{"id":1972,"date":"2022-10-26T23:13:10","date_gmt":"2022-10-26T23:13:10","guid":{"rendered":"http:\/\/architeles.pl\/ethics\/?p=1972"},"modified":"2022-10-27T08:04:04","modified_gmt":"2022-10-27T08:04:04","slug":"sieci-neuronowe-zalozenia-technologie-narzedzia-mozliwosci-ograniczenia-zastosowania-zagrozenia","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2022\/10\/26\/sieci-neuronowe-zalozenia-technologie-narzedzia-mozliwosci-ograniczenia-zastosowania-zagrozenia\/","title":{"rendered":"Sieci neuronowe – za\u0142o\u017cenia, technologie, narz\u0119dzia, mo\u017cliwo\u015bci, ograniczenia, zastosowania, zagro\u017cenia."},"content":{"rendered":"

Istnieje szereg technologii i metod tworzenia sztucznej inteligencji. Jedn\u0105 z nich s\u0105 sztuczne sieci neuronowe, narz\u0119dzie obliczeniowe imituj\u0105ce w prosty spos\u00f3b dzia\u0142anie ludzkiego m\u00f3zgu. \u201eSieci\u201d to zbi\u00f3r jednostek przetwarzaj\u0105cych dane, komunikuj\u0105cych si\u0119 miedzy sob\u0105 i pracuj\u0105cych r\u00f3wnolegle. Znajduj\u0105 zastosowanie w systemach s\u0142u\u017c\u0105cych do rozpoznawania wzorc\u00f3w i rozwi\u0105zywania problem\u00f3w typowych dla dziedzin sztucznej inteligencji, uczenia maszynowego i uczenia g\u0142\u0119bokiego. Okre\u015blenie sztuczne sieci neuronowe wykorzystywane jest tak\u017ce jako nazwa dziedziny zajmuj\u0105cej si\u0119 konstrukcj\u0105 i badaniem tego rodzaju sieci. Istniej\u0105 one ju\u017c od blisko 50 lat, a od d\u0142u\u017cszego czasu proste sieci s\u0105 wykorzystywana na przyk\u0142ad do rozpoznawania odr\u0119cznego pisma.\u00a0<\/strong><\/p>\n

\n
\u201eThe more the mind receives, the more does it expand.\u201d<\/em>\r\n<\/span>\u2014Seneca the Younger, 5 B.C.E.<\/span> <\/em>\r\n<\/pre>\n<\/blockquote>\n
Czym tak w\u0142a\u015bciwie s\u0105 sieci neuronowe?<\/h1>\n
Sztuczna sie\u0107 neuronowa to po\u0142\u0105czenie element\u00f3w zwanych sztucznymi neuronami, kt\u00f3re tworz\u0105 warstwy: wej\u015bciow\u0105, ukryt\u0105 i wyj\u015bciow\u0105, przy czym warstw ukrytych mo\u017ce by\u0107 wiele.<\/span> Istniej\u0105 tak\u017ce sieci jednowarstwowe i dwuwarstwowe. Inspiracj\u0105 dla sztucznych sieci neuronowych by\u0142a budowa naturalnych neuron\u00f3w. Sztuczny neuron funkcjonuje na innych zasadach. Sztuczny neuron to specyficzny obiekt przetwarzaj\u0105cy sygna\u0142y, komunikuj\u0105cy si\u0119 i wsp\u00f3\u0142pracuj\u0105cy z innymi takimi obiektami. Neurony sieci przetwarzaj\u0105 informacje dzi\u0119ki temu, \u017ce ich po\u0142\u0105czeniom nadaje si\u0119 parametry, zwane wagami, kt\u00f3re modyfikuje si\u0119 podczas dzia\u0142ania sieci. Modyfikowanie wag nazywane jest \u201euczeniem si\u0119\u201d sieci. W procesie uczenia si\u0119 sieci tkwi istota i rzeczywista warto\u015b\u0107 sieci neuronowych.\u00a0<\/span><\/p>\n
