ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ಸ್: ಅವರು ಏನು ಮತ್ತು ಹೇಗೆ ಅವರು ನಿಮ್ಮ ಜೀವನವನ್ನು ಪ್ರಭಾವಿಸುತ್ತಾರೆ

ನಿಮ್ಮ ಸುತ್ತಲಿನ ತಂತ್ರಜ್ಞಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನೀವು ತಿಳಿದುಕೊಳ್ಳಬೇಕಾದದ್ದು

ನರವ್ಯೂಹದ ಜಾಲಗಳು ಸಂಪರ್ಕ ಘಟಕಗಳ ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಗಳು ಅಥವಾ ಮಾನವರಲ್ಲಿ ನ್ಯೂರಾನ್ಗಳು (ನರ ಕೋಶಗಳು) ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎನ್ನುವುದರ ಮೂಲಕ ಮಾಹಿತಿಯನ್ನು (ಡೇಟಾ) ನಿಂದ ಪ್ರಸಾರ ಮಾಡಲು, ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ಕಲಿಯಲು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ನೋಡ್ಗಳಾಗಿವೆ .

ಕೃತಕ ನರಮಂಡಲ ನೆಟ್ವರ್ಕ್ಸ್

ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ, ನರಗಳ ಜಾಲಗಳನ್ನು ಆಗಾಗ್ಗೆ ಕೃತಕ ನರಮಂಡಲವೆಂದು (ANN ಗಳು) ಅಥವಾ ನರ ಪರದೆಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಅವುಗಳು ನಂತರ ರೂಪಿಸಲಾದ ಜೈವಿಕ ನರಗಳ ಜಾಲಗಳಿಂದ ವ್ಯತ್ಯಾಸಗೊಳ್ಳುತ್ತವೆ. ANN ಗಳ ಹಿಂದಿರುವ ಮುಖ್ಯ ಕಲ್ಪನೆಯೆಂದರೆ, ಮಾನವ ಮೆದುಳು ಅತ್ಯಂತ ಸಂಕೀರ್ಣ ಮತ್ತು ಬುದ್ಧಿವಂತ "ಕಂಪ್ಯೂಟರ್" ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ. ಮೆದುಳಿನಿಂದ ಬಳಸಲ್ಪಡುವ ಮಾಹಿತಿ ಸಂಸ್ಕರಣೆಯ ರಚನೆ ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸಾಧ್ಯವಾದಷ್ಟು ANN ಗಳನ್ನು ರೂಪಿಸುವ ಮೂಲಕ, ಸಂಶೋಧಕರು ಮಾನವ ಗುಪ್ತಚರವನ್ನು ಹತ್ತಿರ ಅಥವಾ ಮೀರಿಸಿದ ಕಂಪ್ಯೂಟರ್ಗಳನ್ನು ರಚಿಸಲು ಆಶಿಸಿದರು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ಎಐ), ಮೆಷಿನ್ ಕಲಿಕೆ (ಎಮ್ಎಲ್), ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ ಪ್ರಸ್ತುತ ಪ್ರಗತಿಗಳ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ನರಗಳ ಪರದೆಗಳು.

ನ್ಯೂರಾಲ್ ನೆಟ್ವರ್ಕ್ಸ್ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ಎ ಹೋಲಿಕೆ

