Sisällysluettelo[Piilottaa][Näytä]
Käsitys siitä, että robotit ovat älykkäämpiä kuin ihmiset, on valloittanut kollektiivisen mielikuvituksemme niin kauan kuin tieteisfiktiota on ollut.
Vaikka tekoäly (AI) ei ole vielä saavuttanut tätä tasoa, olemme tehneet merkittäviä läpimurtoja koneälyn tuottamisessa, kuten Googlen, Teslan ja Uberin itseohjautuvilla autoilla tehdyt testaukset ovat osoittaneet.
Deep Learningin, koneoppimislähestymistavan, joka mahdollistaa tämän teknisen kehityksen, skaalautuvuus ja hyödyllisyys ovat osittain vastuussa tekoälyn onnistuneesta siirtymisestä yliopistoista ja tutkimuslaboratorioista tuotteisiin.
Seuraava tietokonevallankumous rakentuu tekoälylle, syvälle oppimiselle ja koneoppiminen.
Nämä tekniikat perustuvat kykyyn havaita malleja ja ennustaa sitten tulevia tapahtumia menneisyydessä kerättyjen tietojen perusteella. Tämä selittää, miksi Amazon tekee ideoita, kun ostat verkosta tai kuinka Netflix tietää sinun pitävän kauheista 1980-luvun elokuvista.
Vaikka tekoälykonsepteja käyttäviä tietokoneita kutsutaan joskus "älykkäiksi", suurin osa näistä järjestelmistä ei opi itsestään. tarvitaan ihmisten välistä vuorovaikutusta.
Datatieteilijät valmistelevat syötteet valitsemalla muuttujat, joita sovelletaan ennustava analyysi. Syväoppiminen sen sijaan voi suorittaa tämän toiminnon automaattisesti.
Tämä viesti toimii kenttäoppaana kaikille datan ystäville, jotka ovat kiinnostuneita oppimaan lisää syväoppimisesta, sen laajuudesta ja tulevaisuuden mahdollisuuksista.
Mikä on syväoppiminen?
Syväoppiminen voidaan ajatella koneoppimisen osajoukkona.
Se on kenttä, joka perustuu itseoppimiseen ja kehittymiseen tietokonealgoritmeja tutkimalla.
Syväoppiminen, toisin kuin koneoppiminen, toimii keinotekoisen kanssa hermoverkkoihin, joiden oletetaan jäljittelevän ihmisten ajattelua ja oppimista. Viime aikoihin asti hermoverkkojen monimutkaisuus oli rajoitettu tietokoneen tehonrajoitusten vuoksi.
Big Datan analytiikan edistyminen on kuitenkin mahdollistanut suuremmat ja tehokkaammat neuroverkot, joiden avulla tietokoneet voivat tarkkailla, ymmärtää ja reagoida monimutkaisiin tilanteisiin nopeammin kuin ihmiset.
Suosittelemme lukemaan - Teslan hermoverkkoarkkitehtuuri selitetty
Kuvien luokittelu, kielen kääntäminen ja puheentunnistus ovat kaikki hyötyneet syvästä oppimisesta. Se voi ratkaista minkä tahansa hahmontunnistusongelman ilman ihmisen vuorovaikutusta.
Se on pohjimmiltaan kolmi- tai useampikerroksinen neuroverkkomallien. Nämä hermoverkot pyrkivät jäljittelemään ihmisen aivojen toimintaa, vaikkakin rajoitetulla menestyksellä, mahdollistamalla sen "oppimisen" valtavista tietomääristä.
Vaikka yksi hermoverkon kerros voi silti tuottaa likimääräisiä ennusteita, enemmän piilotettuja kerroksia voivat auttaa optimoinnissa ja tarkkuuden virittämisessä.
Mikä on hermoverkko?
Keinotekoiset hermoverkot perustuvat ihmisen aivoissa havaittuihin hermoverkkoihin. Yleensä hermoverkko koostuu kolmesta kerroksesta.
