Sommario[Nascondere][Spettacolo]
Il concetto che i robot siano più intelligenti degli umani ha catturato la nostra immaginazione collettiva fin da quando esiste la fantascienza.
Tuttavia, sebbene l'intelligenza artificiale (AI) non abbia ancora raggiunto quel livello, abbiamo compiuto progressi significativi nella generazione di intelligenza artificiale, come dimostrato dai test di Google, Tesla e Uber con auto a guida autonoma.
La scalabilità e l'utilità del Deep Learning, l'approccio di Machine Learning che consente questo progresso tecnico, sono in parte responsabili del successo della transizione dell'IA dalle università e dai laboratori di ricerca ai prodotti.
La prossima rivoluzione informatica sarà basata sull'intelligenza artificiale, sul deep learning e machine learning.
Queste tecnologie si basano sulla capacità di discernere i modelli e quindi prevedere eventi futuri sulla base dei dati raccolti in passato. Questo spiega perché Amazon crea idee quando acquisti online o come Netflix sa che ti piacciono i film orribili degli anni '1980.
Sebbene i computer che utilizzano i concetti di intelligenza artificiale siano talvolta chiamati "intelligenti", la maggior parte di questi sistemi non apprende da sola; è necessaria l'interazione umana.
I data scientist preparano gli input selezionando le variabili che verranno applicate analisi predittiva. Il deep learning, d'altra parte, può eseguire questa funzione automaticamente.
Questo post funge da guida sul campo per tutti gli amanti dei dati interessati a saperne di più sul deep learning, la sua ampiezza e il potenziale futuro.
Cos'è l'apprendimento profondo?
Il deep learning può essere considerato come un sottoinsieme del machine learning.
È un campo che si basa sull'autoapprendimento e sul miglioramento attraverso l'esame di algoritmi informatici.
Il deep learning, al contrario del machine learning, funziona con l'artificial reti neurali, che dovrebbero imitare il modo in cui le persone pensano e imparano. Fino a poco tempo, le reti neurali erano limitate in termini di complessità a causa dei limiti di alimentazione del computer.
Tuttavia, i progressi nell'analisi dei Big Data hanno consentito reti neurali più grandi e potenti, consentendo ai computer di monitorare, comprendere e rispondere a situazioni complicate più velocemente delle persone.
Consigliamo di leggere – Spiegazione dell'architettura della rete neurale di Tesla
La categorizzazione delle immagini, la traduzione linguistica e il riconoscimento vocale hanno tutti beneficiato del deep learning. Può affrontare qualsiasi problema di riconoscimento di schemi senza la necessità dell'interazione umana.
È essenzialmente un tre o più strati rete neurale. Queste reti neurali cercano di imitare l'attività del cervello umano, anche se con scarso successo, consentendogli di "imparare" da enormi volumi di dati.
Mentre un singolo livello di una rete neurale può ancora produrre previsioni approssimative, più livelli nascosti possono aiutare a ottimizzare e ottimizzare la precisione.
Cos'è la rete neurale?
Le reti neurali artificiali si basano su reti neurali viste nel cervello umano. Di solito, una rete neurale è composta da tre strati.
I tre livelli sono ingresso, uscita e nascosto. Una rete neurale in azione è visibile nel diagramma seguente.
Poiché la rete neurale mostrata sopra ha solo un livello nascosto, è soprannominata "rete neurale superficiale".
Altri strati nascosti vengono aggiunti a tali sistemi per formare strutture più sofisticate.
Cos'è Deep Network?
In una rete profonda, vengono aggiunti molti livelli nascosti.
La formazione di tali progetti diventa sempre più complicata con l'aumento del numero di livelli nascosti nella rete, non solo per quanto riguarda il tempo necessario per addestrare adeguatamente la rete, ma anche in termini di risorse richieste.
Di seguito è mostrata una rete profonda con un input, quattro livelli nascosti e un output.
Come funziona il Deep Learning?
Le reti neurali sono costituite da strati di nodi, in modo simile a come i neuroni costituiscono il cervello umano. I singoli nodi del livello sono collegati ai nodi nei livelli vicini.
