ნეირონული ქსელი გამოთვლითი სისტემაა, აგებული ერთმანეთთან დაკავშირებული მარტივი ერთეულების — ხელოვნური ნეირონების — ფენებისგან, სადაც თითოეულ კავშირს აქვს რიცხვითი „წონა", რომელიც აძლიერებს ან ასუსტებს მასზე გამავალ სიგნალს. თუ ქსელს მიაწვდით რაიმე მონაცემს — ფოტოს, წინადადებას, ხმის ჩანაწერს — ის ამ მონაცემს ფენა-ფენა გარდაქმნის, სანამ ბოლო ფენა არ გასცემს პასუხს: ჭდეს, სიტყვას, რიცხვს. ნეირონული ქსელის ძალა ცალკეულ ნეირონში კი არა, იმაშია, რომ მისი ათასობით ან მილიარდობით წონის დარეგულირება ავტომატურად, მაგალითებზე დაყრდნობით ხდება — ანუ ქსელი თავად ვითარდება ამოცანაში, ხელით დაწერილი წესების გარეშე.
როგორ არის აგებული ნეირონული ქსელი
ნებისმიერ ნეირონულ ქსელს აქვს შეყვანის ფენა, ერთი ან რამდენიმე ფარული ფენა და გამომავალი ფენა. მონაცემი შეყვანის ფენაში შედის — ვთქვათ, სურათის თითოეული პიქსელის სიკაშკაშე — შემდეგ ფენის ყოველი ნეირონი თავის შემავალ სიგნალებს საკუთარი წონებით აერთიანებს და შედეგს პატარა მათემატიკურ ფუნქციაში ატარებს (მას „აქტივაციის ფუნქცია" ჰქვია), რომელიც წყვეტს, რამდენად ძლიერად უნდა „ავარდეს" ეს ნეირონი. საკმარისი რაოდენობის ასეთი ფენის ერთმანეთზე დაწყობით ქსელს შეუძლია სულ უფრო აბსტრაქტული შაბლონების ამოცნობა: საწყისი ფენები სურათში კიდეებს ამოიცნობენ, შუალედური ფენები კიდეებს ფორმებად აერთიანებენ, ხოლო ბოლო ფენები — მთლიან საგნებს. ბევრფენიან ნეირონულ ქსელს ხშირად „ღრმა ნეირონულ ქსელს" უწოდებენ — სწორედ აქედან მოდის ტერმინი „ღრმა სწავლება".
როგორ სწავლობს ის
ახლადშექმნილი ნეირონული ქსელი თითქმის უსარგებლოა — მისი წონები შემთხვევითი მნიშვნელობებით იწყება, ამიტომ პირველი ვარაუდები შემთხვევითობას ძლივს სჯობია. ის სწავლობს განმეორებადი ციკლით: აკეთებს პროგნოზს, ადარებს მას სწორ პასუხს „დანაკარგის ფუნქციის" მეშვეობით, რომელიც აფასებს, რამდენად შეცდა, შემდეგ ოდნავ არეგულირებს წონებს, რომ შემდეგ ჯერზე ეს შეცდომა შეამციროს. ალგორითმს, რომელიც ზუსტად ითვლის, რამდენად უნდა შეიცვალოს თითოეული წონა, ჰქვია უკუპროპაგაცია — ის შეცდომას გამომავალი ფენიდან შეყვანის ფენისკენ, უკუღმა ავრცელებს და ითვლის, რომელ წონას რამდენი „ბრალი" მიუძღვის. ეს ციკლი მილიონობით მაგალითზე მეორდება — პროცესი უფრო დაწვრილებით აღწერილია სტატიაში როგორ ივარჯიშებს AI მოდელი — და საბოლოოდ წონები ისეთ მნიშვნელობებზე „ჩერდება", რაც ქსელს საშუალებას აძლევს, ადრე უნახავ მონაცემებზეც კარგად იმუშაოს.
