Indholdsfortegnelse[Skjule][At vise]
Konceptet om, at robotter er klogere end mennesker, har fanget vores kollektive fantasi, så længe der har været Science Fiction.
Men mens kunstig intelligens (AI) endnu ikke har nået det niveau, har vi gjort betydelige gennembrud i at generere maskinintelligens, som bevist af Google, Tesla og Ubers test med selvkørende biler.
Skalerbarheden og anvendeligheden af Deep Learning, Machine Learning-tilgangen, der muliggør dette tekniske fremskridt, er delvist ansvarlig for AI's succesfulde overgang fra universiteter og forskningslaboratorier til produkter.
Den næste computerrevolution vil bygge på kunstig intelligens, deep learning og machine learning.
Disse teknologier er bygget på evnen til at skelne mønstre og derefter forudsige fremtidige begivenheder baseret på data indsamlet i fortiden. Dette forklarer, hvorfor Amazon laver ideer, når du køber online, eller hvordan Netflix ved, at du kan lide forfærdelige 1980'er-film.
Selvom computere, der bruger AI-koncepter, nogle gange kaldes "smarte", lærer de fleste af disse systemer ikke af sig selv; menneskelig interaktion er påkrævet.
Dataforskere forbereder input ved at vælge de variabler, der vil blive anvendt i predictive analytics. Deep learning, på den anden side, kan udføre denne funktion automatisk.
Dette indlæg fungerer som en feltvejledning for alle dataelskere, der er interesseret i at lære mere om dyb læring, dens bredde og fremtidige potentiale.
Hvad er Deep Learning?
Deep learning kan opfattes som en delmængde af maskinlæring.
Det er et felt, der bygger på selvlæring og forbedring gennem undersøgelse af computeralgoritmer.
Deep learning arbejder i modsætning til machine learning med kunstig neurale netværk, som formodes at efterligne, hvordan folk tænker og lærer. Indtil for nylig var neurale netværk begrænset i kompleksitet på grund af computerkraftbegrænsninger.
Fremskridt inden for Big Data-analyse har imidlertid muliggjort større, mere kraftfulde neurale netværk, hvilket gør det muligt for computere at overvåge, forstå og reagere på komplicerede situationer hurtigere end mennesker.
Vi anbefaler at læse - Teslas neurale netværksarkitektur forklaret
Billedkategorisering, sprogoversættelse og talegenkendelse har alle nydt godt af dyb læring. Det kan tackle ethvert mønstergenkendelsesproblem uden behov for menneskelig interaktion.
Det er i det væsentlige en tre- eller flere lag neurale netværk. Disse neurale netværk søger at efterligne den menneskelige hjernes aktivitet, omend med begrænset succes, ved at sætte den i stand til at "lære" af enorme mængder data.
Mens et enkelt lag af et neuralt netværk stadig kan producere omtrentlige forudsigelser, kan flere skjulte lag hjælpe med at optimere og justere for nøjagtighed.
Hvad er neuralt netværk?
Kunstige neurale netværk er baseret på neurale net set i den menneskelige hjerne. Normalt består et neuralt netværk af tre lag.
De tre niveauer er input, output og skjulte. Et neuralt netværk i aktion ses i diagrammet nedenfor.
Da det ovenfor viste neurale netværk kun har ét skjult lag, kaldes det et "overfladisk neuralt netværk".
Flere skjulte lag føjes til sådanne systemer for at danne mere sofistikerede strukturer.
Hvad er Deep Network?
I et dybt netværk tilføjes mange skjulte lag.
Træning af sådanne designs bliver mere og mere kompliceret, efterhånden som antallet af skjulte lag i netværket stiger, ikke kun med hensyn til den tid, der kræves for at træne netværket korrekt, men også med hensyn til de nødvendige ressourcer.
Et dybt netværk med et input, fire skjulte lag og et output er vist nedenfor.
Hvordan fungerer Deep Learning?
Neurale netværk er bygget op af lag af noder, svarende til hvordan neuroner udgør den menneskelige hjerne. Individuelle lag noder er knyttet til noder i tilstødende lag.
Antallet af lag i et netværk angiver dets dybde. En enkelt neuron i menneskelige hjerne modtager tusindvis af beskeder.
Signaler bevæger sig mellem noder i et kunstigt neuralt netværk, som tildeler vægte til dem.
En node med en højere vægt har større indflydelse på noderne under den. Det sidste lag kombinerer de vægtede input for at give et output.
Deep learning-systemer har brug for stærk hardware på grund af den enorme mængde data, der håndteres, og de talrige sofistikerede matematiske beregninger involveret.
Deep learning træningsberegninger, selv med så sofistikeret teknologi, kan tage uger.
Deep learning-systemer kræver en betydelig mængde data for at give korrekte resultater; derfor fødes information i form af massive datasæt.
Ved behandling af data kan kunstige neurale netværk klassificere information baseret på svar på en sekvens af binære ja eller falske spørgsmål, der involverer meget komplicerede matematiske beregninger.
En ansigtsgenkendelsesalgoritme lærer for eksempel at identificere og genkende kanter og linjer på ansigter.
