O que é um neurônio artificial?
Um neurônio artificial é uma função matemática na programação de software para sistemas de computador, que tenta, em algum grau, imitar a interação complexa de neurônios biológicos, ou células condutoras de impulso no cérebro humano e no sistema nervoso. A primeira versão do neurônio artificial foi criada em 1943 por Warren McCulloch e Walter Pitts como uma forma de neurônio binário, onde a entrada pode ser um valor de 1 ou -1. Juntos, uma combinação dessas entradas é ponderada. Se um certo limite for superado, a saída do neurônio artificial é 1 e, se as entradas forem insuficientes quando combinadas, a saída será um valor -1. Esse design de rede neural artificial é visto como um trampolim -chave ao longo do caminho para o desenvolvimento da vida artificial, sistemas de computadores sintéticos que podem raciocinar em alguma capacidade como os seres humanos. Sistemas de computador inteligentes hoje AlreaA DY emprega redes neurais que permitem o processamento paralelo da entrada de dados de uma maneira mais rápida do que a programação linear de computador tradicional.
Um exemplo de um sistema em ação que depende do neurônio artificial é um sistema de proteção contra culturas desenvolvido em 2006, que utilizou um veículo voador para escanear as condições da colheita para a presença de doenças e pragas sazonais. O software de rede neural foi escolhido para controlar a varredura das culturas, pois as redes neurais estão essencialmente aprendendo computadores. À medida que mais dados são alimentados neles em condições locais, eles se tornam mais eficientes na detecção de problemas, para que possam ser controlados rapidamente antes de se espalharem. Um sistema controlado por computador padrão, por outro lado, teria tratado todo o campo de culturas igualmente, independentemente de condições variadas em determinadas seções. Sem reprogramação contínua pelos designers, teria se mostrado muito maisFficient do que um sistema baseado em adaptações de neurônios artificiais.
O software de rede neural também oferece a vantagem de ser adaptável por engenheiros que não estão intimamente familiarizados com o design básico do software em um nível de codificação. O software é capaz de ser adaptado a uma ampla gama de condições e ganha proficiência, pois é exposto a essas condições e reúne dados sobre eles. Inicialmente, uma rede neural produzirá saída incorreta como soluções para os problemas, mas, à medida que essa saída é produzida, ela é devolvida ao sistema como entrada e um processo contínuo de refinar e pesar os dados o leva a uma compreensão cada vez mais precisa das condições do mundo real, dado tempo e feedback suficientes.A adaptação na maneira como uma rede neural é projetada levou a outros tipos de neurônios artificiais, além da estrutura básica de neurônios binários criada em 1943. As redes neurais semi-lineares incorporam funções lineares e não lineares que são ativadas pelas condições. Se tO problema do problema de ser analisado exibe condições que não são lineares ou não claramente previsíveis e não são pequenas, então as funções não lineares do sistema são utilizadas por receber mais peso do que os cálculos lineares. À medida que o treinamento do sistema neural continua, o sistema se torna melhor no controle das condições do mundo real que está monitorando versus quais devem ser as condições ideais do sistema. Isso geralmente envolve a incorporação de modelos neuro-fuzzia na rede neural, capaz de explicar graus de imprecisão na produção de estados significativos de saída e controle.