Kolme tasoa ovat syöttö, lähtö ja piilotettu. Neuroverkko toiminnassa näkyy alla olevassa kaaviossa.
Koska yllä esitetyssä hermoverkossa on vain yksi piilotettu kerros, sitä kutsutaan "matalaksi hermoverkoksi".
Tällaisiin järjestelmiin lisätään piilokerroksia kehittyneempien rakenteiden muodostamiseksi.
Mikä on syväverkko?
Syvässä verkossa lisätään monia piilotettuja kerroksia.
Tällaisten suunnitelmien kouluttamisesta tulee yhä monimutkaisempaa, kun verkon piilotettujen kerrosten määrä kasvaa, ei pelkästään verkon asianmukaiseen kouluttamiseen tarvittavan ajan, vaan myös tarvittavien resurssien suhteen.
Alla näkyy syvä verkko, jossa on tulo, neljä piilotettua kerrosta ja tulos.
Miten syväoppiminen toimii?
Neuraaliverkot muodostuvat solmukerroksista, samalla tavalla kuin neuronit muodostavat ihmisen aivot. Yksittäiset kerrossolmut on linkitetty viereisten kerrosten solmuihin.
Verkoston kerrosten lukumäärä ilmaisee sen syvyyden. Yksi neuroni ihmisaivot vastaanottaa tuhansia viestejä.
Signaalit liikkuvat solmujen välillä keinotekoisessa hermoverkossa, joka antaa niille painot.
Solmulla, jonka paino on suurempi, on suurempi vaikutus sen alapuolella oleviin solmuihin. Viimeinen kerros yhdistää painotetut syötteet tuottaakseen tulosteen.
Syväoppimisjärjestelmät tarvitsevat vahvan laitteiston käsiteltävien tietojen valtavan määrän ja lukuisten monimutkaisten matemaattisten laskelmien vuoksi.
Syväoppimisharjoittelulaskelmat voivat kestää viikkoja jopa niin pitkälle kehitetyllä tekniikalla.
Syväoppimisjärjestelmät vaativat huomattavan määrän dataa oikeiden havaintojen tekemiseksi; näin ollen tiedot syötetään massiivisten tietokokonaisuuksien muodossa.
Keinotekoiset hermoverkot voivat dataa käsitellessään luokitella informaation vastausten perusteella binäärisiin kyllä- tai vääriin kysymyksiin, joihin liittyy erittäin monimutkaisia matemaattisia laskelmia.
Esimerkiksi kasvojentunnistusalgoritmi oppii tunnistamaan ja tunnistamaan kasvojen reunat ja viivat.
Sitten merkittävämpiä kasvojen elementtejä ja lopulta kokonaisia kasvojen esityksiä.
Algoritmi harjoittelee itseään ajan myötä, mikä lisää oikeiden vastausten todennäköisyyttä.
Tässä tilanteessa kasvojentunnistusalgoritmi tunnistaa kasvot ajan myötä paremmin.
Deep Learning VS koneoppiminen
Miten syväoppiminen eroaa koneoppimisesta, jos se on sen osajoukko?
Syväoppiminen eroaa perinteisestä koneoppimisesta sen käyttämien tietojen ja oppimismenetelmien osalta.
Koneoppimisalgoritmit käyttävät ennusteiden luomiseen jäsenneltyä, merkittyä dataa, mikä tarkoittaa, että tietyt ominaisuudet määritetään mallin syöttötiedoista ja ryhmitellään taulukoiksi.
Tämä ei välttämättä tarkoita, että se ei käytä jäsentelemätöntä dataa; pikemminkin, jos se käy, se yleensä käy läpi esikäsittelyn, jotta se saatetaan jäsenneltyyn muotoon.
Syväoppiminen poistaa osan tietojen esikäsittelystä, jota koneoppiminen yleensä sisältää.
