Sieć neuronowa to zbiór połączonych ze sobą węzłów, nazywanych neuronami. Każdy neuron przyjmuje na wejściu pewne sygnały od innych neuronów lub zewnętrznych źródeł danych, przetwarza je za pomocą określonej funkcji aktywacji i wysyła na wyjście do kolejnych neuronów lub odbiorców danych. W ten sposób sieć neuronowa może uczyć się i modelować nieliniowe i złożone zależności między danymi wejściowymi a wyjściowymi. 

Sieci neuronowe mogą mieć różną strukturę i architekturę, w zależności od rodzaju zadania, który mają rozwiązywać. Jednym ze sposobów opisu struktury sieci jest graf, czyli matematyczny obiekt składający się z wierzchołków (reprezentujących neurony) i krawędzi (reprezentujących połączenia między nimi). Grafy mogą być skierowane lub nieskierowane, cykliczne lub acykliczne, spójne lub niespójne, itp. W zależności od tych właściwości grafy mogą mieć różne własności analityczne i algorytmiczne. 

Przykładem grafu jest sieć społecznościowa, gdzie wierzchołki reprezentują użytkowników, a krawędzie reprezentują relacje między nimi. Taką sieć można analizować za pomocą sieci neuronowej, aby znaleźć np. najbardziej wpływowych użytkowników, grupy o podobnych zainteresowaniach lub preferencjach, czy też rekomendować nowe kontakty lub treści. 

Innym przykładem grafu jest obraz cyfrowy, gdzie wierzchołki reprezentują piksele, a krawędzie reprezentują sąsiedztwo między nimi. Taką sieć można przetwarzać za pomocą sieci neuronowej, aby np. rozpoznawać obiekty na obrazie, odszumiać lub kompresować obraz, czy też generować nowe obrazy na podstawie istniejących. 

Jednym z najpopularniejszych typów sieci neuronowych wykorzystywanych do przetwarzania grafów są konwolucyjne sieci neuronowe (CNN), które zawierają pięć typów warstw: wejściową, splotową, łączącą, w pełni połączoną i wyjściową. Każda warstwa ma określony cel, taki jak sumowanie, łączenie lub aktywowanie. Konwolucyjne sieci neuronowe spopularyzowały klasyfikację obrazów i wykrywanie obiektów.

Z pomocą aplikacji Dature wykorzystasz sztuczną inteligencję i uczenie maszynowe oparte o sieci neuronowe do prognozowania popytu i optymalizacji zapasów. Dzięki czemu znacznie usprawnisz swój łańcuch dostaw. Połączenie prognozowania popytu z modułem optymalizacji zapasów Dature pozwala określić właściwe poziomy zapasów oraz generuje optymalne rekomendacje zatowarowania. Wypróbuj już teraz!

Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.