Taula de continguts[Amaga][Espectacle]
El concepte que els robots són més intel·ligents que els humans ha captat el nostre imaginari col·lectiu durant el temps que hi ha hagut ciència ficció.
Tanmateix, tot i que la intel·ligència artificial (IA) encara no ha arribat a aquest nivell, hem aconseguit avenços significatius en la generació d'intel·ligència de màquines, com ho demostren les proves de Google, Tesla i Uber amb cotxes autònoms.
L'escalabilitat i la utilitat del Deep Learning, l'enfocament d'aprenentatge automàtic que permet aquest avenç tècnic, és en part responsable de la transició exitosa de la IA des de les universitats i laboratoris de recerca als productes.
La propera revolució informàtica es basarà en la intel·ligència artificial, l'aprenentatge profund i màquina d'aprenentatge.
Aquestes tecnologies es basen en la capacitat de discernir patrons i, a continuació, predir esdeveniments futurs a partir de les dades recollides en el passat. Això explica per què Amazon fa idees quan compres en línia o com Netflix sap que t'agraden les pel·lícules horribles dels anys vuitanta.
Tot i que els ordinadors que utilitzen conceptes d'IA de vegades s'anomenen "intel·ligents", la majoria d'aquests sistemes no aprenen per si mateixos; és necessària la interacció humana.
Els científics de dades preparen les entrades escollint les variables que s'hi aplicaran analítica predictiva. L'aprenentatge profund, d'altra banda, pot realitzar aquesta funció automàticament.
Aquesta publicació serveix com a guia de camp per a tots els amants de les dades interessats a obtenir més informació sobre l'aprenentatge profund, la seva amplitud i el potencial futur.
Què és l'aprenentatge profund?
L'aprenentatge profund es pot considerar com un subconjunt de l'aprenentatge automàtic.
És un camp que es basa en l'autoaprenentatge i la millora mitjançant l'examen d'algoritmes informàtics.
L'aprenentatge profund, a diferència de l'aprenentatge automàtic, funciona amb artificial xarxes neuronals, que se suposa que imiten com la gent pensa i aprèn. Fins fa poc, les xarxes neuronals estaven restringides en complexitat a causa de les limitacions de potència de l'ordinador.
Tanmateix, els avenços en l'anàlisi de Big Data han permès xarxes neuronals més grans i potents, permetent als ordinadors supervisar, comprendre i respondre a situacions complicades més ràpidament que les persones.
Recomanem la lectura - Explicació de l'arquitectura de la xarxa neuronal de Tesla
La categorització d'imatges, la traducció d'idiomes i el reconeixement de veu s'han beneficiat de l'aprenentatge profund. Pot abordar qualsevol problema de reconeixement de patrons sense necessitat d'interacció humana.
Es tracta bàsicament de tres o més capes xarxa neural. Aquestes xarxes neuronals pretenen imitar l'activitat del cervell humà, encara que amb èxit limitat, permetent-li "aprendre" d'enormes volums de dades.
Tot i que una sola capa d'una xarxa neuronal encara pot produir prediccions aproximades, més capes ocultes poden ajudar a optimitzar i ajustar la precisió.
Què és la xarxa neuronal?
Les xarxes neuronals artificials es basen en xarxes neuronals vistes al cervell humà. Normalment, una xarxa neuronal està formada per tres capes.
Els tres nivells són d'entrada, de sortida i d'ocult. Al diagrama següent es veu una xarxa neuronal en acció.
Com que la xarxa neuronal que es mostra a dalt només té una capa oculta, s'anomena "xarxa neuronal poc profunda".
S'afegeixen més capes ocultes a aquests sistemes per formar estructures més sofisticades.
Què és Deep Network?
En una xarxa profunda, s'afegeixen moltes capes ocultes.
L'entrenament d'aquests dissenys es fa cada cop més complicat a mesura que augmenta el nombre de capes ocultes a la xarxa, no només pel que fa al temps necessari per entrenar correctament la xarxa sinó també pel que fa als recursos necessaris.
A continuació es mostra una xarxa profunda amb una entrada, quatre capes ocultes i una sortida.
