November 2
Modellazione come funziona il cervello e replicare la sua flessibilità e capacità associative è un obiettivo di ricerca in corso per la ricerca di intelligenza artificiale. Le reti neurali artificiali sono un modo che la ricerca di AI si muove lentamente fuori dal regno della teoria e nell'uso giorno per giorno in determinati settori e campi. Funzionalmente, una rete neurale artificiale emula la struttura neurone del cervello umano, dove ogni neurone agisce come un gateway per la trasmissione dati differenziata. Come un cervello umano, le reti neurali si adattano alle indicazioni di ingresso interna ed esterna, e sono ampiamente utilizzati in campi in cui pattern recognition è importante. Sono la chiave per la robotica e sono una componente fondamentale della tecnologia utilizzata per i droni e le auto autonomamente controllate.
Le reti neurali - entro i limiti dei loro ingressi dati e le condizioni iniziali - possono imparare organicamente. Essi non si limitano interamente da ciò che è stato dato loro in un sistema esperto. Le reti neurali possono generalizzare dai loro ingressi, che li rende preziosi per la robotica e sistemi di riconoscimento del modello e per l'analisi dei dati su larga scala.
sistemi non lineari eseguono i collegamenti per raggiungere soluzioni computazionalmente costose e possono dedurre le connessioni tra punti dati, piuttosto che aspettare per i record in una fonte di dati per essere collegati in modo esplicito. Questo meccanismo scorciatoia non lineare è il motivo per cui le tecniche di rete neurale sono preziosi per l'analisi di grandi dati commerciali ed è la ragione per Watson di IBM è riuscita a "Jeopardy".
Oltre ai vantaggi di elaborazione dati, reti artificiali hanno il potenziale per alta tolleranza guasti; quando in scala su più macchine e più server, una rete neurale è in grado di aggirare i dati mancanti o server ei nodi che non possono comunicare.
Le reti neurali possono fare più di percorso intorno parti della rete che operano non più; se viene richiesto per i dati che era nella parte della rete che non è comunicante, essi possono rigenerare grandi quantità di dati per deduzione e utilizzando i loro tratti apprendimento organici, lavorando in avanti dal loro stato attuale. Questa è anche una caratteristica utile per le reti che hanno bisogno di informare i propri utenti circa lo stato attuale della rete totale e risultati in modo efficace in una rete di auto-debugging e diagnostica. Come networking diventano più complicate e le reti crescere più grande, questa funzione guadagnerà importanza.