एक तंत्रिका नेटवर्क एक कम्प्यूटेशनल मॉडल है जो सरल प्रसंस्करण इकाइयों की परस्पर जुड़ी परतों से बना होता है, जो मोटे तौर पर जैविक न्यूरॉन्स से प्रेरित होता है, जिसकी कनेक्शन शक्तियाँ, या भार, प्रशिक्षण के माध्यम से समायोजित की जाती हैं ताकि एक वांछित फ़ंक्शन का अनुमान लगाया जा सके। तंत्रिका नेटवर्क आधुनिक गहन शिक्षा और, विस्तार से, अधिकांश समकालीन कृत्रिम बुद्धिमत्ता प्रणालियों के पीछे मुख्य कम्प्यूटेशनल संरचना हैं।
इतिहास
सबसे पहला प्रशिक्षित तंत्रिका मॉडल पर्सेप्ट्रॉन था, जिसे 1958 में पेश किया गया था, जो समायोज्य भार की एक एकल परत का उपयोग करके सरल पैटर्न को वर्गीकृत करना सीख सकता था। इसकी सीमाएँ, जिन्हें 1969 की एक आलोचना में प्रलेखित किया गया था, ने एआई शीतकाल के रूप में ज्ञात अनुसंधान वित्त पोषण के व्यापक नुकसान में योगदान दिया। 1980 के दशक में बैकप्रोपेगेशन के लोकप्रिय होने के साथ बहु-परत नेटवर्क में रुचि पुनर्जीवित हुई, जो एक एल्गोरिदम है जो कुशलतापूर्वक गणना करता है कि त्रुटि को कम करने के लिए नेटवर्क में प्रत्येक भार को कैसे बदला जाना चाहिए, जिससे छिपी परतों वाले नेटवर्क को व्यवहार में प्रशिक्षित किया जा सके। 2012 में एलेक्सनेट की सफलता के बाद तंत्रिका नेटवर्क एक विशिष्ट तकनीक से एआई में प्रमुख दृष्टिकोण बन गए, जिसने प्रदर्शित किया कि ग्राफिक्स प्रोसेसिंग इकाइयों का उपयोग करके बड़े डेटासेट पर प्रशिक्षित कई परतों वाले नेटवर्क, वास्तविक दुनिया के कार्यों पर पिछले तरीकों से काफी बेहतर प्रदर्शन कर सकते हैं।
संरचना
एक तंत्रिका नेटवर्क इकाइयों, या न्यूरॉन्स की परतों में व्यवस्थित होता है, जिनमें से प्रत्येक अपने इनपुट का भारित योग गणना करता है और परिणाम को अगली परत में भेजने से पहले एक गैर-रेखीय सक्रियण फ़ंक्शन के माध्यम से पारित करता है। इनपुट और आउटपुट के बीच ऐसी कई परतों वाले नेटवर्क को "गहरा" कहा जाता है, जो गहन शिक्षा को इसका नाम देता है। प्रशिक्षण के दौरान, एक हानि-फ़ंक्शन नेटवर्क के आउटपुट और वांछित परिणाम के बीच अंतर को मापता है, और ग्रेडिएंट-डिसेंट उस अंतर को कम करने के लिए भार को पुनरावृत्त रूप से समायोजित करता है, जिसमें बैकप्रोपेगेशन सभी परतों में आवश्यक ग्रेडिएंट्स को एक साथ कुशलतापूर्वक आपूर्ति करता है।
वास्तुकला परिवार
विभिन्न नेटवर्क वास्तुकलाएँ विभिन्न प्रकार के डेटा के लिए उपयुक्त होती हैं। कन्वोल्यूशनल न्यूरल नेटवर्क साझा, स्थानिक रूप से स्थानीय फ़िल्टर का उपयोग करते हैं और छवियों के लिए अच्छी तरह से अनुकूल होते हैं। आवर्तक तंत्रिका नेटवर्क, जिसमें एलएसटीएम संस्करण शामिल है, अनुक्रमों को चरण दर चरण संसाधित करते हैं और ऐतिहासिक रूप से पाठ और भाषण के लिए उपयोग किए जाते थे, इससे पहले कि उन्हें ट्रांसफॉर्मर वास्तुकला द्वारा प्रतिस्थापित किया गया, जो ध्यान का उपयोग करके पूरे अनुक्रमों को समानांतर में संसाधित करता है। जनरेटिव एडवरसैरियल नेटवर्क और डिफ्यूज़न मॉडल जैसी जनरेटिव वास्तुकलाएँ तंत्रिका नेटवर्क को केवल वर्गीकृत या भविष्यवाणी करने के बजाय नया डेटा उत्पन्न करने के कार्य पर लागू करती हैं।
सीमाएँ और व्याख्यात्मकता
तंत्रिका नेटवर्क की अक्सर "ब्लैक बॉक्स" के रूप में आलोचना की जाती है: उनके आंतरिक प्रतिनिधित्व मनुष्यों के लिए निरीक्षण या व्याख्या करना कठिन होते हैं, भले ही उनके आउटपुट सटीक हों। इसने एक शोध उपक्षेत्र को प्रेरित किया है जिसे कभी-कभी व्याख्यात्मकता कहा जाता है, जो यह पता लगाने का प्रयास करता है कि एक प्रशिक्षित नेटवर्क के व्यक्तिगत घटक क्या प्रतिनिधित्व करते हैं। इस अपारदर्शिता के बावजूद, तंत्रिका नेटवर्क दृष्टि, भाषा, ऑडियो, और तेजी से रोबोटिक्स और वैज्ञानिक अनुप्रयोगों में प्रमुख उपकरण बने हुए हैं, मुख्यतः क्योंकि उनका प्रदर्शन अधिक डेटा, अधिक मापदंडों और अधिक कंप्यूट के साथ पूर्वानुमानित रूप से सुधारना जारी रखता है।