Com funciona l'aprenentatge profund?
Les xarxes neuronals estan formades per capes de nodes, de manera similar a com les neurones formen el cervell humà. Els nodes de capes individuals estan enllaçats amb els nodes de les capes veïnes.
El nombre de capes d'una xarxa indica la seva profunditat. Una sola neurona a la cervell humà rep milers de missatges.
Els senyals es mouen entre nodes en una xarxa neuronal artificial, que els assigna pesos.
Un node amb un pes més gran té un impacte més gran en els nodes que hi ha a sota. L'última capa combina les entrades ponderades per proporcionar una sortida.
Els sistemes d'aprenentatge profund necessiten un maquinari potent a causa de la gran quantitat de dades manejades i dels nombrosos càlculs matemàtics sofisticats que hi impliquen.
Els càlculs de formació d'aprenentatge profund, fins i tot amb una tecnologia tan sofisticada, poden trigar setmanes.
Els sistemes d'aprenentatge profund requereixen una quantitat important de dades per proporcionar les troballes correctes; per tant, la informació s'alimenta en forma de conjunts de dades massius.
Quan es processen dades, les xarxes neuronals artificials poden classificar la informació a partir de respostes a una seqüència de preguntes binàries sí o falses que impliquen càlculs matemàtics molt complicats.
Un algorisme de reconeixement facial, per exemple, aprèn a identificar i reconèixer les vores i les línies de les cares.
Després elements més significatius de cares, i eventualment representacions senceres de cares.
L'algoritme s'entrena amb el temps, augmentant la probabilitat de les respostes correctes.
En aquesta situació, l'algoritme de reconeixement facial reconeixerà les cares de manera més correcta amb el pas del temps.
Aprenentatge profund VS aprenentatge automàtic
En què difereix l'aprenentatge profund de l'aprenentatge automàtic si és un subconjunt d'aquest?
L'aprenentatge profund difereix de l'aprenentatge automàtic tradicional pel tipus de dades que utilitza i els mètodes que utilitza per aprendre.
Per crear prediccions, els algorismes d'aprenentatge automàtic utilitzen dades estructurades i etiquetades, la qual cosa significa que determinades característiques s'especifiquen a partir de les dades d'entrada del model i s'agrupen en taules.
Això no implica necessàriament que no utilitzi dades no estructurades; més aviat, si ho fa, normalment passa per algun preprocessament per posar-lo en un format estructurat.
L'aprenentatge profund elimina part del preprocessament de dades que generalment implica l'aprenentatge automàtic.
Aquests algorismes poden ingerir i interpretar dades no estructurades, com ara text i imatges, així com automatitzar l'extracció de característiques, reduint la dependència dels especialistes humans.
Imaginem que teníem una col·lecció d'imatges de diverses mascotes que volíem organitzar en categories com ara "gat", "gos", "hàmster", etc.
Els algorismes d'aprenentatge profund poden esbrinar quins trets (com ara les orelles) són més essencials per separar un animal d'un altre. Aquesta jerarquia de funcions la determina manualment un especialista humà en aprenentatge automàtic.
Aleshores, el sistema d'aprenentatge profund canvia i s'adapta per a la seva precisió descens en gradient i retropropagació, que li permet generar prediccions més precises sobre una nova instantània d'un animal.
Aplicacions d'aprenentatge profund
1. Chatbots
Els chatbots poden solucionar els problemes dels clients en qüestió de segons. Un chatbot és un intel·ligència artificial (AI) eina que us permet comunicar-vos en línia mitjançant text o text a veu.
Pot comunicar-se i dur a terme actes de la mateixa manera que ho fan els humans. Els chatbots s'utilitzen àmpliament en servei al client, màrqueting a les xarxes socials i missatgeria instantània.
Respon a les vostres entrades amb respostes automàtiques. Genera moltes formes de respostes mitjançant l'aprenentatge automàtic i tècniques d'aprenentatge profund.
2. Cotxes autònoms
L'aprenentatge profund és el factor principal perquè els cotxes autònoms es converteixin en realitat.
