zdroj: Towardsatscience.com

Mk. I Perceptron byl prvním počítačem, který se uměl učit na základě metody “pokus/omyl”. Vznikl v roce 1960 pod vedením psychologa Franka Rosenblatta. Není náhodou, že výzkum vedl psycholog, neboť algoritmus Perceptronu měl simulovat fungování lidského mozku. Rosenblatt vlastně vytvořil první umělou neuronovou síť.

Lidský mozek 

Lidský mozek funguje v neuronových spojeních (synapsích). Ty mají de facto vlastnosti jak analogových počítačů, tak těch digitálních. Neurony mají dva stavy – buďto předají signál dál, nebo nepředají – což je podobné binárnímu systému digitálních počítačů. Neurony jsou ale zároveň navzájem propojené a jestli jeden neuron spustí reakci (předat/nepředat signál dál) u dalšího neuronu, je ovlivněno intenzitou spojení mezi těmito dvěma neurony. Dobře to vysvětluje YouTube kanál Veritasium: “Input jednoho neuronu je outputem z hromady dalších neuronů. Síla těchto spojení mezi neurony se ale liší, takže každému spojení lze přiřadit jinou váhu (intenzitu).” Když se bavíme o intenzitě spojení, je to mnohem bližší kontinuálnímu proudu, jak ho známe u analogových počítačů. 

Perceptron

Na principu podobném lidských neuronových synapsí se psycholog z Cornellovy univerzity Frank Rosenblatt v roce 1958 vytvořil první umělou neurální síť, “Mk. I Perceptron”. Rosenblatt pracoval na algoritmu napodobující mechaniku neuronových synapsí, s nímž by bylo možné rozpoznávat obrázky. Algoritmus určuje, jestli daný obrázek je modifikací původního obrázku, jehož měl v databázi, či nikoliv. Pokud ano, přiřazuje mu váhu 1, pokud ne, váhu 0. S tím, jak přibývá počet modifikací původního obrázku (je menší/větší, s trochu jiným tvarem), se tyto váhy navzájem ovlivňují (srovnávají a upravují tyto váhy tak, aby původní obrázek vždy odpovídal jeho modifikacím). Stávají se přesnějšími.

Web Simplilearn.com to dobře popisuje: “Perceptron přijímá mnoho vstupních signálů (nové obrázky), a pokud součet vstupních signálů překročí určitou prahovou hodnotu, buď vydá signál, nebo žádný signál nevydá.” V našem příkladu je tato prahová hodnota určena korelací mezi vstupním signálem (nový obrázek) a databází (původní obrázek). Pokud je korelace vysoká, Perceptron vyhodnotí, že nový obrázek odpovídá tomu starému. Tento mechanismus lze využít k předpovědi kategorie vstupních obrázků. Rosenblatt takto stroj naučil rozpoznávat muže od ženy, čímž je někdy označován za “otce deeplearningu”. Deeplearning totiž funguje na velmi podobném principu. 


Třebaže Rosenblatt se pokroků v oblasti nedožil, jeho výzkum zůstává základnou pro dnešní hluboké neurální sítě, jaké používají umělé inteligence. The New York Times o práci Rosenblatta napsa: napsal: “Perceptron je embryo počítače, který bude umět chodit, mluvit, vidět, psát, a dokonce sám sebe reprodukovat.”

Fungování neurální sítě dobře zachycuje web Towardsdatascience.com zde:

Vysvětlivky  

Analogový počítač

Operují v měnících se amplitudách nějakého fyzikálního fenoménu – u pokročilejších analogových počítačů je to většinou elektrický proud. Zatímco tranzistory u digitálních počítačů fungují v režimu zapnout/vypnout proud, analogové počítače operují s různě měnící se silou tohoto proudu. To vede k nižší spotřebě energie a k rychlejším výpočtům. Hlavní nevýhodou analogových počítačů je nepřesnost (kontinuální proud nelze zastavit v jednom konkrétním bodě, v němž chceme změřit přesné číslo). Navíc analogové počítače nejdou snadno přeprogramovat a musí se pro to přepojit samotný hardware. To je důvod, proč se staly v moderní době zbytečnými. 

Digitální počítač

je počítač, jenž operuje v binární soustavě jedniček a nul. Jeho základní jednotkou je tranzistor, tedy obvod, který je buďto vypnutý (0) nebo zapnutý (1). Tím, jak se tranzistory vypínají a zapínají, lze provádět matematické operace v binární soustavě, od jednoduchého sčítání po vyhledávací algoritmus Googlu. Digitální technologie se používají prakticky všude a analogové počítače de facto nahradily.