Nämä algoritmit voivat ottaa vastaan ja tulkita jäsentämätöntä dataa, kuten tekstiä ja kuvia, sekä automatisoida ominaisuuksien poimimista, mikä vähentää riippuvuutta ihmisasiantuntijoista.
Kuvitellaan, että meillä on kokoelma kuvia erilaisista lemmikeistä, jotka halusimme järjestää luokkiin, kuten "kissa", "koira", "hamsteri" ja niin edelleen.
Syväoppimisalgoritmit voivat selvittää, mitkä ominaisuudet (kuten korvat) ovat tärkeimpiä eläimen erottamisessa toisesta. Koneoppimisen asiantuntija määrittää tämän ominaisuushierarkian manuaalisesti.
Syväoppimisjärjestelmä muuttuu sitten ja sopii itse tarkkuuteen kautta kaltevuus laskeutuminen ja backpropagation, jolloin se voi luoda tarkempia ennusteita tuoreesta eläimen tilannekuvasta.
Deep Learning -sovellukset
1. chatbots
Chatbotit voivat korjata asiakasongelmat muutamassa sekunnissa. Chatbot on tekoäly (AI) työkalu, jonka avulla voit kommunikoida verkossa tekstin tai tekstistä puheeksi.
Se voi kommunikoida ja suorittaa toimia samalla tavalla kuin ihmiset. Chatbotteja käytetään laajasti asiakaspalvelussa, sosiaalisen median markkinoinnissa ja asiakkaiden pikaviestinnässä.
Se vastaa syötteihisi automaattisilla vastauksilla. Se tuottaa monenlaisia vastauksia käyttämällä koneoppimis- ja syväoppimistekniikoita.
2. Itseajavat autot
Deep Learning on ensisijainen tekijä itseohjautuvien autojen toteutumiselle.
Miljoona tietojoukkoa ladataan järjestelmään mallin luomiseksi, kouluttaa koneita oppimaanja arvioi sitten löydökset turvallisessa ympäristössä.
Uber Tekoäly Labs Pittsburghissa ei vain yritä tehdä kuljettajattomista autoista yleisempiä, vaan myös integroida lukuisia älykkäitä ominaisuuksia, kuten ruoan toimitusmahdollisuuksia, kuljettamattomien autojen käyttöön.
Itseohjautuvien ajoneuvojen kehittämisen kiireellisin huolenaihe on odottamattomien tapahtumien käsittely.
Syväoppimisalgoritmeille tyypillinen jatkuva testaus- ja toteutussykli varmistaa turvallisen ajon, koska se altistuu miljoonille skenaarioille yhä enemmän.
3. Virtuaaliassistentti
Virtuaaliavustajat ovat pilvipohjaisia ohjelmia, jotka tunnistavat luonnollisen kielen äänikomennot ja tekevät asioita puolestasi.
Virtuaaliset avustajat, kuten Amazon Alexa, Cortana, Siri ja Google Assistant, ovat yleisiä esimerkkejä.
Hyödyntämään potentiaaliaan täysimääräisesti, he tarvitsevat Internetiin liitettyjä laitteita. Kun komento annetaan avustajalle, se pyrkii tarjoamaan paremman kokemuksen aiempien Deep Learning -algoritmeja käyttävien kohtaamisten perusteella.
4. Viihde
Yritykset, kuten Netflix, Amazon, YouTube ja Spotify, tarjoavat asiakkailleen sopivia elokuva-, kappale- ja videoehdotuksia heidän käyttökokemuksensa parantamiseksi.
Deep Learning on vastuussa kaikesta tästä.
Online-suoratoistoyritykset tarjoavat tuote- ja palvelusuosituksia henkilön selaushistorian, kiinnostuksen kohteiden ja toiminnan perusteella.
Syväoppimisalgoritmit käytetään myös tuottamaan tekstityksiä automaattisesti ja lisäämään ääntä mykkäelokuviin.
