Sisukord[Peida][Näita]
Arusaam, et robotid on inimestest targemad, on meie kollektiivset kujutlusvõimet köitnud nii kaua, kui on eksisteerinud ulmet.
Kuigi tehisintellekt (AI) pole veel sellele tasemele jõudnud, oleme teinud olulisi läbimurdeid masinintellekti loomisel, mida on tõestanud Google, Tesla ja Uber isejuhtivate autodega.
Seda tehnilist arengut võimaldava masinõppe lähenemisviisi mastaapsus ja kasulikkus on osaliselt vastutav AI eduka ülemineku eest ülikoolidelt ja uurimislaboritelt toodetele.
Järgmine arvutirevolutsioon põhineb tehisintellektil, sügaval õppimisel ja masinõpe.
Need tehnoloogiad on üles ehitatud suutlikkusele eristada mustreid ja seejärel prognoosida tulevasi sündmusi minevikus kogutud andmete põhjal. See selgitab, miks Amazon teeb veebist ostmisel ideid või kuidas Netflix teab, et teile meeldivad kohutavad 1980ndate filmid.
Kuigi tehisintellekti kontseptsioone kasutavaid arvuteid nimetatakse mõnikord nutikateks, ei õpi enamik neist süsteemidest iseseisvalt. inimlik suhtlemine on vajalik.
Andmeteadlased valmistavad sisendid ette, valides muutujad, mida rakendatakse ennustav analüüs. Seevastu süvaõpe võib seda funktsiooni täita automaatselt.
See postitus on juhendiks kõigile andmesõpradele, kes soovivad süvaõppe, selle ulatuse ja tulevikupotentsiaali kohta rohkem teada saada.
Mis on süvaõpe?
Süvaõpet võib pidada masinõppe alamhulgaks.
See on valdkond, mis põhineb iseõppimisel ja täiustamisel arvutialgoritmide uurimise kaudu.
Sügavõpe, erinevalt masinõppest, töötab kunstliku õppimisega närvivõrgud, mis peaksid jäljendama seda, kuidas inimesed mõtlevad ja õpivad. Kuni viimase ajani oli närvivõrkude keerukus arvuti võimsuspiirangute tõttu piiratud.
Suurandmete analüütika edusammud on aga võimaldanud suuremaid ja võimsamaid närvivõrke, võimaldades arvutitel jälgida, mõista ja reageerida keerulistele olukordadele kiiremini kui inimesed.
Soovitame lugeda - Tesla närvivõrgu arhitektuuri selgitus
Piltide kategoriseerimine, keele tõlkimine ja kõnetuvastus on sügavast õppimisest kasu saanud. See suudab lahendada mis tahes mustrituvastuse probleemi, ilma et oleks vaja inimlikku suhtlemist.
See on sisuliselt kolme- või enamakihiline Närvivõrgus. Need närvivõrgud püüavad jäljendada inimaju tegevust, ehkki vähese eduga, võimaldades sellel tohututest andmemahtudest "õppida".
Kuigi üks närvivõrgu kiht võib siiski toota ligikaudseid ennustusi, võivad peidetud kihid aidata optimeerida ja täpsust häälestada.
Mis on närvivõrk?
Kunstlikud närvivõrgud põhinevad inimese ajus nähtavatel närvivõrkudel. Tavaliselt koosneb närvivõrk kolmest kihist.
Kolm taset on sisend, väljund ja varjatud. Toimivat närvivõrku on näha alloleval diagrammil.
Kuna ülaltoodud närvivõrgul on ainult üks peidetud kiht, nimetatakse seda "madalaks närvivõrguks".
Sellistele süsteemidele lisatakse rohkem peidetud kihte, et moodustada keerukamaid struktuure.
Mis on süvavõrk?
Sügavas võrgus lisatakse palju peidetud kihte.
Selliste kujunduste väljaõpe muutub järjest keerulisemaks, kuna võrgu peidetud kihtide arv kasvab, mitte ainult võrgu nõuetekohaseks väljaõpetamiseks kuluva aja, vaid ka vajalike ressursside osas.
Sügav võrk sisendi, nelja peidetud kihi ja väljundiga on näidatud allpool.
Kuidas süvaõpe töötab?
