Obsah[Skrýt][Ukázat]
Koncept, že roboti jsou chytřejší než lidé, zachytil naši kolektivní představivost tak dlouho, dokud existovala sci-fi.
Přestože umělá inteligence (AI) ještě nedosáhla této úrovně, učinili jsme významný průlom v generování strojové inteligence, jak prokázaly testy Googlu, Tesly a Uberu se samořídícími auty.
Škálovatelnost a užitečnost Deep Learning, přístupu Machine Learning, který umožňuje tento technický pokrok, je částečně zodpovědná za úspěšný přechod umělé inteligence z univerzit a výzkumných laboratoří k produktům.
Příští počítačová revoluce bude postavena na umělé inteligenci, hlubokém učení a strojové učení.
Tyto technologie jsou založeny na schopnosti rozlišovat vzorce a předpovídat budoucí události na základě dat shromážděných v minulosti. To vysvětluje, proč Amazon vytváří nápady, když nakupujete online, nebo jak Netflix ví, že máte rádi příšerné filmy z 1980. let.
Přestože počítače využívající koncepty AI se někdy nazývají „chytré“, většina těchto systémů se neučí sama; je nutná lidská interakce.
Datoví vědci připravují vstupy výběrem proměnných, které budou použity prediktivní analýzy. Hluboké učení na druhou stranu může tuto funkci vykonávat automaticky.
Tento příspěvek slouží jako terénní průvodce pro všechny milovníky dat, kteří se chtějí dozvědět více o hlubokém učení, jeho šíři a budoucím potenciálu.
Co je hluboké učení?
Hluboké učení lze považovat za podmnožinu strojového učení.
Je to obor, který je postaven na samoučení a zdokonalování prostřednictvím zkoumání počítačových algoritmů.
Hluboké učení, na rozdíl od strojového učení, pracuje s umělým neuronové sítě, které mají napodobovat, jak lidé myslí a učí se. Až donedávna byly neuronové sítě omezeny ve složitosti kvůli omezením výkonu počítače.
Pokroky v analýze velkých dat však umožnily větší a výkonnější neuronové sítě, které počítačům umožňují monitorovat komplikované situace, chápat je a reagovat na ně rychleji než lidé.
Doporučujeme přečíst - Vysvětlení architektury neuronové sítě Tesla
Kategorizace obrázků, jazykový překlad a rozpoznávání řeči – to vše těží z hlubokého učení. Dokáže vyřešit jakýkoli problém s rozpoznáváním vzorů bez potřeby lidské interakce.
Je to v podstatě tří a vícevrstvé nervová síť. Tyto neuronové sítě se snaží napodobit činnost lidského mozku, i když s omezeným úspěchem, tím, že mu umožňují „učit se“ z obrovského množství dat.
Zatímco jedna vrstva neuronové sítě může stále vytvářet přibližné předpovědi, více skrytých vrstev může pomoci při optimalizaci a vyladění přesnosti.
Co je to neuronová síť?
Umělé neuronové sítě jsou založeny na neuronových sítích viděných v lidském mozku. Obvykle se neuronová síť skládá ze tří vrstev.
Tyto tři úrovně jsou vstupní, výstupní a skrytá. Neuronová síť v akci je vidět na obrázku níže.
Protože výše uvedená neuronová síť má pouze jednu skrytou vrstvu, nazývá se „mělká neuronová síť“.
K takovým systémům se přidává více skrytých vrstev, aby se vytvořily sofistikovanější struktury.
Co je Deep Network?
V hluboké síti se přidává mnoho skrytých vrstev.
Trénink takových návrhů se stává stále komplikovanějším, protože počet skrytých vrstev v síti roste, a to nejen s ohledem na čas potřebný k řádnému trénování sítě, ale také z hlediska požadovaných zdrojů.
Níže je zobrazena hluboká síť se vstupem, čtyřmi skrytými vrstvami a výstupem.
Jak Deep Learning funguje?
