AI-fogalom · Modellek
Neurális háló (mesterséges neurális hálózat)
Az agy működését leképező, rétegekbe rendezett matematikai modell, amely adatokból tanulva ismer fel mintázatokat.
Más néven: Artificial Neural Network, ANN, Neural Network, neurális hálózat, mesterséges idegháló
A neurális háló olyan gépi tanulási modell, amelynek felépítését az agy biológiai idegsejtjeinek kapcsolódási rendszere ihlette. A modell egymáshoz kapcsolódó, réteges elrendezésű mesterséges neuronokból áll: van egy bemeneti réteg, amely az adatokat fogadja, egy vagy több rejtett réteg, amely a mintázatokat feldolgozza, és egy kimeneti réteg, amely az eredményt adja. Minden kapcsolathoz egy súly tartozik, amely azt szabályozza, mekkora hatással van az egyik neuron kimenete a következőre.
A háló tanulás során fokozatosan módosítja ezeket a súlyokat, hogy a bemenetekből minél pontosabban tudja kiszámítani a kívánt kimenetet. Ez jellemzően a hibavisszaterjesztés nevű eljárással történik: a modell összeveti saját előrejelzését a valós, elvárt eredménnyel, majd a hiba nagysága alapján apró lépésekben korrigálja a súlyokat. Ezt a folyamatot több ezer vagy millió adatpéldán ismétlik, amíg a háló megbízhatóan felismeri a mintázatokat.
A neurális hálók jelentősége abban rejlik, hogy képesek bonyolult, nemlineáris összefüggéseket megtanulni olyan adatokból, amelyekhez nehéz explicit szabályokat írni, például képekből, hangból vagy szövegből. Minél több és mélyebb rétegből épül fel egy háló, annál összetettebb mintázatok felismerésére képes, ez a gondolat áll a mélytanulás alapjainál. Ma szinte minden modern AI-alkalmazás, a képfelismeréstől a nyelvi modellekig, valamilyen neurális hálós architektúrára épül.
A neurális hálóknak számos típusa alakult ki a különböző feladatokhoz: a konvolúciós hálókat elsősorban képek feldolgozására, a rekurrens hálókat sorozatok kezelésére, a transzformer architektúrát pedig nyelvi és egyéb szekvenciális adatok modellezésére fejlesztették ki. Bár a modell működése önmagában nem másolja pontosan az emberi agy biológiáját, a réteges, tanulásra képes felépítés az egyik legsikeresebb megközelítésnek bizonyult a mesterséges intelligencia fejlődésében.