Närvivõrgud koosnevad sõlmede kihtidest, sarnaselt sellele, kuidas neuronid moodustavad inimese aju. Üksikud kihisõlmed on seotud naaberkihtide sõlmedega.
Võrgustiku kihtide arv näitab selle sügavust. Üks neuron selles inimese aju saab tuhandeid sõnumeid.
Signaalid liiguvad tehisnärvivõrgu sõlmede vahel, mis määrab neile kaalud.
Suurema kaaluga sõlmel on suurem mõju selle all olevatele sõlmedele. Viimane kiht ühendab väljundi saamiseks kaalutud sisendid.
Süvaõppesüsteemid vajavad käideldavate andmete tohutu hulga ja arvukate keerukate matemaatiliste arvutuste tõttu tugevat riistvara.
Süvaõppe koolitusarvutused võivad isegi nii keeruka tehnoloogia korral võtta nädalaid.
Süvaõppesüsteemid nõuavad õigete järelduste tegemiseks märkimisväärsel hulgal andmeid; seega edastatakse teavet massiivsete andmekogumite kujul.
Andmete töötlemisel saavad tehisnärvivõrgud klassifitseerida teavet binaarsete jah- või valeküsimuste jada vastuste põhjal, mis hõlmavad väga keerulisi matemaatilisi arvutusi.
Näiteks näotuvastusalgoritm õpib tuvastama ja ära tundma nägude servi ja jooni.
Siis olulisemad näoelemendid ja lõpuks terved nägude esitused.
Algoritm treenib ennast aja jooksul, suurendades õigete vastuste tõenäosust.
Sellises olukorras tunneb näotuvastusalgoritm näod aja jooksul õigemini ära.
Süvaõpe vs masinõpe
Kuidas erineb süvaõpe masinõppest, kui see on selle alamhulk?
Süvaõpe erineb traditsioonilisest masinõppest kasutatavate andmete tüüpide ja õppimiseks kasutatavate meetodite poolest.
Prognooside loomiseks kasutavad masinõppe algoritmid struktureeritud, märgistatud andmeid, mis tähendab, et mudeli sisendandmetest määratakse teatud omadused ja rühmitatakse tabelitesse.
See ei tähenda tingimata, et see ei kasuta struktureerimata andmeid; pigem läbib see tavaliselt eeltöötluse, et viia see struktureeritud vormingusse.
Süvaõpe kaotab osa andmete eeltöötlusest, mida masinõpe üldiselt hõlmab.
Need algoritmid võivad neelata ja tõlgendada struktureerimata andmeid, nagu tekst ja pildid, samuti automatiseerida funktsioonide ekstraheerimist, vähendades sõltuvust inimspetsialistidest.
Kujutagem ette, et meil on piltide kogu erinevatest lemmikloomadest, mida tahtsime jaotada kategooriatesse, nagu "kass", "koer", "hamster" jne.
Süvaõppe algoritmid võivad välja selgitada, millised tunnused (nt kõrvad) on ühe looma teisest eraldamiseks kõige olulisemad. Selle funktsioonide hierarhia määrab käsitsi masinõppe spetsialist.
Seejärel muutub süvaõppesüsteem ja sobitub täpsuse jaoks läbi gradient laskumine ja tagasi paljundamine, mis võimaldab luua täpsemaid ennustusi looma värske hetkepildi kohta.
Süvaõppe rakendused
1 Chatbots
Vestlusbotid suudavad kliendi probleemid mõne sekundiga lahendada. Vestlusbot on tehisintellekti (AI) tööriist, mis võimaldab teil suhelda võrgus teksti või tekst kõneks muutmise kaudu.
See suudab suhelda ja toiminguid läbi viia samamoodi nagu inimesed. Vestlusboteid kasutatakse laialdaselt klienditeeninduses, sotsiaalmeedia turunduses ja klientide kiirsuhtluses.
See vastab teie sisenditele automaatsete vastustega. See genereerib masinõppe ja süvaõppe tehnikaid kasutades mitmesuguseid vastuseid.
2. Isejuhtivad autod
Sügav õppimine on peamine tegur, miks isejuhtivad autod saavad reaalsuseks.
Mudeli loomiseks laaditakse süsteemi miljon andmekogumit, treenige masinaid õppimaja seejärel hinnata leide turvalises keskkonnas.
