CONTENT & PR OFFICER @HEIMDAL™ SECURITY

This post is also available in: English

Efter at have været interesseret og også studeret lidt psykologi og neurovidenskab i min fritid, fandt jeg ud af, at den menneskelige hjerne er en af de mest fantastiske ting i verden – det gjorde os til den dominerende art og tillod alle de fremskridt, vi har opnået, på så mange områder. Det er ikke underligt, at folk på et tidspunkt forsøgte at finde ud af, om dele af den menneskelige hjernemodel kan anvendes på maskiner. I denne artikel vil vi se på begreber som kunstig intelligens (AI), maskinlæring (ML) og AI neurale netværk og finde ud af, hvordan de besvarer det berømte Kan maskiner tænke? spørgsmål.

AI Neural Network: Nødvendige definitioner

Som InnoArchiTech  skriver,

For at definere AI skal vi først definere begrebet intelligens generelt. En omskrevet definition baseret på Wikipedia er:

Intelligens kan generelt beskrives som evnen til at opfatte information og bevare den som viden, der skal anvendes i retning af adaptiv adfærd i et miljø eller en kontekst.

Mens der er mange forskellige definitioner af intelligens, indeholder de alle i det væsentlige læring, forståelse og anvendelse af den viden, der læres for at nå et eller flere mål.

Det er derfor en naturlig forlængelse at sige, at KUNSTIG INTELLIGENS kan beskrives som intelligens udstillet af maskiner.

ai neural network - ai subfields

Kilde: IBM

Maskinlæring, deep learning og AI neurale netværk er alle underfelter af det generelle kunstig intelligens domæne.

Som jeg allerede har nævnt i en af mine tidligere artikler,  adskiller maskinlæring sig fra kunstig intelligens i den forstand, at “maskinlæring er metoden til at træne en  computer til at lære af sine input, men uden eksplicit programmering for hver omstændighed. Maskinlæring hjælper en computer med at opnå kunstig intelligens.” Deep learning  refererer til “et sæt teknikker til   implementering af maskinlæring, der genkender mønstre af mønstre – som billedgenkendelse. Systemerne identificerer primært objektkanter, en struktur, en objekttype og derefter et objekt selv.”

Før vi definerer AI neurale netværk, skal vi først forstå, hvad der er et  neuralt netværk i forhold til den menneskelige hjerne:

Den indre funktion af den menneskelige hjerne er ofte modelleret omkring begrebet neuroner og netværk af neuroner kendt som biologiske neurale netværk. Ifølge Wikipedia anslås det, at den menneskelige hjerne indeholder omkring 100 milliarder neuroner, som er forbundet langs stier i disse netværk. […] neuroner interagerer og kommunikerer med hinanden gennem en grænseflade bestående af axon terminaler, der er forbundet til dendritter på tværs af et hul (synapse)[…].

På en enklere måde,

[…] et enkelt neuron vil videregive en besked til et andet neuron på tværs af denne grænseflade, indtil summen af vægtede inputsignaler fra en eller flere neuroner (summation) er stor nok (overstiger en tærskel) til at forårsage en meddelelses transmission. Dette kaldes aktivering, når tærsklen overskrides, og beskeden sendes videre til det næste neuron. 

ai neural network - brain

Kilde: InnoArchiTech

Derfor,

Den ‘tænkning’ eller behandling, som vores hjerne udfører, og de efterfølgende instruktioner, der gives til vores muskler, organer og krop, er resultaterne af disse neurale netværk i aktion. Derudover ændrer hjernens neurale netværk sig løbende og opdaterer sig selv på mange måder, herunder ændringer af mængden af vægtning, der anvendes mellem neuroner. Dette sker som et direkte resultat af læring og erfaring. I betragtning af dette, er det en naturlig antagelse, at for at en computermaskine kan replikere hjernens funktionalitet og kapaciteter, herunder at være ‘intelligent’, skal den med succes implementere en computerbaseret eller kunstig version af dette netværk af neuroner.

Derfor er et neuralt AI-netværk

stykket af et computersystem designet til at simulere den måde, den menneskelige hjerne analyserer og behandler information. Det er grundlaget for kunstig intelligens (AI) og løser problemer, der ville vise sig umulige eller vanskelige efter menneskelige eller statistiske standarder.

