Künstliche Neuronale Netze (ANN) definiert
Künstliche neuronale Netze (Artificial Neural Networks, ANN) sind die Bestandteile eines Computersystems, mit dem simuliert werden soll, wie das menschliche Gehirn Informationen analysiert und verarbeitet. Sie sind die Grundlagen der Künstlichen Intelligenz (KI) und lösen Probleme, die sich nach menschlichen oder statistischen Maßstäben als unmöglich oder schwierig erweisen würden. ANN verfügt über selbstlernende Funktionen, mit denen sie bessere Ergebnisse erzielen können, sobald mehr Daten verfügbar sind.
Abbau künstlicher neuronaler Netze (ANN)
Künstliche Neuronale Netze (ANN) ebnen den Weg für die Entwicklung lebensverändernder Anwendungen für den Einsatz in allen Wirtschaftsbereichen. Künstliche Intelligenz (KI) -Plattformen, die auf ANN aufbauen, stören die traditionelle Vorgehensweise. Von der Übersetzung von Webseiten in andere Sprachen über die Online-Bestellung von Lebensmitteln durch einen virtuellen Assistenten bis hin zur Unterhaltung mit Chatbots zur Behebung von Problemen vereinfachen KI-Plattformen Transaktionen und machen Dienste zu vernachlässigbaren Kosten für alle zugänglich.
Wie funktioniert das System?
Künstliche neuronale Netze sind wie das menschliche Gehirn aufgebaut, wobei die Neuronenknoten wie ein Netz miteinander verbunden sind. Das menschliche Gehirn hat Hunderte von Milliarden von Zellen, die als Neuronen bezeichnet werden. Jedes Neuron besteht aus einem Zellkörper, der für die Verarbeitung von Informationen verantwortlich ist, indem er Informationen vom Gehirn zu (Eingaben) und von (Ausgaben) weg transportiert. ANN hat Hunderte oder Tausende von künstlichen Neuronen, die als Verarbeitungseinheiten bezeichnet werden und durch Knoten miteinander verbunden sind. Diese Verarbeitungseinheiten bestehen aus Eingabe- und Ausgabeeinheiten. Die Eingabeeinheiten empfangen verschiedene Formen und Strukturen von Informationen basierend auf einem internen Gewichtungssystem, und das neuronale Netzwerk versucht, Informationen zu erhalten, die zur Erstellung eines Ausgabeberichts dargestellt werden. Genau wie Menschen Regeln und Richtlinien benötigen, um ein Ergebnis oder eine Ausgabe zu erstellen, verwenden ANNs auch eine Reihe von Lernregeln, die als Backpropagation bezeichnet werden, eine Abkürzung für die Rückwärtsausbreitung von Fehlern, um ihre Ausgabeergebnisse zu perfektionieren.
Ein ANN durchläuft zunächst eine Trainingsphase, in der es lernt, Muster in Daten zu erkennen, sei es visuell, akustisch oder textuell. Während dieser überwachten Phase vergleicht das Netzwerk seine tatsächlich produzierte Leistung mit der beabsichtigten Leistung, dh der gewünschten Leistung. Die Differenz zwischen beiden Ergebnissen wird durch Backpropagation angepasst. Dies bedeutet, dass das Netzwerk von der Ausgabeeinheit zu den Eingabeeinheiten rückwärts arbeitet, um das Gewicht seiner Verbindungen zwischen den Einheiten anzupassen, bis die Differenz zwischen dem tatsächlichen und dem gewünschten Ergebnis den geringstmöglichen Fehler erzeugt.
Während der Schulungs- und Aufsichtsphase wird dem ANN anhand von Ja / Nein-Fragetypen mit Binärzahlen beigebracht, wonach zu suchen ist und wie seine Ausgabe aussehen soll. Zum Beispiel kann eine Bank, die Kreditkartenbetrug rechtzeitig erkennen möchte, vier Eingabeeinheiten mit den folgenden Fragen versorgen: (1) Befindet sich die Transaktion in einem anderen Land als das Land, in dem der Benutzer ansässig ist? (2) Wird die Website bei verbundenen Unternehmen oder Ländern auf der Beobachtungsliste der Bank verwendet? (3) Ist der Transaktionsbetrag höher als 2.000 USD? (4) Ist der Name auf der Transaktionsrechnung mit dem Namen des Karteninhabers identisch? Die Bank möchte, dass die Antworten auf "Betrugserkennung" Ja Ja Ja Nein lauten, was im Binärformat 1 1 1 0 wäre. Wenn die tatsächliche Ausgabe des Netzwerks 1 0 1 0 ist, passt sie die Ergebnisse an, bis eine Ausgabe geliefert wird, die mit der übereinstimmt 1 1 1 0. Nach dem Training kann das Computersystem die Bank auf ausstehende betrügerische Transaktionen hinweisen, wodurch der Bank viel Geld gespart wird.
Praktische Anwendungen
Künstliche neuronale Netze wurden in allen Operationsbereichen angewendet. E-Mail-Dienstanbieter verwenden ANN, um Spam im Posteingang eines Benutzers zu erkennen und zu löschen. Asset Manager verwenden es, um die Richtung der Aktien eines Unternehmens vorherzusagen. Rating-Unternehmen verwenden es, um ihre Kreditbewertungsmethoden zu verbessern. E-Commerce-Plattformen verwenden es, um Empfehlungen für ihre Zielgruppe zu personalisieren. Chatbots werden mit ANN für die Verarbeitung natürlicher Sprachen entwickelt. Deep-Learning-Algorithmen verwenden ANN, um die Wahrscheinlichkeit eines Ereignisses vorherzusagen. Die Liste der ANN-Eingliederung erstreckt sich über mehrere Sektoren, Branchen und Länder.
Vergleich von Anlagekonten Name des Anbieters Beschreibung Angaben zum Werbetreibenden × Die in dieser Tabelle aufgeführten Angebote stammen von Partnerschaften, von denen Investopedia eine Vergütung erhält.