Hvad er fordelene ved kunstige neurale netværk ?

Neurale netværk efterligne menneskelige hjernefunktioner . dny3d / iStock / Getty Images

Modeling hvordan hjernen fungerer, og replikere sin fleksibilitet og associative evner er en løbende forskning mål for kunstig intelligens forskning.Kunstige neurale netværk er en måde at AI forskning bevæger sig langsomt ud af riget af teori og i dag-til-dag brug i visse brancher og områder.Funktionelt, et kunstigt neuralt netværk emulerer neuron struktur af den menneskelige hjerne, hvor hver neuron fungerer som en gateway for differentieret datatransmission.Ligesom en menneskelig hjerne, neurale netværk tilpasse sig oplysninger om interne og eksterne input, og de er udbredt i områder, hvor mønstergenkendelse er vigtig.De er nøglen til robotteknologi og er et afgørende element i den teknologi, der anvendes til selvstændigt kontrollerede droner og biler.

Økologisk Learning

  • Neurale netværk - inden for rammerne af deres data input og oprindelige betingelser - kan lære økologisk.De er ikke begrænset udelukkende af, hvad der er blevet gi

    vet til dem i et ekspertsystem.Neurale netværk kan generalisere fra deres input, hvilket gør dem værdifulde for robotteknologi og mønstergenkendelse systemer, og for storstilet dataanalyse.

lineær Data Processing

  • Nonlinear systemer udfører genveje til at nå beregningsmæssigt dyre løsninger, og kan udlede sammenhænge mellem datapunkter, snarere end at vente på poster i en datakilde for at udtrykkeligt forbundet.Denne ikke-lineære genvej mekanisme er grunden til neurale netværk teknikker er værdifulde i kommercielt big-dataanalyse og er grunden IBMs Watson lykkedes på "Jeopardy".

fejltolerance

  • Udover de databehandling fordele, kunstige netværk har potentiale for høj fejltolerance;når skaleres på tværs af flere maskiner og flere servere, et neuralt netværk er i stand til at rute omkring manglende data eller servere og noder, der ikke kan kommunikere.

selvreparerende

  • Neurale netværk kan gøre mere end rute omkring dele af netværket, som ikke længere fungerer;hvis de bliver bedt om data, der var i en del af det netværk, der ikke længere kommunikere, de kan regenerere store mængder data ved inferens og bruge deres økologiske karaktertræk læring, der arbejder frem fra deres nuværende tilstand.Dette er også en nyttig egenskab for netværk, der har brug for at informere deres brugere om den aktuelle tilstand af den samlede netværk og effektivt resulterer i en selv-debugging og diagnosticering netværk.Som netværk bliver mere kompliceret og netværk vokse sig større, vil denne funktion vinde i betydning.

767
0
1
Andre Computer Networking