Uber Tehisintellekt Pittsburghi laborid ei püüa mitte ainult muuta juhita autosid tavalisemaks, vaid integreerida ka arvukalt nutikaid funktsioone, näiteks toidu kohaletoimetamise võimalusi, juhita autode kasutamisega.
Isejuhtivate sõidukite arendamise kõige pakilisem mure on ootamatute sündmustega tegelemine.
Süvaõppe algoritmidele omane pidev testimise ja juurutamise tsükkel tagab ohutu sõidu, kuna see puutub üha enam kokku miljonite stsenaariumitega.
3. Virtuaalne assistent
Virtuaalsed assistendid on pilvepõhised programmid, mis tunnevad ära loomuliku keele häälkäsklused ja teevad asju teie nimel.
Tavalised näited on virtuaalsed assistendid, nagu Amazon Alexa, Cortana, Siri ja Google Assistant.
Oma potentsiaali täielikuks kasutamiseks vajavad nad Interneti-ühendusega seadmeid. Kui assistendile antakse käsk, kipub see pakkuma paremat kogemust eelnevate kohtumiste põhjal, kasutades süvaõppe algoritme.
4. Meelelahutus
Sellised ettevõtted nagu Netflix, Amazon, YouTube ja Spotify pakuvad oma klientidele sobivaid filmi-, laulu- ja videosoovitusi nende kasutuskogemuse parandamiseks.
Kõige selle eest vastutab süvaõpe.
Veebi voogesituse ettevõtted pakuvad toote- ja teenusesoovitusi, mis põhinevad inimese sirvimisajaloos, huvidel ja tegevusel.
Süvaõppe algoritmid kasutatakse ka subtiitrite automaatseks tootmiseks ja tummfilmidele heli lisamiseks.
5. Robootika
Süvaõpet kasutatakse laialdaselt robotite väljatöötamisel, mis suudavad teha inimsarnaseid töid.
Deep Learning-toega robotid kasutavad reaalajas värskendusi, et tuvastada oma marsruudil olevad tõkked ja kiiresti korraldada nende rada.
Seda saab kasutada asjade transportimiseks haiglates, tehastes, ladudes, varude haldamisel, toodete valmistamisel jne.
Boston Dynamicsi robotid reageerivad inimestele, kui neid lükatakse. Nad saavad nõudepesumasinat tühjendada, kukkudes püsti tõusta ja teha mitmesuguseid muid tegevusi.
6. Tervishoid
Arstid ei saa ööpäevaringselt oma patsientidega koos olla, kuid üks asi, mis meil kõigil praktiliselt alati kaasas on, on meie telefonid.
Süvaõpe võimaldab ka meditsiinitehnoloogiatel analüüsida meie jäädvustatud piltide andmeid ja liikumisandmeid, et avastada võimalikke terviseprobleeme.
Näiteks AI arvutinägemisprogramm kasutab neid andmeid, et jälgida patsiendi liikumismustreid, et ennustada kukkumisi ja vaimse seisundi muutusi.
Sügavat õppimist on kasutatud ka nahavähi tuvastamiseks fotode ja palju muu abil.
7. Loomuliku keele töötlemine
Loomuliku keele töötlemise tehnoloogia arendamine on võimaldanud robotitel lugeda suhtlust ja tuletada sellest tähendust.
Sellegipoolest võib lähenemisviisi olla liiga lihtsustatud, jättes arvesse võtmata sõnade ühinemise viise, et mõjutada fraasi tähendust või eesmärki.
Süvaõpe aitab loomuliku keele töötlejatel tuvastada fraasides keerukamaid mustreid ja pakkuda täpsemaid tõlgendusi.
8. Arvutinägemine
Süvaõpe püüab korrata seda, kuidas inimmõistus teavet töötleb ja mustreid ära tunneb, muutes selle ideaalseks meetodiks nägemispõhiste tehisintellekti rakenduste koolitamiseks.
Need süsteemid saavad vastu võtta järjestikuseid märgistatud fotokomplekte ja õppida ära tundma selliseid objekte nagu lennukid, näod ja relvad, kasutades süvaõppe mudelid.
Sügav õppimine tegevuses
Kuidas muudab süvaõpe inimeste elu peale teie lemmikmuusika voogedastusteenuse, mis soovitab teile meeldida võivaid laule?
