একটি কৃত্রিম নিউরন একটি জৈবিক নিউরনের মডেল, একটি নিউরাল নেটওয়ার্ক হিসাবে ধারণিত একটি গাণিতিক ফাংশন। কৃত্রিম নিউরন কৃত্রিম নিউরাল নেটওয়ার্কগুলির প্রাথমিক ইউনিট। একটি কৃত্রিম নিউরন এক বা একাধিক ইনপুট গ্রহণ করে এবং আউটপুট বা অ্যাক্টিভেশন তৈরির জন্য তাদের যোগফল দেয়, এটি নিউরনের ক্রিয়া সম্ভাবনার প্রতিনিধিত্ব করে, যা তার অক্ষরেখা দিয়ে প্রেরণ করা হয়। সাধারণত, প্রতিটি ইনপুট পৃথকভাবে বিশ্লেষণ করা হয় এবং সমষ্টিটি একটি অ্যাক্টিভেশন ফাংশন বা ট্রান্সফার ফাংশন হিসাবে পরিচিত একটি অ-লিনিয়ার ফাংশনের মধ্য দিয়ে যায়।
বুদ্ধি, সমস্যা সমাধান এবং শেখার জন্য সাধারণ মানসিক ক্ষমতা হিসাবে সংজ্ঞায়িত করা যেতে পারে। সাধারণ প্রকৃতির কারণে, বুদ্ধি উপলব্ধি, মনোযোগ, স্মৃতি, ভাষা বা পরিকল্পনার মতো জ্ঞানীয় কার্যগুলিকে একীভূত করে। প্রাকৃতিক বুদ্ধি বিশ্বের সচেতন মনোভাব দ্বারা পৃথক করা হয়। মানুষের চিন্তাভাবনা সর্বদা সংবেদনশীল রঙিন হয় এবং এটি কর্পোরালিটি থেকে পৃথক করা যায় না। উপরন্তু, একজন ব্যক্তি একটি সামাজিক সত্তা, তাই, চিন্তাভাবনা সর্বদা সমাজ দ্বারা প্রভাবিত হয়। আবেগের ক্ষেত্রের সাথে এআইয়ের কোনও সম্পর্ক নেই এবং এটি সামাজিক দিকনির্দেশক নয়।
মস্তিষ্ক এবং মেশিনের সংগঠনের বেশ কয়েকটি সাধারণ পরামিতিগুলির উপর ভিত্তি করে কৃত্রিম বুদ্ধিমত্তার সাথে মানুষের চিন্তার তুলনা করা সম্ভব। মস্তিষ্কের মতো একটি কম্পিউটারের ক্রিয়াকলাপে চারটি ধাপ অন্তর্ভুক্ত থাকে: এনকোডিং, সংরক্ষণ, ডেটা বিশ্লেষণ এবং ফলাফল জারি করা। এছাড়াও, মানুষের মস্তিষ্ক এবং এআই পরিবেশ থেকে প্রাপ্ত ডেটার উপর নির্ভর করে নিজে নিজে শিখতে পারে। এছাড়াও, মানুষের মস্তিষ্ক এবং মেশিন বুদ্ধি কিছু নির্দিষ্ট অ্যালগোরিদম ব্যবহার করে সমস্যাগুলি (বা কার্যগুলি) সমাধান করে।
ঐতিহাসিকভাবে, মানবিক ও প্রাণীর স্নায়ুতন্ত্রের সমন্বয়ে তৈরি প্রাকৃতিক নিউরাল নেটওয়ার্কগুলির কাজ গণিতের মডেলিংয়ের প্রচেষ্টার অংশ হিসাবে উত্থিত হয়েছিল। একটি প্রাকৃতিক নিউরন একটি অত্যন্ত জটিল জৈবিক বস্তু যা নিউরোফিজিওলজিস্ট এবং জীববিজ্ঞানীরা আজ অবধি সক্রিয়ভাবে অধ্যয়ন করে চলেছেন। যাইহোক, এটির পরিচালনার সাধারণ নীতিগুলি দীর্ঘকাল ধরে পরিচিত। প্রতিটি নিউরনের অনেক ইনপুট শাখা থাকে যার মাধ্যমে এটি অন্যান্য নিউরনের সাথে যোগাযোগ করে। তারপরে এটি প্রাপ্ত তথ্য এবং অ-লিনিয়ার পদ্ধতিতে প্রক্রিয়াজাত করে এবং একটি আউটপুট সংকেত উত্পাদন করে। গত শতাব্দীর পঞ্চাশের দশকে এই খুব সরল পরিকল্পনার ভিত্তিতে, নিউরনের একটি গাণিতিক মডেল তৈরি করা হয়েছিল, যা আজ”কৃত্রিম নিউরন” হিসাবে পরিচিত। এটি সহজতম গণনা মডিউল যা সংখ্যার (সংকেত বা চিহ্ন) সমন্বিত একটি নির্দিষ্ট ভেক্টরকে ইনপুট হিসাবে গ্রহণ করে। ইনপুট ভেক্টরের সমস্ত উপাদানগুলি নির্দিষ্ট সহগগুলি দ্বারা গুণিত হয়, এর পরে সেগুলি যুক্ত করা হয় এবং একটি ননলাইনার রূপান্তর করা হয়। একটি কৃত্রিম নিউরনের আউটপুট কেন ননলাইনারিটি? প্রাকৃতিক নিউরনের উত্তেজনার মতো সম্পত্তি রয়েছে। একটি প্রাকৃতিক নিউরন হয় উত্তেজিত হয়, এটি আউটপুট এ একটি সংকেত তৈরি করে, বা এটি”বন্ধ” হয়। কম্পিউটার প্রয়োগের সাথে সাথে আউটপুট যথাক্রমে ১ বা ০ হয়। অবশ্যই, এই গাণিতিক মডেলটি কোনওভাবেই ব্যাখ্যা করে না যে মানব স্নায়ুতন্ত্রের উপাদানগুলি আসলে কীভাবে কাজ করে। কিন্তু যখন আমরা কৃত্রিম নিউরনের কথা বলি তখন আমাদের অর্থ কেবল গাণিতিক ক্রিয়াকলাপ যা আমাদের শেখার সমস্যাগুলির সাথে কাজ করার পক্ষে সুবিধাজনক।
নিউরনের সহজ মডেলগুলির ভিত্তিতে কৃত্রিম নিউরাল নেটওয়ার্কগুলি উত্থিত হয়েছে। খুব শীঘ্রই এটি স্পষ্ট হয়ে উঠল যে নিউরনের বেশ কয়েকটি স্তর ব্যবহার করে ইনপুট বৈশিষ্ট্যগুলি বিশ্লেষণ করা হলে সেরা ফলাফলটি অর্জিত হয়। নিউরনের প্রথম স্তর ইনপুট বৈশিষ্ট্যগুলি গ্রহণ করে, প্রতিটি নিউরন এগুলিকে তার নিজস্ব পদ্ধতিতে প্রক্রিয়া করে এবং নিজস্ব আউটপুট উত্পন্ন করে। এটি আউটপুটগুলির প্রথম স্তরটি বের করে। তারপরে দ্বিতীয় স্তরটি গঠিত হয়, যার মধ্যে নিউরনগুলি প্রথম স্তরটির আউটপুট ইনপুট হিসাবে গ্রহণ করে। এবং তাই বেশ কয়েকবার। এই কাঠামোটিকে মাল্টিলেয়ার পারসেপ্ট্রন বলা হয়। পারসেপ্ট্রন শব্দের অর্থ”স্বীকৃতি মেশিন”। এটি বেশ কয়েকটি স্তরগুলির একটি কৃত্রিম নিউরাল নেটওয়ার্ক বোঝাতে তৈরি হয়েছিল, যা উদাহরণের মাধ্যমে শেখার মাধ্যমে চিত্রের শ্রেণিবিন্যাসের সমস্যা সমাধান করে। ইতিমধ্যে খুব প্রথম সাধারণ উপলব্ধিকারীরা দেখিয়েছিল যে কৃত্রিম সিস্টেমগুলি সত্যই শিখতে পারে, এবং কেবলমাত্র মানব যুক্তিকেই পুনরুত্পাদন করতে পারে না। আসলে, এটি কৃত্রিম নিউরাল নেটওয়ার্কগুলিতে অনেক আগ্রহের জন্ম দিয়েছে।