Sadržaj[Sakrij][Prikaži]
Koncept da su roboti pametniji od ljudi zaokuplja našu kolektivnu maštu sve dok postoji naučna fantastika.
Međutim, dok umjetna inteligencija (AI) još nije dostigla taj nivo, napravili smo značajan napredak u generiranju mašinske inteligencije, što su dokazali Google, Tesla i Uber testiranjem sa samovozećim automobilima.
Skalabilnost i korisnost dubokog učenja, pristupa mašinskog učenja koji omogućava ovaj tehnički napredak, delimično je odgovoran za uspešan prelazak veštačke inteligencije sa univerziteta i istraživačkih laboratorija na proizvode.
Sljedeća kompjuterska revolucija će biti izgrađena na vještačkoj inteligenciji, dubokom učenju i mašinsko učenje.
Ove tehnologije su izgrađene na sposobnosti razlučivanja obrazaca, a zatim predviđanja budućih događaja na osnovu podataka prikupljenih u prošlosti. Ovo objašnjava zašto Amazon stvara ideje kada kupujete putem interneta ili kako Netflix zna da volite užasne filmove iz 1980-ih.
Iako se računari koji koriste AI koncepte ponekad nazivaju „pametnim“, većina ovih sistema ne uči samostalno; potrebna je ljudska interakcija.
Naučnici podataka pripremaju inpute birajući varijable koje će biti primijenjene prediktivna analitika. Duboko učenje, s druge strane, može automatski izvršiti ovu funkciju.
Ovaj post služi kao vodič za sve ljubitelje podataka koji su zainteresirani da saznaju više o dubokom učenju, njegovoj širini i budućim potencijalima.
Šta je duboko učenje?
Duboko učenje se može smatrati podskupom mašinskog učenja.
To je polje koje je izgrađeno na samoučenju i usavršavanju kroz ispitivanje kompjuterskih algoritama.
Duboko učenje, za razliku od mašinskog učenja, radi sa veštačkim neuronske mreže, koji bi trebali oponašati način na koji ljudi misle i uče. Do nedavno, neuronske mreže su bile ograničene u složenosti zbog ograničenja snage računara.
Međutim, napredak u analitici velikih podataka omogućio je veće, moćnije neuronske mreže, omogućavajući kompjuterima da nadgledaju, razumiju i reagiraju na komplikovane situacije brže od ljudi.
Preporučujemo čitanje – Objašnjena arhitektura Tesla neuronske mreže
Kategorizacija slika, prevođenje jezika i prepoznavanje govora su imali koristi od dubokog učenja. Može se pozabaviti bilo kojim problemom prepoznavanja obrazaca bez potrebe za ljudskom interakcijom.
U suštini je troslojna ili višeslojna neuronska mreža. Ove neuronske mreže nastoje imitirati aktivnost ljudskog mozga, iako s ograničenim uspjehom, omogućavajući mu da „uči“ iz ogromnih količina podataka.
Dok jedan sloj neuronske mreže još uvijek može proizvesti približna predviđanja, više skrivenih slojeva može pomoći u optimizaciji i podešavanju za preciznost.
Šta je neuronska mreža?
Umjetne neuronske mreže zasnovane su na neuronskim mrežama koje se vide u ljudskom mozgu. Obično se neuronska mreža sastoji od tri sloja.
Tri nivoa su ulaz, izlaz i skriveni. Neuronska mreža u akciji vidi se na dijagramu ispod.
Kako gore prikazana neuronska mreža ima samo jedan skriveni sloj, nazvana je "plitka neuronska mreža".
Više skrivenih slojeva se dodaje takvim sistemima kako bi se formirale sofisticiranije strukture.
Šta je Deep Network?
U dubokoj mreži dodaje se mnogo skrivenih slojeva.
Obuka takvih dizajna postaje sve komplikovanija kako se broj skrivenih slojeva u mreži povećava, ne samo u pogledu vremena potrebnog za pravilno obučavanje mreže, već iu smislu potrebnih resursa.
Duboka mreža sa ulazom, četiri skrivena sloja i izlazom prikazana je ispod.
Kako funkcioniše duboko učenje?