Il numero di strati in una rete indica la sua profondità. Un singolo neurone nel cervello umano riceve migliaia di messaggi.
I segnali si muovono tra i nodi in una rete neurale artificiale, che assegna loro dei pesi.
Un nodo con un peso maggiore ha un impatto maggiore sui nodi sottostanti. L'ultimo livello combina gli input ponderati per fornire un output.
I sistemi di deep learning necessitano di hardware potente a causa dell'enorme quantità di dati gestiti e dei numerosi e sofisticati calcoli matematici coinvolti.
I calcoli di addestramento del deep learning, anche con una tecnologia così sofisticata, possono richiedere settimane.
I sistemi di deep learning richiedono una quantità significativa di dati per fornire risultati corretti; quindi, le informazioni vengono alimentate sotto forma di enormi set di dati.
Durante l'elaborazione dei dati, le reti neurali artificiali possono classificare le informazioni in base alle risposte a una sequenza di domande binarie sì o false che implicano calcoli matematici molto complicati.
Un algoritmo di riconoscimento facciale, ad esempio, impara a identificare e riconoscere i bordi e le linee dei volti.
Poi elementi più significativi di volti e, infine, intere rappresentazioni di volti.
L'algoritmo si allena nel tempo, aumentando la probabilità delle risposte corrette.
In questa situazione, l'algoritmo di riconoscimento facciale riconoscerà i volti in modo più corretto nel tempo.
Apprendimento profondo VS Apprendimento automatico
In che modo il deep learning differisce dal machine learning se è un sottoinsieme di esso?
Il deep learning differisce dal machine learning tradizionale per i tipi di dati che utilizza e i metodi che utilizza per apprendere.
Per creare previsioni, gli algoritmi di apprendimento automatico utilizzano dati strutturati ed etichettati, il che significa che determinate caratteristiche vengono specificate dai dati di input del modello e raggruppate in tabelle.
Ciò non implica necessariamente che non utilizzi dati non strutturati; piuttosto, se lo fa, di solito passa attraverso una pre-elaborazione per metterlo in un formato strutturato.
Il deep learning elimina parte della pre-elaborazione dei dati che generalmente comporta l'apprendimento automatico.
Questi algoritmi possono acquisire e interpretare dati non strutturati come testo e immagini, nonché automatizzare l'estrazione di funzionalità, riducendo la dipendenza da specialisti umani.
Immaginiamo di avere una raccolta di immagini di vari animali domestici che volevamo organizzare in categorie come "gatto", "cane", "criceto" e così via.
Gli algoritmi di deep learning possono capire quali tratti (come le orecchie) sono più essenziali per separare un animale da un altro. Questa gerarchia di funzionalità è determinata manualmente da uno specialista umano in machine learning.
Il sistema di deep learning quindi cambia e si adatta alla precisione tramite discesa gradiente e retropropagazione, che gli consente di generare previsioni più precise su una nuova istantanea di un animale.
Applicazioni di apprendimento profondo
1. chatbots
I chatbot possono risolvere i problemi dei client in pochi secondi. Un chatbot è un intelligenza artificiale (AI) strumento che consente di comunicare online tramite testo o sintesi vocale.
Può comunicare e condurre atti allo stesso modo degli esseri umani. I chatbot sono ampiamente utilizzati nel servizio clienti, nel social media marketing e nella messaggistica istantanea dei clienti.
Risponde ai tuoi input con risposte automatiche. Genera molte forme di risposta utilizzando tecniche di machine learning e deep learning.
2. Auto a guida autonoma
Il Deep Learning è il fattore principale dietro alla realizzazione delle auto a guida autonoma.
Un milione di set di dati vengono caricati in un sistema per creare un modello, addestrare le macchine ad apprendere, quindi valutare i risultati in un ambiente sicuro.
L'Uber Intelligenza Artificiale Labs a Pittsburgh non sta solo cercando di rendere più comuni le auto senza conducente, ma anche di integrare numerose funzionalità intelligenti, come le possibilità di consegna di cibo, con l'utilizzo di auto senza conducente.
