Сүүлийн хэдэн арван жилийн хугацаанд хиймэл оюун ухааны (AI) хөгжлийн хамгийн том ололтуудын нэг бол нейрон сүлжээ буюу (Neural Network) юм.
Энэ технологи нь хүний тархины мэдээлэл боловсруулалтын зарчимд суурилж бүтээгдсэн бөгөөд машин сургалт (Machine Learning) болон гүн сургалт (Deep Learning)-ын үндэс суурь болдог. Өнөөдөр нейрон сүлжээг зураг таних, дуу хоолой ойлгох, хэлний боловсруулалт, эмнэлгийн оношлогоо, автомат жолоодлоготой машин зэрэг олон салбарт амжилттай ашиглаж байна.
Энэхүү нийтлэлд:
- Нейрон сүлжээний үндсэн ойлголт
- Бүтэц, ажиллах зарчим, төрлүүд, хэрэглээ
- Давуу ба сул талуудыг тайлбарлах болно
1. Neural Network гэж юу вэ?
Энэ нь мэдээлэл боловсруулдаг алгоритмын загвар бөгөөд хиймэл нейрон нэртэй олон жижиг нэгжээс бүрддэг. Эдгээр нь хүний тархины мэдрэлийн эсүүдтэй төстэй ажилладаг гэж үздэг. Сүлжээний гол зорилго нь оролт (input) болон гаралтыг (output) хоорондын хамаарлыг сурч мэдэх юм.
Мөн сургалтын өгөгдөл дээр үндэслэн тодорхой хариулт, шийдвэр гаргах чадвартай болдог. Жишээ нь, олон зургийг хараад ямар зураг байгааг таних, эсвэл өгүүлбэрийг ойлгож хариу өгөх гэх мэт.
2. Neural Network бүтэц
Нейрон сүлжээ нь гурван үндсэн давхаргатай:
Оролтын давхарга (Input Layer)
Энэ давхарга нь гаднаас өгөгдлийг хүлээн авдаг хэсэг юм. Жишээ нь, зураг таних үед зургийн пикселүүд оролтын өгөгдөл болно.
Нууц давхаргууд (Hidden Layers)
Оролтын болон гаралтын давхаргын хооронд байрлах энэ хэсэг нь мэдээллийг боловсруулж, онцлог шинж чанаруудыг илрүүлдэг. Гүн нейрон сүлжээнүүд олон нууц давхаргатай байдаг.
Гаралтын давхарга (Output Layer)
Сүүлчийн давхарга нь боловсруулсан мэдээллийн үр дүнг гаргана. Жишээ нь, ангилал хийх бол аль ангилалд хамаарахыг илтгэнэ.
:max_bytes(150000):strip_icc()/dotdash_Final_Neural_Network_Apr_2020-01-5f4088dfda4c49d99a4d927c9a3a5ba0.jpg)
3. Хиймэл нейроны ажиллах зарчим
Нэг хиймэл нейрон дараах байдлаар ажилладаг:
Оролтын өгөгдөл нь жин (weight)-тэй үржигдэнэ.
Үржүүлсэн утгууд нийлж нийлбэр (sum) үүсгэнэ.
Нийлбэрт bias нэртэй тогтмол утга нэмэгдэнэ.
Гарсан утгыг идэвхжүүлэгч функц (activation function) дээр оруулж, нейроны гаралт үүснэ.
Идэвхжүүлэгч функцүүдийн жишээ:
Sigmoid:
1 / (1 + e^-x)ReLU (Rectified Linear Unit):
max(0, x)Tanh:
(e^x - e^-x) / (e^x + e^-x)
4. Neural Network сургалт
Нейрон сүлжээг сургах үйл явц нь машин сургалт-ын үндэс бөгөөд гол зарчим нь “алдаанаас суралцах” юм. Доорх алхмууд орно:
Алдагдлын функц (Loss Function)
Сүлжээний гаргасан үр дүн бодит хариунаас хэр зөрүүтэй байгааг хэмждэг функц юм.
Буцаан тархалт (Backpropagation)
Алдагдлын хэмжээг үндэслэн жингүүдийг шинэчилж, сүлжээг илүү оновчтой болгодог арга.
Оновчлох алгоритм (Optimizer)
Жишээ нь: SGD (Stochastic Gradient Descent), Adam зэрэг алгоритмууд нь сургалтын явцад жинг хэрхэн шинэчлэхийг шийддэг.
5. Neural network төрлүүд
5.1 Бүрэн холбогдсон сүлжээ (Fully Connected Network / Feedforward Neural Network)
Хамгийн энгийн бүтэцтэй. Давхаргуудын нейронууд бүгд дараагийн давхаргын бүх нейронд холбогдсон байдаг.
5.2 Сөрөг тархалттай сүлжээ (Recurrent Neural Network – RNN)
Цаг хугацааны дараалалтай мэдээлэлтэй ажиллахад тохиромжтой. Жишээ нь, текст, дуу, видео гэх мэт.
5.3 Давтагддаг сүлжээ (Convolutional Neural Network – CNN)
Зураг, дүрс боловсруулахад өргөн хэрэглэгддэг. Харааны онцлогийг илрүүлэхэд үр дүнтэй.
5.4 Генератив сүлжээ (Generative Adversarial Network – GAN)
Шинэ өгөгдөл үүсгэх (зураг, дуу гэх мэт) зориулалттай. Хоорондоо өрсөлдөгч хоёр сүлжээнээс бүрддэг.
6. Нейрон сүлжээний хэрэглээ
Нейрон сүлжээг дараах салбаруудад өргөн ашигладаг.
Эрүүл мэнд
Зураг оношлогоо (MRI, CT Scan)
Хавдар илрүүлэх
Генетикийн өгөгдөлд анализ хийх
Байгалийн хэл боловсруул-алт (NLP)
Машин орчуулга
Дуу хоолой таних
Автомат хариулагч
Санхүү
Үнийн таамаглал
Эрсдэлийн үнэлгээ
Луйврын илрүүлэлт
Урлаг ба бүтээлч салбар
Зураг үүсгэх (AI art)
Хөгжим зохиох
Видео дүр бүтээх
- 7. Нейрон сүлжээний давуу ба сул тал
Давуу тал:
Маш нарийн өгөгдөл боловсруулж чаддаг
Том өгөгдлийн багц дээр сайн ажилладаг
Боловсруулах чадвар өндөр
Суралцах чадвартай (өөрөө оновчлох)
Сул тал:
Их хэмжээний өгөгдөл шаарддаг
Сургалт нь цаг хугацаа, тооцооллын хувьд их нөөц шаарддаг
“Хар хайрцаг” асуудал (шинжилгээ хийхэд төвөгтэй)
Хэт сурсан (overfitting) асуудал үүсч болдог
Энэхүү бичлэгэнд “Neural Network” – н талаар сонирхолтой байдлаар тайлбарлав.
