Pregled sadržaja[Sakriti][Pokazati]
Koncept da su roboti pametniji od ljudi zaokuplja našu kolektivnu maštu otkad postoji znanstvena fantastika.
Međutim, dok umjetna inteligencija (AI) još nije dosegla tu razinu, napravili smo značajan napredak u generiranju strojne inteligencije, što su dokazali Google, Tesla i Uber testiranjem s samovozećim automobilima.
Skalabilnost i korisnost dubokog učenja, pristupa strojnog učenja koji omogućuje ovaj tehnički napredak, djelomično je odgovoran za uspješan prijelaz umjetne inteligencije sa sveučilišta i istraživačkih laboratorija na proizvode.
Sljedeća računalna revolucija bit će izgrađena na umjetnoj inteligenciji, dubokom učenju i stroj za učenje.
Te su tehnologije izgrađene na sposobnosti razlučivanja uzoraka i potom predviđanja budućih događaja na temelju podataka prikupljenih u prošlosti. Ovo objašnjava zašto Amazon stvara ideje kada kupujete putem interneta ili kako Netflix zna da volite grozne filmove iz 1980-ih.
Iako se računala koja koriste AI koncepte ponekad nazivaju "pametnim", većina tih sustava ne uči sama; potrebna je ljudska interakcija.
Znanstvenici za podatke pripremaju ulazne podatke odabirom varijabli koje će se primijeniti prediktivna analitika. Duboko učenje, s druge strane, ovu funkciju može obavljati automatski.
Ovaj post služi kao terenski vodič za sve ljubitelje podataka koji žele saznati više o dubokom učenju, njegovoj širini i budućim potencijalima.
Što je duboko učenje?
Duboko učenje može se smatrati podskupom strojnog učenja.
To je polje koje se temelji na samoučenju i usavršavanju kroz ispitivanje računalnih algoritama.
Dubinsko učenje, za razliku od strojnog učenja, radi s umjetnim neuronske mreže, koji bi trebali oponašati način na koji ljudi misle i uče. Donedavno su neuronske mreže bile ograničene u složenosti zbog ograničenja snage računala.
Međutim, napredak u analitici velikih podataka omogućio je veće, snažnije neuronske mreže, omogućujući računalima da nadgledaju, razumiju i reagiraju na komplicirane situacije brže od ljudi.
Preporučujemo čitanje – Objašnjena arhitektura Tesla neuronske mreže
Kategorizacija slika, prevođenje jezika i prepoznavanje govora imali su koristi od dubokog učenja. Može se pozabaviti bilo kojim problemom prepoznavanja uzoraka bez potrebe za ljudskom interakcijom.
To je u biti troslojno ili višeslojno neuronska mreža. Ove neuronske mreže nastoje oponašati aktivnost ljudskog mozga, iako s ograničenim uspjehom, omogućujući mu da "uči" iz ogromnih količina podataka.
Dok jedan sloj neuronske mreže još uvijek može proizvesti približna predviđanja, više skrivenih slojeva može pomoći u optimizaciji i podešavanju za točnost.
Što je neuronska mreža?
Umjetne neuronske mreže temelje se na neuronskim mrežama koje se vide u ljudskom mozgu. Obično se neuronska mreža sastoji od tri sloja.
Tri razine su ulazna, izlazna i skrivena. Neuronska mreža u akciji vidi se na donjem dijagramu.
Kako gore prikazana neuronska mreža ima samo jedan skriveni sloj, nazvana je "plitka neuronska mreža".
Takvim se sustavima dodaje više skrivenih slojeva kako bi se formirale sofisticiranije strukture.
Što je Duboka mreža?
U dubokoj mreži dodaju se mnogi skriveni slojevi.
Obuka takvih dizajna postaje sve kompliciranija kako raste broj skrivenih slojeva u mreži, ne samo s obzirom na vrijeme potrebno za ispravnu obuku mreže nego i u smislu potrebnih resursa.
Duboka mreža s ulazom, četiri skrivena sloja i izlazom prikazana je ispod.
Kako funkcionira duboko učenje?