Et neuralt AI-netværk  er

“sammensat af flere noder, som efterligner biologiske neuroner i den menneskelige hjerne. Neuronerne er forbundet med links, og de interagerer med hinanden. Noderne kan tage inputdata og udføre enkle handlinger på dataene. Resultatet af disse operationer overføres til andre neuroner. Outputtet på hver node kaldes aktiverings- eller nodeværdien. Hvert link er forbundet med vægt. ANN’er er i stand til at lære, hvilket sker ved at ændre vægtværdier.”

ai neural network - how it works

Kilde: InnoArchiTech

AI Neural Network: Historie & Applikation

Historien om AI neurale netværk går tilbage til 1940’erne. En lærings hypotese baseret på mekanismen af neural plasticitet blev først skabt i slutningen af 1940’erne af Donald Olding Hebb, en canadisk psykolog / neuropsykolog. Hans lærings hypotese var kendt som Hebbian læring.

I 1954 blev computermaskiner for første gang brugt til at simulere et hebbisk netværk. Efter mange andre vigtige øjeblikke (1958, 1960, 1970, 1975, 1982, 1992, 2006), blev et netværk oprettet i 2012 “der lærte at genkende højere niveau begreber, såsom katte, kun fra at se unavngivede billeder. Ukontrolleret foruddannelse og øget computerkraft fra GPU’er  og  distribueret databehandling gjorde det muligt at bruge større netværk, især i billed- og visuelle genkendelsesproblemer, som blev kendt som <<deep learning>>”.

Som Wikipedia  nævner,

På grund af deres evne til at reproducere og modellere ikke-lineære processer har kunstige neurale netværk fundet applikationer i mange discipliner. Anvendelsesområder omfatter systemidentifikation og -kontrol (køretøjskontrol, baneforudsigelse, processtyring, forvaltning af naturressourcer), kvantekemi,[generel spil, mønstergenkendelse (radarsystemer, ansigtsidentifikation, signalklassificering, 3D-rekonstruktion, objektgenkendelse og mere), sekvensgenkendelse (gestus, tale, håndskrevet og trykt tekstgenkendelse), medicinsk diagnose, finansiering (f.eks. automatiserede handelssystemer), datamining, visualisering, maskine oversættelse, filtrering af sociale netværk og filtrering af e-mail-spam. ANN’er er blevet brugt til at diagnosticere flere typer kræftformer og til at skelne meget invasive kræftcellelinjer fra mindre invasive linjer, der kun bruger celleformoplysninger.

Som du korrekt kan forvente, kan AI neurale netværk også være særligt nyttige i cybersikkerhed.

I vores tilfælde forbliver AI neurale netværk i basen af vores suite og kan findes, for eksempel i vores Heimdal™ Threat Prevention  til netværks- og endpointløsning.

Heimdal™ Threat Prevention omfatter  darklayer GUARD™-  og  VectorN-detektion modulerne™ som har AI i centrum. DarkLayer GUARD™ er drevet af vores AI-drevne “Character-Based” Neural networks intelligens og har en 96% nøjagtig evne til at forudsige morgendagens trusler i dag.

DarkLayer GUARD™ endpoint motoren, verdens mest avancerede Endpoint DNS-trusselsopsporings værktøj fungerer sammen med vores VectorN Detection™‘s AI-baserede trafikmønstergenkendelsesmotor for at give dig HIPS / HIDS og IOA / IOC-funktioner og få øje på skjult malware, helt autonom af kode og signatur samt processer, brugere, webadresser og angriberoprindelse, der bruges til at infiltrere dit netværk.

Heimdal Official Logo
Your perimeter network is vulnerable to sophisticated attacks.

Heimdal™ Threat Prevention - Network

Is the next-generation network protection and response solution that will keep your systems safe.
  • No need to deploy it on your endpoints;
  • Protects any entry point into the organization, including BYODs;
  • Stops even hidden threats using AI and your network traffic log;
  • Complete DNS, HTTP and HTTPs protection, HIPS and HIDS;
Try it for FREE today Offer valid only for companies.