Derefter mere betydningsfulde elementer af ansigter, og til sidst hele repræsentationer af ansigter.
Algoritmen træner sig selv over tid, hvilket øger sandsynligheden for de rigtige svar.
I denne situation vil ansigtsgenkendelsesalgoritmen genkende ansigter mere korrekt over tid.
Deep Learning VS Machine Learning
Hvordan adskiller deep learning sig fra maskinlæring, hvis det er en delmængde af det?
Deep learning adskiller sig fra traditionel maskinlæring i de typer data, den bruger, og de metoder, den bruger til at lære.
For at skabe forudsigelser bruger maskinlæringsalgoritmer strukturerede, mærkede data, hvilket betyder, at visse karakteristika specificeres fra modellens inputdata og grupperes i tabeller.
Dette betyder ikke nødvendigvis, at den ikke anvender ustrukturerede data; snarere, hvis den gør det, gennemgår den normalt en vis forbehandling for at sætte den i et struktureret format.
Deep learning gør op med en del af den dataforbehandling, som maskinlæring generelt indebærer.
Disse algoritmer kan indtage og fortolke ustrukturerede data såsom tekst og billeder, samt automatisere udtræk af funktioner, hvilket reducerer afhængigheden af menneskelige specialister.
Lad os forestille os, at vi havde en samling billeder af forskellige kæledyr, som vi ønskede at organisere i kategorier som "kat", "hund", "hamster" og så videre.
Deep learning-algoritmer kan finde ud af, hvilke egenskaber (såsom ører) der er mest essentielle for at adskille et dyr fra et andet. Dette funktionshierarki bestemmes manuelt af en menneskelig specialist i maskinlæring.
Det dybe læringssystem ændres derefter og tilpasser sig selv til nøjagtighed via gradient nedstigning og backpropagation, hvilket gør det muligt at generere mere præcise forudsigelser om et nyt øjebliksbillede af et dyr.
Deep Learning-applikationer
1. chatbots
Chatbots kan løse klientproblemer på få sekunder. En chatbot er en kunstig intelligens (AI) værktøj, der giver dig mulighed for at kommunikere online via tekst eller tekst-til-tale.
Den kan kommunikere og udføre handlinger på samme måde som mennesker gør. Chatbots er meget udbredt i kundeservice, markedsføring på sociale medier og instant messaging til kunder.
Den reagerer på dine input med automatiske svar. Det genererer mange former for svar ved hjælp af maskinlæring og deep learning-teknikker.
2. Selvkørende biler
Deep Learning er den primære faktor bag, at selvkørende biler bliver en realitet.
En million datasæt indlæses i et system for at skabe en model, træne maskinerne til at lære, og evaluer derefter resultaterne i et sikkert miljø.
Uber Kunstig intelligens Labs i Pittsburgh forsøger ikke kun at gøre førerløse biler mere almindelige, men også at integrere adskillige smarte funktioner, såsom muligheder for levering af mad, med brugen af førerløse biler.
Den mest presserende bekymring for udvikling af selvkørende køretøjer er at håndtere uforudsete begivenheder.
En kontinuerlig cyklus af test og implementering, typisk for deep learning-algoritmer, sikrer sikker kørsel, da den udsættes for millioner af scenarier mere og mere.
3. Virtuel assistent
Virtuelle assistenter er skybaserede programmer, der genkender talekommandoer i naturlige sprog og gør ting på dine vegne.
Virtuelle assistenter som Amazon Alexa, Cortana, Siri og Google Assistant er almindelige eksempler.
For fuldt ud at udnytte deres potentiale kræver de internetforbundne enheder. Når en kommando gives til assistenten, har den en tendens til at levere en bedre oplevelse baseret på tidligere møder ved hjælp af Deep Learning-algoritmer.
4. Underholdning
Virksomheder som Netflix, Amazon, YouTube og Spotify leverer passende film-, sang- og videoforslag til deres kunder for at forbedre deres oplevelse.
Deep Learning er ansvarlig for alt dette.
Online streamingfirmaer leverer produkt- og serviceanbefalinger baseret på en persons browserhistorik, interesser og aktivitet.
Deep learning algoritmer bruges også til automatisk at producere undertekster og tilføje lyd til stumfilm.
5. Robotics
Deep Learning er bredt ansat i at udvikle robotter, der kan udføre menneskelignende job.
Deep Learning-drevne robotter anvender realtidsopdateringer til at opdage barrierer på deres rute og hurtigt arrangere deres kurs.
Det kan bruges til at transportere ting på hospitaler, fabrikker, lagre, lagerstyring, produktfremstilling og så videre.
Boston Dynamics-robotter reagerer på mennesker, når de bliver skubbet rundt. De kan tømme en opvaskemaskine, de kan rejse sig, når de falder, og de kan udføre en række andre aktiviteter.
6. Healthcare
Læger kan ikke være sammen med deres patienter døgnet rundt, men en ting, vi alle stort set altid har med os, er vores telefoner.
Deep learning giver også medicinske teknologier mulighed for at analysere data fra billeder, vi fanger, og bevægelsesdata for at afdække potentielle sundhedsproblemer.