5. Robotiikka
Deep Learningiä käytetään laajalti sellaisten robottien kehittämisessä, jotka voivat tehdä ihmisen kaltaisia töitä.
Deep Learning -käyttöiset robotit käyttävät reaaliaikaisia päivityksiä havaitakseen esteitä reitin varrella ja järjestääkseen reittinsä nopeasti.
Sitä voidaan käyttää tavaroiden kuljettamiseen sairaaloissa, tehtaissa, varastoissa, varastonhallinnassa, tuotteiden valmistuksessa ja niin edelleen.
Boston Dynamics -robotit reagoivat ihmisiin, kun heitä työnnetään ympäriinsä. He voivat tyhjentää astianpesukoneen, he voivat nousta ylös kaatuessaan ja he voivat suorittaa monia muita toimintoja.
6. Terveydenhuolto
Lääkärit eivät voi olla potilaidensa kanssa kellon ympäri, mutta yksi asia, joka meillä kaikilla on käytännössä aina mukana, on puhelimemme.
Syväoppiminen mahdollistaa myös lääketieteellisten teknologioiden analysoinnin ottamistamme kuvista ja liikedatasta mahdollisten terveysongelmien paljastamiseksi.
Esimerkiksi tekoälyn tietokonenäköohjelma käyttää näitä tietoja potilaan liiketapojen seuraamiseen ennustaakseen putoamisia ja mielentilan muutoksia.
Syväoppimista on käytetty myös ihosyövän tunnistamiseen valokuvien ja monien muiden avulla.
7. Luonnollisen kielen käsittely
Luonnollisen kielen prosessointiteknologian kehittäminen on mahdollistanut robottien lukemisen viestinnän ja niiden merkityksen johtamisen.
Siitä huolimatta lähestymistapaa voidaan yksinkertaistaa liikaa, koska siinä ei oteta huomioon tapoja, joilla sanat yhdistyvät vaikuttamaan lauseen merkitykseen tai tarkoitukseen.
Syväoppiminen auttaa luonnollisen kielen prosessoreja tunnistamaan monimutkaisempia lauseita ja toimittamaan tarkempia tulkintoja.
8. Computer Vision
Syväoppiminen yrittää jäljitellä sitä, miten ihmismieli käsittelee tietoa ja tunnistaa kuvioita, mikä tekee siitä ihanteellisen menetelmän visioon perustuvien tekoälysovellusten koulutukseen.
Nämä järjestelmät voivat ottaa vastaan peräkkäin merkittyjä valokuvasarjoja ja oppia tunnistamaan esineitä, kuten lentokoneita, kasvoja ja aseita käyttämällä syvällisen oppimisen mallit.
Syvä oppiminen toiminnassa
Sen lisäksi, että musiikin suoratoistopalvelusi suosittelee kappaleita, joista saatat pitää, kuinka syvällinen oppiminen muuttaa ihmisten elämää?
On käynyt ilmi, että syväoppiminen on tulossa monenlaisiin sovelluksiin. Jokainen Facebookia käyttävä huomaa, että kun julkaiset uusia kuvia, sosiaalinen sivusto tunnistaa ja merkitsee ystäväsi usein.
Syväoppimista käyttävät luonnollisen kielen käsittelyyn ja puheentunnistukseen digitaaliset avustajat, kuten Siri, Cortana, Alexa ja Google Now.
Reaaliaikainen käännös tarjotaan Skypen kautta. Monet sähköpostipalvelut ovat edistyneet kyvyssään havaita roskapostiviestit ennen kuin ne saapuvat postilaatikkoon.
PayPal on käyttänyt syvää oppimista estääkseen vilpilliset maksut. CamFindin avulla voit esimerkiksi ottaa valokuvan mistä tahansa kohteesta ja mobiilivisuaalisen hakutekniikan avulla määrittää, mikä se on.