\"\"<\/p>\n
Ilustracja przedstawia schemat budowy ludzkiego neuronu wraz z wskazaniem nazw poszczeg\u00f3lnych struktur. \u0179r\u00f3d\u0142o: https:\/\/www.freepik.com\/free-photos-vectors\/neuron\/4<\/span><\/pre>\n
Rys historyczny powstawania sieci neuronowych.<\/h1>\n
Badania dotycz\u0105ce sieci neuronowych maj\u0105 swoje podstawy w badaniach neurofizjologicznych i bio cybernetycznych. Najprostsza sie\u0107 neuronowa, sk\u0142adaj\u0105ca si\u0119 z jednego lub kilku niezale\u017cnych neuron\u00f3w McCullocha-Pittsa (b\u0119d\u0105cych jednym z matematycznych modeli neuronu, opisany w roku 1943), nazywamy perceptronem.\u00a0<\/span><\/p>\n
Perceptron, zbudowany w roku 1958 przez Arturo Rosenblatha i Charlesa Wrightmana by\u0142 urz\u0105dzeniem elektromechanicznym, kt\u00f3re mia\u0142o za zadanie rozpoznawanie znak\u00f3w alfanumerycznych (system kodu sk\u0142adaj\u0105cy si\u0119 ze znak\u00f3w A-Z i cyfr 0-9). Sk\u0142ada\u0142 si\u0119 z 8 element\u00f3w nazywanych kom\u00f3rkami nerwowymi oraz z 512 po\u0142\u0105cze\u0144, kt\u00f3re by\u0142y ustalane losowo. Jego szybko\u015b\u0107 dzia\u0142ania wynosi\u0142a 103 po\u0142\u0105czenia na sekund\u0119. Percepton poprawnie rozpoznawa\u0142 jedynie proste znaki, s\u0142abo radz\u0105c sobie ze znakami z\u0142o\u017conymi. Jego dzia\u0142anie charakteryzowa\u0142y dodatkowo dwie bardzo ciekawe cechy.\u00a0<\/span><\/p>\n
Percepton zachowywa\u0142 poprawno\u015b\u0107 dzia\u0142ania nawet wtedy, kiedy cz\u0119\u015b\u0107 jego system\u00f3w i element\u00f3w uleg\u0142a uszkodzeniu oraz uczy\u0142 si\u0119 rozpoznawania znak\u00f3w nawet w sytuacjach, w kt\u00f3rych na wej\u015bciu pojawia\u0142y si\u0119 dane cz\u0105stkowe. By\u0142 on sieci\u0105 jednowarstwow\u0105, kt\u00f3ra jak wskazywali M. Minsky i S. Papert w roku 1969, charakteryzowa\u0142a si\u0119 szeregiem ogranicze\u0144. Ich publikacja wstrzyma\u0142a na dekad\u0119 badania nad sieciami neuronowymi. Kiedy w latach 80. XX. wieku zacz\u0119to budowa\u0107 sieci nieliniowe i wielowarstwowe nast\u0105pi\u0142 rozw\u00f3j technologii. Nie posiada\u0142y one ogranicze\u0144 wskazywanych przez Minskiego i Paperta. Rozw\u00f3j technologii uk\u0142ad\u00f3w scalonych o du\u017cej skali integracji spowodowa\u0142, \u017ce zacz\u0119to budowa\u0107 sieci coraz bardziej z\u0142o\u017cone, wykazuj\u0105ce w pewnej klasie problem\u00f3w zdecydowan\u0105 przewag\u0119 nad komputerami klasycznymi. (Perceptron Wikipedia)<\/a><\/span><\/p>\n
Zastosowania sieci neuronowych.<\/h1>\n
Sieci neuronowe znajduj\u0105 zastosowania m.in. w: diagnostyce medycznej, rozpoznawaniu obraz\u00f3w, mowy i pisma, kompresji danych, prognozowaniu oraz modelowaniu r\u00f3\u017cnych zjawisk i proces\u00f3w. Uniwersalno\u015b\u0107 sieci neuronowych pozwala na ich efektywne stosowanie w technice, ekonomii i finansach, medycynie, geologii, matematyce, informatyce.<\/p>\n
