INHOUDSOPGAWE[Versteek][Wys]
Die konsep dat robotte slimmer as mense is, het ons kollektiewe verbeelding aangegryp so lank as wat daar Wetenskapfiksie was.
Alhoewel kunsmatige intelligensie (KI) nog nie daardie vlak bereik het nie, het ons beduidende deurbrake gemaak in die opwekking van masjienintelligensie, soos bewys deur Google, Tesla en Uber-toetsing met selfbesturende motors.
Die skaalbaarheid en bruikbaarheid van Deep Learning, die Masjienleer-benadering wat hierdie tegniese vooruitgang moontlik maak, is deels verantwoordelik vir KI se suksesvolle oorgang van universiteite en navorsingslaboratoriums na produkte.
Die volgende rekenaarrevolusie sal gebou word op kunsmatige intelligensie, diep leer, en machine learning.
Hierdie tegnologieë is gebou op die vermoë om patrone te onderskei en dan toekomstige gebeure te voorspel gebaseer op data wat in die verlede ingesamel is. Dit verduidelik hoekom Amazon idees maak wanneer jy aanlyn koop of hoe Netflix weet jy hou van aaklige 1980's flieks.
Alhoewel rekenaars wat KI-konsepte gebruik soms "slim" genoem word, leer die meerderheid van hierdie stelsels nie op hul eie nie; menslike interaksie word vereis.
Datawetenskaplikes berei die insette voor deur die veranderlikes te kies wat toegepas sal word predictive analytics. Diep leer, aan die ander kant, kan hierdie funksie outomaties uitvoer.
Hierdie pos dien as 'n veldgids vir enige dataliefhebbers wat belangstel om meer te wete te kom oor diep leer, die breedte daarvan en toekomstige potensiaal.
Wat is Deep Learning?
Diep leer kan beskou word as 'n subset van masjienleer.
Dit is 'n veld wat gebou is op selfleer en verbetering deur rekenaaralgoritmes te ondersoek.
Diep leer, in teenstelling met masjienleer, werk met kunsmatige neurale netwerke, wat veronderstel is om na te boots hoe mense dink en leer. Tot onlangs was neurale netwerke beperk in kompleksiteit as gevolg van rekenaarkragbeperkings.
Vooruitgang in Big Data-analise het egter groter, kragtiger neurale netwerke moontlik gemaak, wat rekenaars in staat stel om ingewikkelde situasies vinniger as mense te monitor, te verstaan en daarop te reageer.
Ons beveel aan om te lees - Tesla neurale netwerkargitektuur verduidelik
Beeldkategorisering, taalvertaling en spraakherkenning het almal by diep leer baat gevind. Dit kan enige patroonherkenningskwessie aanpak sonder die behoefte aan menslike interaksie.
Dit is in wese 'n drie- of meer lae neurale netwerk. Hierdie neurale netwerke poog om die aktiwiteit van die menslike brein na te boots, alhoewel met beperkte sukses, deur dit in staat te stel om uit enorme volumes data te "leer".
Terwyl 'n enkele laag van 'n neurale netwerk steeds benaderde voorspellings kan produseer, kan meer versteekte lae help om te optimaliseer en in te stel vir akkuraatheid.
Wat is neurale netwerk?
Kunsmatige neurale netwerke is gebaseer op neurale nette wat in die menslike brein gesien word. Gewoonlik bestaan 'n neurale netwerk uit drie lae.
Die drie vlakke is invoer, uitvoer en versteek. 'n Neurale netwerk in aksie word in die diagram hieronder gesien.
Aangesien die neurale netwerk hierbo net een versteekte laag het, word dit 'n "vlak neurale netwerk" genoem.
Meer versteekte lae word by sulke stelsels gevoeg om meer gesofistikeerde strukture te vorm.
Wat is Deep Network?
In 'n diep netwerk word baie versteekte lae bygevoeg.
Opleiding van sulke ontwerpe word al hoe meer ingewikkeld namate die aantal versteekte lae in die netwerk toeneem, nie net met betrekking tot die tyd wat nodig is om die netwerk behoorlik op te lei nie, maar ook in terme van die hulpbronne wat benodig word.
'n Diep netwerk met 'n inset, vier versteekte lae en 'n uitset word hieronder getoon.
