехи на технологиите след края на хилядолетието, особено в областта на разпознаването на образи. Днес невронните мрежи се използват за намиране на решения на различни проблеми в науката и бизнеса. Благодарение на Интернет и софтуера с отворен код като R, Python и свободно достъпни високоразмерни библиотеки като Keras, TensorFlow и много други,  внедряването и управлението на невронни мрежи е значително улеснено. Това от своя страна води до добре диференцирани различни модели и концепции при различните видове приложения (например: RNN, LSTMs и т.н. .).

Функционалност на изкуствените невронни мрежи

Кратко въведение:

Въпреки големия брой различни модели, които могат да бъдат доста сложни за обяснение, принципът на работа на невронните мрежи по принцип е лесно разбираем. В най-разпространения случай това са прости аритметични операции в матрици. Вдъхновени от природата и базирани на принципа на работа на биологичните невронни структури, изкуствените невронни мрежи имат входно ниво, скрито ниво с произволен брой неврони (най-малко 1) за обработка на информацията и изходно ниво, между което съществуват няколко връзки. Единичният неврон извежда продукт на функцията от входно ниво, заложеното отклонение/ пристрастие  (BIAS) и активиране (напр. Сигмоидна функция), който определя, дали той да се активира, или не. В допълнение, връзките между невроните също репрезентират тежести (под формата на тенденции). В процеса на обучение входът първо се обработва чрез предаване на информация от него, през невроните, в изхода (Forward Propagation). След това, стойностите на теглата и отклоненията се регулират, за да се сведе до минимум грешката между очаквания и действителния изход на невронната мрежа. Този процес се нарича обратно разпространение (Backpropagation или обратна връзка за грешка). Така, чрез многократно въвеждане на тренировъчни модели и автоматично минимизиране на грешката, мрежата се модифицира и напасва, докато стойността на грешката падне под предварително определена стойност. По този начин невронните мрежи се научават да организират информацията самостоятелно и осигуряват като изходен резултат генерализация.

В целия процес са възможни множество модификации. На тях подлежат напр. функцията за активиране (линейна или нелинейна), процеса на обучение (с и без надзор), вида и броя на връзките между невроните, учебния процес (напр. чрез модификации на силата на свързване, развитие и/или заличаване на съществуващи връзки и т.н.) и броя на скритите нива, които трябва да бъдат коригирани. Допълнително могат да бъдат вмъкнати параметри, като напр. забравяне на информация в LSTM (Long-, Short-Term Memory) за покриване на други приложения.

Практически ползи и приложения

Поради високата степен на гъвкавост, областите на приложение дори на най-простите модели невронни мрежи, са наистина разнообразни. Те се отнасят преди всичко към обработката на големи, неструктурирани масиви от данни. Това включва класификации (напр. разпознаване на текст, разпознаване на изображения), промишлени и технически приложения за оптимизация (сортиране, управление, наблюдение и контрол), мониторинг и прогнозиране на развитието на финансовите пазари, услуги за превод (разпознаване на реч, генериране на текст), маркетингови приложения (прогнозиране на продажби, разпознаване на шаблони, закономерности и прочее), обществен транспорт и логистика (прогнозиране и избягване на забавяния), както и при някои клавиатурни приложения за смартфона и други.

 

И тяхната полза за бизнеса

Класификация:

Тъй като невронните мрежи могат да се използват изключително добре за класифициране на Високомерни, неструктурирани данни, това може да е от особена важност при използването им в големи предприятия. Примерите включват класификацията и предварителния подбор на кадри, приложения в маркетинговия сектор, като например класификациране на клиентската база, но също така и специални приложения като чат-ботове при поддръжката на клиенти, при електронната поща за откриване на спам, при блокиране на Zero-Day-атаки в защитните стени, или пък при софтуер за разпознаване на изображения и текст.

Накратко казано, невронните мрежи спомагат до сериозна степен идентифицирането на определени модели и закономерности, които да бъдат използвани впоследствие за повишаване на сигурността, ефективността в маркетинг- и продажбените дейности, и оптимизацията на наличните ресурси.

Прогнозиране:

Някои типове невронни мрежи (по-специално LSTM – мрежите) са особено подходящи за извеждане на прогнози от времеви масиви данни. Така, като резултат от следенето на потребителското поведение (като напр. Направените покупки през даден период от време) могат да се прогнозират належащи трендове и тенденции. Наред с това, LSTMs са подходящи и за анализ на некласически тип данни, като например за извеждане на прогнози от последователен тип данни, като текстове. Така, на базата на получения модел обработен след изучаването на езиковите правила, след това може да бъде генерирана например реч.

Друга сфера, където невронните мрежи са в състояние да играят съществена роля, е както в предвиждането на пречките и/или събитията в обществения транспорт, така и в наблюдението, и контрола на сложни производствени, и логистични вериги в промишлеността.

searchIT – корпоративната търсачка, която използва невронни мрежи и ИИ.

Iphos IT Solutions използва невронни мрежи в няколко свои продукта. Това включва например напълно автоматизираното решение за разпознаване на текст в сканирания и изображения. Подложени на индексация и класификация от ИИ, крайният резултат е, че достъпът до тях може да бъде заявявен само след въвеждане на кодова дума от страна на потребителя. Допълнително към това, searchIT предлага разнообразни функции, които правят претърсването на множество източници на данни в предприятието лесно и ефективно, като например разпознаване на синоними, разпознаване на тоналността в текстовете и дори автоматичната класификация на текстови документи по теми.

 

Споделете

IT блог / IT новини от Iphos IT Solutions

Актуалнoто и важното от ИТ бранша днес. Технологични новини и мения по темите ИТ сигурност, компютърна поддръжка, ИТ мениджмънт, разработка на софтуер и уеб. Важните неща за бизнеса – точно, ясно и разбираемо.

Следвай ни тук

Невронни мрежи – история, развитие и възможни приложения за бизнеса

от | апр. 8, 2019 | Pазработка на софтуер