El que necessites saber per comprendre la tecnologia canviant que t'envolta
Les xarxes neuronals són models informàtics d'unitats o nodes connectades dissenyades per transmetre, processar i aprendre de la informació (dades) d'una manera similar a com les neurones (cèl·lules nervioses) treballen en humans.
Xarxes Neuronals Artificials
En la tecnologia, les xarxes neuronals sovint es denominen xarxes neuronals artificials (ANNs) o xarxes neuronals per distingir-se de les xarxes neuronals biològiques que modelen després. La idea principal d'ANNs és que el cervell humà és l'"ordinador" més complex i intel·ligent que existeix. Mitjançant el modelatge d'ANE el més a prop possible de l'estructura i el sistema de processament de la informació que utilitza el cervell, els investigadors esperaven crear ordinadors que s'apropessin o superessin la intel·ligència humana. Les xarxes neuronals són un component clau dels avenços actuals en intel·ligència artificial (AI), aprenentatge automàtic (ML) i aprenentatge profund .
Com funcionen les xarxes neuronals: una comparació
Per comprendre com funcionen les xarxes neuronals i les diferències entre els dos tipus (biològics i artificials), utilitzem l'exemple d'un edifici d'oficines de 15 pisos i les línies telefòniques i els panells que recorren les trucades a tot l'edifici, pisos individuals i oficines individuals. Cada despatx individual en el nostre edifici d'oficines de 15 pisos representa una neurona (node en xarxa informàtica o cel·la nerviosa en biologia). L'edifici en si és una estructura que conté un conjunt d'oficines disposades en un sistema de 15 plantes (una xarxa neuronal).
Aplicant l'exemple a les xarxes neuronals biològiques, la central que rep les trucades té línies per connectar-se a qualsevol oficina en qualsevol pis de tot l'edifici. A més, cada oficina té línies que la connecten a qualsevol altra oficina de tot l'edifici en qualsevol pis. Imagineu que entra una trucada (entrada) i la centraleta la transfereix a una oficina al tercer pis, que la transfereix directament a una oficina a la 11a planta, que després la transfereix directament a una oficina a la 5a planta. Al cervell, cada neurona o cèl·lula nerviosa (una oficina) pot connectar-se directament amb qualsevol altra neurona en el seu sistema o xarxa neuronal (l'edifici). La informació (la trucada) es pot transmetre a qualsevol altra neurona (oficina) per processar o aprendre el que es necessita fins que hi hagi una resposta o resolució (sortida).
Quan apliquem aquest exemple a ANN, és bastant més complex. Cada pis de l'edifici requereix la seva pròpia centraleta, que només es pot connectar a les oficines del mateix pis, així com els quadres d'interrupció dels pisos superiors i inferiors. Cada oficina només es pot connectar directament a altres oficines al mateix pis i la centraleta d'aquest pis. Totes les trucades noves han de començar amb la central a la planta 1 i s'han de traslladar a cada pis individual en ordre numèric fins al pis 15 abans de la finalització de la trucada. Anem a posar-la en marxa per veure com funciona.
Imagineu que entra una trucada (entrada) al quadre de la planta 1 i s'envia a una oficina a la 1a planta (node). La trucada es transfereix directament entre altres oficines (nodes) al pis 1 fins que estigui preparada per ser enviada al pis següent. Després, la trucada s'haurà de tornar a la placa de la planta 1, que després la trasllada a la central de segon pis. Aquests mateixos passos es repeteixen un pis alhora, amb la trucada enviada a través d'aquest procés en cada sola planta fins al pis 15.
A ANNs, els nodes (oficines) estan disposats en capes (pisos de l'edifici). La informació (una trucada) sempre entra a través de la capa d'entrada (1 ª planta i la seva central) i ha de ser enviada i processada per cada capa (pis) abans de poder passar al següent. Cada capa (pis) processa un detall específic sobre aquesta trucada i envia el resultat juntament amb la trucada a la següent capa. Quan la trucada arriba a la capa de sortida (15 º pis i la seva centraleta), inclou la informació de processament de les capes 1-14. Els nodes (oficines) a la 15a capa (sòl) utilitzen la informació d'entrada i de processament de totes les altres capes (pisos) per presentar una resposta o resolució (sortida).
Xarxes neuronals i aprenentatge automàtic
Les xarxes neuronals són un tipus de tecnologia sota la categoria d'aprenentatge automàtic. De fet, l'avanç en la recerca i el desenvolupament de xarxes neuronals ha estat estretament relacionat amb els avenços i els fluxos d'avanç en ML. Les xarxes neuronals amplien les capacitats de processament de dades i augmenten la potència de computació de ML, augmentant el volum de dades que es poden processar, però també la capacitat de realitzar tasques més complexes.
El primer model informàtic documentat per ANNs va ser creat el 1943 per Walter Pitts i Warren McCulloch. L'interès inicial i la recerca en xarxes neuronals i l'aprenentatge automàtic es van anar alentint i es va estancar més o menys el 1969, amb només petites explosions d'interès renovat. Les computadores de l'època simplement no tenien processadors prou ràpids o prou grans per avançar en aquestes àrees, i la gran quantitat de dades necessàries per a les xarxes ML i neural no estava disponible en aquell moment.
Els increments massius del poder informàtic al llarg del temps juntament amb el creixement i l'expansió d'Internet (i, per tant, accedir a quantitats massives de dades a través d'Internet) han solucionat aquests primers reptes. Les xarxes neuronals i ML són ara fonamentals en tecnologies que veiem i usem tots els dies, com ara el reconeixement facial , el processament i la recerca d'imatges i la traducció d'idiomes en temps real, per citar només alguns.
Exemples de xarxes neuronals en la vida quotidiana
L'ANN és un tema bastant complex dins de la tecnologia, però val la pena aprofitar el temps per explorar a causa de la creixent quantitat de maneres en què afecta cada dia la nostra vida. Aquests són alguns exemples més de maneres en què les xarxes neuronals són utilitzades actualment per diferents indústries:
- Finances: Les xarxes neuronals s'utilitzen per predir els tipus de canvi. També s'utilitzen en la tecnologia dels sistemes automàtics de comerç utilitzats en el mercat de valors.
- Medicina: les capacitats de processament d'imatges de les xarxes neuronals han contribuït a la tecnologia que ajuda a la detecció i detecció de càncers de forma ràpida i de detecció ràpida amb més precisió. Un d'aquests tipus de càncer és el melanoma invasiu, la forma més greu i mortal del càncer de pell. Identificar el melanoma en etapes anteriors, abans que s'hagi estès, proporciona als pacients amb aquest tipus de càncer les millors possibilitats de superar-lo.
- Clima: la capacitat de detectar canvis atmosfèrics que indiquen un esdeveniment meteorològic potencialment greu i perillós amb la màxima precisió i rapidesa possible és essencial per salvar vides. Les xarxes neuronals estan implicades en el processament en temps real d'imatges de satèl·lit i radar que no només detecten la formació primerenca d'huracans i ciclons, sinó que també detecten canvis bruscos en la velocitat i la direcció del vent que indiquen un tornado formant. Els tornados són alguns dels esdeveniments meteorològics més forts i perillosos registrats, sovint més sobtadament, destructius i mortals que els huracans.