Neuronske mreže izgrađene su od slojeva čvorova, slično kao što neuroni čine ljudski mozak. Pojedinačni čvorovi sloja povezani su s čvorovima u susjednim slojevima.
Broj slojeva u mreži označava njezinu dubinu. Jedan neuron u ljudski mozak prima tisuće poruka.
Signali se kreću između čvorova u umjetnoj neuronskoj mreži, koja im dodjeljuje težine.
Čvor s većom težinom ima veći utjecaj na čvorove ispod sebe. Posljednji sloj kombinira ponderirane ulaze kako bi osigurao izlaz.
Sustavi dubokog učenja trebaju jak hardver zbog ogromne količine podataka kojima se rukuje i brojnih sofisticiranih matematičkih izračunavanja.
Izračuni obuke za duboko učenje, čak i uz tako sofisticiranu tehnologiju, mogu potrajati tjednima.
Sustavi dubokog učenja zahtijevaju značajnu količinu podataka kako bi pružili točne nalaze; stoga se informacije unose u obliku masivnih skupova podataka.
Prilikom obrade podataka, umjetne neuronske mreže mogu klasificirati informacije na temelju odgovora na niz binarnih da ili lažnih pitanja koja uključuju vrlo komplicirana matematička izračunavanja.
Algoritam za prepoznavanje lica, na primjer, uči identificirati i prepoznati rubove i linije lica.
Zatim značajniji elementi lica, a na kraju i cjelokupni prikazi lica.
Algoritam se s vremenom trenira, povećavajući vjerojatnost pravih odgovora.
U ovoj situaciji, algoritam za prepoznavanje lica će s vremenom točnije prepoznati lica.
Duboko učenje VS strojno učenje
Kako se duboko učenje razlikuje od strojnog učenja ako je ono njegov podskup?
Duboko učenje razlikuje se od tradicionalnog strojnog učenja po vrstama podataka koje koristi i metodama koje koristi za učenje.
Za izradu predviđanja, algoritmi strojnog učenja koriste strukturirane, označene podatke, što znači da se određene karakteristike specificiraju iz ulaznih podataka modela i grupiraju u tablice.
To ne znači nužno da ne koristi nestrukturirane podatke; umjesto toga, ako jest, obično prolazi kroz neku prethodnu obradu kako bi se stavio u strukturirani format.
Dubinsko učenje uklanja dio predobrade podataka koju strojno učenje općenito podrazumijeva.
Ovi algoritmi mogu unositi i interpretirati nestrukturirane podatke kao što su tekst i slike, kao i automatizirati ekstrakciju značajki, smanjujući oslanjanje na ljudske stručnjake.
Zamislimo da imamo kolekciju slika raznih kućnih ljubimaca koje smo htjeli organizirati u kategorije kao što su "mačka", "pas", "hrčak" itd.
Algoritmi dubokog učenja mogu otkriti koje su osobine (kao što su uši) najbitnije u odvajanju jedne životinje od druge. Ovu hijerarhiju značajki ručno određuje ljudski stručnjak za strojno učenje.
Sustav dubinskog učenja tada se mijenja i sam se prilagođava za točnost putem gradijentni spust i povratno širenje, što mu omogućuje generiranje preciznijih predviđanja o novoj snimci životinje.
Aplikacije za duboko učenje
1. chatbots
Chatbotovi mogu riješiti probleme s klijentima u nekoliko sekundi. Chatbot je umjetna inteligencija (AI) alat koji vam omogućuje online komunikaciju putem teksta ili pretvaranja teksta u govor.
Može komunicirati i ponašati se na isti način kao i ljudi. Chatboti se naširoko koriste u korisničkoj službi, marketingu na društvenim mrežama i razmjeni trenutnih poruka klijentima.
Na vaše unose odgovara automatskim odgovorima. Generira mnoge oblike odgovora koristeći tehnike strojnog učenja i dubokog učenja.
2. Samovozeći automobili
Dubinsko učenje primarni je čimbenik iza toga da samovozeći automobili postaju stvarnost.
Milijun setova podataka učitava se u sustav kako bi se stvorio model, osposobiti strojeve za učenje, a zatim procijenite nalaze u sigurnom okruženju.