Mikroprocesory stosowane wsp\u00f3\u0142cze\u015bnie w komputerach nie s\u0105 w stanie samodzielnie uczy\u0107 si\u0119 i rozwija\u0107, a ka\u017cda funkcja wykonywana przez mikroprocesor musi zostac wcze\u015bniej zaimplementowana przez programist\u0119. Pytanie jest nast\u0119puj\u0105ce. Czy w niedalekiej przysz\u0142o\u015bci ta sytuacja mo\u017ce ulec zmianie? Od roku 2008 firma IBM oraz agencja DARPA (USA) rozpocz\u0119\u0142y projekt SyNAPSE, kt\u00f3rego celem jest stworzenie neurokomputera, kt\u00f3rego dzia\u0142anie opiera si\u0119 na podobnych zasadach co ludzki m\u00f3zg. W roku 2011 firma IBM zaprezentowa\u0142a mikroprocesor nowej generacji (tzw. uk\u0142ady neuromorficzne) z\u0142o\u017cony z 256 neuron\u00f3w, 262 144 synaps i 256 akson\u00f3w. w roku 2014 zaprezentowano drug\u0105 generacj\u0119 mikroprocesora. (IBM) <\/a>(IEEE)<\/a><\/p>\n
\"\"<\/p>\n
Ilustracja: IBM. Zobacz wi\u0119cej na oficjalnej stronie IBM<\/a>.\r\n<\/span><\/pre>\n
Mikroprocesor drugiej generacji, nazywany TrueNOrth sk\u0142ada si\u0119 z 1000000 programowalnych neuron\u00f3w oraz 256 000 000 programowalnych synaps. Ludzki m\u00f3zg jest bardzo z\u0142o\u017con\u0105 struktur\u0105 biologiczn\u0105 sk\u0142adaj\u0105c\u0105 si\u0119 z ok. 10 miliard\u00f3w neuron\u00f3w oraz 10 bilion\u00f3w synaps. Jak zapowiada Dharmendra Modha (menad\u017cer IBM\u00a0cognitive computing initiative<\/em>), finalnym osi\u0105gni\u0119ciem projektu SyNAPSE powinno by\u0107 zbudowanie m\u00f3zgu w pude\u0142ku ma\u0142ej wielko\u015bci o niewielkim zapotrzebowaniu na energi\u0119.<\/p>\n
Sieci neuronowe s\u0105 narz\u0119dziem bardzo \u00a0wygodnym. S\u0105 bardzo u\u017cyteczne w wielu zastosowaniach, nie s\u0105 jednak tak uniwersalne jak klasyczne komputery. Cytuj\u0105c Ryszarda Tadeusiewcza:<\/p>\n
\n
\u201eEntuzjastom \u0142atwo jest wskaza\u0107 zadania, kt\u00f3rych rozwi\u0105zania za pomoc\u0105 sieci okaza\u0142y si\u0119 znacz\u0105co lepsze, ni\u017c rozwi\u0105zania uzyskane przez klasyczne komputery, za\u015b malkontenci bez trudu wska\u017c\u0105 zadania, dla kt\u00f3rych rozwi\u0105zania wykorzystuj\u0105ce sieci okaza\u0142y si\u0119 groteskowo niepoprawne. Prawda, jak zwykle, le\u017cy po\u015brodku.\u201d<\/span><\/pre>\n<\/blockquote>\n
Istnieje jednak szereg zagadnie\u0144, w kt\u00f3rych zastosowanie sieci neuronowych nie przynosi spodziewanych efekt\u00f3w jak na przyk\u0142ad:<\/p>\n
Manipulacje na symbolach<\/strong> \u2013 przetwarzanie informacji w postaci symbolicznej jest bardzo trudne do przeprowadzenia przy u\u017cyciu sieci neuronowej.<\/p>\n