La preoccupazione più urgente per lo sviluppo di veicoli a guida autonoma è affrontare eventi imprevisti.
Un ciclo continuo di test e implementazione, tipico degli algoritmi di deep learning, garantisce una guida sicura in quanto esposta a milioni di scenari sempre di più.
3. Assistente virtuale
Gli assistenti virtuali sono programmi basati su cloud che riconoscono i comandi vocali in linguaggio naturale e fanno le cose per tuo conto.
Gli assistenti virtuali come Amazon Alexa, Cortana, Siri e Google Assistant sono esempi comuni.
Per sfruttare appieno il loro potenziale, richiedono dispositivi connessi a Internet. Quando un comando viene dato all'assistente, tende a fornire un'esperienza migliore basata su precedenti incontri che utilizzano algoritmi di Deep Learning.
4. Divertimento
Aziende come Netflix, Amazon, YouTube e Spotify forniscono suggerimenti appropriati su film, brani e video ai propri clienti per migliorare la loro esperienza.
Il Deep Learning è responsabile di tutto questo.
Le società di streaming online forniscono consigli su prodotti e servizi in base alla cronologia di navigazione, agli interessi e all'attività di una persona.
Algoritmi di deep learning sono anche usati per produrre automaticamente i sottotitoli e aggiungere il sonoro ai film muti.
5. Robotica
Il Deep Learning è ampiamente impiegato nello sviluppo di robot in grado di svolgere lavori simili a quelli umani.
I robot basati sul Deep Learning utilizzano aggiornamenti in tempo reale per rilevare le barriere lungo il loro percorso e organizzare rapidamente il loro percorso.
Può essere utilizzato per trasportare oggetti in ospedali, fabbriche, magazzini, gestione dell'inventario, produzione di prodotti e così via.
I robot Boston Dynamics rispondono agli esseri umani quando vengono spinti in giro. Possono svuotare una lavastoviglie, possono alzarsi quando cadono e possono svolgere una varietà di altre attività.
6. Assistenza Sanitaria
I medici non possono stare con i loro pazienti XNUMX ore su XNUMX, ma una cosa che praticamente tutti abbiamo sempre con noi sono i nostri telefoni.
Il deep learning consente inoltre alle tecnologie mediche di analizzare i dati dalle immagini che acquisiamo e i dati sui movimenti per scoprire potenziali problemi di salute.
Il programma di visione artificiale di AI, ad esempio, utilizza questi dati per seguire i modelli di movimento di un paziente per prevedere le cadute e i cambiamenti in uno stato mentale.
Il deep learning è stato utilizzato anche per identificare il cancro della pelle utilizzando foto e molti altri.
7. Elaborazione del linguaggio naturale
Lo sviluppo della tecnologia di elaborazione del linguaggio naturale ha consentito ai robot di leggere le comunicazioni e trarne significato.
Tuttavia, l'approccio può essere semplificato eccessivamente, non tenendo conto dei modi in cui le parole si uniscono per influenzare il significato o lo scopo di una frase.
Il deep learning aiuta i processori del linguaggio naturale a riconoscere schemi più complessi nelle frasi e fornire interpretazioni più accurate.
8. Visione artificiale
Il deep learning cerca di replicare il modo in cui la mente umana elabora le informazioni e riconosce i modelli, rendendolo un metodo ideale per addestrare applicazioni di intelligenza artificiale basate sulla visione.
Questi sistemi possono acquisire una serie di set fotografici contrassegnati e imparare a riconoscere oggetti come aeroplani, volti e armi utilizzando modelli di deep learning.
Apprendimento profondo in azione
A parte il tuo servizio di streaming musicale preferito che consiglia brani che potrebbero piacerti, in che modo il deep learning sta cambiando la vita delle persone?
Il deep learning, a quanto pare, si sta facendo strada in un'ampia gamma di applicazioni. Chiunque utilizzi Facebook noterà che quando pubblichi nuove immagini, il sito social spesso riconosce e tagga i tuoi amici.
