Mākslīgie neironu tīkli ir datorsistēmas, kas veidotas, iedvesmojoties no neironu tīkliem dzīvu būtņu smadzenēs. Tīklu veido savstarpēji savienotu mezglu – mākslīgo neironu – kopums. Tie, gluži kā neironi dzīvu būtņu smadzenēs ar sinapsēm (funkcionāliem neironu savienojumiem), spēj sazināties cits ar citu, apmainīties signāliem. Šādi tīkli ir ļoti sarežģīti, mākslīgajiem neironiem tiekot izkārtotiem noteiktās konfigurācijās un parasti daudzos jo daudzos slāņos, un šo izkārtojumu dēvē par neironu tīkla arhitektūru. Neironu tīkla veiktspēja ir atkarīga gan no tā, cik laba ir konkrētā arhitektūra, gan no tā, cik labi neironu tīkls ir apmācīts. Šādu tīklu spēcīgā puse – tie nav kā fiksēti algoritmi, kas pielāgoti viena konkrēta uzdevuma veikšanai, bet gan elastīgs ietvars, kas piemērojams dažādiem uzdevumiem. Kā noprotams, laba neironu tīkla izstrādāšana un optimizēšana nav dažu dienu jautājums, ņemot vērā mūsdienu datu apjomu.
"Quanta Magazine" raksta, ka parasti apmācības procesā jāatrod vēlamās vērtības miljoniem, reizēm pat miljardiem parametru, lai no konkrētās arhitektūras "izspiestu" maksimālo. Parasti ar šīm vērtībām domāts tas, cik liels "svars" jeb nozīme ir konkrētajam neironam, kas attiecīgi palielina vai samazina signāla stiprumu konkrētajā savienojumā jeb mākslīgajā sinapsē. "Apmācība var prasīt dienas, nedēļas, pat mēnešus," skaidro mākslīgā intelekta kompānijas "DeepMind" zinātnieks Pētars Velčikovičs. Kņazevs ar kolēģiem lūko optimizēt pašu optimizācijas procesu, faktiski apmācot mākslīgo neironu tīklu citu šādu tīklu apmācīšanai. Taču vispirms jāatgriežas dažus gadus senā pagātnē.
Seko "Delfi" arī Instagram vai YouTube profilā – pievienojies, lai uzzinātu svarīgāko un interesantāko pirmais!
