Co je umělý neuron?
Umělý neuron je matematická funkce v programování softwaru pro počítačové systémy, která se pokouší do určité míry napodobit komplexní interakci biologických neuronů nebo impulsních buněk v lidském mozku a nervovém systému. První verze umělého neuronu byla vytvořena v roce 1943 Warrenem McCullochem a Walterem Pittsem jako forma binárního neuronu, kde vstupem může být hodnota 1 nebo -1. Společně se zváží kombinace těchto vstupů. Pokud je překročena určitá prahová hodnota, je výstup umělého neuronu 1, a pokud jsou vstupy při kombinaci nedostatečné, je výstupem -1 hodnota.
Společně má sbírka propojených umělých neuronů fungovat nějakým základním způsobem jako lidský mozek. Takový umělý neuronový síťový design je považován za klíčový odrazový můstek na cestě k rozvoji umělého života, syntetických počítačových systémů, které mohou do jisté míry rozumět jako lidské bytosti. Inteligentní počítačové systémy dnes již používají neuronové sítě, které umožňují paralelní zpracování vstupů rychleji než tradiční lineární počítačové programování.
Příkladem systému práce, který závisí na umělém neuronu, je systém ochrany plodin vyvinutý v roce 2006, který využíval létající vozidlo ke snímání stavu plodin na výskyt sezónních chorob a škůdců. Software neuronové sítě byl vybrán pro kontrolu skenování plodin, protože neuronové sítě jsou v podstatě učící se počítače. Protože se do nich v místních podmínkách přivádí více údajů, stávají se účinnější při odhalování problémů, takže je lze rychle šířit ještě před jejich šířením. Na druhou stranu by standardní počítačově řízený systém ošetřoval celé pole plodin stejně, bez ohledu na měnící se podmínky v určitých částech. Bez neustálého přeprogramování konstruktéry by se ukázalo mnohem neefektivnější než systém založený na umělých neuronových adaptacích.
Software neuronové sítě také nabízí výhodu, že je adaptabilní inženýry, kteří nejsou důvěrně seznámeni se základním návrhem softwaru na kódovací úrovni. Tento software je schopen se přizpůsobit širokému spektru podmínek a získává odbornost, protože je vystaven těmto podmínkám a shromažďuje o nich údaje. Neuronová síť bude zpočátku produkovat nesprávný výstup jako řešení problémů, ale jakmile je tento výstup produkován, je přiváděn zpět do systému jako vstup a nepřetržitý proces rafinace a vážení dat vede k stále přesnějšímu porozumění skutečným světových podmínkách, dostatek času a zpětné vazby.
Adaptace v tom, jak je neuronová síť navržena, vedla k základnímu typu umělých neuronů kromě základní struktury binárních neuronů vytvořených v roce 1943. Semi-lineární neuronové sítě obsahují jak lineární, tak nelineární funkce, které jsou aktivovány podmínkami. Pokud analyzovaný problém vykazuje podmínky, které nejsou lineární nebo nejsou jasně předvídatelné a nejsou malé, pak se nelineární funkce systému využijí tím, že jim bude dána větší váha než lineární výpočty. Jak trénink nervového systému pokračuje, systém se stává lepším v řízení podmínek skutečného světa, monitoruje versus jaké by měly být ideální podmínky systému. To často zahrnuje začlenění neuro-fuzzy modelů do neuronové sítě, které jsou schopny vysvětlit stupně nepřesnosti při vytváření smysluplných výstupních a kontrolních stavů.