Tabl Cynnwys[Cuddio][Dangos]
Mae'r cysyniad bod robotiaid yn gallach na bodau dynol wedi dal ein dychymyg ar y cyd cyhyd ag y bu Ffuglen Wyddonol.
Fodd bynnag, er nad yw Deallusrwydd Artiffisial (AI) wedi cyrraedd y lefel honno eto, rydym wedi gwneud datblygiadau sylweddol o ran cynhyrchu deallusrwydd peiriannau, fel y profwyd gan brofion Google, Tesla ac Uber gyda cheir hunan-yrru.
Mae scalability a defnyddioldeb Deep Learning, y dull Dysgu Peiriant sy'n galluogi'r datblygiad technegol hwn, yn rhannol gyfrifol am drawsnewidiad llwyddiannus AI o brifysgolion a labordai ymchwil i gynhyrchion.
Bydd y chwyldro cyfrifiadurol nesaf yn cael ei adeiladu ar ddeallusrwydd artiffisial, dysgu dwfn, a dysgu peiriant.
Mae'r technolegau hyn wedi'u hadeiladu ar y gallu i ganfod patrymau ac yna rhagweld digwyddiadau yn y dyfodol yn seiliedig ar ddata a gasglwyd yn y gorffennol. Mae hyn yn esbonio pam mae Amazon yn gwneud syniadau pan fyddwch chi'n prynu ar-lein neu sut mae Netflix yn gwybod eich bod chi'n hoffi ffilmiau ofnadwy o'r 1980au.
Er bod cyfrifiaduron sy'n defnyddio cysyniadau AI weithiau'n cael eu galw'n “smart,” nid yw mwyafrif y systemau hyn yn dysgu ar eu pen eu hunain; mae angen rhyngweithio dynol.
Mae gwyddonwyr data yn paratoi'r mewnbynnau trwy ddewis y newidynnau a ddefnyddir dadansoddiadau rhagfynegol. Gall dysgu dwfn, ar y llaw arall, gyflawni'r swyddogaeth hon yn awtomatig.
Mae'r swydd hon yn ganllaw maes ar gyfer unrhyw gariadon data sydd â diddordeb mewn dysgu mwy am ddysgu dwfn, ei ehangder, a'i botensial yn y dyfodol.
Beth yw Dysgu Dwfn?
Gellir meddwl am ddysgu dwfn fel is-set o ddysgu peirianyddol.
Mae'n faes sydd wedi'i adeiladu ar hunan-ddysgu a gwelliant trwy archwilio algorithmau cyfrifiadurol.
Mae dysgu dwfn, yn hytrach na dysgu peirianyddol, yn gweithio gydag artiffisial rhwydweithiau nefol, sydd i fod i ddynwared sut mae pobl yn meddwl ac yn dysgu. Tan yn ddiweddar, roedd rhwydweithiau niwral yn gyfyngedig o ran cymhlethdod oherwydd cyfyngiadau pŵer cyfrifiadurol.
Fodd bynnag, mae datblygiadau mewn dadansoddeg Data Mawr wedi galluogi rhwydweithiau niwral mwy, mwy pwerus, gan alluogi cyfrifiaduron i fonitro, deall ac ymateb i sefyllfaoedd cymhleth yn gyflymach na phobl.
Rydym yn argymell darllen - Esboniad o Bensaernïaeth Rhwydwaith Niwral Tesla
Mae categoreiddio delweddau, cyfieithu iaith, ac adnabod lleferydd oll wedi elwa o ddysgu dwfn. Gall fynd i'r afael ag unrhyw fater adnabod patrwm heb fod angen rhyngweithio dynol.
Yn ei hanfod, mae'n dair haen neu fwy rhwydwaith nefol. Mae'r rhwydweithiau niwral hyn yn ceisio dynwared gweithgaredd yr ymennydd dynol, er gyda llwyddiant cyfyngedig, trwy ei alluogi i “ddysgu” o symiau enfawr o ddata.
Er y gall haen sengl o rwydwaith niwral gynhyrchu rhagfynegiadau bras o hyd, gall haenau mwy cudd helpu i optimeiddio a thiwnio ar gyfer cywirdeb.
Beth yw Rhwydwaith Niwral?
Mae rhwydweithiau niwral artiffisial yn seiliedig ar rwydi niwral a welir yn yr ymennydd dynol. Fel arfer, mae rhwydwaith niwral yn cynnwys tair haen.