ನರಮಂಡಲ ಜಾಲಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಎರಡು ರೀತಿಯ (ಜೀವವೈಜ್ಞಾನಿಕ ಮತ್ತು ಕೃತಕ) ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, 15-ಮಹಡಿ ಕಚೇರಿ ಕಟ್ಟಡದ ಉದಾಹರಣೆ ಮತ್ತು ಕಟ್ಟಡಗಳು, ಮಾಲಿಕ ಮಹಡಿಗಳು, ಮತ್ತು ಪ್ರತ್ಯೇಕ ಕಛೇರಿಗಳ ಉದ್ದಕ್ಕೂ ಕರೆಗಳನ್ನು ಮಾಡುವ ಫೋನ್ ಲೈನ್ಗಳು ಮತ್ತು ಸ್ವಿಚ್ಬೋರ್ಡ್ಗಳ ಉದಾಹರಣೆಗಳನ್ನು ನಾವು ಬಳಸೋಣ. ನಮ್ಮ 15-ಮಹಡಿ ಕಛೇರಿ ಕಟ್ಟಡದಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಕಛೇರಿಯು ನರಕೋಶವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ (ಕಂಪ್ಯೂಟರ್ ನೆಟ್ವರ್ಕಿಂಗ್ನಲ್ಲಿ ನೋಡ್ ಅಥವಾ ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ ನರ ಕೋಶ). ಕಟ್ಟಡವು 15 ಅಂತಸ್ತುಗಳ (ನರಮಂಡಲ) ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ವ್ಯವಸ್ಥೆಗೊಳಿಸಲಾದ ಕಚೇರಿಗಳನ್ನು ಹೊಂದಿರುವ ಒಂದು ರಚನೆಯಾಗಿದೆ.

ಜೈವಿಕ ನರಮಂಡಲಗಳಿಗೆ ಉದಾಹರಣೆಯನ್ನು ಅಳವಡಿಸಿಕೊಂಡು, ಕರೆಗಳನ್ನು ಸ್ವೀಕರಿಸುವ ಸ್ವಿಚ್ಬೋರ್ಡ್ಗೆ ಇಡೀ ಕಟ್ಟಡದ ಯಾವುದೇ ಮಹಡಿಯಲ್ಲಿ ಯಾವುದೇ ಕಛೇರಿಗೆ ಸಂಪರ್ಕಿಸಲು ಸಾಲುಗಳಿವೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಪ್ರತಿಯೊಂದು ಕಛೇರಿಯು ಯಾವುದೇ ಮಹಡಿಯಲ್ಲಿ ಇಡೀ ಕಟ್ಟಡದಲ್ಲಿ ಎಲ್ಲ ಕಛೇರಿಗಳಿಗೆ ಸಂಪರ್ಕಿಸುವ ಸಾಲುಗಳನ್ನು ಹೊಂದಿದೆ. ಒಂದು ಕರೆ (ಇನ್ಪುಟ್) ನಲ್ಲಿ ಬರುತ್ತದೆ ಮತ್ತು ಸ್ವಿಚ್ಬೋರ್ಡ್ ಅದನ್ನು 3 ನೇ ಮಹಡಿಯಲ್ಲಿರುವ ಕಚೇರಿಗೆ ವರ್ಗಾಯಿಸುತ್ತದೆ ಎಂದು ಊಹಿಸಿ, ಇದು 11 ನೇ ಮಹಡಿಯಲ್ಲಿನ ಕಚೇರಿಗೆ ನೇರವಾಗಿ ವರ್ಗಾಯಿಸುತ್ತದೆ, ನಂತರ ಅದನ್ನು ನೇರವಾಗಿ 5 ನೇ ಮಹಡಿಯಲ್ಲಿ ಕಚೇರಿಗೆ ವರ್ಗಾಯಿಸುತ್ತದೆ. ಮೆದುಳಿನಲ್ಲಿ, ಪ್ರತಿ ನರಕೋಶ ಅಥವಾ ನರ ಕೋಶವು (ಕಛೇರಿ) ಅದರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಅಥವಾ ನರಮಂಡಲದ (ಕಟ್ಟಡ) ಯಾವುದೇ ನರಕೋಶದೊಂದಿಗೆ ನೇರವಾಗಿ ಸಂಪರ್ಕಿಸುತ್ತದೆ. ಉತ್ತರ ಅಥವಾ ರೆಸಲ್ಯೂಶನ್ (ಔಟ್ಪುಟ್) ತನಕ ಅಗತ್ಯವಿರುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತಿಳಿಯಲು ಅಥವಾ ತಿಳಿದುಕೊಳ್ಳಲು ಮಾಹಿತಿ (ಕರೆ) ಯಾವುದೇ ನರಕೋಶಕ್ಕೆ (ಕಚೇರಿ) ರವಾನಿಸಬಹುದು.

