Цаликов А.Б., Петросян Л.Э.
ВЛИЯНИЕ НЕЙРОСЕТЕЙ НА МИРОВУЮ ЭКОНОМИКУ: ВЫЗОВЫ И ВОЗМОЖНОСТИ *
Аннотация:
в данной работе рассматривается развитие, структура, виды и применение нейросетей. В первой части работы проводится обзор исторического развития нейросетей, начиная с их создания и развития. Во второй части работы рассматривается структура нейросетей, основываясь на модели искусственного нейрона и его связей. Процесс обучения и передачи информации в нейросетях также подробно изучается. Далее, рассматриваются различные виды нейросетей, такие как персептрон, рекуррентные и сверточные нейронные сети. Каждый вид нейросетей имеет свои особенности и применение в различных областях, таких как распознавание образов, обработка естественного языка и медицинская диагностика. В заключительной части работы описываются основные принципы работы итоговых нейросетей, а также обсуждаются направления развития и проблемы, с которыми исследователи сталкиваются. Обзор работы помогает понять суть нейросетей и их применение в различных сферах науки и технологий.
Ключевые слова:
нейросети, узлы, нейроны, перцептроны, технологии будущего
В последние десятилетия нейросети стали одной из самых актуальных и перспективных тем в области науки и технологий. Уникальные возможности нейросетей, основанных на анализе данных и имитации работы человеческого мозга, обусловливают их широкое применение в различных сферах жизни, включая медицину, финансы, транспорт, робототехнику и другие.Нейронные сети – это модели искусственного интеллекта, позволяющие симулировать работу нервной системы человека. Их архитектура включает в себя множество взаимосвязанных узлов, называемых нейронами, которые передают и обрабатывают информацию. Развитие технологий и компьютерной вычислительной мощности позволило создать нейросети масштаба, сравнимого с мозгом, что открыло новые возможности для исследования и применения [5].Искусственные нейронные сети (ИНС) состоят из узловых слоев, содержащих входной слой, один или несколько скрытых слоев и выходной слой. Каждый узел, или искусственный нейрон, соединяется с другим и имеет соответствующий вес и порог. Если выходной сигнал узла больше заданного порогового значения, этот узел активируется и отправляет данные на следующий слой сети. В противном случае данные на следующий уровень сети не передаются.Нейронные сети опираются на обучающие данные, чтобы обучаться и повышать свою точность с течением времени. Однако, как только алгоритмы обучения становятся достаточно совершенными, они превращаются в мощный инструмент информатики и искусственного интеллекта, позволяя очень быстро классифицировать и группировать данные. Задачи распознавания речи или изображений могут быть решены всего за несколько минут, в то время как на ручную идентификацию человеческим экспертам требуется несколько часов. Рисунок 1. Структура нейросети.Как работают нейронные сетиПредставьте, что каждый узел - это собственная линейная регрессионная модель, состоящая из входных данных, весов, смещения (или порога) и выхода. Формула будет выглядеть примерно так:wixi + bias = w1x1 + w2x2 + w3x3 + biasвыход = f(x) = 1, если w1x1 + b>= 0 , 0, если w1x1 + b < 0После определения входного слоя назначаются веса. Эти веса используются для определения важности той или иной переменной, при этом большие веса вносят более существенный вклад в выходной сигнал по сравнению с другими входами. Затем все входы умножаются на соответствующие веса и складываются вместе. Полученный результат передается через функцию активации, которая определяет выход. Если этот выход превышает заданный порог, узел "срабатывает" (или активируется) и передает данные на следующий уровень сети. Выход одного узла становится входом следующего узла. Этот процесс передачи данных от одного слоя к другому определяет эту нейронную сеть как сеть прямого распространения [9].Давайте разберем, как может выглядеть один узел, используя двоичные значения. Мы можем применить эту концепцию к более конкретному примеру: например, вам нужно решить, стоит ли заниматься серфингом (да: 1, нет: 0). Решение заниматься серфингом или нет - это наш прогнозируемый результат, или значение y-hat. Предположим, что на ваше решение влияют три фактора:Хорошие ли волны (Да: 1, Нет: 0)Чистое ли побережье (Да: 1, Нет: 0)Не было ли недавно нападения акул (Да: 0, Нет: 1)Далее предположим следующее, что дает нам следующие входные данные:X1 = 1, потому что волны хорошиеX2 = 0, потому что народу много.X3 = 1, потому что в последнее время не было нападений акул.Теперь нам нужно присвоить веса, чтобы определить важность. Большие веса означают, что определенные переменные более важны для решения или результата.W1 = 5, потому что вы не получаете волны каждый день.W2 = 2, потому что вы привыкли к толпам людей.W3 = 4, потому что вы очень боитесь акул.