Neuronové sítě jsou tvořeny vrstvami uzlů, podobně jako neurony tvoří lidský mozek. Jednotlivé uzly vrstvy jsou propojeny s uzly v sousedních vrstvách.
Počet vrstev v síti udává její hloubku. Jediný neuron v lidský mozek přijímá tisíce zpráv.
Signály se pohybují mezi uzly v umělé neuronové síti, která jim přiřazuje váhy.
Uzel s vyšší hmotností má větší dopad na uzly pod ním. Poslední vrstva kombinuje vážené vstupy a poskytuje výstup.
Systémy hlubokého učení potřebují silný hardware kvůli obrovskému množství zpracovávaných dat a četným sofistikovaným matematickým výpočtům.
Výpočty tréninku hlubokého učení, dokonce i s tak sofistikovanou technologií, mohou trvat týdny.
Systémy hlubokého učení vyžadují značné množství dat, aby poskytly správná zjištění; informace jsou proto přiváděny ve formě masivních datových souborů.
Při zpracování dat mohou umělé neuronové sítě klasifikovat informace na základě odpovědí na posloupnost binárních ano nebo nepravdivých otázek, které zahrnují velmi komplikované matematické výpočty.
Algoritmus rozpoznávání obličeje se například učí identifikovat a rozpoznávat okraje a linie obličejů.
Pak výraznější prvky tváří a nakonec celé reprezentace tváří.
Algoritmus se v průběhu času trénuje a zvyšuje pravděpodobnost správných odpovědí.
V této situaci bude algoritmus rozpoznávání obličeje časem rozpoznávat obličeje správněji.
Hluboké učení versus strojové učení
Jak se hluboké učení liší od strojového učení, pokud je jeho podmnožinou?
Hluboké učení se liší od tradičního strojového učení v typech dat, která používá, a v metodách, které používá k učení.
K vytváření předpovědí používají algoritmy strojového učení strukturovaná, označená data, což znamená, že určité charakteristiky jsou specifikovány ze vstupních dat modelu a seskupeny do tabulek.
To nutně neznamená, že nepoužívá nestrukturovaná data; spíše, pokud ano, obvykle prochází nějakým předzpracováním, aby se dal do strukturovaného formátu.
Hluboké učení odstraňuje část předběžného zpracování dat, které strojové učení obecně obnáší.
Tyto algoritmy mohou přijímat a interpretovat nestrukturovaná data, jako je text a obrázky, a také automatizovat extrakci prvků, což snižuje závislost na lidských specialistech.
Představme si, že bychom měli sbírku obrázků různých domácích mazlíčků, které jsme chtěli uspořádat do kategorií, jako jsou „kočka“, „pes“, „křeček“ a tak dále.
Algoritmy hlubokého učení mohou zjistit, které vlastnosti (jako jsou uši) jsou nejdůležitější při oddělování jednoho zvířete od druhého. Tato hierarchie funkcí je ručně určena lidským specialistou na strojové učení.
Systém hlubokého učení se pak změní a přizpůsobí se přesnosti prostřednictvím gradientní sestup a backpropagation, což mu umožňuje vytvářet přesnější předpovědi o čerstvém snímku zvířete.
Aplikace Deep Learning
1 Chatbots
Chatboti mohou vyřešit problémy s klienty během několika sekund. Chatbot je umělá inteligence (AI) nástroj, který vám umožňuje komunikovat online prostřednictvím textu nebo převodu textu na řeč.
Dokáže komunikovat a jednat stejně jako lidé. Chatboti jsou široce používáni v zákaznických službách, marketingu na sociálních sítích a zasílání rychlých zpráv klientům.
Na vaše vstupy reaguje automatickými odpověďmi. Generuje mnoho forem odpovědí pomocí strojového učení a technik hlubokého učení.
2. Samořídící auta
Hluboké učení je primárním faktorem pro to, aby se samořídící auta stala realitou.
