Índice analítico[Ocultar][Mostrar]
O concepto de que os robots son máis intelixentes que os humanos capturou o noso imaxinario colectivo dende que existe ciencia ficción.
Non obstante, aínda que a Intelixencia Artificial (IA) aínda non alcanzou ese nivel, logramos avances significativos na xeración de intelixencia de máquinas, como probaron Google, Tesla e Uber con coches autónomos.
A escalabilidade e utilidade do Deep Learning, o enfoque de Machine Learning que permite este avance técnico, é en parte responsable da transición exitosa da IA das universidades e laboratorios de investigación aos produtos.
A próxima revolución informática construirase sobre intelixencia artificial, aprendizaxe profunda e aprendizaxe de máquina.
Estas tecnoloxías baséanse na capacidade de discernir patróns e, a continuación, prever eventos futuros en función dos datos recollidos no pasado. Isto explica por que Amazon crea ideas cando compras en liña ou como Netflix sabe que che gustan as horribles películas dos anos 1980.
Aínda que ás veces os ordenadores que usan conceptos de IA son chamados "intelixentes", a maioría destes sistemas non aprenden por si mesmos; é necesaria a interacción humana.
Os científicos de datos preparan as entradas escollendo as variables que se aplicarán análise preditiva. A aprendizaxe profunda, por outra banda, pode realizar esta función automaticamente.
Esta publicación serve como guía de campo para todos os amantes dos datos interesados en aprender máis sobre a aprendizaxe profunda, a súa amplitude e o potencial futuro.
Que é a aprendizaxe profunda?
A aprendizaxe profunda pódese considerar como un subconxunto da aprendizaxe automática.
É un campo que se basea na autoaprendizaxe e na mellora mediante o exame de algoritmos informáticos.
A aprendizaxe profunda, en oposición á aprendizaxe automática, funciona con artificial redes neuronales, que se supón que imitan como a xente pensa e aprende. Ata hai pouco, as redes neuronais estaban restrinxidas en complexidade debido ás limitacións de potencia dos ordenadores.
Non obstante, os avances na análise de Big Data permitiron redes neuronais máis grandes e poderosas, o que permite aos ordenadores supervisar, comprender e responder a situacións complicadas máis rápido que as persoas.
Recomendamos ler - Explicación da arquitectura da rede neuronal de Tesla
A categorización de imaxes, a tradución de idiomas e o recoñecemento de voz beneficiáronse da aprendizaxe profunda. Pode abordar calquera problema de recoñecemento de patróns sen necesidade de interacción humana.
Esencialmente, é de tres ou máis capas rede neural. Estas redes neuronais buscan imitar a actividade do cerebro humano, aínda que con éxito limitado, permitíndolle "aprender" a partir de enormes volumes de datos.
Aínda que unha soa capa dunha rede neuronal aínda pode producir predicións aproximadas, as capas máis ocultas poden axudar a optimizar e axustar a precisión.
Que é a rede neuronal?
As redes neuronais artificiais baséanse nas redes neuronais que se observan no cerebro humano. Normalmente, unha rede neuronal está formada por tres capas.
Os tres niveis son de entrada, saída e oculto. No diagrama de abaixo móstrase unha rede neuronal en acción.
Como a rede neuronal mostrada arriba só ten unha capa oculta, chámase "rede neuronal superficial".
Engádense máis capas ocultas a estes sistemas para formar estruturas máis sofisticadas.
Que é a rede profunda?
Nunha rede profunda, engádense moitas capas ocultas.
A formación deste tipo de deseños faise cada vez máis complicada a medida que aumenta o número de capas ocultas na rede, non só no que se refire ao tempo necesario para adestrar correctamente a rede senón tamén en canto aos recursos necesarios.
A continuación móstrase unha rede profunda cunha entrada, catro capas ocultas e unha saída.
Como funciona o Deep Learning?
As redes neuronais están formadas por capas de nodos, de forma similar a como as neuronas compoñen o cerebro humano. Os nós de capa individuais están ligados a nós de capas veciñas.
