Qu'est-ce qu'un neurone artificiel?
Un neurone artificiel est une fonction mathématique dans la programmation logicielle pour les systèmes informatiques qui tente dans une certaine mesure pour imiter l'interaction complexe des neurones biologiques, ou des cellules conductrices de l'impulsion dans le cerveau humain et le système nerveux. La première version du neurone artificiel a été créée en 1943 par Warren McCulloch et Walter Pitts comme une forme de neurone binaire, où l'entrée pourrait être une valeur de 1 ou -1. Ensemble, une combinaison de ces entrées est pondérée. Si un certain seuil est surmonté, la sortie du neurone artificiel est 1 et, si les entrées sont insuffisantes lorsqu'elles sont combinées, la sortie est une valeur -1.
Ensemble, une collection de neurones artificiels interconnectés est censé fonctionner d'une manière fondamentale comme le cerveau humain. Une telle conception de réseau neuronal artificiel est considérée comme un tremplin clé sur le chemin du développement de systèmes informatiques synthétiques de la vie artificielle qui peuvent raisonner dans une certaine capacité comme le font les êtres humains. Systèmes informatiques intelligents aujourd'hui alreaDY utilise des réseaux de neurones qui permettent un traitement parallèle de la saisie de données de manière plus rapide que la programmation informatique linéaire traditionnelle.
Un exemple de système à l'œuvre qui dépend du neurone artificiel est un système de protection des cultures développé en 2006, qui a utilisé un véhicule volant pour scanner les conditions de culture pour la présence de maladies saisonnières et de parasites. Le logiciel de réseau neuronal a été choisi pour contrôler la numérisation des cultures, car les réseaux de neurones apprennent essentiellement les ordinateurs. Au fur et à mesure que davantage de données leur sont introduites dans des conditions locales, elles deviennent plus efficaces pour détecter les problèmes afin qu'ils puissent être rapidement contrôlés avant de se propager. Un système standard contrôlé par ordinateur, en revanche, aurait traité l'ensemble du champ des cultures également, quelles que soient les conditions variables dans certaines sections. Sans reprogrammation continue des concepteurs, cela aurait prouvé beaucoup plusfficience qu'un système basé sur des adaptations de neurones artificiels.
Le logiciel de réseau neuronal offre également l'avantage qu'il est adaptable par les ingénieurs qui ne connaissent pas intimement la conception de base du logiciel à un niveau de codage. Le logiciel est capable d'être adapté à un large éventail de conditions et acquiert une compétence car elle est exposée à ces conditions et recueille des données à leur sujet. Initialement, un réseau neuronal produira une sortie incorrecte en tant que solutions aux problèmes, mais, à mesure que cette sortie est produite, elle est renvoyée dans le système en entrée et un processus continu de raffinage et de pesée des données le conduit à une compréhension de plus en plus précise des conditions du monde réel, étant donné suffisamment de temps et de rétroaction.
L'adaptation dans la façon dont un réseau neuronal est conçu a conduit à d'autres types de neurones artificiels en plus de la structure de neurones binaires de base créée en 1943. Les réseaux neuronaux semi-linéaires intègrent à la fois des fonctions linéaires et non linéaires activées par des conditions. Si tLe problème analysé affiche des conditions qui ne sont pas linéaires, ou pas clairement prévisibles, et non mineures, alors les fonctions non linéaires du système sont utilisées en ayant plus de poids que les calculs linéaires. Alors que la formation du système neuronal se poursuit, le système devient meilleur pour contrôler les conditions du monde réel qu'elle surveillait par rapport aux conditions idéales du système. Cela implique souvent d'incorporer des modèles neuro-fuzzy dans le réseau neuronal, qui sont capables de tenir compte des degrés d'imprécision dans la production d'états de sortie et de contrôle significatifs.