Il deep learning viene utilizzato per l'elaborazione del linguaggio naturale e il riconoscimento vocale da parte di assistenti digitali come Siri, Cortana, Alexa e Google Now.
La traduzione in tempo reale è fornita tramite Skype. Molti servizi di posta elettronica hanno avanzato la loro capacità di rilevare i messaggi di spam prima che raggiungano la posta in arrivo.
PayPal ha utilizzato il deep learning per prevenire pagamenti fraudolenti. CamFind, ad esempio, ti consente di scattare una foto di qualsiasi oggetto e, utilizzando la tecnologia di ricerca visiva mobile, determinare di cosa si tratta.
Il deep learning viene utilizzato per fornire soluzioni in particolare da Google. AlphaGo, un programma per computer sviluppato da Google Deepmind, ha battuto gli attuali campioni di Go.
WaveNet, sviluppato da DeepMind, può creare un parlato che suona in modo più naturale rispetto ai sistemi vocali attualmente disponibili. Per tradurre le lingue orali e testuali, Google Translate utilizza il deep learning e il riconoscimento delle immagini.
Qualsiasi foto può essere identificata utilizzando Google Planet. Per aiutare nello sviluppo di applicazioni di intelligenza artificiale, Google ha creato il Apprendimento profondo di Tensorflow banca dati software.
Futuro dell'apprendimento profondo
Il deep learning è un argomento inevitabile quando si parla di tecnologia. Inutile dire che il deep learning si è evoluto in uno degli elementi più cruciali della tecnologia.
Le organizzazioni erano le uniche interessate a tecnologie come l'intelligenza artificiale, il deep learning, l'apprendimento automatico e così via. Anche gli individui si stanno interessando a questo elemento della tecnologia, in particolare al deep learning.
Uno dei tanti motivi per cui il deep learning sta ricevendo così tanta attenzione è la sua capacità di consentire decisioni migliori basate sui dati, migliorando allo stesso tempo l'accuratezza delle previsioni.
Strumenti, librerie e linguaggi di sviluppo del deep learning potrebbero benissimo diventare componenti regolari di qualsiasi toolkit di sviluppo software in pochi anni.
Questi set di strumenti attuali apriranno la strada alla progettazione, alla configurazione e all'addestramento semplici di nuovi modelli.
Trasformazione dello stile, codifica automatica, creazione musicalee altri compiti sarebbero molto più facili da svolgere con queste abilità.
La richiesta di codifica rapida non è mai stata così grande.
Gli sviluppatori di deep learning utilizzeranno sempre più ambienti di sviluppo integrati, aperti e basati su cloud che consentiranno l'accesso a un'ampia gamma di librerie di algoritmi pronte all'uso e collegabili in futuro.
Il deep learning ha un futuro molto luminoso!
Il vantaggio di a rete neurale è che eccelle nel trattare grandi quantità di dati eterogenei (pensa a tutto ciò con cui il nostro cervello ha a che fare, tutto il tempo).
Ciò è particolarmente vero nella nostra epoca di potenti sensori intelligenti, che possono raccogliere enormi quantità di dati. I sistemi informatici tradizionali stanno lottando per vagliare, classificare e trarre conclusioni da così tanti dati.
Conclusione
Apprendimento approfondito potenze la maggior parte delle soluzioni di intelligenza artificiale (AI) che possono migliorare l'automazione e l'analisi processi.
La maggior parte delle persone entra in contatto quotidianamente con il deep learning quando utilizza Internet o i propri telefoni cellulari.
Il deep learning viene utilizzato per produrre i sottotitoli per i video di YouTube. Effettua il riconoscimento vocale su telefoni e altoparlanti intelligenti.
Fornisci l'identificazione del volto per le immagini e consenti automobili a guida autonoma, tra molti altri usi.
E, man mano che i data scientist e gli accademici affrontano problemi sempre più complicati progetti di deep learning che utilizzano framework di deep learning, questo tipo di intelligenza artificiale diventerà una parte sempre più importante della nostra vita quotidiana.
Lascia un Commento