Neuronske mreže su izgrađene od slojeva čvorova, slično kao što neuroni čine ljudski mozak. Pojedinačni čvorovi sloja su povezani sa čvorovima u susjednim slojevima.
Broj slojeva u mreži ukazuje na njenu dubinu. Jedan neuron u ljudski mozak prima hiljade poruka.
Signali se kreću između čvorova u umjetnoj neuronskoj mreži, koja im dodjeljuje težine.
Čvor sa većom težinom ima veći uticaj na čvorove ispod sebe. Poslednji sloj kombinuje ponderisane ulaze da bi se obezbedio izlaz.
Sistemi dubokog učenja trebaju jak hardver zbog ogromne količine podataka kojima se rukuje i brojnih sofisticiranih matematičkih proračuna uključenih.
Proračuni obuke za duboko učenje, čak i uz tako sofisticiranu tehnologiju, mogu potrajati sedmicama.
Sistemi dubokog učenja zahtijevaju značajnu količinu podataka da bi pružili ispravne nalaze; stoga se informacije unose u obliku masivnih skupova podataka.
Prilikom obrade podataka, umjetne neuronske mreže mogu klasificirati informacije na osnovu odgovora na niz binarnih da ili lažnih pitanja koja uključuju vrlo komplicirana matematička izračunavanja.
Algoritam za prepoznavanje lica, na primjer, uči identificirati i prepoznati rubove i linije lica.
Zatim značajniji elementi lica, a na kraju i čitave reprezentacije lica.
Algoritam se sam trenira tokom vremena, povećavajući vjerovatnoću pravih odgovora.
U ovoj situaciji, algoritam za prepoznavanje lica će vremenom tačnije prepoznati lica.
Duboko učenje VS mašinsko učenje
Kako se duboko učenje razlikuje od mašinskog učenja ako je ono njegov podskup?
Duboko učenje razlikuje se od tradicionalnog mašinskog učenja po vrstama podataka koje koristi i metodama koje koristi za učenje.
Za kreiranje predviđanja, algoritmi mašinskog učenja koriste strukturirane, označene podatke, što znači da su određene karakteristike specificirane iz ulaznih podataka modela i grupisane u tabele.
Ovo ne znači nužno da ne koristi nestrukturirane podatke; umjesto toga, ako to radi, obično prolazi kroz neku prethodnu obradu kako bi se stavio u strukturirani format.
Duboko učenje ukida dio prethodne obrade podataka koju strojno učenje općenito podrazumijeva.
Ovi algoritmi mogu unositi i interpretirati nestrukturirane podatke kao što su tekst i slike, kao i automatizirati ekstrakciju karakteristika, smanjujući oslanjanje na ljudske stručnjake.
Zamislimo da imamo kolekciju slika različitih kućnih ljubimaca koje smo željeli organizirati u kategorije kao što su “mačka”, “pas”, “hrčak” i tako dalje.
Algoritmi dubokog učenja mogu otkriti koje su osobine (kao što su uši) najvažnije u odvajanju jedne životinje od druge. Ovu hijerarhiju funkcija ručno određuje ljudski stručnjak za mašinsko učenje.
Sistem dubokog učenja se tada mijenja i prilagođava se preciznosti putem gradijentni spust i propagaciju unazad, omogućavajući mu da generiše preciznija predviđanja o novom snimku životinje.
Aplikacije za duboko učenje
1 Chatbots
Chatbotovi mogu riješiti probleme klijenta u nekoliko sekundi. Chatbot je an umjetne inteligencije (AI) alat koji vam omogućava onlajn komunikaciju putem teksta ili pretvaranja teksta u govor.
Može komunicirati i ponašati se na isti način na koji to čine ljudi. Chatbotovi se široko koriste u korisničkoj službi, marketingu na društvenim mrežama i razmjeni trenutnih poruka klijentima.
Na vaše unose odgovara automatskim odgovorima. Generiše mnoge oblike odgovora koristeći tehnike mašinskog učenja i dubokog učenja.
2. Automobili koji se sami voze
Dubinsko učenje je primarni faktor iza toga da automobili koji se sami voze postaju stvarnost.
Milion skupova podataka se učitava u sistem kako bi se kreirao model, obučite mašine da uče, a zatim procijenite nalaze u sigurnom okruženju.