ერთი ნეირონიდან თანამედროვე AI-მდე
იდეა ძველია. 1958 წელს ფრანკ როზენბლატმა ააგო პერსეპტრონი — ხელოვნური ნეირონების ერთი ფენა, რომელსაც შეეძლო მარტივი შაბლონების გამიჯვნის სწავლა და რომელიც პირველ სამუშაო ნეირონულ ქსელად ითვლება. მას დიდი არაფრის გაკეთება შეეძლო, და ამ მიდგომისადმი ინტერესი მომდევნო ათწლეულებში ორჯერ თითქმის ჩაქრა კიდეც. ვითარება შეიცვალა მასშტაბის ზრდით: იაფმა გრაფიკულმა ჩიპებმა (GPU) გამოავლინეს განსაკუთრებული უნარი იმ მატრიცული გამოთვლებისთვის, რაც ნეირონულ ქსელებს სჭირდება, და 2010-იანი წლებისთვის მკვლევრებმა შეძლეს გაცილებით მეტფენიანი ქსელების წვრთნა, გაცილებით მეტ მონაცემზე, ვიდრე ადრე იყო შესაძლებელი. სწორედ ამას გულისხმობენ დღეს მანქანური სწავლების სპეციალისტები, როცა „ღრმა სწავლებაზე" საუბრობენ — და ეს იგივე ფენოვანი, წონებზე დაფუძნებული სტრუქტურაა, უბრალოდ გაცილებით დიდი — ის დევს დღევანდელი ჩატბოტებისა და სურათების გენერატორების მამოძრავებელი ტრანსფორმერის არქიტექტურის საფუძველში.
რატომ აქვს მნიშვნელობა
თითქმის ყველა ბოლოდროინდელი AI-ის მიღწევა — მეტყველების ამოცნობა, ენების თარგმნა, სურათების გენერაცია, დიდი ენობრივი მოდელის მუშაობა — ამავე იდეის რაღაც ვარიანტს ეყრდნობა: მონაცემებზე გაწვრთნილი, დარეგულირებადი წონების ფენებს, სანამ ისინი სასარგებლო შაბლონს არ დაიჭერენ. იმის გაცნობიერება, რომ ნეირონული ქსელი არსებითად გაწვრთნილი სტატისტიკური სტრუქტურაა და არა გონება, მისი შეზღუდვების ახსნაშიც გვეხმარება: ის კარგად მუშაობს ძირითადად იმ სიტუაციებში, რომლებიც წვრთნის მონაცემებს ჰგავს, არ იძლევა სისწორის ჩაშენებულ გარანტიას, ხოლო მისი რიცხვების უზარმაზარი ბადეების უშუალოდ შემოწმება ადამიანისთვის რთულია — რის გამოც მკვლევრები ცალკე მიმართულებას უთმობენ მხოლოდ მის „შიგნით ჩახედვას".
ნახეთ, როგორ სწავლობს
რადგან ამ იდეის ყურებით აღქმა უფრო ადვილია, ვიდრე მასზე კითხვა, Google-ის უფასო Neural Network Playground საშუალებას აძლევს ნებისმიერს, ბრაუზერში დაარეგულიროს ფენები, ნეირონები და მონაცემები და რეალურ დროში უყუროს, როგორ სწავლობს პატარა ქსელი.
ხშირად დასმული კითხვები
ნეირონული ქსელი და ხელოვნური ინტელექტი ერთი და იგივეა?
არა. ხელოვნური ინტელექტი (AI) ისეთი სისტემების შექმნის ფართო მიზანია, რომლებსაც ინტელექტის მოთხოვნადი ამოცანების შესრულება შეუძლიათ; ნეირონული ქსელი კი ერთ-ერთი მეთოდია — ამჟამად ყველაზე წარმატებული — ასეთი სისტემების ასაშენებლად.
ნეირონული ქსელი ადამიანის ტვინივით ფიქრობს?
მხოლოდ ზედაპირულად. მასში გამოყენებულია ერთმანეთთან დაკავშირებული ნეირონებისა და დარეგულირებადი კავშირების იდეა, მაგრამ ეს მხოლოდ ბუნდოვანი ინსპირაციაა და არა ბიოლოგიური აზროვნების სამუშაო მოდელი.
რამდენად დიდი შეიძლება იყოს ნეირონული ქსელი?
თანამედროვე დიდი ენობრივი მოდელები იყენებენ ქსელებს ასობით მილიარდი დარეგულირებადი წონით, რომელთა წვრთნაც სპეციალიზებულ გამოთვლით კლასტერებში ხდება — ეს შორსაა იმისგან, რისი გაძლებაც ერთ კომპიუტერს ერთი ათწლეულის წინაც კი შეეძლო.
შეუძლია ნეირონულ ქსელს, თავად ახსნას საკუთარი გადაწყვეტილებები?
პირდაპირ — არა. მისი პასუხი მილიონობით პატარა, წონებზე დაფუძნებული გამოთვლის შედეგია, რის გამოც ინტერპრეტირებადობის მკვლევრები ცალკე ხელსაწყოებს ქმნიან იმის დასადგენად, თუ როგორ მივიდა ქსელი კონკრეტულ პასუხამდე.