AI Neural Network: Typer og fordele

Der er to typer af AI neurale netværk:  FeedForward og FeedBack.

Et FeedForward AI neuralt netværk er kendetegnet ved et envejs flow: “En enhed sender oplysninger til en anden enhed, hvorfra den ikke modtager nogen oplysninger. Der er ingen feedback-sløjfer. De anvendes i mønstergenerering/genkendelse/klassificering. De har faste input og output.”

I tilfælde af FeedBack AI neurale netværk vises feedback-sløjfer og bruges i indholds adresserbare minder.

Uanset om vi taler om et FeedForward AI neuralt netværk eller et FeedBack- netværk, bringer neurale netværk følgende fordele til bordet:

  • Adaptiv læring. AI neurale netværk er i stand til at lære at løse opgaver i henhold til uddannelsens sæt data.
  • Selvorganiseringen. Ud over adaptiv læring er AI neurale netværk i stand til at generere deres egne repræsentationer af de oplysninger, de modtager.
  • Realtidsoperation. AI neurale netværk kan foretage beregninger samtidigt, og hardwaren på visse enheder kan endda fremstilles for at drage fordel af denne ejendom.

ai neural network concept

Kilde: Unsplash

AI Neural Network: Læringsstrategier

Da AI neurale netværk skal uddannes til at lære, er forskellige læringsstrategier blevet udviklet:

OVERVÅGET LÆRING

Denne læringsstrategi bruges til mønstergenkendelse: AI neurale netværk kommer med gæt og en lærer giver det de rigtige svar. Derefter sammenligner det neurale netværk sine gæt med de rigtige svar og foretager de nødvendige justeringer.

UOVERVÅGET LÆRING

Uovervåget læring er nødvendig, når der ikke er noget eksempel datasæt med kendte svar, som i tilfælde af søgning efter et skjult mønster.

FORSTÆRKNING LÆRING

Forstærkning læring er en strategi bygget på observation. I dette tilfælde træffer AI neurale netværk beslutninger ved at observere deres miljø: “Hvis observationen er negativ, justerer netværket sine vægte for at kunne træffe en anden påkrævet beslutning næste gang.”

AI Neural Network: Begrænsninger

AI neurale netværk kan være til stor hjælp i mange brancher, men det er rimeligt at sige, at de også har et par begrænsninger eller ulemper:

TID OG DATA

En af de største udfordringer ved neurale AI-netværk er den mængde tid og data, der er nødvendige for deres træning. Eksperter kræver også stor computerkraft til sådanne komplekse opgaver. Når det kommer til data, afhænger et neuralt AI-netværk strengt af de specifikke oplysninger om det undersøgte system.

INGEN INDSIGT, DER KAN HANDLES PÅ

Et andet aspekt, der kan betragtes som en ulempe ved AI neurale netværk er det faktum, at de resultater, de genererer, er afledt af en type matematik, der generelt ikke er meget kendt eller forstået. Da der ikke er nogen statistisk interferenskomponent, kan vi ikke se tilbage på processen og forstå, hvordan resultaterne blev udledt.

FOR MANGE PROGRAMMER

Som TechMonitor  skriver,

neurale netværk blev oprindeligt udviklet til at skabe hierarkier af klassificering – dens eksistensberettigelse handler om at identificere klasser af ting og derefter identificere klasser af klasser af ting og så videre op i et hierarki.

Imidlertid bruges AI neurale netværk også til diagnose- eller kausalitetsproblemer, hvilket kan medføre nogle problemer:

-Fra et økonomisk perspektiv, når man fordrejer den underliggende logik for at forsøge at løse et problem, skal man bruge mere tid på at udvikle algoritmen, dine chancer for fejl stiger, og man tilføjer betydelige omkostninger til løsningen.

AI Neural Network: Afsluttende

AI neurale netværk repræsenterer kernen i kunstig intelligens, og på trods af sine få begrænsninger, vil den fortsætte med at bevæge os fremad og have forskellige betydelige konsekvenser for vores moderne samfund.

Skriv en linje nedenfor, hvis du har kommentarer, spørgsmål eller forslag vedrørende dette emne om AI neurale netværk – vi kan ikke vente med at høre din mening!

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *

GO TO TOP