Y tair lefel yw mewnbwn, allbwn, a chuddiedig. Mae rhwydwaith niwral ar waith i'w weld yn y diagram isod.
Gan mai dim ond un haen gudd sydd gan y rhwydwaith niwral a ddangosir uchod, fe'i gelwir yn “rhwydwaith niwral bas.”
Mae haenau mwy cudd yn cael eu hychwanegu at systemau o'r fath i ffurfio strwythurau mwy soffistigedig.
Beth yw Rhwydwaith Dwfn?
Mewn rhwydwaith dwfn, mae llawer o haenau cudd yn cael eu hychwanegu.
Mae hyfforddi dyluniadau o'r fath yn dod yn fwyfwy cymhleth wrth i nifer yr haenau cudd yn y rhwydwaith gynyddu, nid yn unig o ran yr amser sydd ei angen i hyfforddi'r rhwydwaith yn iawn ond hefyd o ran yr adnoddau sydd eu hangen.
Dangosir rhwydwaith dwfn gyda mewnbwn, pedair haen gudd, ac allbwn isod.
Sut mae Dysgu Dwfn yn gweithio?
Mae rhwydweithiau niwral yn cael eu hadeiladu o haenau o nodau, yn debyg i sut mae niwronau yn ffurfio'r ymennydd dynol. Mae nodau haen unigol yn gysylltiedig â nodau mewn haenau cyfagos.
Mae nifer yr haenau mewn rhwydwaith yn dynodi ei ddyfnder. Mae niwron sengl yn y ymennydd dynol yn derbyn miloedd o negeseuon.
Mae signalau'n symud rhwng nodau mewn rhwydwaith niwral artiffisial, sy'n aseinio pwysau iddynt.
Mae nod â phwysau uwch yn cael mwy o effaith ar y nodau oddi tano. Mae'r haen olaf yn cyfuno'r mewnbynnau pwysol i ddarparu allbwn.
Mae angen caledwedd cryf ar systemau dysgu dwfn oherwydd y swm enfawr o ddata sy'n cael ei drin a'r cyfrifiannau mathemategol soffistigedig niferus dan sylw.
Gall cyfrifiadau hyfforddi dysgu dwfn, hyd yn oed gyda thechnoleg mor soffistigedig, gymryd wythnosau.
Mae angen swm sylweddol o ddata ar systemau dysgu dwfn i ddarparu canfyddiadau cywir; felly, mae gwybodaeth yn cael ei bwydo ar ffurf setiau data enfawr.
Wrth brosesu data, gall rhwydweithiau niwral artiffisial ddosbarthu gwybodaeth yn seiliedig ar ymatebion i gyfres o gwestiynau ie neu ffug deuaidd sy'n cynnwys cyfrifiannau mathemategol cymhleth iawn.
Mae algorithm adnabod wynebau, er enghraifft, yn dysgu adnabod ac adnabod ymylon a llinellau wynebau.
Yna elfennau mwy arwyddocaol o wynebau, ac yn y pen draw cynrychioliadau cyfan o wynebau.
Mae'r algorithm yn hyfforddi ei hun dros amser, gan gynyddu'r tebygolrwydd o gael yr atebion cywir.
Yn y sefyllfa hon, bydd yr algorithm adnabod wynebau yn adnabod wynebau yn fwy cywir dros amser.
Dysgu dwfn VS Machine Learning
Sut mae dysgu dwfn yn wahanol i ddysgu peirianyddol os yw'n is-set ohono?
Mae dysgu dwfn yn wahanol i ddysgu peirianyddol traddodiadol o ran y mathau o ddata y mae'n eu defnyddio a'r dulliau y mae'n eu defnyddio i ddysgu.
I greu rhagfynegiadau, mae algorithmau dysgu peirianyddol yn defnyddio data strwythuredig, wedi'i labelu, sy'n golygu bod nodweddion penodol yn cael eu nodi o ddata mewnbwn y model a'u grwpio'n dablau.
Nid yw hyn o reidrwydd yn awgrymu nad yw'n defnyddio data anstrwythuredig; yn hytrach, os ydyw, fel arfer mae'n mynd trwy rywfaint o ragbrosesu i'w roi mewn fformat strwythuredig.