Hoe werk Deep Learning?
Neurale netwerke word opgebou uit lae nodusse, soortgelyk aan hoe neurone die menslike brein uitmaak. Individuele laag nodusse is gekoppel aan nodusse in naburige lae.
Die aantal lae in 'n netwerk dui die diepte daarvan aan. N enkele neuron in die menslike brein ontvang duisende boodskappe.
Seine beweeg tussen nodusse in 'n kunsmatige neurale netwerk, wat gewigte aan hulle toeken.
’n Nodus met ’n hoër gewig het ’n groter impak op die nodusse daaronder. Die laaste laag kombineer die geweegde insette om 'n uitset te verskaf.
Diep leerstelsels benodig sterk hardeware as gevolg van die massiewe hoeveelheid data wat hanteer word en die talle gesofistikeerde wiskundige berekeninge wat betrokke is.
Diep leer-opleidingsberekeninge, selfs met sulke gesofistikeerde tegnologie, kan weke neem.
Diep leerstelsels vereis 'n aansienlike hoeveelheid data om korrekte bevindings te verskaf; dus word inligting in die vorm van massiewe datastelle gevoer.
Wanneer data verwerk word, kan kunsmatige neurale netwerke inligting klassifiseer gebaseer op antwoorde op 'n reeks binêre ja- of valse vrae wat baie ingewikkelde wiskundige berekeninge behels.
’n Gesigsherkenningsalgoritme leer byvoorbeeld om die rande en lyne van gesigte te identifiseer en te herken.
Dan meer betekenisvolle elemente van gesigte, en uiteindelik hele voorstellings van gesigte.
Die algoritme oefen homself mettertyd op, wat die waarskynlikheid van die regte antwoorde verhoog.
In hierdie situasie sal die gesigsherkenningsalgoritme gesigte mettertyd meer korrek herken.
Diep leer VS Masjienleer
Hoe verskil diep leer van masjienleer as dit 'n subset daarvan is?
Diep leer verskil van tradisionele masjienleer in die tipe data wat dit gebruik en die metodes wat dit gebruik om te leer.
Om voorspellings te skep, gebruik masjienleeralgoritmes gestruktureerde, benoemde data, wat beteken dat sekere kenmerke uit die model se insetdata gespesifiseer en in tabelle gegroepeer word.
Dit impliseer nie noodwendig dat dit nie ongestruktureerde data gebruik nie; eerder, as dit wel gebeur, gaan dit gewoonlik deur voorafverwerking om dit in 'n gestruktureerde formaat te plaas.
Diep leer doen weg met 'n deel van die data-voorverwerking wat masjienleer oor die algemeen behels.
Hierdie algoritmes kan ongestruktureerde data soos teks en prente inneem en interpreteer, sowel as kenmerkonttrekking outomatiseer, wat die afhanklikheid van menslike spesialiste verminder.
Kom ons stel ons voor dat ons 'n versameling beelde van verskeie troeteldiere gehad het wat ons in kategorieë soos "kat", "hond", "hamster" ensovoorts wou organiseer.
Diep leeralgoritmes kan uitvind watter eienskappe (soos ore) die noodsaaklikste is om een dier van 'n ander te skei. Hierdie kenmerkhiërargie word met die hand bepaal deur 'n menslike spesialis in masjienleer.
Die diep leerstelsel verander dan en pas homself vir akkuraatheid via gradiënt afkoms en terugpropagasie, wat dit toelaat om meer presiese voorspellings oor 'n vars momentopname van 'n dier te genereer.
Deep Learning toepassings
1. chatbots
Chatbots kan kliëntprobleme binne 'n paar sekondes regstel. 'n Chatbot is 'n kunsmatige intelligensie (AI) hulpmiddel waarmee jy aanlyn kan kommunikeer via teks of teks-na-spraak.
Dit kan kommunikeer en dade op dieselfde manier doen wat mense doen. Chatbots word wyd gebruik in kliëntediens, sosiale media bemarking en kliënt kitsboodskappe.
Dit reageer op jou insette met outomatiese antwoorde. Dit genereer baie vorme van antwoorde deur masjienleer en diepleertegnieke te gebruik.
2. Selfbesturende motors
Deep Learning is die primêre faktor agter selfbesturende motors wat 'n werklikheid word.