Selgub, et süvaõpe on jõudmas laias valikus rakendustesse. Igaüks, kes kasutab Facebooki, märkab, et kui postitate uusi pilte, tunneb suhtlussait sageli teie sõbrad ära ja märgistab.
Süvaõpet kasutavad loomuliku keele töötlemiseks ja kõnetuvastuseks digitaalsed assistendid, nagu Siri, Cortana, Alexa ja Google Now.
Reaalajas tõlge pakutakse Skype'i kaudu. Paljude e-posti teenuste võime tuvastada rämpspost enne postkasti jõudmist on arenenud.
PayPal on kasutanud süvaõpet, et vältida petturlikke makseid. Näiteks CamFind võimaldab pildistada mis tahes objekti ja mobiilse visuaalse otsingu tehnoloogia abil kindlaks teha, millega on tegu.
Lahenduste pakkumiseks kasutab süvaõpet eelkõige Google. Google Deepmindi välja töötatud arvutiprogramm AlphaGo on praegused Go meistrid võitnud.
DeepMindi välja töötatud WaveNet suudab luua kõnet, mis kõlab loomulikumalt kui praegu saadaolevad kõnesüsteemid. Suu- ja tekstikeelte tõlkimiseks kasutab Google'i tõlge sügavat õppimist ja pildituvastust.
Kõiki fotosid saab tuvastada Google Planeti abil. AI-rakenduste väljatöötamise abistamiseks lõi Google Tensorflow süvaõpe tarkvara andmebaas.
Süvaõppe tulevik
Süvaõpe on tehnoloogia üle arutlemisel vältimatu teema. Ütlematagi selge, et sügavõpe on muutunud üheks tehnoloogia kõige olulisemaks elemendiks.
Varem olid organisatsioonid ainsad, kes olid huvitatud sellistest tehnoloogiatest nagu AI, süvaõpe, masinõpe ja nii edasi. Ka üksikisikud tunnevad huvi selle tehnoloogia elemendi, eriti süvaõppe vastu.
Üks paljudest põhjustest, miks süvaõpe pälvib nii palju tähelepanu, on selle võime võimaldada paremaid andmepõhiseid otsuseid, parandades samal ajal prognoosimise täpsust.
Süvaõppe arendustööriistad, raamatukogud ja keeled võivad mõne aasta pärast saada iga tarkvaraarenduse tööriistakomplekti tavapärasteks komponentideks.
Need praegused tööriistakomplektid sillutavad teed uute mudelite lihtsaks kujundamiseks, seadistamiseks ja koolitamiseks.
Stiili teisendamine, automaatne märgistamine, muusika loomineja muid ülesandeid oleks nende oskustega palju lihtsam teha.
Nõudlus kiire kodeerimise järele pole kunagi olnud suurem.
Süvaõppe arendajad hakkavad tulevikus üha enam kasutama integreeritud, avatud, pilvepõhiseid arenduskeskkondi, mis võimaldavad juurdepääsu paljudele valmis ja ühendatavatele algoritmide teekidele.
Süvaõppel on väga helge tulevik!
Kasu a Närvivõrgus on see, et see on suurepärane suurte heterogeensete andmetega tegelemisel (mõelge kõigele, millega meie aju peab kogu aeg tegelema).
See kehtib eriti meie võimsate nutikate andurite ajastul, mis võivad koguda tohutul hulgal andmeid. Traditsioonilised arvutisüsteemid näevad vaeva, et nii palju andmeid sõeluda, kategoriseerida ja järeldusi teha.
Järeldus
Sügav õppimine volitused enamik tehisintellekti (AI) lahendusi, mis võivad parandada automatiseerimist ja analüüsi protsesse.
Enamik inimesi puutub iga päev kokku süvaõppega, kui nad kasutavad Internetti või mobiiltelefoni.
Sügavat õppimist kasutatakse YouTube'i videote subtiitrite tootmiseks. Tehke telefonides ja nutikõlarites hääletuvastust.
Andke piltide jaoks näotuvastus ja lubage paljude muude kasutusviiside hulgas isejuhtivaid autosid.
Ja kuna andmeteadlased ja akadeemikud tegelevad üha keerulisemaks süvaõppe raamistikke kasutavad süvaõppe projektid, muutub selline tehisintellekt meie igapäevaelu üha olulisemaks osaks.
Jäta vastus