人工智能科学家提出了一种新的数学技术来解释神经网络如何学习数据中的相关特征或模式。人工智能神经网络被认为是机器学习的“黑匣子”，可以扩大不同领域的创新和应用范围。AI 工程师正在努力应对与高级 NN 架构相关的复杂性，包括与 LLM 和 GPT、认知智能和卷积网络相关的架构。为了缓解人工智能训练的难度，研究人员Adityanarayanan Radhakrishnan、Daniel Beaglehole、Parthe Pandit和Mikhail Belkin提出了“平均梯度外积”或AGOP，这是神经网络中特征学习的特征。AGOP 是一种统一的数学机制，它建立了解释神经网络如何从通用 ML 模型中学习的核心基础。

加州大学圣地亚哥分校的数据和计算机科学家团队开发了 AGOP 来减少对反向传播算法的依赖。它完善了描述神经网络如何在 GPT 或 LLM 环境中学习的统计数学模型。借助 AGOP，ML 工程师可以减少预测模型的偏差和过度拟合或校正。

神经网络由称为人工神经元的互连单元组成，这些单元通过模仿生物大脑中神经元突触的“边缘”传输信号。通过训练，这些神经元突触（神经元边缘）开始在学习中取得进展。这些被分配了“权重”，这些“权重”会随着训练而增加或减少——这就是神经网络的学习方式。在机器学习中，人工神经网络在监督或优化的环境中通过不同的统计方法进行学习。例如，经验风险最小化是一种流行的用于预测分析的 ML 训练方法。同样，反向传播用于监督学习算法，用于训练用于语音识别、语音合成、NLP、机器视觉、自动化和机器人的高级 ANN 工具。

近年来，人工智能研究人员加快了开发自学习人工神经网络的努力。这些努力将有助于人工智能应用程序的民主化，使用户能够为简单和复杂的任务提供预测性见解。

神经网络的现代应用

为什么了解神经网络如何从数据集中学习对我们来说很重要？自 ChatGPT-3 推出以来，AI ML 的世界发生了翻天覆地的变化。它为硬核 NLP 和 ANN 开发人员提供了支持，他们为金融服务组织、医疗保健提供商、Web 3.0 创建者、云网络安全和数据存储基础设施公司构建新的应用程序。下面列出了值得一提的神经网络的现代应用：

医学图像分类

神经网络用于医学图像分类，用于分析临床资产，例如 X 射线、CT 扫描、MRI 扫描、PET 扫描、乳房 X 光检查、多普勒等。医学图像分析中的人工智能功能大大提高了诊断速度、准确性和疾病监测效果。借助 AGOP，我们可以期待 AI ML 技术在医学图像分类方面的进一步发展。

在 AiThority.com，我们的分析师介绍了 Aidoc、Nucleai、CLARA Analytics、Clarifai 和 MySense AI 的 AI 创新和研究。

实时竞价

数字广告中的实时竞价使用强化学习。人工神经网络 （ANN） 通过 RTB 影响程序化广告库存的效果。如今，广告商可以使用人工智能驱动的实时竞价软件来预测买家的确切需求和未来需求。除了对购买倾向的预测性情报外，广告技术参与者还使用具有 ANN 功能的 RTB 软件进行超个性化、内容营销、广告效果跟踪、广告欺诈检测、IVT 测量和自动化。

定量金融

财务数据分析师应该了解神经网络如何学习定量财务管理。应用于量化金融的高级 AI ML 技术可帮助分析师预测和查看财务数据中隐藏的模式。时间序列预测、搜索进度、资源分配、风险管理、欺诈检测、KYC 管理、基于视频的情绪分析、社交媒体倾听和聊天自动化是 ANN 在量化金融中的一些重要应用。

人工神经网络的其他重要工业应用包括：

• 营销自动化

• 销售情报

• 能源管理

• 工业自动化 （IA）

• 机器人/机器人控制

• 材料科学

• 3D打印

结论

随着我们介绍更多的LLM和深度学习发明，我们将更清楚地了解ANN的未来以及神经网络如何从不同的数据集和模式中学习。LLM将扩展到先进的神经网络，与自学习认知智能分层，服务于聊天机器人、助手、机器人、增强智能和自动化中的广泛人工智能应用。

文章来源：aithority