Mae dysgu dwfn yn dileu rhan o'r rhag-brosesu data y mae dysgu peiriant yn ei olygu'n gyffredinol.
Gall yr algorithmau hyn amlyncu a dehongli data distrwythur megis testun a lluniau, yn ogystal ag awtomeiddio echdynnu nodweddion, gan leihau dibyniaeth ar arbenigwyr dynol.
Gadewch i ni ddychmygu bod gennym ni gasgliad o ddelweddau o anifeiliaid anwes amrywiol yr oedden ni eisiau eu trefnu yn gategorïau fel “cath,” “ci,” “bochdew,” ac ati.
Gall algorithmau dysgu dwfn ddarganfod pa nodweddion (fel clustiau) sydd fwyaf hanfodol wrth wahanu un anifail oddi wrth anifail arall. Mae'r hierarchaeth nodweddion hon yn cael ei phennu â llaw gan arbenigwr dynol mewn dysgu peiriannau.
Yna mae'r system dysgu dwfn yn newid ac yn cyd-fynd â chywirdeb trwy disgyniad graddiant a backpropagation, gan ganiatáu iddo gynhyrchu rhagfynegiadau mwy manwl gywir am giplun newydd o anifail.
Cymwysiadau Dysgu Dwfn
1 Chatbots
Gall Chatbots ddatrys problemau cleientiaid mewn ychydig eiliadau. Mae chatbot yn deallusrwydd artiffisial Offeryn (AI) sy'n eich galluogi i gyfathrebu ar-lein trwy destun neu destun-i-leferydd.
Gall gyfathrebu a chynnal gweithredoedd yn yr un ffordd ag y mae bodau dynol. Defnyddir Chatbots yn eang mewn gwasanaeth cwsmeriaid, marchnata cyfryngau cymdeithasol, a negeseuon gwib cleientiaid.
Mae'n ymateb i'ch mewnbynnau gydag atebion awtomatig. Mae'n cynhyrchu sawl math o atebion gan ddefnyddio dysgu peirianyddol a thechnegau dysgu dwfn.
2. Ceir hunan-yrru
Dysgu Dwfn yw'r prif ffactor y tu ôl i geir hunan-yrru ddod yn realiti.
Mae miliwn o setiau data yn cael eu llwytho i mewn i system i greu model, hyfforddi'r peiriannau i ddysgu, ac yna gwerthuso'r canfyddiadau mewn amgylchedd diogel.
Yr Uber Cudd-wybodaeth Artiffisial Mae labordai yn Pittsburgh nid yn unig yn ceisio gwneud ceir heb yrrwr yn fwy cyffredin ond hefyd yn ceisio integreiddio nifer o nodweddion deallus, megis posibiliadau dosbarthu bwyd, gyda'r defnydd o geir heb yrwyr.
Y pryder mwyaf dybryd ar gyfer datblygu cerbydau hunan-yrru yw delio â digwyddiadau annisgwyl.
Mae cylch parhaus o brofi a gweithredu, sy'n nodweddiadol o algorithmau dysgu dwfn, yn sicrhau gyrru diogel gan ei fod yn agored i filiynau o senarios fwyfwy.
3. Cynorthwyydd Rhithiol
Mae Cynorthwywyr Rhithwir yn rhaglenni cwmwl sy'n cydnabod gorchmynion llais iaith naturiol ac yn gwneud pethau ar eich rhan.
Mae cynorthwywyr rhithwir fel Amazon Alexa, Cortana, Siri, a Chynorthwyydd Google yn enghreifftiau cyffredin.
Er mwyn gwneud defnydd llawn o'u potensial, mae angen dyfeisiau sy'n gysylltiedig â'r rhyngrwyd arnynt. Pan roddir gorchymyn i'r cynorthwy-ydd, mae'n tueddu i ddarparu profiad gwell yn seiliedig ar gyfarfyddiadau blaenorol gan ddefnyddio algorithmau Dysgu Dwfn.
4. Adloniant
Mae cwmnïau fel Netflix, Amazon, YouTube, a Spotify yn darparu awgrymiadau ffilm, caneuon a fideo priodol i'w cwsmeriaid i wella eu profiad.
Dysgu Dwfn sy'n gyfrifol am hyn oll.
Mae cwmnïau ffrydio ar-lein yn darparu argymhellion cynnyrch a gwasanaeth yn seiliedig ar hanes pori, diddordebau a gweithgaredd person.
