Kevés informatikai szakkifejezést emlegetnek annyit manapság, mint az utóbbi évtized mesterséges intelligencia-, és gépitanulás-áttörésének egyik alapját, a nagy vonalakban az emberi agyról mintázott mesterséges ideghálókat, más néven neurális hálókat.

Egy háló összekapcsolt egységekbe, csomópontokba rendezett mesterséges idegsejtekből (neuronokból) áll. A biológiai agy szinapszisaihoz hasonlóan, azokat utánozva, szimulálva, minden egyes idegsejt jelzést juttat el a többinek. Az élővilágban a szinapszisok az elektromos, vegyi jelzések neuronok közötti továbbítását biztosító szerkezetek.

A mesterséges idegsejtek, a neurális hálózat elemi számítási egységei fogadják és dolgozzák fel, majd a velük kapcsolatban álló többihez továbbítják a jelzéseket, amelyek esetükben valós számok, és minden egyes kimenetet nemlineáris aktiváló függvény számol ki a bemeneti értékekből. A kapcsolódások élek, az idegsejtek és élek súllyal rendelkeznek, a súlyok pedig a tanulás függvényében változnak, növelve, illetve csökkentve a jelerősséget. A neuronok küszöbértékkel dolgozhatnak; ebben az esetben a jel csak akkor küldhető el, ha meghaladja a megadott értéket. Minden egyes kapcsolat egy idegsejt kimenetét bemenetként küldi tovább egy másik idegsejtnek. A kapcsolatok fontosságát a hozzájuk rendelt értékek jelzik, a neuronok pedig több bemenő és kimenő kapcsolattal rendelkezhetnek.

Az idegsejteket rétegekbe rendezik. Egy réteg sejtjei csak a közvetlenül előttük és utánuk lévő réteghez kapcsolódnak. Különböző rétegek különféle átalakításokat végezhetnek a bemenő jeleken, amelyek az elsőtől, a kívülről jövő jeleket megkapó input rétegtől az azokon a végső simításokat elvégző utolsóig, az output rétegig „utaznak”, miután valószínűleg többször megtették a végpontok közti szakaszt. A bemenet egyrészt külső adatok, például képek, dokumentumok értékmintázatai, másrészt más neuronokból érkező kimenetek lehetnek. Az idegháló utolsó output sejtjeinek a kimeneteivel ér véget a rendszer munkája, például papagájt ismert fel egy fényképen.

A bemeneti és a kimeneti rétegek között rejtett rétegek vannak (vagy – ritkábban – nincsenek); számuk a 2010-es évek elejétől kulcsfontosságúvá vált mélytanulással (deep learning) nőtt meg. Természetesen egyetlen rétegből álló vagy rétegek nélküli hálózatok is léteznek. Két réteg között többféle kapcsolódási minta lehetséges: mindkét réteg valamennyi idegsejtje összekapcsolódhat, egy réteg neuronjai csak a következő egyikéhez kapcsolódhatnak stb.

Az agykutatás fejlődése eredményezte a mesterséges ideghálók létrejöttét. Tudósok régóta tanulmányozzák, hogy a biológiai ideghálók hogyan működtetik az agyat. Gépi hálózatokig a bináris számokat, igeneket és nemeket feldolgozó egységekként értelmezett biológiai idegsejtektől vezetett az út az új területig, még az 1960-as években. Az USA-ban az ideghálókat számítógépesen szimulálni hivatott több laboratóriumot építettek akkoriban. A fejlesztéseket azonban több tényező hátráltatta: a szimulációra alkalmas gépek rendkívüli költségei, az emberi agy elképesztő komplexitása, a túl statikus számítógépes architektúrák.

Az első hullám lecsengésével, az ezirányú k+f tevékenység az 1980-as évek második felében, a feldolgozó kapacitások drasztikus növekedésével éledt újjá, azóta töretlen a fejlődés, amelyet a gépitanulás-reneszánsz gyorsított fel a mai szintre. A mostani mesterséges ideghálók különféle technikák egyre több területen alkalmazott családja. A legegyszerűbbek egy vagy több statikus összetevőből állnak, míg a tanulási szakaszt lerövidítő és jobb eredményekkel előálló dinamikusak jóval bonyolultabbak. Egyesek emberi felügyelet mellett, mások önállóan tanulnak. Az egyik vizuális és más kétdimenziós adatok feldolgozásában, a másik beszédfelismerésben, a harmadik képek újraalkotásában remekel, és így tovább.

Frissítve 2023. november 27.