'n Miljoen datastelle word in 'n stelsel gelaai om 'n model te skep, lei die masjiene op om te leer, en evalueer dan die bevindinge in 'n veilige omgewing.
Die Uber Kunsmatige Intelligensie Labs in Pittsburgh probeer nie net om bestuurderlose motors meer algemeen te maak nie, maar ook om talle slim kenmerke, soos voedselafleweringsmoontlikhede, te integreer met die gebruik van bestuurderlose motors.
Die mees dringende bekommernis vir die ontwikkeling van selfbestuurvoertuie is die hantering van onverwagte gebeure.
'n Deurlopende siklus van toetsing en implementering, tipies van diepleeralgoritmes, verseker veilige bestuur aangesien dit meer en meer aan miljoene scenario's blootgestel word.
3. Virtuele assistent
Virtuele assistente is wolk-gebaseerde programme wat natuurlike taal stemopdragte herken en dinge namens jou doen.
Virtuele assistente soos Amazon Alexa, Cortana, Siri en Google Assistant is algemene voorbeelde.
Om hul potensiaal ten volle te benut, benodig hulle internetgekoppelde toestelle. Wanneer 'n opdrag aan die assistent gegee word, is dit geneig om 'n beter ervaring te lewer gebaseer op vorige ontmoetings met behulp van Deep Learning-algoritmes.
4. Vermaak
Maatskappye soos Netflix, Amazon, YouTube en Spotify verskaf toepaslike fliek-, liedjies- en videovoorstelle aan hul kliënte om hul ervaring te verbeter.
Deep Learning is verantwoordelik vir dit alles.
Aanlynstroomfirmas verskaf produk- en diensaanbevelings gebaseer op 'n persoon se blaaigeskiedenis, belangstellings en aktiwiteit.
Diep leer algoritmes word ook gebruik om onderskrifte outomaties te vervaardig en klank by stomflieks te voeg.
5. Robotika
Deep Learning word wyd aangewend in die ontwikkeling van robotte wat mensagtige werke kan doen.
Deep Learning-aangedrewe robotte gebruik intydse opdaterings om hindernisse in hul roete op te spoor en hul kursus vinnig te reël.
Dit kan gebruik word om goed in hospitale, fabrieke, pakhuise, voorraadbestuur, produkvervaardiging, ensovoorts te vervoer.
Boston Dynamics-robotte reageer op mense wanneer hulle rondgestoot word. Hulle kan 'n skottelgoedwasser leegmaak, hulle kan opstaan wanneer hulle val, en hulle kan 'n verskeidenheid ander aktiwiteite uitvoer.
6. Gesondheidssorg
Dokters kan nie die hele dag by hul pasiënte wees nie, maar een ding wat ons almal feitlik altyd by ons het, is ons fone.
Diep leer stel mediese tegnologieë ook in staat om data van beelde wat ons opneem en bewegingsdata te ontleed om potensiële gesondheidsprobleme te ontbloot.
KI se rekenaarvisieprogram gebruik byvoorbeeld hierdie data om 'n pasiënt se bewegingspatrone te volg om valle sowel as veranderinge in 'n geestestoestand te voorspel.
Diep leer is ook gebruik om velkanker te identifiseer deur foto's en vele meer te gebruik.
7. Natuurlike taalverwerking
Die ontwikkeling van natuurlike taalverwerkingstegnologie het robotte in staat gestel om kommunikasie te lees en betekenis daaruit te put.
Nietemin kan die benadering oorvereenvoudig word, sonder om rekening te hou met die maniere waarop woorde aansluit om die betekenis of doel van 'n frase te beïnvloed.
Diep leer help natuurlike taalverwerkers om meer komplekse patrone in frases te herken en meer akkurate interpretasies te lewer.
8. Rekenaarvisie
Diep leer probeer om te herhaal hoe die menslike verstand inligting verwerk en patrone herken, wat dit 'n ideale metode maak vir die opleiding van visie-gebaseerde KI-toepassings.
Daardie stelsels kan 'n opeenvolging van gemerkte fotostelle inneem en leer om items soos vliegtuie, gesigte en wapens te herken deur gebruik te maak van diep leermodelle.