Obliczenia, w kt\u00f3rych wymagana jest du\u017ca dok\u0142adno\u015b\u0107<\/strong> \u2013 sie\u0107 neuronowa daje zawsze wyniki przybli\u017cone. Dok\u0142adno\u015b\u0107 tego przybli\u017cenia jest zadawalaj\u0105ca np. przy przetwarzaniu sygna\u0142\u00f3w, analizie obraz\u00f3w, rozpoznawaniu mowy, prognozowaniu warto\u015bci notowa\u0144 gie\u0142dowych, sterowaniu robot\u00f3w. Nie jest jednak wystarczaj\u0105ca w przypadku precyzyjnych oblicze\u0144 in\u017cynierskich, czy obs\u0142ugi kont bankowych.<\/p>\n
Zadania wymagaj\u0105ce wieloetapowego rozumowania<\/strong> – sieci neuronowe na og\u00f3\u0142 usi\u0142uj\u0105 rozwi\u0105zywa\u0107 problemy jednokrokowo. Je\u015bli istnieje konieczno\u015b\u0107 przeprowadzenia ci\u0105gu rozumowa\u0144, sieci neuronowe s\u0105 nieprzydatne, a wszelkie pr\u00f3by ich zastosowa\u0144 w tym zakresie prowadzi\u0142y do niepowodze\u0144.<\/p>\n
Sztuczne sieci neuronowe staj\u0105 si\u0119 fascynacj\u0105 in\u017cynier\u00f3w, mi\u0119dzy innymi dlatego, \u017ce imituj\u0105 szereg, do\u015b\u0107 zadziwiaj\u0105cych, cech ludzkiego m\u00f3zgu, jak wysoki stopie\u0144 r\u00f3wnoleg\u0142o\u015bci przesy\u0142u impuls\u00f3w, umiej\u0119tno\u015b\u0107 radzenia sobie z informacjami niepe\u0142nymi lub zaszumionymi, ma\u0142e rozmiary i zu\u017cycie energii, posiadaj\u0105 tak\u017ce umiej\u0119tno\u015b\u0107 dostosowywania si\u0119 do zmiennych sytuacji bez potrzeby programowania dzia\u0142ania.<\/p>\n
St\u0105d przechodzimy do do wielu zalet sztucznych sieci neuronowych, kt\u00f3re s\u0105 skutkiem powy\u017cszych cech. Jedn\u0105 z nich jest zdolno\u015b\u0107 do\u00a0nauki na podstawie przyk\u0142ad\u00f3w<\/strong>, tak jak cz\u0142owiek uczy si\u0119 na podstawie do\u015bwiadcze\u0144 i powtarzania informacji. Posiadaj\u0105 tak\u017ce zdolno\u015b\u0107 do uog\u00f3lniania zjawisk,<\/strong> \u2013 np. podzia\u0142 rodzaj\u00f3w uszkodze\u0144 na typy. Ale tak\u017ce:<\/p>\n
Zdolno\u015b\u0107 do interpretacji zale\u017cno\u015bci i zjawisk zawieraj\u0105cych informacje niekompletne lub z b\u0142\u0119dami,<\/strong><\/p>\n
<\/i>R\u00f3wnoleg\u0142o\u015b\u0107 przetwarzania informacji<\/strong> \u2013 szczeg\u00f3lnie istotne przy przetwarzaniu informacji w czasie rzeczywistym, np. neurokomputer Mitsubishi u\u017cywany do rozpoznawania mowy i przetwarzania obrazu.<\/p>\n
<\/i>Niski koszt budowy w stosunku do szybko\u015bci przetwarzania informacji<\/strong> \u2013 du\u017ca liczba prostych (i tanich) procesor\u00f3w.<\/p>\n
<\/i>Odporno\u015b\u0107 na uszkodzenie uk\u0142ad\u00f3w<\/strong> \u2013 dzi\u0119ki du\u017cej liczbie neuron\u00f3w, po utracie cz\u0119\u015bci neuron\u00f3w sztuczna sie\u0107 neuronowa nie musi dzia\u0142a\u0107 b\u0142\u0119dnie.<\/p>\n
Sztuczne sieci neuronowe w praktyce i zagro\u017cenia.<\/h1>\n