ನಾವು ANN ಗಳಿಗೆ ಈ ಉದಾಹರಣೆಯನ್ನು ಅನ್ವಯಿಸಿದಾಗ, ಇದು ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಂಕೀರ್ಣತೆಯನ್ನು ಪಡೆಯುತ್ತದೆ. ಕಟ್ಟಡದ ಪ್ರತಿ ಮಹಡಿಗೆ ತನ್ನದೇ ಆದ ಸ್ವಿಚ್ಬೋರ್ಡ್ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅದು ಒಂದೇ ಮಹಡಿಯಲ್ಲಿನ ಕಚೇರಿಗಳಿಗೆ ಮಾತ್ರವೇ ಸಂಪರ್ಕಿಸಬಲ್ಲದು, ಅಲ್ಲದೆ ಅದರ ಮೇಲೆ ಮತ್ತು ಕೆಳಗಿನ ಮಹಡಿಗಳಲ್ಲಿ ಸ್ವಿಚ್ಬೋರ್ಡ್ಗಳು. ಪ್ರತಿಯೊಂದು ಕಛೇರಿ ಒಂದೇ ಮಹಡಿಯಲ್ಲಿ ಮತ್ತು ಆ ನೆಲದ ಸ್ವಿಚ್ಬೋರ್ಡ್ನಲ್ಲಿ ನೇರವಾಗಿ ಇತರ ಕಛೇರಿಗಳಿಗೆ ಸಂಪರ್ಕಿಸಬಹುದು. ಎಲ್ಲಾ ಹೊಸ ಕರೆಗಳು 1 ನೇ ಮಹಡಿಯಲ್ಲಿ ಸ್ವಿಚ್ಬೋರ್ಡ್ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಬೇಕು ಮತ್ತು ಕರೆ ಅಂತ್ಯಗೊಳ್ಳುವ ಮೊದಲು ಸಂಖ್ಯಾತ್ಮಕ ಕ್ರಮದಲ್ಲಿ 15 ನೇ ಮಹಡಿಗೆ ಪ್ರತಿಯೊಂದು ಮಹಡಿಗೆ ವರ್ಗಾಯಿಸಬೇಕು. ಅದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ನೋಡಲು ಚಲನೆಯಲ್ಲಿ ಇಡೋಣ.

1 ಸ್ಟ ಮಹಡಿ ಸ್ವಿಚ್ಬೋರ್ಡ್ಗೆ ಕರೆ (ಇನ್ಪುಟ್) ನಲ್ಲಿ ಬರುತ್ತದೆ ಮತ್ತು 1 ಸ್ಟ ಮಹಡಿಯಲ್ಲಿ (ನೋಡ್) ಕಚೇರಿಗೆ ಕಳುಹಿಸಲಾಗುವುದು ಎಂದು ಇಮ್ಯಾಜಿನ್ ಮಾಡಿ. ನಂತರ ಮುಂದಿನ ಮಹಡಿಗೆ ಕಳುಹಿಸಲು ಸಿದ್ಧವಾಗುವವರೆಗೆ ಈ ಕರೆ ಅನ್ನು 1 ಸ್ಟ ಮಹಡಿಯಲ್ಲಿ ಇತರ ಕಚೇರಿಗಳು (ನೋಡ್ಗಳು) ನಡುವೆ ನೇರವಾಗಿ ವರ್ಗಾಯಿಸಲಾಗುತ್ತದೆ. ನಂತರ ಕರೆ 1 ನೇ ಮಹಡಿಯ ಸ್ವಿಚ್ಬೋರ್ಡ್ಗೆ ಕಳುಹಿಸಬೇಕು, ನಂತರ ಅದನ್ನು 2 nd ಮಹಡಿ ಸ್ವಿಚ್ಬೋರ್ಡ್ಗೆ ವರ್ಗಾಯಿಸುತ್ತದೆ. ಈ ಹಂತಗಳು ಒಂದು ಹಂತದಲ್ಲಿ ಒಂದು ಮಹಡಿಗೆ ಪುನರಾವರ್ತಿಸಿ, ಪ್ರತಿಯೊಂದು ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ನೆಲದ 15 ವರೆಗೆ ಈ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಕಳುಹಿಸಲಾಗುವುದು.

