Բառը[Թաքցնել][Ցուցադրում]
Հայեցակարգը, որ ռոբոտներն ավելի խելացի են, քան մարդիկ, գրավել է մեր հավաքական երևակայությունը այնքան ժամանակ, որքան գիտաֆանտաստիկա կա:
Այնուամենայնիվ, թեև Արհեստական ինտելեկտը (AI) դեռ չի հասել այդ մակարդակին, մենք զգալի առաջընթաց ենք գրանցել մեքենայական ինտելեկտի ստեղծման գործում, ինչպես ապացուցվել է Google-ի, Tesla-ի և Uber-ի փորձարկումներով ինքնակառավարվող մեքենաներով:
Deep Learning-ի մասշտաբայնությունն ու օգտակարությունը, մեքենայական ուսուցման մոտեցումը, որը թույլ է տալիս այս տեխնիկական առաջընթացը, մասամբ պատասխանատու է AI-ի հաջող անցման համար համալսարաններից և հետազոտական լաբորատորիաներից դեպի արտադրանք:
Հաջորդ համակարգչային հեղափոխությունը կկառուցվի արհեստական ինտելեկտի, խորը ուսուցման և Machine Learning.
Այս տեխնոլոգիաները կառուցված են օրինաչափությունները տարբերելու և այնուհետև ապագա իրադարձությունները կանխատեսելու կարողության վրա՝ հիմնվելով անցյալում հավաքագրված տվյալների վրա: Սա բացատրում է, թե ինչու Amazon-ը գաղափարներ է ստեղծում առցանց գնումներ կատարելիս կամ ինչպես է Netflix-ը գիտի, որ դուք սիրում եք 1980-ականների սարսափելի ֆիլմեր:
Թեև AI հասկացություններ օգտագործող համակարգիչները երբեմն կոչվում են «խելացի», այդ համակարգերի մեծամասնությունը ինքնուրույն չի սովորում. անհրաժեշտ է մարդկային փոխազդեցություն.
Տվյալների գիտնականները պատրաստում են մուտքերը՝ ընտրելով այն փոփոխականները, որոնք կկիրառվեն կանխատեսելի վերլուծություն. Մյուս կողմից, խորը ուսուցումը կարող է ավտոմատ կերպով կատարել այս գործառույթը:
Այս գրառումը ծառայում է որպես դաշտային ուղեցույց ցանկացած տվյալների սիրահարների համար, ովքեր ցանկանում են ավելին իմանալ խորը ուսուցման, դրա լայնության և ապագա ներուժի մասին:
Ի՞նչ է խորը ուսուցումը:
Խորը ուսուցումը կարելի է համարել որպես մեքենայական ուսուցման ենթաբազմություն:
Դա ոլորտ է, որը կառուցված է ինքնուսուցման և կատարելագործման վրա՝ համակարգչային ալգորիթմների ուսումնասիրության միջոցով:
Խորը ուսուցումը, ի տարբերություն մեքենայական ուսուցման, աշխատում է արհեստականով նյարդային ցանցեր, որոնք պետք է ընդօրինակեն, թե ինչպես են մարդիկ մտածում և սովորում։ Մինչև վերջերս նեյրոնային ցանցերի բարդությունը սահմանափակվում էր համակարգչային էներգիայի սահմանափակման պատճառով:
Այնուամենայնիվ, Big Data-ի վերլուծության առաջընթացը հնարավորություն է տվել ավելի մեծ, ավելի հզոր նեյրոնային ցանցեր, որոնք թույլ են տալիս համակարգիչներին վերահսկել, հասկանալ և արձագանքել բարդ իրավիճակներին ավելի արագ, քան մարդիկ:
Խորհուրդ ենք տալիս կարդալ - Տեսլայի նեյրոնային ցանցի ճարտարապետությունը բացատրված է
Պատկերների դասակարգումը, լեզվի թարգմանությունը և խոսքի ճանաչումը բոլորն էլ օգուտ են քաղել խորը ուսուցումից: Այն կարող է լուծել օրինաչափությունների ճանաչման ցանկացած խնդիր՝ առանց մարդկային փոխգործակցության անհրաժեշտության:
Դա ըստ էության երեք կամ ավելի շերտ է նյարդային ցանց. Այս նեյրոնային ցանցերը փորձում են ընդօրինակել մարդու ուղեղի գործունեությունը, թեև սահմանափակ հաջողությամբ, հնարավորություն տալով նրան «սովորել» հսկայական քանակությամբ տվյալներից:
Թեև նեյրոնային ցանցի մեկ շերտը դեռևս կարող է մոտավոր կանխատեսումներ արտադրել, ավելի շատ թաքնված շերտերը կարող են օգնել օպտիմալացնել և կարգավորել ճշգրտությունը:
Ի՞նչ է նյարդային ցանցը:
Արհեստական նեյրոնային ցանցերը հիմնված են նեյրոնային ցանցերի վրա, որոնք դիտվում են մարդու ուղեղում: Սովորաբար նեյրոնային ցանցը կազմված է երեք շերտից։
Երեք մակարդակներն են՝ մուտքային, ելքային և թաքնված: Գործող նեյրոնային ցանցը երևում է ստորև ներկայացված գծապատկերում:
Քանի որ վերևում ցուցադրված նեյրոնային ցանցն ունի միայն մեկ թաքնված շերտ, այն կոչվում է «ծանր նեյրոնային ցանց»:
Նման համակարգերին ավելացվում են ավելի շատ թաքնված շերտեր՝ ավելի բարդ կառուցվածքներ ձևավորելու համար:
Ինչ է Deep Network-ը:
Խորը ցանցում ավելացվում են բազմաթիվ թաքնված շերտեր:
Նման ձևավորումների ուսուցումն ավելի ու ավելի բարդ է դառնում, քանի որ ցանցում թաքնված շերտերի թիվը մեծանում է, ոչ միայն ցանցի պատշաճ վերապատրաստման համար պահանջվող ժամանակի, այլ նաև պահանջվող ռեսուրսների առումով:
Ստորև ներկայացված է խորը ցանց՝ մուտքով, չորս թաքնված շերտերով և ելքով:
Ինչպե՞ս է աշխատում Deep Learning-ը:
Նյարդային ցանցերը կառուցված են հանգույցների շերտերից, ինչպես նեյրոնները կազմում են մարդու ուղեղը: Առանձին շերտերի հանգույցները կապված են հարևան շերտերի հանգույցների հետ:
Ցանցի շերտերի քանակը ցույց է տալիս դրա խորությունը: Մեկ նեյրոն է մարդու ուղեղը ստանում է հազարավոր հաղորդագրություններ:
Ազդանշանները շարժվում են արհեստական նեյրոնային ցանցի հանգույցների միջև, որը նրանց կշիռներ է հատկացնում:
Ավելի մեծ քաշ ունեցող հանգույցն ավելի մեծ ազդեցություն ունի իր տակ գտնվող հանգույցների վրա: Վերջին շերտը միավորում է կշռված մուտքերը՝ արդյունք ապահովելու համար:
Խորը ուսուցման համակարգերը հզոր ապարատային կարիք ունեն՝ հաշվի առնելով մշակված տվյալների հսկայական քանակությունը և ներգրավված բազմաթիվ բարդ մաթեմատիկական հաշվարկները:
Խորը ուսուցման վերապատրաստման հաշվարկները, նույնիսկ նման բարդ տեխնոլոգիայով, կարող են շաբաթներ տևել:
Խորը ուսուցման համակարգերը պահանջում են զգալի քանակությամբ տվյալներ՝ ճիշտ բացահայտումներ ապահովելու համար. հետևաբար, տեղեկատվությունը սնվում է զանգվածային տվյալների հավաքածուների տեսքով:
Տվյալների մշակման ժամանակ արհեստական նեյրոնային ցանցերը կարող են դասակարգել տեղեկատվությունը երկուական այո կամ կեղծ հարցերի հաջորդականության պատասխանների հիման վրա, որոնք ներառում են շատ բարդ մաթեմատիկական հաշվարկներ:
Դեմքի ճանաչման ալգորիթմը, օրինակ, սովորում է ճանաչել և ճանաչել դեմքերի եզրերն ու գծերը:
Այնուհետև դեմքերի ավելի նշանակալի տարրեր և, ի վերջո, դեմքերի ամբողջական ներկայացումներ:
Ալգորիթմն ինքն իրեն մարզում է ժամանակի ընթացքում՝ մեծացնելով ճիշտ պատասխանների հավանականությունը:
Այս իրավիճակում դեմքի ճանաչման ալգորիթմը ժամանակի ընթացքում ավելի ճիշտ կճանաչի դեմքերը:
Deep Learning VS Machine Learning
Ինչպե՞ս է խորը ուսուցումը տարբերվում մեքենայական ուսուցումից, եթե այն դրա ենթաբազմություն է:
Խորը ուսուցումը տարբերվում է ավանդական մեքենայական ուսուցումից իր օգտագործած տվյալների տեսակներով և սովորելու համար օգտագործվող մեթոդներով:
Կանխատեսումներ ստեղծելու համար մեքենայական ուսուցման ալգորիթմներն օգտագործում են կառուցվածքային, պիտակավորված տվյալներ, ինչը նշանակում է, որ որոշ բնութագրեր նշված են մոդելի մուտքային տվյալներից և խմբավորված աղյուսակների մեջ:
Սա անպայման չի նշանակում, որ այն չի օգտագործում չկառուցված տվյալներ. ավելի շուտ, եթե դա տեղի ունենա, սովորաբար անցնում է որոշակի նախնական մշակման՝ այն կառուցվածքային ձևաչափի մեջ դնելու համար:
Խորը ուսուցումը վերացնում է տվյալների նախնական մշակման մի մասը, որը հիմնականում ենթադրում է մեքենայական ուսուցումը:
Այս ալգորիթմները կարող են կուլ տալ և մեկնաբանել չկառուցված տվյալներ, ինչպիսիք են տեքստը և նկարները, ինչպես նաև ավտոմատացնել առանձնահատկությունների արդյունահանումը, ինչը նվազեցնում է վստահությունը մարդկային մասնագետների վրա:
Եկեք պատկերացնենք, որ մենք ունեինք տարբեր ընտանի կենդանիների պատկերների հավաքածու, որոնք ցանկանում էինք կազմակերպել կատեգորիաների, ինչպիսիք են «կատու», «շուն», «համստեր» և այլն:
Խորը ուսուցման ալգորիթմները կարող են պարզել, թե որ հատկանիշներն են (օրինակ՝ ականջները) ամենակարևորը մի կենդանուն մյուսից բաժանելու համար: Այս հատկանիշի հիերարխիան ձեռքով որոշվում է մեքենայական ուսուցման մասնագետի կողմից:
Այնուհետև խորը ուսուցման համակարգը փոխվում է և հարմարվում է ճշտության համար գրադիենտ վայրէջք և հետբազմացումը՝ թույլ տալով նրան ավելի ճշգրիտ կանխատեսումներ ստեղծել կենդանու թարմ լուսանկարի վերաբերյալ:
Deep Learning հավելվածներ
1 Զրույցներ
Chatbots-ը կարող է կարգավորել հաճախորդի խնդիրները հաշված վայրկյանների ընթացքում: Չաթբոտը դա է Արհեստական բանականություն (AI) գործիք, որը թույլ է տալիս առցանց հաղորդակցվել տեքստի կամ տեքստի խոսքի միջոցով:
Այն կարող է հաղորդակցվել և վարվել գործողություններ այնպես, ինչպես անում են մարդիկ: Չաթ-բոտերը լայնորեն օգտագործվում են հաճախորդների սպասարկման, սոցիալական մեդիա մարքեթինգի և հաճախորդների ակնթարթային հաղորդագրությունների փոխանակման մեջ:
Այն պատասխանում է ձեր մուտքերին ավտոմատ պատասխաններով: Այն առաջացնում է պատասխանների բազմաթիվ ձևեր՝ օգտագործելով մեքենայական ուսուցման և խորը ուսուցման տեխնիկան:
2. Ինքնակառավարվող մեքենաներ
Deep Learning-ը ինքնակառավարվող մեքենաների իրականություն դառնալու հիմնական գործոնն է:
Մի միլիոն տվյալների հավաքածուներ բեռնվում են համակարգում՝ մոդել ստեղծելու համար, ուսուցանել մեքենաները սովորելու համար, և այնուհետև գնահատեք գտածոները անվտանգ միջավայրում:
The Uber Արհեստական բանականություն Պիտսբուրգի լաբորատորիաները ոչ միայն փորձում են անվարորդ մեքենաներն ավելի տարածված դարձնել, այլև ինտեգրել բազմաթիվ խելացի գործառույթներ, ինչպիսիք են սննդի առաքման հնարավորությունները, առանց վարորդի մեքենաների օգտագործմանը:
Ինքնավար մեքենաների զարգացման համար ամենահրատապ մտահոգությունը չսպասված իրադարձությունների հետ գործ ունենալն է:
Փորձարկման և իրականացման շարունակական ցիկլը, որը բնորոշ է խորը ուսուցման ալգորիթմներին, ապահովում է անվտանգ վարում, քանի որ այն ավելի ու ավելի շատ է ենթարկվում միլիոնավոր սցենարների:
3. Վիրտուալ օգնական
Վիրտուալ օգնականները ամպի վրա հիմնված ծրագրեր են, որոնք ճանաչում են բնական լեզվով ձայնային հրամանները և անում ձեր անունից:
Վիրտուալ օգնականները, ինչպիսիք են Amazon Alexa-ն, Cortana-ն, Siri-ն և Google Assistant-ը, սովորական օրինակներ են:
Իրենց ներուժն ամբողջությամբ օգտագործելու համար նրանք պահանջում են ինտերնետին միացված սարքեր: Երբ հրաման է տրվում օգնականին, այն հակված է ավելի լավ փորձառություն մատուցել՝ հիմնվելով խորը ուսուցման ալգորիթմների օգտագործմամբ նախորդ հանդիպումների վրա:
4. Ժամանց
Ընկերությունները, ինչպիսիք են Netflix-ը, Amazon-ը, YouTube-ը և Spotify-ը, իրենց հաճախորդներին տրամադրում են համապատասխան ֆիլմերի, երգերի և տեսանյութերի առաջարկներ՝ բարելավելու իրենց փորձը:
Այս ամենի համար պատասխանատու է Deep Learning-ը:
Առցանց հոսքային ընկերությունները տրամադրում են ապրանքների և ծառայությունների առաջարկներ՝ հիմնված անձի զննարկման պատմության, հետաքրքրությունների և գործունեության վրա:
Խորը ուսուցման ալգորիթմներ օգտագործվում են նաև ավտոմատ կերպով ենթագրեր արտադրելու և համր ֆիլմերին ձայն ավելացնելու համար:
5. Ռոբոտաշինություն
Deep Learning-ը լայնորեն կիրառվում է ռոբոտների մշակման մեջ, որոնք կարող են մարդուն նման աշխատանք կատարել:
Deep Learning-ով աշխատող ռոբոտները իրական ժամանակում թարմացումներ են օգտագործում՝ իրենց երթուղու խոչընդոտները հայտնաբերելու և իրենց ընթացքը արագ կազմակերպելու համար:
Այն կարող է օգտագործվել հիվանդանոցներում, գործարաններում, պահեստներում իրեր տեղափոխելու, գույքագրման կառավարման, արտադրանքի արտադրության համար և այլն:
Boston Dynamics-ի ռոբոտները արձագանքում են մարդկանց, երբ նրանք հրվում են: Նրանք կարող են դատարկել աման լվացող մեքենան, կարող են վեր կենալ, երբ ընկնում են, և կարող են իրականացնել մի շարք այլ գործողություններ:
6: Առողջապահություն
Բժիշկները չեն կարող շուրջօրյա լինել իրենց հիվանդների հետ, բայց մի բան, որ մենք բոլորս գործնականում միշտ մեզ հետ ունենք, մեր հեռախոսներն են:
Խորը ուսուցումը նաև թույլ է տալիս բժշկական տեխնոլոգիաներին վերլուծել մեր նկարած պատկերներից և շարժման տվյալները՝ բացահայտելու առողջության հետ կապված հնարավոր մտահոգությունները:
AI-ի համակարգչային տեսողության ծրագիրը, օրինակ, օգտագործում է այս տվյալները՝ հետևելու հիվանդի շարժման ձևերին՝ կանխատեսելու անկումները, ինչպես նաև հոգեկան վիճակի փոփոխությունները:
Խորը ուսուցումն օգտագործվել է նաև մաշկի քաղցկեղը հայտնաբերելու համար՝ օգտագործելով լուսանկարները և շատ ավելին:
7. Բնական լեզվի մշակում
Բնական լեզվի մշակման տեխնոլոգիայի զարգացումը ռոբոտներին հնարավորություն է տվել կարդալ հաղորդակցությունները և դրանցից իմաստ ստանալ:
Այնուամենայնիվ, մոտեցումը կարող է չափազանց պարզեցվել՝ չհաշվառելով բառերի միացման եղանակները՝ ազդելու արտահայտության իմաստի կամ նպատակի վրա:
Խորը ուսուցումն օգնում է բնական լեզվի մշակողներին ճանաչել արտահայտությունների ավելի բարդ օրինաչափությունները և մատուցել ավելի ճշգրիտ մեկնաբանություններ:
8. Համակարգչային տեսլական
Խորը ուսուցումը փորձում է կրկնել, թե ինչպես է մարդու միտքը մշակում տեղեկատվությունը և ճանաչում օրինաչափությունները՝ դարձնելով այն իդեալական մեթոդ տեսողության վրա հիմնված AI հավելվածների ուսուցման համար:
Այդ համակարգերը կարող են վերցնել մի շարք պիտակավորված ֆոտոշարքեր և սովորել ճանաչել այնպիսի իրեր, ինչպիսիք են ինքնաթիռները, դեմքերը և զենքերը՝ օգտագործելով խորը ուսուցման մոդելներ.
Deep Learning in Action
Բացի ձեր սիրած երաժշտության հոսքային ծառայությունից, որը խորհուրդ է տալիս ձեզ դուր գալ երգեր, ինչպե՞ս է խորը ուսուցումը փոխում մարդկանց կյանքը:
Խորը ուսուցումը, պարզվում է, իր ճանապարհն է բացում կիրառությունների լայն շրջանակի մեջ: Յուրաքանչյուր ոք, ով օգտվում է Facebook-ից, կնկատի, որ երբ դուք հրապարակում եք նոր նկարներ, սոցիալական կայքը հաճախ ճանաչում և պիտակավորում է ձեր ընկերներին:
Խորը ուսուցումն օգտագործվում է բնական լեզվի մշակման և խոսքի ճանաչման համար թվային օգնականների կողմից, ինչպիսիք են Siri-ն, Cortana-ն, Alexa-ն և Google Now-ն:
Իրական ժամանակի թարգմանությունը տրամադրվում է Skype-ի միջոցով: Շատ էլփոստի ծառայություններ առաջադիմել են սպամ հաղորդագրությունները հայտնաբերելու ունակությամբ՝ նախքան մուտքի արկղ հասնելը:
PayPal-ը օգտագործել է խորը ուսուցում՝ կանխելու խարդախ վճարումները: CamFind-ը, օրինակ, թույլ է տալիս լուսանկարել ցանկացած օբյեկտ և օգտագործելով բջջային տեսողական որոնման տեխնոլոգիան՝ որոշել, թե դա ինչ է։
Հատկապես Google-ի կողմից լուծումներ տրամադրելու համար օգտագործվում է Deep Learning: AlphaGo համակարգչային ծրագիրը, որը մշակվել է Google Deepmind-ի կողմից, ջախջախել է Go-ի ներկայիս չեմպիոններին:
WaveNet-ը, որը մշակվել է DeepMind-ի կողմից, կարող է ստեղծել խոսք, որն ավելի բնական է հնչում, քան ներկայումս հասանելի խոսքի համակարգերը: Բանավոր և տեքստային լեզուներ թարգմանելու համար Google Translate-ն օգտագործում է խորը ուսուցում և պատկերների ճանաչում:
Ցանկացած լուսանկար կարելի է ճանաչել Google Planet-ի միջոցով: AI հավելվածների մշակմանը օգնելու համար Google-ը ստեղծեց Tensorflow խորը ուսուցում ծրագրային բազա.