\n
\n
Sztuczne sieci neuronowe maj\u0105 wiele\u00a0zastosowa\u0144 praktycznych<\/strong> (a w najbli\u017cszej przysz\u0142o\u015bci pojawi si\u0119 zapewne wiele nowych). Zastosowania sztucznych sieci neuronowych mo\u017cna przedstawi\u0107 w kategoriach kojarzenia danych, klasyfikacji\u00a0<\/strong>czyli przyporz\u0105dkowywania zdarzenia do okre\u015blonej klasy.\u00a0Analizy danych, inaczej wykrywania grup <\/strong>co umo\u017cliwia np. filtracj\u0119 r\u00f3\u017cnych sygna\u0142\u00f3w. Wydobywanie cech\u00a0<\/strong>umo\u017cliwia redukcj\u0119 rozmiaru danych, inaczej ich kompresj\u0119. Aproksymacja\u00a0<\/strong>natomiast, m\u00f3wi o tym, \u017ce na podstawie znajomo\u015bci punkt\u00f3w sztucznej sieci neuronowej uczy si\u0119 kszta\u0142tu funkcji. Dodatkowo sztuczne sieci neuronowe umo\u017cliwiaj\u0105\u00a0predykcj\u0119, <\/strong>optymalizacj\u0119<\/strong> (w tym problem\u00f3w kombinatorycznych) tworzenie uk\u0142ad\u00f3w steruj\u0105cych,<\/strong> gdzie na podstawie podawania wzorc\u00f3w reakcji na okre\u015blone bod\u017ace, sztuczna sie\u0107 neuronowa mo\u017ce automatycznie interpretowa\u0107 sytuacj\u0119 i na ni\u0105 reagowa\u0107. R<\/strong>ozpoznawanie i odtwarzanie obraz\u00f3w, <\/strong>rozpoznawanie obrazu i przypisywanie do danej grupy, nawet przy do\u015b\u0107 du\u017cym zniekszta\u0142ceniu, a tak\u017ce pami\u0119\u0107<\/strong> czyli mo\u017cliwo\u015b\u0107 wybi\u00f3rczego pobierania w bardzo kr\u00f3tkim czasie.<\/p>\n
Cytuj\u0105c Miko\u0142aja Magnuskiego, neurokognitywist\u0119 z Uniwersytetu SWPS:<\/p>\n
\n
Cz\u0142owiek du\u017co lepiej radzi sobie r\u00f3wnie\u017c z\u00a0niepewno\u015bci\u0105\u00a0\u2013 w\u00a0sytuacji gdy bodziec nie mo\u017ce by\u0107 skutecznie rozpoznany, mo\u017cemy podj\u0105\u0107 decyzj\u0119 o\u00a0zmianie perspektywy, zbli\u017ceniu si\u0119 do danego obiektu albo dok\u0142adniejszej analizie cech, kt\u00f3re mog\u0105 by\u0107 kluczowe w\u00a0rozstrzygni\u0119ciu naszych w\u0105tpliwo\u015bci. To znaczy, \u017ce jeste\u015bmy w\u00a0stanie tak ukierunkowa\u0107 nasze zachowanie, by t\u0119 niepewno\u015b\u0107 zmniejszy\u0107. Wi\u0119kszo\u015b\u0107 stosowanych obecnie sztucznych sieci neuronowych ko\u0144czy natomiast prac\u0119 na opisaniu pewno\u015bci, z\u00a0jak\u0105 klasyfikuje obraz, ale nie s\u0105 w\u00a0stanie podj\u0105\u0107 \u017cadnych dodatkowych dzia\u0142a\u0144, by upewni\u0107 si\u0119, \u017ce rozpoznanie jest poprawne w\u00a0sytuacji, gdy na przyk\u0142ad bodziec jest nietypowy.<\/span><\/pre>\n<\/blockquote>\n<\/div>\n<\/div>\n
Odpowiadaj\u0105c na pytanie \u201eJakie mog\u0105 by\u0107 konsekwencje pomy\u0142ek w wykonaniu sztucznych sieci neuronowych?\u201c odpowiedzia\u0142:<\/p>\n
\n