Erityisesti Google käyttää syväoppimista ratkaisujen tarjoamiseen. AlphaGo, Google Deepmindin kehittämä tietokoneohjelma, on voittanut nykyiset Go-mestarit.
DeepMindin kehittämä WaveNet voi luoda puhetta, joka kuulostaa luonnollisemmalta kuin tällä hetkellä saatavilla olevat puhejärjestelmät. Google-kääntäjä käyttää syvää oppimista ja kuvantunnistusta suullisten ja tekstimuotoisten kielten kääntämiseen.
Kaikki valokuvat voidaan tunnistaa Google Planetin avulla. Google loi tekoälysovellusten kehittämisen avuksi Tensorflow syväoppiminen ohjelmistotietokanta.
Syväoppimisen tulevaisuus
Syväoppiminen on väistämätön aihe teknologiasta puhuttaessa. Sanomattakin on selvää, että syvällinen oppiminen on kehittynyt yhdeksi tekniikan tärkeimmistä elementeistä.
Organisaatiot olivat aiemmin ainoita, jotka olivat kiinnostuneita teknologioista, kuten tekoäly, syväoppiminen, koneoppiminen ja niin edelleen. Myös yksilöt alkavat kiinnostua tästä tekniikan osa-alueesta, erityisesti syvästä oppimisesta.
Yksi monista syistä, miksi syväoppiminen saa niin paljon huomiota, on sen kyky mahdollistaa parempia datalähtöisiä päätöksiä ja samalla parantaa ennusteiden tarkkuutta.
Syväoppimisen kehitystyökalut, kirjastot ja kielet voivat hyvinkin tulla minkä tahansa ohjelmistokehityksen työkalupakin säännöllisiksi osiksi muutamassa vuodessa.
Nämä nykyiset työkalusarjat tasoittavat tietä uusien mallien yksinkertaiselle suunnittelulle, asennukselle ja koulutukselle.
Tyylin muunnos, automaattinen koodaus, musiikin luominen, ja muut tehtävät olisi paljon helpompi tehdä näillä taidoilla.
Nopean koodauksen kysyntä ei ole koskaan ollut suurempi.
Syväoppimisen kehittäjät käyttävät tulevaisuudessa yhä enemmän integroituja, avoimia, pilvipohjaisia kehitysympäristöjä, jotka mahdollistavat pääsyn laajaan valikoimaan valmiita ja kytkettäviä algoritmikirjastoja.
Syvällä oppimisella on erittäin valoisa tulevaisuus!
A: n etu neuroverkkomallien on, että se on erinomainen käsittelemään suuria määriä heterogeenista dataa (ajattele kaikkea, mitä aivomme joutuvat käsittelemään koko ajan).
Tämä pätee erityisesti tehokkaiden älykkäiden antureiden aikakautemme, jotka voivat kerätä valtavia määriä dataa. Perinteisillä tietokonejärjestelmillä on vaikeuksia seuloa, luokitella ja tehdä johtopäätöksiä niin suuresta määrästä dataa.
Yhteenveto
Syvällinen oppiminen valtuudet useimmat tekoälyn (AI) ratkaisut, jotka voivat parantaa automaatiota ja analyyttisiä prosesseissa.
Suurin osa ihmisistä joutuu syvään oppimiseen päivittäin, kun he käyttävät Internetiä tai matkapuhelinta.
Syväoppimista käytetään tekstityksen tuottamiseen YouTube-videoille. Suorita puheentunnistusta puhelimissa ja älykaiuttimissa.
Anna kasvojen tunnistaminen kuville ja salli itseohjautuvat autot monien muiden käyttötarkoitusten joukossa.
Ja kun datatieteilijät ja akateemikot käsittelevät yhä monimutkaisempaa syväoppimisprojektit syväoppimiskehyksiä käyttäen, tällaisesta tekoälystä tulee yhä tärkeämpi osa jokapäiväistä elämäämme.
Jätä vastaus