Es carreguen un milió de conjunts de dades en un sistema per crear un model, entrenar les màquines per aprendre, i després avaluar les troballes en un entorn segur.
L'Uber Intel·ligència Artificial Labs a Pittsburgh no només intenta que els cotxes sense conductor siguin més comuns, sinó que també integra nombroses funcions intel·ligents, com ara les possibilitats de lliurament d'aliments, amb l'ús de cotxes sense conductor.
La preocupació més urgent per al desenvolupament de vehicles autònoms és fer front a esdeveniments imprevistos.
Un cicle continu de proves i implementació, típic dels algorismes d'aprenentatge profund, garanteix una conducció segura, ja que està exposat a milions d'escenaris cada cop més.
3. Assistent virtual
Els assistents virtuals són programes basats en núvol que reconeixen ordres de veu en llenguatge natural i fan coses en nom vostre.
Els assistents virtuals com Amazon Alexa, Cortana, Siri i Google Assistant són exemples habituals.
Per aprofitar al màxim el seu potencial, necessiten dispositius connectats a Internet. Quan es dóna una ordre a l'assistent, tendeix a oferir una millor experiència basada en trobades anteriors que utilitzen algorismes d'aprenentatge profund.
4. Entreteniment
Empreses com Netflix, Amazon, YouTube i Spotify ofereixen suggeriments de pel·lícules, cançons i vídeos adequats als seus clients per millorar la seva experiència.
Deep Learning és responsable de tot això.
Les empreses de transmissió en línia ofereixen recomanacions de productes i serveis basades en l'historial de navegació, els interessos i l'activitat d'una persona.
Algoritmes d'aprenentatge profund també s'utilitzen per produir subtítols automàticament i afegir so a pel·lícules mudes.
5. Robòtica
L'aprenentatge profund s'utilitza àmpliament en el desenvolupament de robots que poden fer feines semblants a les humanes.
Els robots impulsats per l'aprenentatge profund utilitzen actualitzacions en temps real per detectar barreres a la seva ruta i organitzar ràpidament el seu curs.
Es pot utilitzar per transportar coses a hospitals, fàbriques, magatzems, gestió d'inventaris, fabricació de productes, etc.
Els robots de Boston Dynamics responen als humans quan són empès. Poden buidar un rentavaixelles, es poden aixecar quan cauen i poden realitzar una varietat d'altres activitats.
6. salut
Els metges no poden estar amb els seus pacients les XNUMX hores del dia, però una cosa que pràcticament tots tenim sempre amb nosaltres són els nostres telèfons.
L'aprenentatge profund també permet que les tecnologies mèdiques analitzin dades d'imatges que capturem i dades de moviment per descobrir possibles problemes de salut.
El programa de visió per ordinador d'AI, per exemple, utilitza aquestes dades per seguir els patrons de moviment d'un pacient per preveure caigudes i canvis en l'estat mental.
També s'ha utilitzat l'aprenentatge profund per identificar el càncer de pell mitjançant fotos i molts més.
7. Processament del llenguatge natural
El desenvolupament de la tecnologia de processament del llenguatge natural ha permès als robots llegir les comunicacions i obtenir-ne significat.
No obstant això, l'enfocament es pot simplificar massa, sense tenir en compte les maneres en què les paraules s'uneixen per afectar el significat o el propòsit d'una frase.
L'aprenentatge profund ajuda els processadors del llenguatge natural a reconèixer patrons més complexos en frases i oferir interpretacions més precises.
8. Visió per ordinador
L'aprenentatge profund intenta replicar com la ment humana processa la informació i reconeix els patrons, el que el converteix en un mètode ideal per entrenar aplicacions d'IA basades en la visió.
Aquests sistemes poden agafar una successió de conjunts de fotos etiquetats i aprendre a reconèixer elements com ara avions, cares i armes utilitzant models d'aprenentatge profund.
Aprenentatge profund en acció
A part del vostre servei de reproducció de música favorit que recomana cançons que us poden agradar, com està canviant l'aprenentatge profund la vida de les persones?
Resulta que l'aprenentatge profund s'està fent camí en una àmplia gamma d'aplicacions. Qualsevol persona que utilitzi Facebook notarà que quan publiqueu imatges noves, el lloc social sovint reconeix i etiqueta els vostres amics.