ANN ಗಳಲ್ಲಿ, ಗ್ರಂಥಿಗಳು (ಕಛೇರಿಗಳು) ಪದರಗಳಲ್ಲಿ ಜೋಡಿಸಲ್ಪಟ್ಟಿವೆ (ಕಟ್ಟಡದ ಮಹಡಿಗಳು). ಮಾಹಿತಿ (ಕರೆ) ಯಾವಾಗಲೂ ಇನ್ಪುಟ್ ಲೇಯರ್ (1 ಸ್ಟ ಮಹಡಿ ಮತ್ತು ಅದರ ಸ್ವಿಚ್ಬೋರ್ಡ್) ಮೂಲಕ ಬರುತ್ತವೆ ಮತ್ತು ಮುಂದಿನ ಪದರಕ್ಕೆ ತೆರಳುವ ಮೊದಲು ಪ್ರತಿ ಲೇಯರ್ (ನೆಲದ) ಮೂಲಕ ಅದನ್ನು ಕಳುಹಿಸಬೇಕು. ಪ್ರತಿಯೊಂದು ಲೇಯರ್ (ಮಹಡಿ) ಆ ಕರೆಯ ಬಗ್ಗೆ ಒಂದು ನಿರ್ದಿಷ್ಟ ವಿವರವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಮುಂದಿನ ಪದರಕ್ಕೆ ಕರೆದೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ಕಳುಹಿಸುತ್ತದೆ. ಔಟ್ಪುಟ್ ಪದರವನ್ನು ತಲುಪಿದಾಗ (15 ನೇ ಮಹಡಿ ಮತ್ತು ಅದರ ಸ್ವಿಚ್ಬೋರ್ಡ್), ಇದು 1-14 ಪದರಗಳ ಪ್ರಕ್ರಿಯೆ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ. 15 ನೇ ಲೇಯರ್ (ನೆಲ) ಮೇಲೆ ನೋಡ್ಗಳು (ಕಚೇರಿಗಳು) ಉತ್ತರ ಅಥವಾ ರೆಸಲ್ಯೂಶನ್ (ಔಟ್ಪುಟ್) ನೊಂದಿಗೆ ಬರಲು ಇತರ ಲೇಯರ್ಗಳಿಂದ (ಮಹಡಿಗಳನ್ನು) ಇನ್ಪುಟ್ ಮತ್ತು ಪ್ರಕ್ರಿಯೆ ಮಾಹಿತಿಯನ್ನು ಬಳಸುತ್ತವೆ.

ನ್ಯೂರಾಲ್ ನೆಟ್ವರ್ಕ್ಸ್ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್

ನರ ಪರದೆಗಳು ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಭಾಗದ ಅಡಿಯಲ್ಲಿ ಒಂದು ರೀತಿಯ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ. ವಾಸ್ತವವಾಗಿ, ನರ ಪರದೆಗಳ ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯಲ್ಲಿನ ಬೆಳವಣಿಗೆಯು ಎಮ್ಎಲ್ನಲ್ಲಿ ಇಬಬ್ಸ್ ಮತ್ತು ಪ್ರಗತಿಯ ಹರಿವಿನೊಂದಿಗೆ ಬಿಗಿಯಾಗಿ ಸಂಪರ್ಕ ಹೊಂದಿದೆ. ನರ ಪರದೆಗಳು ದತ್ತಾಂಶ ಸಂಸ್ಕರಣಾ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತವೆ ಮತ್ತು ML ನ ಕಂಪ್ಯೂಟಿಂಗ್ ಪವರ್ ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ, ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದಾದ ಡೇಟಾದ ಪ್ರಮಾಣವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಆದರೆ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನೂ ಸಹ ಹೆಚ್ಚಿಸುತ್ತದೆ.