Uber Umjetna inteligencija Labs u Pittsburghu ne samo da pokušava učiniti automobile bez vozača češćima, već i integrirati brojne pametne značajke, kao što su mogućnosti dostave hrane, uz korištenje automobila bez vozača.
Najhitnija briga za razvoj samovozećih vozila je suočavanje s neočekivanim događajima.
Kontinuirani ciklus testiranja i implementacije, tipičan za algoritme dubokog učenja, osigurava sigurnu vožnju budući da je sve više izložen milijunima scenarija.
3. Virtualni asistent
Virtualni pomoćnici su programi temeljeni na oblaku koji prepoznaju glasovne naredbe na prirodnom jeziku i rade stvari u vaše ime.
Virtualni asistenti kao što su Amazon Alexa, Cortana, Siri i Google Assistant su uobičajeni primjeri.
Da bi u potpunosti iskoristili svoj potencijal, potrebni su im uređaji povezani s internetom. Kada se pomoćniku da naredba, ona ima tendenciju pružiti bolje iskustvo na temelju prethodnih susreta korištenjem algoritama dubokog učenja.
4. Zabava
Tvrtke poput Netflixa, Amazona, YouTubea i Spotifyja svojim klijentima daju odgovarajuće prijedloge za filmove, pjesme i videozapise kako bi poboljšali njihovo iskustvo.
Za sve je to zaslužno Duboko učenje.
Tvrtke za online streaming pružaju preporuke za proizvode i usluge na temelju povijesti pregledavanja, interesa i aktivnosti neke osobe.
Algoritmi dubokog učenja također se koriste za automatsku proizvodnju titlova i dodavanje zvuka nijemim filmovima.
5. Robotika
Duboko učenje se široko koristi u razvoju robota koji mogu obavljati poslove poput ljudi.
Roboti s pogonom na duboko učenje koriste ažuriranja u stvarnom vremenu kako bi otkrili prepreke na svojoj ruti i brzo organizirali svoj put.
Može se koristiti za transport stvari u bolnicama, tvornicama, skladištima, upravljanje zalihama, proizvodnju proizvoda i tako dalje.
Boston Dynamics roboti reagiraju na ljude kada ih guraju. Mogu isprazniti perilicu posuđa, mogu ustati kada padnu i mogu obavljati razne druge aktivnosti.
6. Zdravstvo
Liječnici ne mogu biti sa svojim pacijentima XNUMX sata dnevno, ali jedna stvar koju svi gotovo uvijek imamo sa sobom su naši telefoni.
Duboko učenje također omogućuje medicinskim tehnologijama da analiziraju podatke iz slika koje snimamo i podatke o kretanju kako bi otkrili potencijalne zdravstvene probleme.
Program računalnog vida umjetne inteligencije, na primjer, koristi te podatke kako bi pratio pacijentove obrasce kretanja kako bi predvidio padove, kao i promjene u mentalnom stanju.
Duboko učenje također se koristi za prepoznavanje raka kože pomoću fotografija i mnogih drugih.
7. Obrada prirodnog jezika
Razvoj tehnologije obrade prirodnog jezika omogućio je robotima da čitaju komunikacije i iz njih izvlače značenje.
Unatoč tome, pristup može biti previše pojednostavljen, ne uzimajući u obzir načine na koje se riječi spajaju kako bi utjecale na značenje ili svrhu fraze.
Duboko učenje pomaže procesorima prirodnog jezika da prepoznaju složenije obrasce u frazama i daju točnije tumačenje.
8. Računalni vid
Dubinsko učenje pokušava replicirati kako ljudski um obrađuje informacije i prepoznaje obrasce, što ga čini idealnom metodom za obuku aplikacija umjetne inteligencije temeljene na viziji.
Ti sustavi mogu uzeti niz označenih skupova fotografija i naučiti prepoznavati stavke poput zrakoplova, lica i oružja koristeći modeli dubokog učenja.
Duboko učenje na djelu
Osim što vaša omiljena usluga za streaming glazbe preporučuje pjesme koje bi vam se mogle svidjeti, kako duboko učenje mijenja živote ljudi?