Algorithmau dysgu dwfn yn cael eu defnyddio hefyd i gynhyrchu is-deitlau yn awtomatig ac ychwanegu sain at ffilmiau mud.
5. Roboteg
Mae Deep Learning yn cael ei gyflogi'n eang i ddatblygu robotiaid sy'n gallu gwneud swyddi tebyg i bobl.
Mae robotiaid sy'n cael eu pweru gan Deep Learning yn defnyddio diweddariadau amser real i ganfod rhwystrau yn eu llwybr a threfnu eu cwrs yn gyflym.
Gellir ei ddefnyddio i gludo pethau mewn ysbytai, ffatrïoedd, warysau, rheoli rhestr eiddo, gweithgynhyrchu cynnyrch, ac ati.
Mae robotiaid Boston Dynamics yn ymateb i fodau dynol pan fyddant yn cael eu gwthio o gwmpas. Gallant wagio peiriant golchi llestri, gallant godi pan fyddant yn cwympo, a gallant gyflawni amrywiaeth o weithgareddau eraill.
6. Gofal Iechyd
Ni all meddygon fod gyda'u cleifion bob awr o'r dydd, ond un peth sydd gennym bron bob amser gyda ni yw ein ffonau.
Mae dysgu dwfn hefyd yn caniatáu i dechnolegau meddygol ddadansoddi data o ddelweddau rydym yn eu dal a data symud i ddatgelu pryderon iechyd posibl.
Mae rhaglen weledigaeth gyfrifiadurol AI, er enghraifft, yn defnyddio'r data hwn i ddilyn patrymau symud claf i ragweld cwympiadau yn ogystal â newidiadau mewn cyflwr meddwl.
Mae dysgu dwfn hefyd wedi cael ei ddefnyddio i adnabod canser y croen gan ddefnyddio lluniau a llawer mwy.
7. Prosesu Iaith Naturiol
Mae datblygu technoleg prosesu iaith naturiol wedi galluogi robotiaid i ddarllen cyfathrebiadau a chael ystyr ohonynt.
Serch hynny, gellir gorsymleiddio’r dull gweithredu, gan fethu â rhoi cyfrif am y ffyrdd y mae geiriau’n uno i effeithio ar ystyr neu ddiben ymadrodd.
Mae dysgu dwfn yn helpu proseswyr iaith naturiol i adnabod patrymau mwy cymhleth mewn ymadroddion a chyflwyno dehongliadau mwy cywir.
8. Gweledigaeth Cyfrifiadurol
Mae dysgu dwfn yn ceisio ailadrodd sut mae'r meddwl dynol yn prosesu gwybodaeth ac yn adnabod patrymau, gan ei wneud yn ddull delfrydol ar gyfer hyfforddi cymwysiadau AI sy'n seiliedig ar weledigaeth.
Gall y systemau hynny gynnwys cyfres o setiau lluniau wedi'u tagio a dysgu sut i adnabod eitemau fel awyrennau, wynebau ac arfau gan ddefnyddio modelau dysgu dwfn.
Dysgu Dwfn ar Waith
Ar wahân i'ch hoff wasanaeth ffrydio cerddoriaeth sy'n argymell caneuon yr hoffech chi efallai, sut mae dysgu dwfn yn newid bywydau pobl?
Mae dysgu dwfn, mae'n troi allan, yn gwneud ei ffordd i mewn i ystod eang o gymwysiadau. Bydd unrhyw un sy'n defnyddio Facebook yn sylwi pan fyddwch chi'n postio delweddau newydd, mae'r wefan gymdeithasol yn aml yn adnabod ac yn tagio'ch ffrindiau.
Defnyddir dysgu dwfn ar gyfer prosesu iaith naturiol ac adnabod lleferydd gan gynorthwywyr digidol fel Siri, Cortana, Alexa, a Google Now.
Darperir cyfieithiad amser real trwy Skype. Mae llawer o wasanaethau e-bost wedi datblygu yn eu gallu i ganfod negeseuon sbam cyn iddynt gyrraedd y mewnflwch.
Mae PayPal wedi defnyddio dysgu dwfn i atal taliadau twyllodrus. Mae CamFind, er enghraifft, yn caniatáu ichi dynnu llun o unrhyw wrthrych a, gan ddefnyddio technoleg chwilio gweledol symudol, penderfynu beth ydyw.