ANN ಗಳ ಮೊದಲ ದಾಖಲಿತ ಕಂಪ್ಯೂಟರ್ ಮಾದರಿ 1943 ರಲ್ಲಿ ವಾಲ್ಟರ್ ಪಿಟ್ಸ್ ಮತ್ತು ವಾರೆನ್ ಮ್ಯಾಕ್ ಕುಲೊಕ್ರಿಂದ ರಚಿಸಲ್ಪಟ್ಟಿತು. ನರವ್ಯೂಹದ ಜಾಲಗಳು ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಆರಂಭಿಕ ಆಸಕ್ತಿ ಮತ್ತು ಸಂಶೋಧನೆಯು ಅಂತಿಮವಾಗಿ ನಿಧಾನಗೊಂಡಿತು ಮತ್ತು ನವೀಕರಿಸಿದ ಹಿತಾಸಕ್ತಿಯನ್ನು ಮಾತ್ರ ಸಣ್ಣ ಪ್ರಮಾಣದಲ್ಲಿ ಮಾತ್ರ 1969 ರ ವೇಳೆಗೆ ನಿಲ್ಲಿಸಲಾಯಿತು. ಈ ಪ್ರದೇಶಗಳನ್ನು ಮುಂದುವರೆಸಲು ಸಮಯದ ಕಂಪ್ಯೂಟರ್ಗಳು ಸಾಕಷ್ಟು ವೇಗವಾಗಿ ಅಥವಾ ಸಾಕಷ್ಟು ಪ್ರೊಸೆಸರ್ಗಳನ್ನು ಹೊಂದಿಲ್ಲ, ಮತ್ತು ಆ ಸಮಯದಲ್ಲಿ ML ಮತ್ತು ನರ ಪರದೆಗಳಿಗೆ ಅಗತ್ಯವಾದ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾ ಲಭ್ಯವಿರಲಿಲ್ಲ.

ಅಂತರ್ಜಾಲದ ಬೆಳವಣಿಗೆ ಮತ್ತು ವಿಸ್ತರಣೆಯೊಂದಿಗೆ ಕಾಲಾನಂತರದಲ್ಲಿ ಕಂಪ್ಯೂಟಿಂಗ್ ಪವರ್ನಲ್ಲಿ ಭಾರೀ ಹೆಚ್ಚಳ (ಅಂತರ್ಜಾಲದ ಮೂಲಕ ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿ ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸುವುದು) ಆ ಆರಂಭಿಕ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸಿದೆ. ಮುಖದ ಗುರುತಿಸುವಿಕೆ , ಇಮೇಜ್ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಶೋಧನೆ ಮತ್ತು ನೈಜ-ಸಮಯ ಭಾಷಾಂತರದಂತಹ ಕೆಲವೇ ಕೆಲವು ಹೆಸರನ್ನು ನಾವು ನೋಡುವ ಮತ್ತು ಬಳಸಿಕೊಳ್ಳುವ ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ ನರ ಪರದೆಗಳು ಮತ್ತು ML ಈಗ ವಾದ್ಯವೃಂದಗಳಾಗಿವೆ.

ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ನರವ್ಯೂಹದ ನೆಟ್ವರ್ಕ್ ಉದಾಹರಣೆಗಳು

ಎಎನ್ಎನ್ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಸಾಕಷ್ಟು ಸಂಕೀರ್ಣವಾದ ವಿಷಯವಾಗಿದೆ, ಆದಾಗ್ಯೂ, ಇದು ಪ್ರತಿದಿನ ನಮ್ಮ ಜೀವನವನ್ನು ಹೆಚ್ಚಿಸುವ ಹಲವಾರು ವಿಧಾನಗಳ ಕಾರಣದಿಂದಾಗಿ ಅನ್ವೇಷಿಸಲು ಸ್ವಲ್ಪ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ನರಗಳ ಜಾಲಗಳನ್ನು ವಿವಿಧ ಕೈಗಾರಿಕೆಗಳಿಂದ ಪ್ರಸ್ತುತವಾಗಿ ಬಳಸಲಾಗುವ ಕೆಲವು ಉದಾಹರಣೆಗಳೆಂದರೆ: