Turinys[Slėpti][Rodyti]
Sąvoka, kad robotai yra protingesni už žmones, žavėjo mūsų kolektyvinę vaizduotę tol, kol egzistavo mokslinė fantastika.
Tačiau, nors dirbtinis intelektas (AI) dar nepasiekė tokio lygio, mes padarėme didelių proveržių kurdami mašininį intelektą, kaip įrodė Google, Tesla ir Uber bandymai su savarankiškai vairuojančiais automobiliais.
Deep Learning, mašininio mokymosi metodo, leidžiančio šią techninę pažangą, mastelio keitimas ir naudingumas iš dalies yra atsakingas už sėkmingą AI perėjimą nuo universitetų ir tyrimų laboratorijų prie produktų.
Kita kompiuterių revoliucija bus sukurta remiantis dirbtiniu intelektu, giliu mokymusi ir mašininis mokymasis.
Šios technologijos yra sukurtos remiantis gebėjimu atskirti modelius ir prognozuoti būsimus įvykius, remiantis anksčiau surinktais duomenimis. Tai paaiškina, kodėl „Amazon“ kuria idėjų, kai perkate internetu, arba kaip „Netflix“ žino, kad jums patinka baisūs 1980-ųjų filmai.
Nors kompiuteriai, kuriuose naudojamos dirbtinio intelekto koncepcijos, kartais vadinami „išmaniaisiais“, dauguma šių sistemų nesimoko pačios; reikalinga žmonių sąveika.
Duomenų mokslininkai parengia įvestis, pasirinkdami kintamuosius, kurie bus taikomi nuspėjamoji analizė. Kita vertus, gilus mokymasis šią funkciją gali atlikti automatiškai.
Šis įrašas yra lauko vadovas visiems duomenų mėgėjams, norintiems sužinoti daugiau apie gilųjį mokymąsi, jo mastą ir būsimą potencialą.
Kas yra gilusis mokymasis?
Gilus mokymasis gali būti laikomas mašininio mokymosi pogrupiu.
Tai sritis, kuri remiasi savarankišku mokymusi ir tobulėjimu nagrinėjant kompiuterinius algoritmus.
Gilus mokymasis, priešingai nei mašininis mokymasis, veikia su dirbtiniu neuroniniai tinklai, kurios turėtų imituoti žmonių mąstymą ir mokymąsi. Dar visai neseniai neuroniniai tinklai buvo apriboti dėl kompiuterių galios apribojimų.
Tačiau didelių duomenų analizės pažanga įgalino didesnius, galingesnius neuroninius tinklus, leidžiančius kompiuteriams stebėti, suprasti ir reaguoti į sudėtingas situacijas greičiau nei žmonės.
Rekomenduojame perskaityti – Tesla neuroninio tinklo architektūros paaiškinimas
Vaizdų skirstymas į kategorijas, kalbos vertimas ir kalbos atpažinimas buvo naudingi iš gilaus mokymosi. Jis gali išspręsti bet kokią modelio atpažinimo problemą be žmogaus sąveikos.
Iš esmės tai yra trijų ar daugiau sluoksnių neuroninis tinklas. Šie neuroniniai tinklai siekia imituoti žmogaus smegenų veiklą, nors ir su ribota sėkme, leisdami joms „mokytis“ iš didžiulio duomenų kiekio.
Nors vienas neuroninio tinklo sluoksnis vis tiek gali pateikti apytiksles prognozes, daugiau paslėptų sluoksnių gali padėti optimizuoti ir suderinti tikslumą.
Kas yra neuroninis tinklas?
Dirbtiniai neuroniniai tinklai yra pagrįsti neuroniniais tinklais, matomais žmogaus smegenyse. Paprastai neuroninis tinklas yra sudarytas iš trijų sluoksnių.
Trys lygiai yra įvestis, išvestis ir paslėpti. Žemiau esančioje diagramoje parodytas veikiantis neuroninis tinklas.
Kadangi aukščiau parodytas neuroninis tinklas turi tik vieną paslėptą sluoksnį, jis vadinamas „sekliu neuroniniu tinklu“.
Prie tokių sistemų pridedama daugiau paslėptų sluoksnių, kad būtų sudarytos sudėtingesnės struktūros.
Kas yra gilusis tinklas?
Giliame tinkle pridedama daug paslėptų sluoksnių.
Tokių konstrukcijų mokymas tampa vis sudėtingesnis, nes tinkle didėja paslėptų sluoksnių skaičius ne tik atsižvelgiant į laiką, kurio reikia tinkamai apmokyti tinklą, bet ir dėl reikalingų išteklių.
Žemiau parodytas gilus tinklas su įėjimu, keturiais paslėptais sluoksniais ir išvestimi.
Kaip veikia giluminis mokymasis?
Neuroniniai tinklai yra sudaryti iš mazgų sluoksnių, panašiai kaip neuronai sudaro žmogaus smegenis. Atskiri sluoksnių mazgai yra susieti su gretimų sluoksnių mazgais.
Tinklo sluoksnių skaičius rodo jo gylį. Vienas neuronas žmogaus smegenys gauna tūkstančius pranešimų.
Signalai juda tarp mazgų dirbtiniame neuroniniame tinkle, kuris priskiria jiems svorį.
Didesnio svorio mazgas turi didesnį poveikį po juo esantiems mazgams. Paskutinis sluoksnis sujungia svertines įvestis, kad gautų išvestį.
Giluminio mokymosi sistemoms reikalinga stipri aparatinė įranga dėl didelio tvarkomų duomenų kiekio ir daugybės sudėtingų matematinių skaičiavimų.
Giluminio mokymosi apskaičiavimai, net naudojant tokias sudėtingas technologijas, gali užtrukti kelias savaites.
Giluminio mokymosi sistemoms reikalingas didelis duomenų kiekis, kad būtų galima pateikti teisingas išvadas; taigi, informacija pateikiama didžiulių duomenų rinkinių pavidalu.
Apdorojant duomenis dirbtiniai neuroniniai tinklai gali klasifikuoti informaciją pagal atsakymus į dvejetainius „taip“ arba klaidingus klausimus, kurie apima labai sudėtingus matematinius skaičiavimus.
Pavyzdžiui, veido atpažinimo algoritmas išmoksta atpažinti ir atpažinti veidų kraštus ir linijas.
Tada reikšmingesni veidų elementai ir galiausiai ištisos veidų reprezentacijos.
Laikui bėgant algoritmas treniruojasi, padidindamas teisingų atsakymų tikimybę.
Esant tokiai situacijai, veido atpažinimo algoritmas laikui bėgant tiksliau atpažins veidus.
Gilus mokymasis VS mašininis mokymasis
Kuo gilusis mokymasis skiriasi nuo mašininio mokymosi, jei jis yra jo pogrupis?
Gilus mokymasis skiriasi nuo tradicinio mašininio mokymosi naudojamų duomenų tipais ir mokymosi metodais.
Kurdami prognozes, mašininio mokymosi algoritmai naudoja struktūrizuotus, pažymėtus duomenis, o tai reiškia, kad tam tikros charakteristikos nurodomos iš modelio įvesties duomenų ir sugrupuojamos į lenteles.
Tai nebūtinai reiškia, kad jame nenaudojami nestruktūrizuoti duomenys; o jei taip, tada paprastai atliekamas tam tikras išankstinis apdorojimas, kad jis būtų įtrauktas į struktūrinį formatą.
Gilus mokymasis panaikina dalį išankstinio duomenų apdorojimo, kurį paprastai apima mašininis mokymasis.
Šie algoritmai gali gauti ir interpretuoti nestruktūrizuotus duomenis, pvz., tekstą ir paveikslėlius, taip pat automatizuoti funkcijų išgavimą, sumažindami pasitikėjimą žmonių specialistais.
Įsivaizduokime, kad turime įvairių naminių gyvūnėlių vaizdų rinkinį, kurį norėjome suskirstyti į kategorijas, pvz., „katė“, „šuo“, „žiurkėnas“ ir pan.
Giluminio mokymosi algoritmai gali išsiaiškinti, kurios savybės (pvz., ausys) yra svarbiausios atskiriant vieną gyvūną nuo kito. Šią funkcijų hierarchiją rankiniu būdu nustato mašininio mokymosi specialistas.
Tada giluminio mokymosi sistema pasikeičia ir prisitaiko prie tikslumo per gradiento nusileidimas ir dauginimas atgal, leidžiantis sukurti tikslesnes prognozes apie naują gyvūno momentinę nuotrauką.
Giluminio mokymosi programos
1. „Chatbots“
Pokalbių robotai gali išspręsti kliento problemas per kelias sekundes. Pokalbių robotas yra dirbtinis intelektas (AI) įrankis, leidžiantis bendrauti internetu naudojant tekstą arba tekstą į kalbą.
Jis gali bendrauti ir atlikti veiksmus taip pat, kaip žmonės. Pokalbių robotai yra plačiai naudojami klientų aptarnavimo, socialinės žiniasklaidos rinkodaros ir klientų momentinių pranešimų siuntime.
Jis reaguoja į jūsų įvestį automatiniais atsakymais. Jis generuoja daugybę atsakymų formų, naudodamas mašininio mokymosi ir giluminio mokymosi metodus.
2. Savaeigiai automobiliai
Gilus mokymasis yra pagrindinis veiksnys, dėl kurio savarankiškai važiuojantys automobiliai tampa realybe.
Milijonas duomenų rinkinių įkeliamas į sistemą, kad būtų sukurtas modelis, išmokyti mašinas mokytis, o tada įvertinkite išvadas saugioje aplinkoje.
Uberis Dirbtinis intelektas Pitsburgo laboratorijos ne tik stengiasi, kad automobiliai be vairuotojo taptų dažnesni, bet ir integruotų daugybę išmaniųjų funkcijų, tokių kaip maisto pristatymo galimybės, naudojant automobilius be vairuotojo.
Didžiausias rūpestis kuriant savarankiškai vairuojančias transporto priemones yra susijęs su nenumatytais įvykiais.
Nuolatinis bandymų ir diegimo ciklas, būdingas gilaus mokymosi algoritmams, užtikrina saugų vairavimą, nes vis dažniau susiduriama su milijonais scenarijų.
3. Virtualus padėjėjas
Virtualieji asistentai yra debesyje pagrįstos programos, kurios atpažįsta natūralios kalbos balso komandas ir atlieka veiksmus jūsų vardu.
Įprasti pavyzdžiai yra virtualūs asistentai, tokie kaip „Amazon Alexa“, „Cortana“, „Siri“ ir „Google Assistant“.
Norint visiškai išnaudoti savo potencialą, jiems reikalingi prie interneto prijungti įrenginiai. Kai komanda duodama asistentui, ji paprastai suteikia geresnę patirtį, pagrįstą ankstesniais susitikimais naudojant giluminio mokymosi algoritmus.
4. Pramogos
Tokios įmonės kaip „Netflix“, „Amazon“, „YouTube“ ir „Spotify“ savo klientams teikia atitinkamų filmų, dainų ir vaizdo įrašų pasiūlymus, kad pagerintų jų patirtį.
Už visa tai atsakinga „Deep Learning“.
Internetinės transliacijos įmonės teikia produktų ir paslaugų rekomendacijas pagal asmens naršymo istoriją, pomėgius ir veiklą.
Giluminio mokymosi algoritmai taip pat naudojami automatiškai sukurti subtitrus ir pridėti garsą prie nebylių filmų.
5. Robotika
Deep Learning plačiai naudojamas kuriant robotus, galinčius atlikti į žmogų panašius darbus.
„Deep Learning“ valdomi robotai naudoja atnaujinimus realiuoju laiku, kad aptiktų kliūtis savo maršrute ir greitai sureguliuotų jų kursą.
Jis gali būti naudojamas daiktams gabenti ligoninėse, gamyklose, sandėliuose, atsargų valdymui, gaminių gamybai ir pan.
Boston Dynamics robotai reaguoja į žmones, kai jie stumdomi. Jie gali ištuštinti indaplovę, gali pakilti, kai nukrenta, ir gali atlikti įvairią kitą veiklą.
6. Sveikatos
Gydytojai negali būti su savo pacientais ištisą parą, tačiau vienas dalykas, kurį mes visi beveik visada turime su savimi, yra mūsų telefonai.
Gilus mokymasis taip pat leidžia medicinos technologijoms analizuoti mūsų užfiksuotų vaizdų ir judėjimo duomenis, kad atskleistų galimas sveikatos problemas.
Pavyzdžiui, dirbtinio intelekto kompiuterinės regos programa naudoja šiuos duomenis, kad galėtų sekti paciento judėjimo modelius, kad prognozuotų kritimus ir psichinės būklės pokyčius.
Gilus mokymasis taip pat buvo naudojamas odos vėžiui nustatyti naudojant nuotraukas ir daug daugiau.
7. Natūralios kalbos apdorojimas
Plėtojant natūralios kalbos apdorojimo technologiją, robotai galėjo skaityti pranešimus ir gauti iš jų prasmę.
Nepaisant to, požiūris gali būti pernelyg supaprastintas, neatsižvelgiant į būdus, kuriais žodžiai susijungia, kad paveiktų frazės reikšmę ar tikslą.
Gilus mokymasis padeda natūralios kalbos procesoriams atpažinti sudėtingesnius frazių modelius ir pateikti tikslesnes interpretacijas.
8. Kompiuterinė vizija
Gilus mokymasis bando atkartoti, kaip žmogaus protas apdoroja informaciją ir atpažįsta modelius, todėl tai yra idealus metodas lavinti regėjimu pagrįstas AI programas.
Šios sistemos gali paimti iš eilės pažymėtus nuotraukų rinkinius ir išmokti atpažinti tokius daiktus kaip lėktuvai, veidai ir ginklai. giluminio mokymosi modeliai.
Gilus mokymasis veikiant
Kaip gilus mokymasis keičia žmonių gyvenimus, neskaitant jūsų mėgstamos muzikos srautinio perdavimo paslaugos, kurioje rekomenduojamos dainos, kurios jums gali patikti?