Mae dysgu dwfn yn cael ei ddefnyddio i ddarparu atebion gan Google yn benodol. Mae AlphaGo, rhaglen gyfrifiadurol a ddatblygwyd gan Google Deepmind, wedi sarhau pencampwyr presennol Go.
Gall WaveNet, a ddatblygwyd gan DeepMind, greu lleferydd sy'n swnio'n fwy naturiol na'r systemau lleferydd sydd ar gael ar hyn o bryd. I gyfieithu ieithoedd llafar a thestunol, mae Google Translate yn defnyddio dysgu dwfn ac adnabod lluniau.
Gellir adnabod unrhyw lun gan ddefnyddio Google Planet. Er mwyn cynorthwyo i ddatblygu cymwysiadau AI, creodd Google y Dysgu dwfn tensorflow cronfa ddata meddalwedd.
Dyfodol Dysgu Dwfn
Mae dysgu dwfn yn bwnc anochel wrth drafod technoleg. Afraid dweud, mae dysgu dwfn wedi datblygu i fod yn un o elfennau pwysicaf technoleg.
Arferai sefydliadau fod yr unig rai â diddordeb mewn technolegau fel AI, dysgu dwfn, dysgu peiriannau, ac ati. Mae unigolion, hefyd, yn dechrau ymddiddori yn yr elfen hon o dechnoleg, yn enwedig dysgu dwfn.
Un o'r rhesymau niferus y mae dysgu dwfn yn cael cymaint o sylw yw ei allu i ganiatáu gwell penderfyniadau sy'n cael eu gyrru gan ddata tra hefyd yn gwella cywirdeb rhagfynegiad.
Gallai offer datblygu dysgu dwfn, llyfrgelloedd ac ieithoedd ddod yn gydrannau rheolaidd o unrhyw becyn cymorth datblygu meddalwedd ymhen ychydig flynyddoedd.
Bydd y setiau offer cyfredol hyn yn paratoi'r ffordd ar gyfer dylunio syml, gosod a hyfforddi modelau newydd.
Trawsnewid arddull, tagio'n awtomatig, creu cerddoriaeth, a byddai tasgau eraill yn llawer haws i'w gwneud gyda'r sgiliau hyn.
Nid yw'r galw am godio cyflym erioed wedi bod yn fwy.
Bydd datblygwyr dysgu dwfn yn defnyddio mwy a mwy o amgylcheddau datblygu integredig, agored, seiliedig ar gwmwl sy'n caniatáu mynediad i ystod eang o lyfrgelloedd algorithm oddi ar y silff ac y gellir eu plygio yn y dyfodol.
Mae gan ddysgu dwfn ddyfodol disglair iawn!
Y fantais o a rhwydwaith nefol yw ei fod yn rhagori ar ddelio â llawer iawn o ddata heterogenaidd (meddyliwch am bopeth y mae'n rhaid i'n hymennydd ddelio ag ef, drwy'r amser).
Mae hyn yn arbennig o wir yn ein hoes o synwyryddion craff pwerus, sy'n gallu casglu symiau enfawr o ddata. Mae systemau cyfrifiadurol traddodiadol yn cael trafferth sifftio, categoreiddio a dod i gasgliadau o gymaint o ddata.
Casgliad
Dysgu dwfn pwerau y rhan fwyaf o'r datrysiadau deallusrwydd artiffisial (AI) a all wella awtomeiddio a dadansoddol prosesau.
Mae'r rhan fwyaf o unigolion yn dod i gysylltiad â dysgu dwfn bob dydd pan fyddant yn defnyddio'r rhyngrwyd neu eu ffonau symudol.
Defnyddir dysgu dwfn i gynhyrchu is-deitlau ar gyfer fideos YouTube. Cynnal adnabyddiaeth llais ar ffonau a siaradwyr craff.
Rhowch adnabyddiaeth wyneb ar gyfer delweddau, a chaniatáu automobiles hunan-yrru, ymhlith llawer o ddefnyddiau eraill.
Ac, wrth i wyddonwyr data ac academyddion fynd i'r afael yn gynyddol gymhleth prosiectau dysgu dwfn gan ddefnyddio fframweithiau dysgu dwfn, bydd y math hwn o ddeallusrwydd artiffisial yn dod yn rhan gynyddol bwysig o'n bywydau bob dydd.
Gadael ymateb