O número de capas nunha rede indica a súa profundidade. Unha soa neurona no cerebro humano recibe miles de mensaxes.
Os sinais móvense entre os nodos dunha rede neuronal artificial, que lles asigna pesos.
Un nodo con maior peso ten un maior impacto nos nodos debaixo del. A última capa combina as entradas ponderadas para proporcionar unha saída.
Os sistemas de aprendizaxe profunda necesitan un hardware sólido debido á gran cantidade de datos que se manexan e aos numerosos cálculos matemáticos sofisticados que implica.
Os cálculos de adestramento de aprendizaxe profunda, mesmo cunha tecnoloxía tan sofisticada, poden levar semanas.
Os sistemas de aprendizaxe profunda requiren unha cantidade importante de datos para proporcionar achados correctos; polo tanto, a información aliméntase en forma de conxuntos de datos masivos.
Ao procesar datos, as redes neuronais artificiais poden clasificar a información en función de respostas a unha secuencia de preguntas binarias si ou falsas que implican cálculos matemáticos moi complicados.
Un algoritmo de recoñecemento facial, por exemplo, aprende a identificar e recoñecer os bordos e liñas das caras.
Despois elementos máis significativos de rostros, e eventualmente representacións enteiras de rostros.
O algoritmo adestra ao longo do tempo, aumentando a probabilidade de respostas correctas.
Nesta situación, o algoritmo de recoñecemento facial recoñecerá as caras de forma máis correcta ao longo do tempo.
Deep Learning VS Machine Learning
En que se diferencia a aprendizaxe profunda da aprendizaxe automática se é un subconxunto dela?
A aprendizaxe profunda difire da aprendizaxe automática tradicional nos tipos de datos que utiliza e nos métodos que utiliza para aprender.
Para crear predicións, os algoritmos de aprendizaxe automática usan datos estruturados e etiquetados, o que significa que determinadas características se especifican a partir dos datos de entrada do modelo e se agrupan en táboas.
Isto non implica necesariamente que non empregue datos non estruturados; máis ben, se o fai, normalmente pasa por algún procesamento previo para poñelo nun formato estruturado.
A aprendizaxe profunda elimina parte do preprocesamento de datos que normalmente implica a aprendizaxe automática.
Estes algoritmos poden inxerir e interpretar datos non estruturados, como texto e imaxes, así como automatizar a extracción de características, reducindo a dependencia dos especialistas humanos.
Imaxinemos que tiñamos unha colección de imaxes de varias mascotas que queriamos organizar en categorías como "gato", "can", "hamster", etc.
Os algoritmos de aprendizaxe profunda poden descubrir cales son os trazos (como as orellas) máis esenciais para separar un animal doutro. Esta xerarquía de funcións determina manualmente un especialista humano en aprendizaxe automática.
A continuación, o sistema de aprendizaxe profunda cambia e adáptase por si mesmo para obter precisión descenso en gradiente e a retropropagación, o que lle permite xerar predicións máis precisas sobre unha nova instantánea dun animal.
Aplicacións de aprendizaxe profunda
1. Chatbots
Os chatbots poden solucionar os problemas dos clientes en cuestión de segundos. Un chatbot é un intelixencia artificial Ferramenta (AI) que che permite comunicarte en liña mediante texto ou texto a voz.
Pode comunicarse e realizar actos do mesmo xeito que os humanos. Os chatbots son amplamente utilizados no servizo de atención ao cliente, no marketing de redes sociais e na mensaxería instantánea do cliente.
Responde ás túas entradas con respostas automáticas. Xera moitas formas de respostas utilizando técnicas de aprendizaxe automática e aprendizaxe profunda.
2. Coches autónomos
A aprendizaxe profunda é o principal factor detrás de que os coches autónomos se convertan nunha realidade.
Cargan un millón de conxuntos de datos nun sistema para crear un modelo, adestrar as máquinas para aprender, e despois avaliar os achados nun ambiente seguro.
