Istnieje szereg technologii i metodyk tworzenia sztucznej inteligencji (przykłady poniżej). Niniejszy artykuł poświęciliśmy jednej z nich – sztucznym sieciom neuronowym (SSN). Poniżej prezentujemy swoiste wprowadzenie w tematykę SSN oraz przegląd zastosowań praktycznych. Zapraszamy do lektury!
Czym jest sztuczna sieć neuronowa?
Zacznijmy od podstaw, SSN to narzędzie obliczeniowe imitujące w sposób uproszczony działanie ludzkiego mózgu (lub inaczej zbiór prostych jednostek obliczeniowych przetwarzających dane, komunikujących się ze sobą i pracujących równolegle). Czasami nazwą sztuczne sieci neuronowe określa się także dziedzinę zajmującą się konstrukcją i badaniem tego rodzaju sieci. SSN istnieją już od blisko 50 lat, a od dłuższego czasu proste sieci są wykorzystywane na przykład do rozpoznawania odręcznego pisma.
Inspiracją dla SSN była budowa naturalnych neuronów, która wygląda tak:
Sztuczny neuron funkcjonuje oczywiście na trochę innych zasadach – możemy powiedzieć, że sztuczny neuron to specyficzny obiekt (lub prosta jednostka obliczeniowa) przetwarzający sygnały i komunikujący się oraz współpracujący z innymi takimi obiektami. Najprostszą sieć neuronową, składająca się z jednego lub kilku niezależnych neuronów McCullocha-Pittsa (będących jednym z matematycznych modeli neuronu), nazywamy perceptronem.
Dlaczego w ogóle warto zainteresować się sztucznymi sieciami neuronowymi?
Sztuczne sieci neuronowe często wręcz fascynują inżynierów, między innymi dlatego, że imitują szereg, dość zadziwiających, cech ludzkiego mózgu, takich jak:
- wysoki stopień równoległości przesyłu impulsów
- umiejętność radzenia sobie z informacją niepełną, niespójną lub „zaszumioną”
- małe rozmiary i zużycie energii
- elastyczność działania – uczenie się jako umiejętność dostosowywania się do zmiennych sytuacji bez potrzeby programowania działania
- duża odporność na uszkodzenia i obumieranie części komórek.
Powyższe cechy przekładają się z kolei na szereg zalet SSN:
- zdolność do nauki na podstawie przykładów, tak jak człowiek uczy się na podstawie doświadczeń i powtarzania informacji
- zdolność do uogólniania zjawisk (klasyfikacji) – np. podział uszkodzeń transformatora na typy
- zdolność interpretacji zależności i zjawisk zawierających informacje niekompletne/z błędami, np. w zadaniu aproksymacji krzywej danej charakterystyki energii
- równoległość przetwarzania informacji – szczególnie istotne przy przetwarzaniu informacji w czasie rzeczywistym, np. neurokomputer Mitsubishi używany do rozpoznawania mowy i przetwarzania obrazu
- niski koszt budowy w stosunku do szybkości przetwarzania informacji – duża liczba prostych (i tanich) procesorów
- odporność na uszkodzenie układów – dzięki dużej liczbie neuronów, po utracie części neuronów SSN nie musi działać błędnie.
Klasyczny komputer vs neurokomputer
Jako uzupełnienie przytoczmy jeszcze porównanie klasycznego komputera oraz tak zwanego neurokomputera (rozumianego jako kolejny krok w rozwoju SSN polegający na zrezygnowaniu z klasycznej konstrukcji komputera i zastąpienie go modelem sieci nerwowej):
- Klasyczny komputer: krótki, zależny od algorytmu
- Neurokomputer: długi, zależny od liczby elementów i połączeń
- Klasyczny komputer: ROM/RAM
- Neurokomputer: architektura, wagi
- Klasyczny komputer: szeregowe
- Neurokomputer: równoległe
- Klasyczny komputer: efektywne
- Neurokomputer: słabe
- Klasyczny komputer: słabe
- Neurokomputer: bardzo dobre
- Klasyczny komputer: wolne
- Neurokomputer: szybkie, bardzo dobre
- Klasyczny komputer: dopasowanie wolne, dokładne
- Neurokomputer: dopasowanie szybkie, przybliżone
- Klasyczny komputer: wolna, bezstratna
- Neurokomputer: bardzo szybka, małostratna
Sprawdź, gdzie wykorzystujemy AI/ML!
Poznaj GlobiQ, SmartForms oraz wiele innych rozwiązań opartych o sztuczną inteligencję i uczenie maszynowe.
Typy sieci neuronowych
Wspólną cechą sieci neuronowych jest to, że na ich strukturę składają się neurony połączone ze sobą synapsami. Z synapsami związane są wagi, czyli wartości liczbowe, których interpretacja zależy od modelu. SSN mogą się jednak różnić pod wieloma względami, na przykład topologii (architektury) czy metody uczenia.
Różne architektury sieci neuronowych
- Sieć rekurencyjna – sieć ze sprzężeniami zwrotnymi: zmiana stanu jednego neuronu przenosi się przez masowe sprzężenie zwrotne na całą sieć wywołując stan przejściowy, kończący się określonym stanem ustalonym, na ogół innym niż poprzedni. Przykłady takich sieci to: sieć ART., BAM, sieć Hopfielda czy modyfikacja sieci Hopfielda zwana maszyną Boltzmanna.