Uber Umjetna inteligencija Labs u Pittsburghu ne samo da pokušava da automobile bez vozača učini češćim, već i da integriše brojne pametne karakteristike, kao što su mogućnosti dostave hrane, uz korištenje automobila bez vozača.
Najhitnija briga za razvoj samovozećih vozila je suočavanje s neočekivanim događajima.
Kontinuirani ciklus testiranja i implementacije, tipičan za algoritme dubokog učenja, osigurava sigurnu vožnju jer je sve više izložen milionima scenarija.
3. Virtualni asistent
Virtuelni asistenti su programi zasnovani na oblaku koji prepoznaju glasovne komande na prirodnom jeziku i rade stvari u vaše ime.
Virtualni asistenti kao što su Amazon Alexa, Cortana, Siri i Google Assistant su uobičajeni primjeri.
Da bi u potpunosti iskoristili svoj potencijal, potrebni su im uređaji povezani na internet. Kada se naredba daje pomoćniku, ona ima tendenciju da pruži bolje iskustvo na osnovu prethodnih susreta koristeći algoritme dubokog učenja.
4. Zabava
Kompanije kao što su Netflix, Amazon, YouTube i Spotify pružaju odgovarajuće prijedloge filmova, pjesama i video zapisa svojim klijentima kako bi poboljšali njihovo iskustvo.
Duboko učenje je odgovorno za sve ovo.
Firme za striming na mreži pružaju preporuke za proizvode i usluge na osnovu historije pregledavanja, interesovanja i aktivnosti neke osobe.
Algoritmi dubokog učenja se također koriste za automatsku proizvodnju titlova i dodavanje zvuka nijemim filmovima.
5. Robotika
Duboko učenje se široko koristi u razvoju robota koji mogu obavljati poslove poput ljudi.
Roboti s pogonom na duboko učenje koriste ažuriranja u stvarnom vremenu kako bi otkrili prepreke na svojoj ruti i brzo uredili svoj kurs.
Može se koristiti za transport stvari u bolnicama, fabrikama, skladištima, upravljanje zalihama, proizvodnju proizvoda itd.
Boston Dynamics roboti reaguju na ljude kada ih guraju. Mogu isprazniti mašinu za pranje sudova, mogu ustati kada padnu i mogu obavljati razne druge aktivnosti.
6. Zdravstvo
Doktori ne mogu biti sa svojim pacijentima XNUMX sata dnevno, ali jedna stvar koju svi praktično uvijek imamo sa sobom su naši telefoni.
Duboko učenje također omogućava medicinskim tehnologijama da analiziraju podatke sa slika koje snimamo i podatke o kretanju kako bi otkrili potencijalne zdravstvene probleme.
Program kompjuterskog vida umjetne inteligencije, na primjer, koristi ove podatke da prati pacijentove obrasce kretanja kako bi predvidio padove, kao i promjene u mentalnom stanju.
Duboko učenje je također korišteno za identifikaciju raka kože pomoću fotografija i još mnogo toga.
7. Obrada prirodnog jezika
Razvoj tehnologije obrade prirodnog jezika omogućio je robotima da čitaju komunikacije i iz njih izvlače značenje.
Ipak, pristup može biti previše pojednostavljen, ne uzimajući u obzir načine na koje se riječi spajaju kako bi utjecale na značenje ili svrhu fraze.
Duboko učenje pomaže procesorima prirodnog jezika da prepoznaju složenije obrasce u frazama i daju preciznije tumačenje.
8. Kompjuterski vid
Duboko učenje pokušava replicirati kako ljudski um obrađuje informacije i prepoznaje obrasce, što ga čini idealnom metodom za obuku aplikacija AI zasnovane na viziji.
Ti sistemi mogu uzeti niz označenih setova fotografija i naučiti da prepoznaju predmete poput aviona, lica i oružja koristeći modeli dubokog učenja.
Duboko učenje na djelu
Osim što vaš omiljeni servis za streaming muzike preporučuje pjesme koje bi vam se mogle svidjeti, kako duboko učenje mijenja živote ljudi?