Խորը ուսուցման ապագան
Խորը ուսուցումն անխուսափելի թեմա է տեխնոլոգիաների քննարկման ժամանակ: Ավելորդ է ասել, որ խորը ուսուցումը վերածվել է տեխնոլոգիայի ամենակարևոր տարրերից մեկի:
Նախկինում կազմակերպությունները միակն էին, ովքեր հետաքրքրված էին տեխնոլոգիաներով, ինչպիսիք են AI-ն, խորը ուսուցումը, մեքենայական ուսուցումը և այլն: Անհատները նույնպես հետաքրքրված են տեխնոլոգիայի այս տարրով, հատկապես խորը ուսուցմամբ:
Բազմաթիվ պատճառներից մեկը, որ խորը ուսուցումն այդքան մեծ ուշադրություն է գրավում, տվյալների վրա հիմնված ավելի լավ որոշումներ թույլ տալու նրա կարողությունն է, միաժամանակ բարելավելով կանխատեսման ճշգրտությունը:
Խորը ուսուցման զարգացման գործիքները, գրադարանները և լեզուները կարող են շատ լավ դառնալ ծրագրային ապահովման մշակման ցանկացած գործիքակազմի կանոնավոր բաղադրիչները մի քանի տարի անց:
Այս ընթացիկ գործիքների հավաքածուները ճանապարհ կհարթի նոր մոդելների պարզ դիզայնի, տեղադրման և վերապատրաստման համար:
Ոճի փոխակերպում, ավտոմատ հատկորոշում, երաժշտության ստեղծում, և այլ առաջադրանքներ շատ ավելի հեշտ կլիներ անել այս հմտություններով:
Արագ կոդավորման պահանջարկը երբեք ավելի մեծ չի եղել:
Խորը ուսուցման մշակողները գնալով ավելի կօգտագործեն ինտեգրված, բաց, ամպի վրա հիմնված զարգացման միջավայրեր, որոնք ապագայում թույլ են տալիս մուտք գործել վաճառվող և խցանվող ալգորիթմների գրադարանների լայն շրջանակ:
Խորը ուսուցումը շատ պայծառ ապագա ունի:
օգուտը ա նյարդային ցանց այն է, որ այն գերազանցում է մեծ քանակությամբ տարասեռ տվյալների հետ գործ ունենալով (մտածեք այն ամենի մասին, ինչի հետ մեր ուղեղը միշտ պետք է զբաղվի):
Սա հատկապես ճիշտ է հզոր խելացի սենսորների մեր դարում, որոնք կարող են հսկայական քանակությամբ տվյալներ հավաքել: Ավանդական համակարգչային համակարգերը դժվարանում են մաղել, դասակարգել և եզրակացություններ անել այդքան շատ տվյալներից:
Եզրափակում
Խորը ուսուցում լիազորությունները արհեստական ինտելեկտի (AI) լուծումների մեծ մասը, որոնք կարող են բարելավել ավտոմատացումը և վերլուծությունը գործընթացները.
Մարդկանց մեծամասնությունը ամեն օր շփվում է խորը ուսուցման հետ, երբ նրանք օգտագործում են ինտերնետը կամ իրենց բջջային հեռախոսները:
Deep Learning-ն օգտագործվում է YouTube-ի տեսանյութերի ենթագրեր ստեղծելու համար: Կատարեք ձայնի ճանաչում հեռախոսների և խելացի բարձրախոսների վրա:
Տրամադրեք դեմքի նույնականացում պատկերների համար և թույլատրեք ինքնակառավարվող մեքենաները, ի թիվս բազմաթիվ այլ օգտագործման:
Եվ, քանի որ տվյալների գիտնականներն ու գիտնականները լուծում են ավելի ու ավելի բարդ խորը ուսուցման նախագծեր՝ օգտագործելով խորը ուսուցման շրջանակներԱրհեստական ինտելեկտի այս տեսակը կդառնա մեր առօրյա կյանքի ավելի ու ավելի կարևոր մասը:
Թողնել գրառում