Diep leer in aksie
Behalwe dat jou gunsteling musiekstroomdiens liedjies aanbeveel waarvan jy dalk hou, hoe verander diep leer mense se lewens?
Diep leer, blyk dit, maak sy weg na 'n wye reeks toepassings. Enigiemand wat Facebook gebruik, sal agterkom dat wanneer jy nuwe beelde plaas, die sosiale werf jou pelle gereeld herken en merk.
Diep leer word gebruik vir natuurlike taalverwerking en spraakherkenning deur digitale assistente soos Siri, Cortana, Alexa en Google Now.
Intydse vertaling word via Skype verskaf. Baie e-posdienste het gevorder in hul vermoë om strooiposboodskappe op te spoor voordat hulle die inkassie bereik.
PayPal het diep leer gebruik om bedrieglike betalings te voorkom. CamFind laat jou byvoorbeeld toe om 'n foto van enige voorwerp te neem en met behulp van mobiele visuele soektegnologie te bepaal wat dit is.
Diep leer word gebruik om oplossings te verskaf deur veral Google. AlphaGo, 'n rekenaarprogram wat deur Google Deepmind ontwikkel is, het huidige Go-kampioene in die wiele gery.
WaveNet, ontwikkel deur DeepMind, kan spraak skep wat natuurliker klink as wat tans beskikbare spraakstelsels is. Om mondelinge en tekstuele tale te vertaal, gebruik Google Translate diep leer en prentherkenning.
Enige foto kan met Google Planet uitgeken word. Om te help met die ontwikkeling van KI-toepassings, het Google die Tensorflow diep leer sagteware databasis.
Toekoms van Deep Learning
Diep leer is 'n onvermydelike onderwerp terwyl tegnologie bespreek word. Nodeloos om te sê, diep leer het ontwikkel tot een van tegnologie se mees deurslaggewende elemente.
Organisasies was vroeër die enigstes wat belanggestel het in tegnologieë soos KI, diep leer, masjienleer, ensovoorts. Ook individue begin belangstel in hierdie element van tegnologie, veral diep leer.
Een van die vele redes waarom diep leer soveel aandag kry, is die vermoë daarvan om beter data-gedrewe besluite toe te laat, terwyl dit ook voorspellingsakkuraatheid verbeter.
Diep leer ontwikkelingshulpmiddels, biblioteke en tale kan heel moontlik gereelde komponente van enige sagteware-ontwikkelingshulpmiddelstel word oor 'n paar jaar.
Hierdie huidige gereedskapstelle sal die weg baan vir eenvoudige ontwerp, opstelling en opleiding van nuwe modelle.
Styltransformasie, outo-tagging, musiek skepping, en ander take sal baie makliker wees om met hierdie vaardighede te doen.
Die vraag na vinnige kodering was nog nooit groter nie.
Diep leer-ontwikkelaars sal toenemend geïntegreerde, oop, wolk-gebaseerde ontwikkelingsomgewings gebruik wat toegang tot 'n wye reeks van die rak en inpropbare algoritme-biblioteke in die toekoms moontlik maak.
Diep leer het 'n baie blink toekoms!
Die voordeel van 'n neurale netwerk is dat dit uitblink in die hantering van groot hoeveelhede heterogene data (dink aan alles waarmee ons brein te doen het, heeltyd).
Dit is veral waar in ons era van kragtige slim sensors, wat groot hoeveelhede data kan insamel. Tradisionele rekenaarstelsels sukkel om uit soveel data te sif, te kategoriseer en gevolgtrekkings te maak.
Gevolgtrekking
Diep leer magte meeste van die kunsmatige intelligensie (KI) oplossings wat outomatisering en analitiese kan verbeter prosesse.
Die meeste individue kom daagliks in aanraking met diep leer wanneer hulle die internet of hul selfone gebruik.
Diep leer word gebruik om onderskrifte vir YouTube-video's te produseer. Voer stemherkenning op fone en slimluidsprekers uit.
Gee gesig-identifikasie vir beelde, en laat selfbesturende motors toe, onder baie ander gebruike.
En, soos datawetenskaplikes en akademici al hoe meer ingewikkeld aanpak diepleerprojekte met behulp van diepleerraamwerke, sal hierdie soort kunsmatige intelligensie 'n toenemend belangrike deel van ons daaglikse lewens word.
Lewer Kommentaar