Neuroverkko (keinotekoinen neuroverkko)
Neuroverkko on koneoppimisen malli, joka oppii tunnistamaan monimutkaisia säännönmukaisuuksia syötedatasta toisiinsa kytkettyjen laskentasolmujen avulla.
Neuroverkko eli keinotekoinen neuroverkko on koneoppimisen laskennallinen malli, joka koostuu toisiinsa kytketyistä yksiköistä eli keinotekoisista neuroneista. Sen tehtävänä on ottaa vastaan syötetietoa, käsitellä sitä matemaattisesti ja tuottaa haluttu lopputulos, kuten kuvan luokittelu, puheen tunnistaminen tai tulevaisuuden arvioiminen. Neuroverkon toiminta perustuu parametreihin, joita säädetään vähitellen opetusprosessin aikana.
Vaikka rakenne on saanut alun perin innoituksensa ihmisen aivojen hermosoluista, kyseessä on puhtaasti matemaattinen järjestelmä. Neuroverkko ei ymmärrä ratkaisemaansa ongelmaa inhimillisesti, vaan se oppii havaitsemaan toistuvia rakenteita ja tilastollisia riippuvuuksia sille syötetystä aineistosta.
Miten neuroverkko käsittelee tietoa?
Tavallisessa neuroverkossa laskenta etenee kerroksittain. Syötekerros ottaa vastaan tiedot numeroina: esimerkiksi valokuvan jokainen pikseli muutetaan numeerisiksi arvoiksi. Tätä seuraavat piilokerrokset, joissa tietoa muokataan laskennallisesti. Viimeisenä on tuloskerros, joka antaa vastauksen, kuten todennäköisyyden sille, kuuluuko havainto tiettyyn luokkaan.
Kerrosten välisillä yhteyksillä on painoarvot. Kun signaali kulkee solmulta toiselle, se kerrotaan tällä painolla. Solmu laskee yhteen saamansa signaalit ja käyttää tulokseen aktivointifunktiota. Tämä funktio on välttämätön, sillä se tuo laskentaan epälineaarisuutta ja antaa mallille kyvyn oppia monimutkaisia ilmiöitä yksinkertaisten suoraviivaisten yhtälöiden sijaan.
Oppimisvaiheessa verkko tekee ensin arvauksen ja vertaa sitä tiedossa olevaan oikeaan vastaukseen. Järjestelmä laskee virheen suuruuden ja säätää painoarvoja takaisinpäin suuntautuvalla laskennalla. Tätä toistetaan lukemattomia kertoja, kunnes mallin tekemät virheet vähenevät hyväksyttävälle tasolle.
Esimerkki käytännöstä: Mansikoiden lajittelu
Havainnollistetaan asiaa marjatilalla Suonenjoella. Yrittäjä haluaa lajitella liukuhihnalla kulkevat mansikat kahteen ryhmään: virheettömiin myyntimarjoihin ja mehumansikoihin, joissa on kolhuja, hometta tai raakuutta. Työntekijät ottavat marjoista valokuvia ja merkitsevät niihin oikean luokan.
Neuroverkko opetetaan näiden kuvien avulla. Se alkaa yhdistää tietyt värisävyt, pintakuviot ja muodot virheellisen marjan leimaan. Verkko ei tiedä, miltä mansikka maistuu tai miten sitä viljellään. Se suorittaa vain yhtä rajattua tehtävää sille annettujen kuvien pohjalta.
Näin arvioit neuroverkon toimivuutta
Tekoälymallin arvioinnissa olennaisinta on sen kyky käsitellä täysin uutta dataa. Hyvä onnistuminen tutuilla esimerkeillä ei takaa, että malli pärjää arjessa. Kehitystyössä kannattaa huomioida seuraavat vaiheet:
- Määrittele tarkka päätös: Älä pyydä mallia arvioimaan yleistä laatua, vaan aseta selkeä tehtävä, kuten ohjaus käsitarkastukseen tai suoraan rasiaan.
- Käytä yhdenmukaisia merkintöjä: Jos kaksi arvioijaa tulkitsee marjan pienen väriläiskän eri tavalla, neuroverkko saa sekavia ohjeita. Rajatapaukset täytyy sopia etukäteen.
- Pidä opetus- ja testidata erillään: Saman marjan kuvia ei saa päästää molempiin aineistoihin. Luotettava testi vaatii aineistoa myös eri päiviltä ja vaihtelevasta valosta.
- Vertaa yksinkertaisempaan ratkaisuun: Jos tavallinen värianturi ja kiinteä sääntö tunnistavat raa'at marjat riittävän hyvin, monimutkaista neuroverkkoa ei tarvita.
- Erittele virheiden hinta: Onko pahempaa päästää huono marja myyntiin vai heittää virheetön marja mehuksi? Erilaisilla virheillä on liiketoiminnalle eri vaikutus.
Varo harhaanjohtavia oikoteitä
Neuroverkot ovat taitavia löytämään aineistosta helpoimman mahdollisen reitin oikeaan vastaukseen. Jos suonenjokelaisen tilan kaikki huonot mansikat kuvataan sinisellä pöydällä ja virheettömät valkoisella, verkko oppii tunnistamaan taustan värin marjan laadun sijaan. Testitulos näyttää erinomaiselta, mutta tuotantolinjalla malli on hyödytön.
Sama riski koskee asiakirjojen käsittelyä suomalaisissa yrityksissä. Jos laskuja lajitteleva neuroverkko tunnistaa asiakirjan pelkän logon tai tutun asettelun perusteella, se epäonnistuu heti, kun vanha tavarantoimittaja uudistaa laskupohjansa tai kuvioihin tulee uusi kumppani. Mallin opetusmateriaalin pitää aina vastata todellista toimintaympäristöä.
Erilaiset neuroverkot eri tehtäviin
Käytännön sovelluksissa hyödynnetään useita verkkoarkkitehtuureja. Kuvantunnistuksessa käytetään tyypillisesti konvoluutioneuroverkkoja, jotka erikoistuvat havaitsemaan paikallisia muotoja ja kuvioita riippumatta niiden sijainnista kuvassa. Aikasidonnaista tietoa, kuten säähavaintoja tai mittausdataa, on perinteisesti mallinnettu toistavilla neuroverkoilla. Nykyaikaisissa tekstiä ja puhetta käsittelevissä järjestelmissä käytetään useimmiten muuntajamalleja, jotka kykenevät huomioimaan lauseen eri osien väliset suhteet samanaikaisesti.
Usein kysytyt kysymykset
Miten neuroverkko eroaa tavallisesta tietokoneohjelmasta?
Tavallisessa ohjelmassa ihminen kirjoittaa valmiit säännöt ja ehdot koodina. Neuroverkko puolestaan luo omat sääntönsä ja sisäiset kertoimensa esimerkkidatan ja toistojen perusteella.
Tarvitaanko neuroverkon opettamiseen aina tuhansia kuvia?
Uuden verkon kouluttaminen alusta asti vaatii valtavasti aineistoa. Käytännössä usein hyödynnetään valmiiksi opetettua mallia, jota hienosäädetään omaan tarpeeseen huomattavasti pienemmällä datamäärällä.
Tietääkö neuroverkko, mitä se tekee?
Ei tiedä. Neuroverkko on matemaattinen malli, joka laskee todennäköisyyksiä ja suorittaa numeerisia muunnoksia ilman tietoista ymmärrystä käsittelemistään asioista.
