Apa sampeyan kudu ngerti mangerteni teknologi sing ngganti sing ana ing sekitar sampeyan
Jaringan saraf iku model komputer sing disambungake karo unit utawa simpul sing dirancang kanggo ngirim, proses, lan sinau saka informasi (data) kanthi cara sing padha karo carane neuron (sel saraf) bisa digunakake ing manungsa.
Jaringan Neural Buatan
Ing teknologi, jaringan saraf asring diarani minangka jaringan saraf gawean (ANN) utawa jaring saraf kanggo mbedakake saka jaringan saraf biologis sing bakal dipodelake sawise. Ide utama ing endi ANN yaiku yen otak manungsa iku "komputer" sing paling rumit lan cerdas sing ana. Miturut modeling ANN kanthi rapet karo struktur lan sistem pangolahan informasi sing digunakake dening otak, peneliti ngarepake nggawe komputer sing nyedhaki utawa ngluwihi intelijen manungsa. Jaring neural minangka komponèn utama saka kamajuan saiki ing Intelligence buatan (AI), learning machine (ML), lan jero pembelajaran .
Cara Kerja Jaringan Neural: Perbandingan
Kanggo mangerteni carane jaringan syaraf bisa digunakake lan beda antarane rong jinis (biologi lan artifisial), ayo gunakake conto gedung kantor 15-lantai lan garis telpon lan papan reklame sing ngarahake rute ing saindenging bangunan, lantai individu, lan kantor saben. Saben kantor individu ing kantor 15-lantai ngandhut neuron (simpul ing jaringan komputer utawa sel syaraf ing biologi). Bangunan kasebut dhewe minangka struktur sing isiné sepasang kantor sing diatur ing sistem 15 lantai (jaringan saraf).
Nganggo conto kanggo jaringan syaraf biologis, saklar sing nampa panggilan nduweni garis kanggo nyambung menyang kantor ing sembarang lantai ing kabeh bangunan. Kajaba iku, saben kantor duwe garis sing nyambungake menyang saben kantor liyane ing kabeh bangunan ing sawijining lantai. Mbayangno telpon diarani (input) lan switchboard pindhah menyang kantor ing lantai 3, sing pindhah langsung menyang kantor ing lantai 11, banjur banjur langsung pindhah menyang kantor ing lantai 5. Ing otak, saben sel neuron utawa saraf (kantor) bisa langsung nyambung menyang neuron liya ing sistem utawa jaringan syaraf (bangunan). Informasi (telpon) bisa dikirim menyang neuron liya (kantor) kanggo proses utawa sinau apa sing dibutuhake nganti ana jawaban utawa résolusi (output).
Nalika kita nggarap conto iki kanggo ANN, bakal rada luwih kompleks. Saben lantai gedhung mbutuhake papan siram dhewe, sing mung bisa nyambung menyang kantor ing lantai sing padha, uga papan ing papan ing ndhuwur lan ngisor. Saben kantor mung bisa langsung nyambung menyang kantor liyane ing lantai sing padha lan papan kanggo papan kasebut. Kabeh panggilan anyar kudu diwiwiti karo switchboard ing lantai 1 lan kudu ditransfer menyang saben lantai kanthi urutan angka nganti lantai 15 sadurunge panggilan bisa rampung. Ayo disetujoni kanggo ndeleng cara kerjane.
Mbayangno yen telpon kasebut lumaku ing (input) menyang papan 1 lantai lan dikirim menyang kantor ing lantai 1 (simpul). Panggilan banjur ditransfer langsung antarane kantor liyane (kelenjar) ing lantai 1 nganti siap dikirim menyang lantai sabanjure. Banjur telpon kudu dikirim bali menyang papan pangelek-elek lantai 1, banjur pindhah menyang papan tulis lantai 2. Langkah-langkah sing padha mbaleni siji lantai sakwijining wektu, kanthi telpon sing dikirim liwat proses iki ing saben lantai siji nganti kabeh tingkat 15.