O Uber Intelixencia Artificial Labs en Pittsburgh non só intenta facer que os coches sen condutor sexan máis comúns, senón tamén integrar numerosas funcións intelixentes, como as posibilidades de entrega de alimentos, co uso de coches sen condutor.
A preocupación máis apremiante para o desenvolvemento de vehículos autónomos é xestionar eventos imprevistos.
Un ciclo continuo de probas e implementación, típico dos algoritmos de aprendizaxe profunda, garante unha condución segura xa que está exposto a millóns de escenarios cada vez máis.
3. Asistente virtual
Os asistentes virtuais son programas baseados na nube que recoñecen comandos de voz en linguaxe natural e fan cousas no teu nome.
Os asistentes virtuais como Amazon Alexa, Cortana, Siri e Google Assistant son exemplos comúns.
Para aproveitar plenamente o seu potencial, necesitan dispositivos conectados a Internet. Cando se lle dá un comando ao asistente, adoita ofrecer unha mellor experiencia baseada en encontros anteriores utilizando algoritmos de aprendizaxe profunda.
4. Lecer
Empresas como Netflix, Amazon, YouTube e Spotify ofrecen suxestións de películas, cancións e vídeos axeitadas aos seus clientes para mellorar a súa experiencia.
Deep Learning é responsable de todo isto.
As empresas de transmisión en liña ofrecen recomendacións de produtos e servizos baseadas no historial de navegación, os intereses e a actividade dunha persoa.
Algoritmos de aprendizaxe profunda tamén se usan para producir subtítulos automaticamente e engadir son ás películas mudas.
5. Robótica
A aprendizaxe profunda emprégase amplamente no desenvolvemento de robots que poidan facer traballos similares aos humanos.
Os robots impulsados por Deep Learning empregan actualizacións en tempo real para detectar barreiras na súa ruta e organizar rapidamente o seu curso.
Pódese usar para transportar cousas en hospitais, fábricas, almacéns, xestión de inventarios, fabricación de produtos, etc.
Os robots de Boston Dynamics responden aos humanos cando son empuxados. Poden baleirar un lavalouzas, poden levantarse cando caen e poden realizar outras actividades.
6. Asistencia sanitaria
Os médicos non poden estar cos seus pacientes durante todo o día, pero unha cousa que practicamente todos temos connosco son os nosos teléfonos.
A aprendizaxe profunda tamén permite que as tecnoloxías médicas analicen os datos das imaxes que capturamos e os datos de movemento para descubrir posibles problemas de saúde.
O programa de visión por ordenador de AI, por exemplo, usa estes datos para seguir os patróns de movemento dun paciente para prever caídas e cambios no estado mental.
Tamén se utilizou a aprendizaxe profunda para identificar o cancro de pel mediante fotos e moitos máis.
7. Procesamento da linguaxe natural
O desenvolvemento da tecnoloxía de procesamento da linguaxe natural permitiu aos robots ler as comunicacións e obter significado delas.
Non obstante, o enfoque pode simplificarse de máis, sen ter en conta as formas en que as palabras se unen para afectar o significado ou o propósito dunha frase.
A aprendizaxe profunda axuda aos procesadores da linguaxe natural a recoñecer patróns máis complexos en frases e ofrecer interpretacións máis precisas.
8. Visión por ordenador
A aprendizaxe profunda tenta reproducir como a mente humana procesa a información e recoñece patróns, polo que é un método ideal para adestrar aplicacións de IA baseadas na visión.
Eses sistemas poden incorporar unha sucesión de conxuntos de fotos etiquetados e aprender a recoñecer elementos como avións, caras e armamento usando modelos de aprendizaxe profunda.
Aprendizaxe profunda en acción
Ademais do teu servizo de transmisión de música favorito que recomenda cancións que che poden gustar, como está a cambiar a vida das persoas a aprendizaxe profunda?
Resulta que a aprendizaxe profunda está facendo o seu camiño nunha ampla gama de aplicacións. Calquera persoa que use Facebook notará que cando publica novas imaxes, o sitio social adoita recoñecer e etiquetar os seus amigos.