Ispostavilo se da se duboko učenje probija u širok raspon primjena. Svatko tko koristi Facebook primijetit će da kada objavite nove slike, društvena stranica često prepoznaje i označava vaše prijatelje.
Duboko učenje koristi se za obradu prirodnog jezika i prepoznavanje govora od strane digitalnih pomoćnika kao što su Siri, Cortana, Alexa i Google Now.
Prijevod u stvarnom vremenu je omogućen putem Skypea. Mnoge usluge e-pošte napredovale su u svojoj sposobnosti otkrivanja neželjenih poruka prije nego što stignu u pristiglu poštu.
PayPal je koristio duboko učenje kako bi spriječio lažna plaćanja. CamFind vam, primjerice, omogućuje fotografiranje bilo kojeg objekta i pomoću mobilne tehnologije vizualnog pretraživanja odredite o čemu se radi.
Duboko učenje koristi se za pružanje rješenja posebno od strane Googlea. AlphaGo, računalni program koji je razvio Google Deepmind, pobijedio je aktualne Go prvake.
WaveNet, koji je razvio DeepMind, može stvoriti govor koji zvuči prirodnije od trenutno dostupnih govornih sustava. Za prevođenje usmenih i tekstualnih jezika, Google Translate koristi duboko učenje i prepoznavanje slika.
Bilo koja fotografija može se identificirati pomoću Google Planeta. Kako bi pomogao u razvoju AI aplikacija, Google je stvorio Tensorflow duboko učenje softverska baza podataka.
Budućnost dubokog učenja
Dubinsko učenje nezaobilazna je tema tijekom rasprave o tehnologiji. Nepotrebno je reći da se duboko učenje razvilo u jedan od najvažnijih elemenata tehnologije.
Organizacije su nekada bile jedine koje su bile zainteresirane za tehnologije poput AI, dubokog učenja, strojnog učenja i tako dalje. Pojedinci također postaju zainteresirani za ovaj element tehnologije, posebno za duboko učenje.
Jedan od mnogih razloga zašto duboko učenje privlači toliku pozornost jest njegova sposobnost da omogući bolje odluke temeljene na podacima, a istovremeno poboljšava točnost predviđanja.
Alati za razvoj dubokog učenja, knjižnice i jezici vrlo bi mogli postati redovite komponente bilo kojeg alata za razvoj softvera za nekoliko godina.
Ovi trenutni setovi alata otvorit će put jednostavnom dizajnu, postavljanju i obuci novih modela.
Transformacija stila, automatsko označavanje, glazbeno stvaranje, a druge bi zadatke bilo mnogo lakše obaviti s ovim vještinama.
Potražnja za brzim kodiranjem nikada nije bila veća.
Programeri za duboko učenje sve će više koristiti integrirana, otvorena razvojna okruženja temeljena na oblaku koja u budućnosti omogućuju pristup širokom rasponu dostupnih knjižnica algoritama.
Dubinsko učenje ima vrlo svijetlu budućnost!
Prednost a neuronska mreža je da se izvrsno snalazi u radu s velikim količinama heterogenih podataka (mislite na sve s čime se naš mozak mora nositi, cijelo vrijeme).
To je osobito istinito u našem dobu moćnih pametnih senzora, koji mogu prikupiti ogromne količine podataka. Tradicionalni računalni sustavi nastoje procijediti, kategorizirati i izvući zaključke iz toliko podataka.
Zaključak
Duboko učenje ovlasti većina rješenja umjetne inteligencije (AI) koja mogu poboljšati automatizaciju i analitiku procesi.
Većina pojedinaca svakodnevno dolazi u kontakt s dubokim učenjem kada koriste internet ili svoje mobilne telefone.
Duboko učenje koristi se za izradu titlova za YouTube videozapise. Provedite prepoznavanje glasa na telefonima i pametnim zvučnicima.
Omogućite identifikaciju lica za slike i omogućite samovozeće automobile, između mnogih drugih upotreba.
I kako se znanstvenici i akademici bave sve kompliciranijim podacima projekti dubokog učenja koji koriste okvire dubokog učenja, ova vrsta umjetne inteligencije postat će sve važniji dio našeg svakodnevnog života.
Ostavi odgovor