Ing ANNs, simpul (kantor) disusun ing lapisan (jubin bangunan). Informasi (telpon) tansah nate liwat lapisan input (lantai 1 lan papan tulis) lan kudu dikirim liwat lan diproses saben lapisan (lantai) sadurunge bisa pindhah menyang sing sabanjure. Saben lapisan (lantai) ngolah rincian spesifik babagan telpon kasebut lan ngirim asil bebarengan karo telpon menyang lapisan sabanjure. Nalika telpon tekan lapisan output (lantai 15 lan papan tulis), kalebu informasi prosesi saka lapisan 1-14. Node (kantor) ing lapisan kaping 15 (lantai) nggunakake informasi input lan pengolahan saka kabeh lapisan liyane (jubin) kanggo ngasilake jawaban utawa resolusi (output).
Neural Networks and Machine Learning
Jinis neural yaiku salah sawijining jinis teknologi ing sajroning kategori pembelajaran mesin. Nyatane, panliten lan pangembangan jaring saraf wis disambungake kanthi temenan lan bisa mlebu ing ML. Jinis saraf nggedhekake kapabilitas pangolahan data lan nggedhekake daya komputerisasi ML, nambah volume data sing bisa diproses nanging uga kemampuan kanggo nindakake tugas sing luwih kompleks.
Model komputer pertama sing didokumentasikan kanggo ANN digawé taun 1943 dening Walter Pitts lan Warren McCulloch. Kapentingan awal lan riset ing jaringan syaraf lan proses belajar mesin pungkasanipun kalem lan kurang luwih ditindakake nalika taun 1969, kanthi mung bursts anyar. Komputer ing wektu kasebut mung ora nduweni prosesor cukup cepet utawa cukup gedhe kanggo ngembangake wilayah kasebut, lan jumlah data sing cukup kanggo ML lan saraf jaring ora ana ing wektu kasebut.
Kena tambah akeh daya komputasi liwat wektu bebarengan karo perkembangan lan perluasan internet (lan kanthi mangkono bisa ngakses data massive liwat internet) wis ngrampungake tantangan awal. Jinis neural lan ML saiki dadi instrumen ing teknologi sing kita tingali lan digunakake saben dina, kayata pangenalan rai , pangolahan gambar lan panelusuran, lan terjemahan basa real-time - jeneng mung sawetara.
Contoh Jaringan Neural Dalam Kehidupan Sehari-hari
ANN minangka topik sing cukup rumit ing teknologi, Nanging, wigati njupuk sawetara wektu kanggo njelajah amarga akeh cara sing nyebabake nyawa kita saben dina. Kene sawetara conto cara neural jaringan saiki digunakake dening industri sing beda:
- Keuangan: Jaring neural digunakake kanggo ngramal tukar mata uang. Iki uga digunakake ing teknologi ing balik sistem dagang otomatis sing digunakake ing pasar saham.
- Kedokteran: Kapabilitas pangolahan gambar jaring neural wis nyumbang kanggo teknologi sing mbantu luwih layar lan ndeteksi tahap awal lan angel ngenali jenis kanker. Salah siji jinis kanker sing melanoma invasif, kanker kulit paling serius lan matine. Ngenali melanoma ing tahap sadurungé, sadurungé wis nyebar, menehi pasien kanker jenis iki minangka kesempatan sing paling apik kanggo ngalahake.
- Cuaca: Kemampuan kanggo ndeteksi owah-owahan atmosfer sing nunjukake acara cuaca sing potensial serius lan mbebayani kanthi cepet lan akurat minangka penting kanggo nylametake nyawa. Jaring neural melu proses pangolahan satelit lan radar kanthi wektu nyata sing ora mung ndeteksi formasi wiwitan badai lan siklon, nanging uga ndeteksi owah-owahan dumadakan ing kacepetan angin lan arah sing nuduhake tornado sing mbentuk. Tornadoes minangka salah sawijining acara cuaca paling kuat lan paling mbebayani ing rekor - asring luwih tiba, rusak, lan mematikan saka angin topan.