Mo\u017cna wydrukowa\u0107 tr\u00f3jwymiarowy obiekt, w\u00a0kt\u00f3rym ka\u017cdy cz\u0142owiek rozpozna \u017c\u00f3\u0142wia, ale na przyk\u0142ad ze wzgl\u0119du na u\u017cyt\u0105 tekstur\u0119 sztuczna sie\u0107 neuronowa uzna, \u017ce to karabin maszynowy. To jest czysto spekulatywny przyk\u0142ad, ale gdyby w\u00a0armii w\u00a0100 proc. polegano na systemach bezpiecze\u0144stwa opartych na SI, to mog\u0142yby one odda\u0107 strza\u0142 w\u00a0kierunku dziecka id\u0105cego z\u00a0pluszowym \u017c\u00f3\u0142wiem pod pach\u0105, kt\u00f3rego zaklasyfikuj\u0105 jako bro\u0144.<\/span>\r\n\r\nKonsekwencje pomy\u0142ek w\u00a0systemach inteligentnych mog\u0105 by\u0107 tragiczne, dlatego cz\u0142owiek powinien nadal odgrywa\u0107 kluczow\u0105 rol\u0119 w\u00a0ich kontroli. Tu nasuwa si\u0119 przyk\u0142ad ju\u017c nie spekulatywny, lecz wzi\u0119ty z\u00a0\u017cycia, konkretnie ze Stan\u00f3w Zjednoczonych, gdzie ca\u0142kowicie autonomiczny pojazd spowodowa\u0142 \u015bmier\u0107 pieszego.<\/span><\/pre>\n<\/blockquote>\n
Jak dzia\u0142aj\u0105 sieci neuronowe?<\/span><\/h1>\n
Sieci neuronowe s\u0105 na tyle z\u0142o\u017conym i obszernym zagadnieniem, \u017ce o tym, jak dzia\u0142aj\u0105, powstaj\u0105 ca\u0142e ksi\u0105\u017cki i prace naukowe. Mo\u017cna by je opisywa\u0107 skomplikowanymi wzorami matematycznymi czy funkcjami. Warto jednak przedstawi\u0107 schemat ich dzia\u0142ania w spos\u00f3b uproszony w celu \u0142atwiejszego zrozumienia, o co w\u0142a\u015bciwie chodzi.<\/p>\n
Prawdziwe sieci neuronowe naturalnie wyst\u0119puj\u0105 w m\u00f3zgu. Tworz\u0105 je neurony i po\u0142\u0105czenia mi\u0119dzy nimi \u2013 synapsy. Kiedy m\u00f3wimy jednak o sztucznych sieciach neuronowych, neurony s\u0105 reprezentowane przez w\u0119z\u0142y<\/strong> (ang.\u00a0nodes<\/span>)<\/em>. W\u0119z\u0142y mog\u0105 komunikowa\u0107 si\u0119 z innymi w\u0119z\u0142ami poprzez wys\u0142anie sygna\u0142u. Jest to mo\u017cliwe jednak tylko w wypadku kiedy sam jest pobudzony. W jaki spos\u00f3b w\u0119ze\u0142 mo\u017ce zosta\u0107 pobudzony? W tym miejscu wyst\u0119puje kolejne podobie\u0144stwo do biologicznych sieci neuronowych w m\u00f3zgu \u2013 warto\u015b\u0107 progowa<\/strong>. Je\u017celi si\u0142a po\u0142\u0105czenia przekracza warto\u015b\u0107 progow\u0105, wtedy w\u0119ze\u0142 zostanie \u201euruchomiony\u201d i wy\u015bl\u0119 sygna\u0142 do kolejnego w\u0119z\u0142a.<\/p>\n
Po\u0142\u0105czenia mi\u0119dzy konkretnymi w\u0119z\u0142ami maj\u0105 przypisane wagi<\/strong>. Jest to warto\u015b\u0107 liczbowa mieszcz\u0105ca si\u0119 w przedziale od -1 do 1, okre\u015bla ona si\u0142\u0119 po\u0142\u0105czenia. Warto\u015b\u0107, kt\u00f3r\u0105 w\u0119ze\u0142 wysy\u0142a do kolejnego, to suma wszystkich dochodz\u0105cych do niego wag pomno\u017cona przez jego warto\u015b\u0107 progow\u0105. Tak te\u017c na przyk\u0142ad w\u0119ze\u0142 o warto\u015bci progowej 1, do kt\u00f3rego dochodz\u0105 \u0142\u0105cza o warto\u015bci wagi 0,2, wy\u015ble dalej sygna\u0142 o warto\u015bci 0,2 (gdy\u017c 1 \u00d7 0,2 = 0,2). Poni\u017cszy schemat pokazuje prost\u0105 dwuwarstwow\u0105 sie\u0107 i opisuje\u00a0w dobry spos\u00f3b, o co chodzi.<\/p>\n