Наконец, мы также предположим, что пороговое значение равно 3, что означает значение смещения -3. Имея все эти исходные данные, мы можем начать вводить значения в формулу, чтобы получить желаемый результат.Y-hat = (1*5) + (0*2) + (1*4) - 3 = 6Если мы используем функцию активации из начала этого раздела, то можем определить, что на выходе этого узла будет 1, так как 6 больше 0. В этом случае вы будете в восторге, но если мы скорректируем веса или порог, то можем получить другие результаты от модели. Когда мы рассматриваем решение, как в примере выше, мы видим, как нейронная сеть может принимать все более сложные решения на основе результатов предыдущих решений или слоев [7].В приведенном выше примере мы использовали перцептроны, чтобы проиллюстрировать некоторые моменты математики, но в нейронных сетях используются сигмоидальные нейроны, которые различаются значениями от 0 до 1. Нейронные сети можно разделить на различные типы, которые используются для разных целей. Хотя это не исчерпывающий список типов нейронных сетей, приведенный ниже список представляет наиболее распространенные типы нейронных сетей, с которыми вы можете столкнуться в самых распространенных случаях использования:Перцептрон - самая старая нейронная сеть, созданная Фрэнком Розенблаттом в 1958 году.Нейронные сети с прямым распространением, или многослойные перцептроны (MLP), - это те, на которых мы сосредоточились в этой статье. Они состоят из входного слоя, одного или нескольких скрытых слоев и выходного слоя. Хотя эти нейронные сети также часто называют MLP, важно отметить, что на самом деле они состоят из сигмоидальных нейронов, а не перцептронов, поскольку большинство реальных задач являются нелинейными. Данные обычно подаются в эти модели для их обучения, и они составляют основу компьютерного зрения, обработки естественного языка и других нейронных сетей.Конволюционные нейронные сети (CNN) похожи на сети прямого распространения, но обычно используются для распознавания изображений, распознавания образов и/или компьютерного зрения. Эти сети используют принципы линейной алгебры, в частности умножение матриц, для выявления паттернов в изображении.Рекуррентные нейронные сети (RNN) определяются по наличию обратной связи. Эти алгоритмы обучения в основном используются при использовании данных временных рядов для прогнозирования будущих результатов, например, прогнозов фондового рынка или продаж.Одной из ключевых областей применения нейросетей является машинное обучение. Нейронные сети позволяют автоматически анализировать огромные объемы данных, обнаруживать закономерности и делать прогнозы. В результате этого появляются новые возможности для решения сложных задач, например, распознавание образов, голосовых команд, определение вероятности развития заболеваний и многое другое. С каждым годом нейросети становятся все более точными и эффективными в своих прогнозах и рекомендациях, что значительно улучшает качество жизни людей [2].Однако развитие нейросетей не ограничивается только машинным обучением. Эта технология также находит применение в решении сложных инженерных задач. Например, нейросети применяются в автономных транспортных системах для анализа дорожной обстановки и принятия решений о поведении автомобиля. Также нейросети используются в робототехнике для обучения роботов выполнять сложные манипуляции и взаимодействовать с окружающей средой.Несмотря на значительные достижения в области нейросетей, их развитие все еще продолжается. Ученые постоянно работают над улучшением алгоритмов обучения, оптимизации вычислений и созданием новых типов нейронных сетей. Это позволяет сделать их еще более гибкими, эффективными и точными.Однако, несмотря на все достижения и перспективы нейросетей, возникают и определенные вызовы, и проблемы. Например, вопросы безопасности и этичности использования нейросетей вызывают все большую озабоченность. Также существует проблема объяснительной способности нейросетей, когда алгоритм даёт правильные рекомендации, но нельзя объяснить, почему именно так. Решение этих задач требует совместных усилий ученых, экспертов и общества в целом.В заключение, можно сказать, что нейросети являются одной из самых важных и перспективных областей в современной науке и технологиях. Их развитие открывает новые возможности в различных сферах жизни и способствует решению сложных проблем. Однако использование нейросетей также предполагает постоянный контроль и обсуждение этических и безопасностных вопросов. В целом, нейросети – это инструмент, который, правильно используемый, может сделать нашу жизнь более комфортной, безопасной и продуктивно.
Номер журнала Вестник науки №3 (72) том 5
Ссылка для цитирования:
Цаликов А.Б., Петросян Л.Э. ВЛИЯНИЕ НЕЙРОСЕТЕЙ НА МИРОВУЮ ЭКОНОМИКУ: ВЫЗОВЫ И ВОЗМОЖНОСТИ // Вестник науки №3 (72) том 5. С. 211 - 219. 2024 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/13560 (дата обращения: 17.05.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2024. 16+