Dype nevrale nettverk: Den skjulte hjernen som driver AI

• Forfatter:
• forfatternavn

  Quantumrun Foresight
• April 6, 2023

Algoritmer og big data har blitt de viktigste moteordene i kunstig intelligens (AI), men kunstige nevrale nettverk (ANN) er det som lar dem bli kraftige verktøy. Disse ANN-ene brukes til å gjenkjenne mønstre, klassifisere data og ta beslutninger basert på inndata. 

Kontekst med dype nevrale nettverk

Kunstige nevrale nettverk forsøker å etterligne kompleksiteten til menneskelig intelligens ved å bygge et nettverk av programvare, koder og algoritmer for å behandle input (data/mønstre) og matche dem med det mest levedyktige resultatet (effekt/resultater). ANN er det skjulte laget som behandler og forbinder forhold mellom data og beslutningstaking. Jo mer ANN er bygget mellom input og output, jo mer lærer maskinen på grunn av tilgjengeligheten av mer komplekse data. De flere ANN-lagene er kjent som dype nevrale nettverk fordi de kan grave seg ned i store mengder treningsdata og utvikle den beste løsningen eller mønstrene. 

En maskin "utdannes" videre gjennom tilbakepropagasjon, prosessen med å justere eksisterende parametere for å trene algoritmene til å komme opp med det beste resultatet/analysen. Kunstige nevrale nettverk kan trenes til å utføre ulike oppgaver, for eksempel bilde- og talegjenkjenning, språkoversettelse og til og med å spille spill. De gjør dette ved å justere styrken til forbindelsene mellom nevroner, kjent som vekter, basert på inndataene de mottar under treningsprosessen. Denne metoden lar nettverket lære og tilpasse seg over tid, og forbedre ytelsen på oppgaven. Det finnes mange typer ANN-er, inkludert feedforward-nettverk, konvolusjonelle nevrale nettverk (CNN) og tilbakevendende nevrale nettverk (RNN). Hver type er designet for å være spesielt godt egnet til en spesifikk oppgave eller dataklasse.

Forstyrrende påvirkning

Det er knapt noen industri i dag som ikke bruker dype nevrale nettverk og AI for å automatisere forretningsprosesser og samle markedsintelligens. Den kanskje mest åpenbare bruken av dype nevrale nettverk er markedsføringsindustrien, der AI behandler millioner av kundeinformasjon for nøyaktig å identifisere bestemte grupper som er mer sannsynlig å kjøpe et produkt eller en tjeneste. På grunn av den stadig høyere nøyaktigheten til disse dataanalysene, har markedsføringskampanjer blitt mye mer vellykkede gjennom hypertargeting (identifisere spesifikke kundeundergrupper og sende dem ekstremt tilpassede meldinger). 

En annen ny brukstilfelle er programvare for ansiktsgjenkjenning, et debattområde knyttet til cybersikkerhet og datavern. Ansiktsgjenkjenning brukes for tiden fra appautentisering til rettshåndhevelse og er aktivert av dype nevrale nettverk som behandler politiregister og brukerinnsendte selfies. Finansielle tjenester er nok en bransje som drar stor nytte av dype nevrale nettverk, som bruker AI til å forutsi markedsbevegelser, analysere lånesøknader og identifisere potensiell svindel.

Dype nevrale nettverk kan også analysere medisinske bilder, som røntgen og magnetisk resonansavbildning (MRI), for å hjelpe til med å diagnostisere sykdommer og forutsi pasientutfall. De kan også brukes til å analysere elektroniske helsejournaler for å identifisere trender og risikofaktorer for visse forhold. Nevrale nettverk har også potensial til å bli brukt i legemiddeloppdagelse, personlig tilpasset medisin og håndtering av befolkningshelse. Det er imidlertid viktig å merke seg at ANN-er bør hjelpe til med medisinske beslutninger i stedet for å erstatte ekspertisen og dømmekraften til trente medisinske fagfolk.

Anvendelser av dype nevrale nettverk

Bredere anvendelser av dype nevrale nettverk kan omfatte:

• Algoritmer blir stadig mer sofistikerte gjennom mer komplekse datasett og bedre teknologier, noe som resulterer i oppgaver på høyt nivå som å tilby konsulenttjenester og investeringsrådgivning. I 2022 demonstrerte kraftige forbrukervennlige algoritmer, som Open AIs ChatGPT kraften, allsidigheten og anvendeligheten til et AI-system trent på tilstrekkelig store datasett. (Hvitsnipparbeidere over hele verden opplevde en kollektiv rystelse.)
• Kunstig intelligens blir i økende grad brukt i militæret for å gi sanntidsinformasjon og intelligens for å støtte krigsstrategier.
• Dype nevrale nettverk som gjør det mulig for Metaverse å lage et komplekst digitalt økosystem sammensatt av sanntidsinformasjon som demografi, kundeatferd og økonomiske prognoser.
• ANN-er som blir opplært til å gjenkjenne mønstre i data som indikerer uredelig aktivitet, og brukes til å flagge mistenkelige transaksjoner innen felt som finans og e-handel.
• Dype nevrale nettverk brukes til å gjenkjenne objekter, mennesker og scener i bilder og videoer. Denne metoden brukes i applikasjoner som selvkjørende biler, sikkerhetssystemer og merking av sosiale medier.

Spørsmål å vurdere

• Hvordan tror du ellers dype nevrale nettverk vil endre samfunnet i løpet av de neste tre årene?
• Hva kan være de potensielle utfordringene og risikoene?