- Sieć jednokierunkowa – charakteryzuje się przeszyłem sygnałów w jednym kierunku. Szczególnym przypadkiem tego rodzaju sieci są sieci wielowarstwowe, stanowiące najpopularniejszą architekturę SSN.
- Sieć komórkowa – w tego typu sieciach sprzężenia wzajemne między elementami przetwarzającymi dotyczą jedynie najbliższego sąsiedztwa. Sieci komórkowe mają dobre predyspozycje do przetwarzania w czasie rzeczywistym (zwłaszcza obrazów).
Jak sieci się uczą?
SSN mogą się uczyć na dwa sposoby – „z nauczycielem” oraz „bez nauczyciela”. Co dokładnie to oznacza?
Uczenie nadzorowane („z nauczycielem”)
W tym podejściu stosowane są zestawy uczące, dane podawane na wejście i wyjście. W czasie nauki sieć dostraja wagi tak, aby minimalizować różnice między wartością oczekiwaną a nauczoną. Przykłady metod uczenia nadzorowanego to m.in.:
- metoda delta
- metoda propagacji wstecznej błędu (BP)
- metoda szybkiej propagacji (modyfikacja BP)
- metoda LM
- metoda gradientów sprzężonych.
Uczenie nienadzorowane („bez nauczyciela”)
Sieć uczy się modyfikując swoje parametry przez analizę reakcji na nieznane wcześniej pobudzenia. W efekcie uczenia sieć dokonuje podziału na klasy/kategorie. Jako przykłady reguł uczenia nienadzorowanego można podać:
- Reguła Hebba
- Reguła „wygrywający bierze wszystko” (WTA).
SSN w praktyce – przykłady zastosowań
Sztuczne sieci neuronowe mają wiele zastosowań praktycznych (a w najbliższej przyszłości pojawi się zapewne wiele nowych). Zastosowania SSN można podzielić na następujące kategorie:
- kojarzenie danych (klasyfikacja) – przyporządkowywanie zdarzenia do określonej klasy
- analiza danych (wykrywanie grup) – umożliwia np. filtrację sygnałów
- wydobywanie cech – umożliwia redukcję wymiaru danych (kompresja)
- aproksymacja – na podstawie znajomości punktów SSN uczy się kształtu funkcji
- predykcja
- optymalizacja (w tym problemów kombinatorycznych)
- układy sterujące – na podstawie podawania wzorców reakcji na określone bodźce, SSN może automatycznie interpretować sytuację i na nią reagować
- rozpoznawanie i odtwarzanie obrazów – rozpoznawanie obrazu i przypisywanie do danej grupy, nawet przy dość dużym zniekształceniu
- pamięć – możliwość wybiórczego pobierania w bardzo krótkim czasie.
Przechodząc już do bardziej konkretnych zastosowań sztucznych sieci neuronowych, przytoczmy kilka przykładów z bliskiej nam dziedziny, jaką jest energetyka:
- optymalizacja nastawień przełączników zaczepów w sieciach rozdzielczych
- optymalizacja nastaw baterii kondensatorów w sieciach rozdzielczych w czasie rzeczywistym
- prognozowanie zapotrzebowania na moc szczytową oraz zużycia energii elektrycznej dla wybranych grup odbiorców
- analiza wpływu czynników niezwiązanych z energetyką na jakość prognoz zużycia energii
- wspomaganie analizy zwarciowej w sieciach elektroenergetycznych
- prognozowanie produkcji energii z farm wiatrowych (projekt 4RES)
- diagnostyka urządzeń elektroenergetycznych: m.in.: transformatorów, turbozespołów, układów elektrowni atomowych, diagnostyka przecieków, prognozowanie uszkodzeń w turbinie wiatrowej
- ocena bezpieczeństwa systemu (m.in. ocena na podstawie naruszenia/nienaruszenia ograniczeń, ale też występowania pokrywania/niepokrywania obciążeń).
Podoba Ci się ten artykuł? Chcesz dostawać świeże newsy prosto na Twoją skrzynkę?
Dołącz do newslettera Globemy
i bądź zawsze na bieżąco!
SSN a prognozowanie produkcji z odnawialnych źródeł energii
Na zakończenie chcielibyśmy podać jeden przykład zastosowania SSN z naszej działalności badawczo-rozwojowej – projekt 4RES.
Wraz ze wzrostem udziału energetyki odnawialnej w całkowitym bilansie energetycznym coraz istotniejsze staje się prognozowanie jej produkcji w perspektywie krótkoterminowej i ultrakrótkoterminowej. Wsparciem dla operatorów OZE jest tutaj właśnie nasz autorski system 4RES, w którym do prognozowania produkcji energii użyto sztucznych sieci neuronowych (dokładnie sieci warstwowych). Działanie aplikacji w praktyce potwierdziło komercyjne wdrożenie u jednego z operatorów handlowych, gdzie uzyskano satysfakcjonujący poziom błędu prognozy – w okolicach 10%.
4RES – prognozowanie produkcji z OZE
Zobacz także:
4 kroki skutecznego wdrożenia sztucznej inteligencji
Jak usprawnić pozyskiwanie informacji z dokumentów oraz tworzenie archiwum dokumentacji dzięki sztucznej inteligencji
Smart Forms – sprawne raportowanie prac w terenie
Większe zyski dzięki niezawodnym prognozom produkcji energii z OZE