A aprendizaxe profunda úsase para o procesamento da linguaxe natural e o recoñecemento de voz por asistentes dixitais como Siri, Cortana, Alexa e Google Now.
A tradución en tempo real ofrécese a través de Skype. Moitos servizos de correo electrónico avanzaron na súa capacidade para detectar mensaxes de spam antes de que cheguen á caixa de entrada.
PayPal utilizou a aprendizaxe profunda para evitar pagos fraudulentos. CamFind, por exemplo, permíteche facer unha foto de calquera obxecto e, mediante a tecnoloxía de busca visual móbil, determinar cal é.
Google en particular está a utilizar a aprendizaxe profunda para ofrecer solucións. AlphaGo, un programa informático desenvolvido por Google Deepmind, venceu aos actuais campións de Go.
WaveNet, desenvolvido por DeepMind, pode crear un discurso que soe máis natural que os sistemas de voz dispoñibles actualmente. Para traducir linguaxes orais e textuais, Google Translate emprega a aprendizaxe profunda e o recoñecemento de imaxes.
Calquera foto pódese identificar usando Google Planet. Para axudar no desenvolvemento de aplicacións de IA, Google creou Aprendizaxe profunda Tensorflow base de datos de software.
Futuro da aprendizaxe profunda
A aprendizaxe profunda é un tema ineludible mentres se fala de tecnoloxía. Nin que dicir ten que a aprendizaxe profunda converteuse nun dos elementos máis cruciais da tecnoloxía.
As organizacións adoitaban ser as únicas interesadas en tecnoloxías como a IA, a aprendizaxe profunda, a aprendizaxe automática, etc. Os individuos tamén están interesados neste elemento da tecnoloxía, especialmente a aprendizaxe profunda.
Unha das moitas razóns polas que a aprendizaxe profunda está a chamar tanta atención é a súa capacidade para permitir mellores decisións baseadas en datos, ao mesmo tempo que mellora a precisión das predicións.
As ferramentas, bibliotecas e linguaxes de desenvolvemento de aprendizaxe profunda poden converterse en compoñentes habituais de calquera kit de ferramentas de desenvolvemento de software nuns poucos anos.
Estes conxuntos de ferramentas actuais abrirán o camiño para un deseño, configuración e adestramento sinxelos de novos modelos.
Transformación de estilo, etiquetado automático, creación musical, e outras tarefas serían moito máis fáciles de facer con estas habilidades.
A demanda de codificación rápida nunca foi maior.
Os desenvolvedores de aprendizaxe profunda utilizarán cada vez máis ambientes de desenvolvemento integrados, abertos e baseados na nube que permitan acceder a unha ampla gama de bibliotecas de algoritmos dispoñibles e conectables no futuro.
A aprendizaxe profunda ten un futuro moi brillante!
O beneficio de a rede neural é que sobresae en tratar con grandes cantidades de datos heteroxéneos (pense en todo o que ten que tratar o noso cerebro, todo o tempo).
Isto é especialmente certo na nosa era de poderosos sensores intelixentes, que poden recoller grandes cantidades de datos. Os sistemas informáticos tradicionais están loitando por peneirar, categorizar e sacar conclusións de tantos datos.
Conclusión
Aprendizaxe profunda atribucións a maioría das solucións de intelixencia artificial (IA) que poden mellorar a automatización e a analítica procesos.
A maioría das persoas entran en contacto coa aprendizaxe profunda diariamente cando utilizan Internet ou os seus teléfonos móbiles.
A aprendizaxe profunda úsase para producir subtítulos para vídeos de YouTube. Realiza o recoñecemento de voz en teléfonos e altofalantes intelixentes.
Dá identificación facial para as imaxes e permite que se conduzan automóbiles, entre outros moitos usos.
E, a medida que os científicos de datos e os académicos afrontan cada vez máis complicado proxectos de deep learning utilizando marcos de deep learning, este tipo de intelixencia artificial converterase nunha parte cada vez máis importante da nosa vida diaria.
Deixe unha resposta