L'aprenentatge profund s'utilitza per al processament del llenguatge natural i el reconeixement de la veu mitjançant assistents digitals com ara Siri, Cortana, Alexa i Google Now.
La traducció en temps real es proporciona mitjançant Skype. Molts serveis de correu electrònic han avançat en la seva capacitat per detectar missatges de correu brossa abans que arribin a la safata d'entrada.
PayPal ha utilitzat l'aprenentatge profund per evitar pagaments fraudulents. CamFind, per exemple, permet fer una foto de qualsevol objecte i, mitjançant la tecnologia de cerca visual mòbil, determinar quin és.
L'aprenentatge profund s'està utilitzant per oferir solucions de Google en particular. AlphaGo, un programa informàtic desenvolupat per Google Deepmind, ha vençut els actuals campions de Go.
WaveNet, desenvolupat per DeepMind, pot crear un discurs que soni més natural que els sistemes de parla disponibles actualment. Per traduir idiomes orals i textuals, Google Translate utilitza l'aprenentatge profund i el reconeixement d'imatges.
Qualsevol foto es pot identificar mitjançant Google Planet. Per ajudar a desenvolupar aplicacions d'IA, Google va crear Aprenentatge profund tensorflow base de dades de programari.
Futur de l'aprenentatge profund
L'aprenentatge profund és un tema inevitable quan es parla de tecnologia. No cal dir que l'aprenentatge profund s'ha convertit en un dels elements més crucials de la tecnologia.
Les organitzacions solien ser les úniques interessades en tecnologies com la IA, l'aprenentatge profund, l'aprenentatge automàtic, etc. Les persones també s'interessen per aquest element de la tecnologia, especialment per l'aprenentatge profund.
Una de les moltes raons per les quals l'aprenentatge profund està cridant tanta atenció és la seva capacitat per permetre millors decisions basades en dades alhora que millora la precisió de la predicció.
Les eines de desenvolupament d'aprenentatge profund, les biblioteques i els idiomes poden convertir-se molt bé en components habituals de qualsevol conjunt d'eines de desenvolupament de programari d'aquí a uns anys.
Aquests conjunts d'eines actuals obriran el camí per a un disseny, configuració i formació senzills de nous models.
Transformació d'estil, etiquetatge automàtic, creació musical, i altres tasques serien molt més fàcils de fer amb aquestes habilitats.
La demanda de codificació ràpida mai ha estat tan gran.
Els desenvolupadors d'aprenentatge profund utilitzaran cada cop més entorns de desenvolupament integrats, oberts i basats en núvol que permetin l'accés a una àmplia gamma de biblioteques d'algoritmes connectables i disponibles en el futur.
L'aprenentatge profund té un futur molt brillant!
El benefici d'a xarxa neural és que sobresurt en tractar grans quantitats de dades heterogènies (penseu en tot el que ha de fer front al nostre cervell, tot el temps).
Això és especialment cert en la nostra era de potents sensors intel·ligents, que poden recollir grans quantitats de dades. Els sistemes informàtics tradicionals estan lluitant per tamisar, categoritzar i treure conclusions de tantes dades.
Conclusió
Aprenentatge profund poders la majoria de les solucions d'intel·ligència artificial (IA) que poden millorar l'automatització i l'anàlisi processos.
La majoria de les persones entren en contacte amb l'aprenentatge profund diàriament quan utilitzen Internet o els seus telèfons mòbils.
L'aprenentatge profund s'utilitza per produir subtítols per a vídeos de YouTube. Realitzeu el reconeixement de veu en telèfons i altaveus intel·ligents.
Doneu una identificació facial per a les imatges i permeteu que els automòbils es condueixin autònoms, entre molts altres usos.
I, a mesura que els científics de dades i els acadèmics aborden cada cop més complicat projectes d'aprenentatge profund utilitzant marcs d'aprenentatge profund, aquest tipus d'intel·ligència artificial esdevindrà una part cada cop més important de la nostra vida quotidiana.
Deixa un comentari