Milion datových sad je načten do systému za účelem vytvoření modelu, trénovat stroje, aby se učilya poté vyhodnotit nálezy v bezpečném prostředí.
Uber Umělá inteligence Laboratoře v Pittsburghu se snaží nejen učinit auta bez řidiče běžnějšími, ale také integrovat četné chytré funkce, jako jsou možnosti rozvozu jídla, s používáním aut bez řidiče.
Nejnaléhavější starostí vývoje samořiditelných vozidel je řešení neočekávaných událostí.
Nepřetržitý cyklus testování a implementace, typický pro algoritmy hlubokého učení, zajišťuje bezpečné řízení, protože je stále více a více vystaveno milionům scénářů.
3. Virtuální pomocník
Virtuální asistenti jsou cloudové programy, které rozpoznávají hlasové příkazy v přirozeném jazyce a dělají věci vaším jménem.
Běžnými příklady jsou virtuální asistenti jako Amazon Alexa, Cortana, Siri a Google Assistant.
K plnému využití jejich potenciálu vyžadují zařízení připojená k internetu. Když je asistentovi zadán příkaz, má tendenci poskytovat lepší zkušenost na základě předchozích setkání s využitím algoritmů Deep Learning.
4. Zábava
Společnosti jako Netflix, Amazon, YouTube a Spotify poskytují svým zákazníkům vhodné návrhy filmů, skladeb a videí, aby zlepšili jejich zážitek.
Za to všechno může Deep Learning.
Společnosti zabývající se online streamováním poskytují doporučení týkající se produktů a služeb na základě historie prohlížení, zájmů a aktivit uživatele.
Algoritmy hlubokého učení se také používají k automatické produkci titulků a přidání zvuku do němých filmů.
5. Robotika
Hluboké učení je široce využíváno při vývoji robotů, kteří dokážou dělat práce podobné lidem.
Roboti využívající technologii Deep Learning využívají aktualizace v reálném čase k detekci překážek na jejich trase a rychlému uspořádání jejich kurzu.
Může být použit k přepravě věcí v nemocnicích, továrnách, skladech, řízení zásob, výrobě produktů a tak dále.
Roboti Boston Dynamics reagují na lidi, když jsou tlačeni. Dokážou vyprázdnit myčku, dokážou vstát, když upadnou, a mohou vykonávat řadu dalších činností.
6. Zdravotnictví
Lékaři nemohou být se svými pacienty nepřetržitě, ale jedna věc, kterou máme všichni prakticky vždy s sebou, jsou naše telefony.
Hluboké učení také umožňuje lékařským technologiím analyzovat data ze snímků, které zachytíme, a pohybová data, abychom odhalili potenciální zdravotní problémy.
Například program počítačového vidění AI používá tato data ke sledování pohybových vzorců pacienta k předpovídání pádů i změn v duševním stavu.
Hluboké učení bylo také použito k identifikaci rakoviny kůže pomocí fotografií a mnoha dalších.
7. Zpracování přirozeného jazyka
Vývoj technologie zpracování přirozeného jazyka umožnil robotům číst komunikaci a odvozovat z ní význam.
Tento přístup však může být příliš zjednodušen, protože nezohledňuje způsoby, kterými se slova spojují, aby ovlivnila význam nebo účel fráze.
Hluboké učení pomáhá procesorům přirozeného jazyka rozpoznávat složitější vzorce ve frázích a poskytovat přesnější interpretace.
8. Počítačové vidění
Hluboké učení se snaží replikovat, jak lidská mysl zpracovává informace a rozpoznává vzorce, což z něj činí ideální metodu pro trénování aplikací AI založených na vidění.
Tyto systémy mohou přijmout řadu sad fotografií a naučit se rozpoznávat předměty, jako jsou letadla, obličeje a zbraně pomocí modely hlubokého učení.
Hluboké učení v akci
Jak hluboké učení kromě vaší oblíbené streamovací služby doporučující skladby, které by se vám mohly líbit, mění životy lidí?