Pasirodo, gilus mokymasis patenka į daugybę pritaikymų. Kiekvienas, kuris naudojasi „Facebook“, pastebės, kad kai skelbiate naujus vaizdus, socialinė svetainė dažnai atpažįsta ir pažymi jūsų draugus.
Gilus mokymasis naudojamas natūraliai kalbos apdorojimui ir kalbos atpažinimui naudojant skaitmeninius asistentus, tokius kaip „Siri“, „Cortana“, „Alexa“ ir „Google“ dabar.
Vertimas realiuoju laiku teikiamas per Skype. Daugelis el. pašto paslaugų yra patobulinusios savo gebėjimą aptikti šlamšto pranešimus prieš jiems pasiekiant gautuosius.
„PayPal“ naudojo gilų mokymąsi, kad išvengtų nesąžiningų mokėjimų. Pavyzdžiui, „CamFind“ leidžia nufotografuoti bet kurį objektą ir naudojant mobiliosios vizualinės paieškos technologiją nustatyti, kas tai yra.
„Google“ teikia sprendimus. „Google Deepmind“ sukurta kompiuterinė programa „AlphaGo“ nugalėjo dabartinius „Go“ čempionus.
„DeepMind“ sukurtas „WaveNet“ gali sukurti kalbą, kuri skamba natūraliau nei šiuo metu turimos kalbos sistemos. Norėdami išversti žodines ir tekstines kalbas, „Google“ vertėjas naudoja gilų mokymąsi ir vaizdo atpažinimą.
Bet kurią nuotrauką galima atpažinti naudojant „Google Planet“. Siekdama padėti kurti AI programas, „Google“ sukūrė Tensorflow gilus mokymasis programinės įrangos duomenų bazė.
Gilaus mokymosi ateitis
Gilus mokymasis yra neišvengiama tema diskutuojant apie technologijas. Nereikia nė sakyti, kad gilus mokymasis tapo vienu iš svarbiausių technologijos elementų.
Anksčiau organizacijos buvo vienintelės, kurios domėjosi tokiomis technologijomis kaip AI, gilus mokymasis, mašininis mokymasis ir pan. Asmenys taip pat domisi šiuo technologijų elementu, ypač giliu mokymusi.
Viena iš daugelio priežasčių, kodėl gilus mokymasis sulaukia tiek daug dėmesio, yra jo gebėjimas priimti geresnius duomenimis pagrįstus sprendimus, kartu gerinant numatymo tikslumą.
Giluminio mokymosi kūrimo įrankiai, bibliotekos ir kalbos po kelerių metų gali tapti įprastais bet kurio programinės įrangos kūrimo įrankių rinkinio komponentais.
Šie dabartiniai įrankių rinkiniai atvers kelią paprastam naujų modelių projektavimui, sąrankai ir mokymui.
Stiliaus transformavimas, automatinis žymėjimas, muzikos kūryba, o turint šiuos įgūdžius būtų daug lengviau atlikti kitas užduotis.
Greito kodavimo paklausa niekada nebuvo didesnė.
Giluminio mokymosi kūrėjai vis dažniau naudos integruotas, atviras, debesimis pagrįstas kūrimo aplinkas, kurios ateityje suteiks prieigą prie daugybės jau paruoštų ir prijungiamų algoritmų bibliotekų.
Gilus mokymasis turi labai šviesią ateitį!
Nauda iš a neuroninis tinklas yra tai, kad jis puikiai tvarko didelius nevienalyčių duomenų kiekius (visą laiką galvokite apie viską, su kuo mūsų smegenys susiduria).
Tai ypač aktualu mūsų galingų išmaniųjų jutiklių, galinčių rinkti didžiulius duomenų kiekius, amžiuje. Tradicinės kompiuterių sistemos stengiasi atsijoti, suskirstyti į kategorijas ir daryti išvadas iš tiek daug duomenų.
Išvada
Gilus mokymasis įgaliojimai dauguma dirbtinio intelekto (AI) sprendimų, galinčių pagerinti automatizavimą ir analizę procesus.
Dauguma žmonių kasdien susiduria su giluminiu mokymusi, kai naudojasi internetu arba mobiliaisiais telefonais.
Gilus mokymasis naudojamas kuriant „YouTube“ vaizdo įrašų subtitrus. Atlikite balso atpažinimą telefonuose ir išmaniuosiuose garsiakalbiuose.
Suteikite vaizdų veidą ir leiskite savarankiškai vairuoti automobilius, be daugelio kitų naudojimo būdų.
Duomenų mokslininkai ir akademikai sprendžia vis sudėtingesnius klausimus gilaus mokymosi projektai naudojant giluminio mokymosi sistemas, toks dirbtinis intelektas taps vis svarbesne mūsų kasdienio gyvenimo dalimi.
Palikti atsakymą