Ispostavilo se da duboko učenje ulazi u širok spektar aplikacija. Svako ko koristi Facebook primijetit će da kada objavite nove slike, društvena stranica često prepoznaje i označava vaše prijatelje.
Duboko učenje se koristi za obradu prirodnog jezika i prepoznavanje govora od strane digitalnih asistenata kao što su Siri, Cortana, Alexa i Google Now.
Prevođenje u realnom vremenu je omogućeno putem Skypea. Mnoge usluge e-pošte su napredovale u svojoj sposobnosti da otkriju neželjene poruke prije nego što stignu u inbox.
PayPal je koristio duboko učenje kako bi spriječio lažna plaćanja. CamFind vam, na primjer, omogućava da snimite bilo koji objekt i pomoću mobilne tehnologije vizualnog pretraživanja odredite o čemu se radi.
Duboko učenje se koristi za pružanje rješenja posebno od strane Googlea. AlphaGo, kompjuterski program koji je razvio Google Deepmind, nadmašio je aktuelne Go šampione.
WaveNet, koji je razvio DeepMind, može stvoriti govor koji zvuči prirodnije od trenutno dostupnih govornih sistema. Za prevođenje usmenih i tekstualnih jezika, Google Translate koristi duboko učenje i prepoznavanje slika.
Bilo koja fotografija se može identificirati pomoću Google Planeta. Kako bi pomogao u razvoju AI aplikacija, Google je kreirao Tensorflow duboko učenje softverska baza podataka.
Budućnost dubokog učenja
Duboko učenje je nezaobilazna tema u razgovoru o tehnologiji. Nepotrebno je reći da se duboko učenje razvilo u jedan od najvažnijih elemenata tehnologije.
Organizacije su nekada bile jedine zainteresovane za tehnologije poput veštačke inteligencije, dubokog učenja, mašinskog učenja i tako dalje. Pojedinci također postaju zainteresirani za ovaj element tehnologije, posebno za duboko učenje.
Jedan od mnogih razloga zašto duboko učenje dobija toliko pažnje je njegova sposobnost da omogući bolje odluke zasnovane na podacima, a istovremeno poboljšava tačnost predviđanja.
Alati za razvoj dubokog učenja, biblioteke i jezici bi mogli postati redovne komponente bilo kojeg alata za razvoj softvera za nekoliko godina.
Ovi trenutni setovi alata će utrti put za jednostavno dizajniranje, postavljanje i obuku novih modela.
Transformacija stila, automatsko označavanje, muzičko stvaranje, i druge zadatke bi bilo mnogo lakše obaviti s ovim vještinama.
Potražnja za brzim kodiranjem nikada nije bila veća.
Programeri za duboko učenje će sve više koristiti integrisana, otvorena, razvojna okruženja zasnovana na oblaku koja u budućnosti omogućavaju pristup širokom spektru standardnih biblioteka algoritama koji se mogu priključiti.
Duboko učenje ima veoma svetlu budućnost!
Prednost a neuronska mreža je to što se odlično snalazi u radu s velikim količinama heterogenih podataka (mislite na sve čime se naš mozak mora nositi, cijelo vrijeme).
Ovo je posebno istinito u našem dobu moćnih pametnih senzora, koji mogu prikupiti ogromne količine podataka. Tradicionalni kompjuterski sistemi se bore da prosijaju, kategorizuju i izvuku zaključke iz toliko podataka.
zaključak
Duboko učenje ovlasti većina rješenja umjetne inteligencije (AI) koja mogu poboljšati automatizaciju i analitiku procesima.
Većina pojedinaca svakodnevno dolazi u kontakt sa dubokim učenjem kada koriste internet ili svoje mobilne telefone.
Duboko učenje se koristi za proizvodnju titlova za YouTube video zapise. Provedite prepoznavanje glasa na telefonima i pametnim zvučnicima.
Omogućite identifikaciju lica za slike i omogućite samovozeće automobile, između mnogih drugih upotreba.
I kako se naučnici podataka i akademici bave sve komplikovanijim projekti dubokog učenja koji koriste okvire dubokog učenja, ova vrsta umjetne inteligencije će postati sve važniji dio našeg svakodnevnog života.
Ostavite odgovor