 <\/p>\n
\"\"<\/p>\n
Ilustracja pochodzi z ksi\u0105\u017cki J.D Friedenberg, Gordon W. Silverman,Cognitive Science: An Introduction to the Study of Mind.<\/span><\/span><\/pre>\n
W tym schemacie wagi s\u0105 podane na strza\u0142kach a si\u0142a netto po\u0142\u0105czenia przy grocie strza\u0142ki. W\u0119ze\u0142 A ma warto\u015b\u0107 aktywacji r\u00f3wn\u0105 2 i wag\u0119 +0,6 st\u0105d te\u017c jego si\u0142a netto wynosi 1,2. Warto\u015b\u0107 aktywacji w\u0119z\u0142a B ma warto\u015b\u0107 r\u00f3wn\u0105 1 natomiast wag\u0119 po\u0142\u0105czenia r\u00f3wn\u0105 -0,3 co daje wynik si\u0142y netto r\u00f3wny -0,3. Te wyniki s\u0105 sumowane w w\u0119\u017ale C i wynik ten jest jego warto\u015bci\u0105 aktywacji, kt\u00f3ry w tym wypadku wynosi +0,9. Warto\u015b\u0107 aktywacji zostaje nast\u0119pnie pomno\u017cona przez wag\u0119 po\u0142\u0105czenia wynosz\u0105c\u0105 +0,4 co daje wynik si\u0142y netto +0,36.\u00a0<\/span><\/em><\/p>\n
 <\/p>\n
Powy\u017cej opisany spos\u00f3b dzia\u0142ania jest du\u017cym uproszczeniem i nie mo\u017ce by\u0107 traktowany jako dok\u0142adny akademicki schemat, mimo to do\u015b\u0107 trafnie przedstawia sam\u0105 koncepcj\u0119 tego, jak dzia\u0142aj\u0105 sieci neuronowe. Jednak patrz\u0105c na powy\u017cszy obrazek, trudno jest wyobrazi\u0107 sobie, o jak po\u017cytecznym narz\u0119dziu m\u00f3wimy. O wiele bardziej interesuj\u0105co robi si\u0119, gdy zamiast 3 w\u0119z\u0142\u00f3w we\u017amiemy ich na przyk\u0142ad 16 czy 14.<\/p>\n
.
\n\"\"\"\"<\/p>\n
Ilustracja pochodzi z ksi\u0105\u017cki J.D Friedenberg, Gordon W. Silverman,Cognitive Science: An Introduction to the Study of Mind.<\/span><\/span><\/pre>\n
Powy\u017csze schematy przedstawiaj\u0105 sieci dwuwarstwowe i tr\u00f3jwarstwowe zawieraj\u0105ce\u00a0input<\/span>\u00a0i\u00a0output<\/span>\u00a0oraz tak\u017ce ukryt\u0105 warstw\u0119 w przypadku sieci tr\u00f3jwarstwowej. Istniej\u0105 jednak sieci zawieraj\u0105ce o wiele wi\u0119cej warstw. Im wi\u0119cej warstw tym bardziej skomplikowana a co za tym idzie tak\u017ce bardziej funkcjonalna sie\u0107 neuronowa, pozwalaj\u0105ca na wykonywanie bardziej zaawansowanych czynno\u015bci, jak na przyk\u0142ad uczenie g\u0142\u0119bokie. Mo\u017cna zobaczy\u0107 to w poni\u017cszym filmie, gdzie bazuj\u0105c na czterowarstwowej sieci, zaprojektowano program ucz\u0105cy samochodzik, jak jecha\u0107 zgodnie z tras\u0105.<\/p>\n