AI's computervisionsprogram bruger for eksempel disse data til at følge en patients bevægelsesmønstre for at forudsige fald såvel som ændringer i en mental tilstand.
Deep learning er også blevet brugt til at identificere hudkræft ved hjælp af fotos og mange flere.
7. Behandling af naturligt sprog
Udviklingen af naturlig sprogbehandlingsteknologi har gjort det muligt for robotter at læse kommunikation og få mening fra dem.
Ikke desto mindre kan tilgangen være overforenklet, idet den undlader at redegøre for de måder, hvorpå ord forbindes for at påvirke betydningen eller formålet med en sætning.
Deep learning hjælper naturlige sprogprocessorer til at genkende mere komplekse mønstre i sætninger og levere mere nøjagtige fortolkninger.
8. Computer Vision
Deep learning forsøger at replikere, hvordan det menneskelige sind behandler information og genkender mønstre, hvilket gør det til en ideel metode til træning af visionsbaserede AI-applikationer.
Disse systemer kan tage en række af mærkede fotosæt ind og lære at genkende genstande som flyvemaskiner, ansigter og våben ved hjælp af deep learning modeller.
Dyb læring i aktion
Bortset fra din yndlingsmusikstreamingtjeneste, der anbefaler sange, du måske kan lide, hvordan ændrer dyb læring folks liv?
Deep learning, viser det sig, er på vej ind i en bred vifte af applikationer. Enhver, der bruger Facebook, vil bemærke, at når du poster nye billeder, genkender og tagger det sociale websted ofte dine venner.
Deep learning bruges til naturlig sprogbehandling og talegenkendelse af digitale assistenter som Siri, Cortana, Alexa og Google Now.
Realtidsoversættelse leveres via Skype. Mange e-mail-tjenester har avanceret i deres evne til at opdage spam-beskeder, før de når indbakken.
PayPal har brugt deep learning til at forhindre svigagtige betalinger. CamFind giver dig for eksempel mulighed for at tage et billede af ethvert objekt og ved hjælp af mobil visuel søgeteknologi bestemme, hvad det er.
Deep learning bliver brugt til at levere løsninger af især Google. AlphaGo, et computerprogram udviklet af Google Deepmind, har udfordret de nuværende Go-mestre.
WaveNet, udviklet af DeepMind, kan skabe tale, der lyder mere naturligt end aktuelt tilgængelige talesystemer. For at oversætte mundtlige og tekstlige sprog anvender Google Oversæt dyb læring og billedgenkendelse.
Ethvert billede kan identificeres ved hjælp af Google Planet. For at hjælpe med at udvikle AI-applikationer skabte Google Tensorflow dyb læring software database.
Fremtiden for dyb læring
Deep learning er et uundgåeligt emne, mens man diskuterer teknologi. Det er overflødigt at sige, at deep learning har udviklet sig til et af teknologiens mest afgørende elementer.
Organisationer plejede at være de eneste, der var interesserede i teknologier som AI, deep learning, machine learning og så videre. Også enkeltpersoner er ved at blive interesseret i dette element af teknologi, især dyb læring.
En af de mange grunde til, at dyb læring får så meget opmærksomhed, er dens evne til at tillade bedre datadrevne beslutninger og samtidig forbedre forudsigelsesnøjagtigheden.
Deep learning-udviklingsværktøjer, biblioteker og sprog kan meget vel blive faste komponenter i ethvert softwareudviklingsværktøj om få år.
Disse nuværende værktøjssæt vil bane vejen for simpelt design, opsætning og træning af nye modeller.
Stiltransformation, automatisk tagging, musikskabelse, og andre opgaver ville være meget lettere at udføre med disse færdigheder.
Efterspørgslen efter hurtig kodning har aldrig været større.
Deep learning-udviklere vil i stigende grad bruge integrerede, åbne, cloud-baserede udviklingsmiljøer, der giver adgang til en bred vifte af hylde- og pluggbare algoritmebiblioteker i fremtiden.
Deep learning har en meget lys fremtid!
Fordelen ved en neurale netværk er, at den udmærker sig ved at håndtere store mængder af heterogene data (tænk på alt, hvad vores hjerner skal håndtere, hele tiden).
Dette gælder især i vores tidsalder med kraftfulde smarte sensorer, som kan indsamle enorme mængder data. Traditionelle computersystemer kæmper for at sortere, kategorisere og udlede konklusioner fra så mange data.
Konklusion
Deep learning beføjelser de fleste af de kunstig intelligens (AI) løsninger, der kan forbedre automatisering og analytisk processer.
De fleste mennesker kommer dagligt i kontakt med dyb læring, når de bruger internettet eller deres mobiltelefoner.
Deep learning bruges til at producere undertekster til YouTube-videoer. Udfør stemmegenkendelse på telefoner og smarthøjttalere.
Giv ansigtsidentifikation til billeder, og tillad selvkørende biler blandt mange andre anvendelser.
Og som datavidenskabsfolk og akademikere tackler stadig mere kompliceret deep learning-projekter ved hjælp af deep learning-rammer, vil denne form for kunstig intelligens blive en stadig vigtigere del af vores daglige liv.
Giv en kommentar