Ukazuje se, že hluboké učení si razí cestu do široké škály aplikací. Každý, kdo používá Facebook, si všimne, že když zveřejníte nové obrázky, sociální stránka často rozpozná a označí vaše kamarády.
Hluboké učení se používá ke zpracování přirozeného jazyka a rozpoznávání řeči digitálními asistenty, jako jsou Siri, Cortana, Alexa a Google Now.
Překlad v reálném čase je poskytován přes Skype. Mnoho e-mailových služeb pokročilo ve své schopnosti detekovat spamové zprávy dříve, než se dostanou do doručené pošty.
PayPal použil hluboké učení, aby zabránil podvodným platbám. CamFind například umožňuje vyfotografovat jakýkoli objekt a pomocí mobilní technologie vizuálního vyhledávání určit, o co se jedná.
Hluboké učení využívá k poskytování řešení zejména Google. AlphaGo, počítačový program vyvinutý společností Google Deepmind, porazil současné šampiony Go.
WaveNet, vyvinutý společností DeepMind, dokáže vytvořit řeč, která zní přirozeněji než aktuálně dostupné řečové systémy. K překladu ústních a textových jazyků využívá Překladač Google hluboké učení a rozpoznávání obrázků.
Jakoukoli fotografii lze identifikovat pomocí Google Planet. Aby Google pomohl při vývoji aplikací AI, vytvořil Hluboké učení Tensorflow softwarová databáze.
Budoucnost hlubokého učení
Hluboké učení je při diskuzích o technologii nevyhnutelné téma. Netřeba dodávat, že hluboké učení se vyvinulo v jeden z nejdůležitějších prvků technologie.
Organizace bývaly jediné, které se zajímaly o technologie jako AI, hluboké učení, strojové učení a tak dále. I jednotlivci se začínají zajímat o tento prvek technologie, zejména o hluboké učení.
Jedním z mnoha důvodů, proč se hlubokému učení dostává tolik pozornosti, je jeho schopnost umožnit lepší rozhodování na základě dat a zároveň zlepšit přesnost předpovědí.
Vývojové nástroje pro hluboké učení, knihovny a jazyky se za pár let mohou velmi dobře stát běžnými součástmi jakékoli sady nástrojů pro vývoj softwaru.
Tyto současné sady nástrojů připraví cestu pro jednoduchý návrh, nastavení a školení nových modelů.
Transformace stylu, automatické značkování, hudební tvorbaa další úkoly by bylo s těmito dovednostmi mnohem jednodušší.
Poptávka po rychlém kódování nebyla nikdy větší.
Vývojáři s hlubokým učením budou stále více používat integrovaná, otevřená, cloudová vývojová prostředí, která v budoucnu umožní přístup k široké škále běžně dostupných a připojitelných algoritmických knihoven.
Hluboké učení má velmi světlou budoucnost!
Přínos a nervová síť je, že vyniká v práci s velkým množstvím heterogenních dat (myšleno na všechno, s čím se náš mozek musí neustále potýkat).
To platí zejména v naší době výkonných chytrých senzorů, které dokážou sbírat obrovské množství dat. Tradiční počítačové systémy se snaží třídit, kategorizovat a vyvozovat závěry z tolika dat.
Proč investovat do čističky vzduchu?
Hluboké učení pravomocí většina řešení umělé inteligence (AI), která mohou zlepšit automatizaci a analýzu procesy.
Většina jednotlivců přichází do styku s hlubokým učením denně, když používají internet nebo své mobilní telefony.
Hluboké učení se používá k výrobě titulků pro videa na YouTube. Rozpoznávání hlasu na telefonech a chytrých reproduktorech.
Poskytněte identifikaci obličeje pro obrázky a umožněte mimo jiné použití samořídících automobilů.
A jak se datoví vědci a akademici potýkají s čím dál tím složitějším projekty hlubokého učení využívající rámce hlubokého učeníTento druh umělé inteligence se stane stále důležitější součástí našeho každodenního života.
Napsat komentář