Saturs[Paslēpt][Rādīt]
Jēdziens, ka roboti ir gudrāki par cilvēkiem, ir valdījis mūsu kolektīvo iztēli tik ilgi, kamēr pastāv zinātniskā fantastika.
Tomēr, lai gan mākslīgais intelekts (AI) vēl nav sasniedzis šo līmeni, mēs esam panākuši ievērojamus sasniegumus mašīnu intelekta radīšanā, kā to pierādīja Google, Tesla un Uber testēšana ar pašbraucošām automašīnām.
Deep Learning mērogojamība un lietderība, mašīnmācīšanās pieeja, kas nodrošina šo tehnisko progresu, daļēji ir atbildīga par AI veiksmīgo pāreju no universitātēm un pētniecības laboratorijām uz produktiem.
Nākamā datoru revolūcija tiks balstīta uz mākslīgo intelektu, dziļu mācīšanos un mašīna mācīšanās.
Šīs tehnoloģijas ir balstītas uz spēju atšķirt modeļus un pēc tam prognozēt nākotnes notikumus, pamatojoties uz pagātnē savāktajiem datiem. Tas izskaidro, kāpēc Amazon rada idejas, kad iepērkaties tiešsaistē, vai kā Netflix zina, ka jums patīk šausmīgas 1980. gadu filmas.
Lai gan datorus, kuros tiek izmantotas mākslīgā intelekta koncepcijas, dažkārt sauc par “viedajiem”, lielākā daļa šo sistēmu nemācās pašas no sevis; nepieciešama cilvēka mijiedarbība.
Datu zinātnieki sagatavo ievadi, izvēloties mainīgos, kas tiks lietoti prognozējošā analīze. Savukārt dziļā mācīšanās šo funkciju var veikt automātiski.
Šī ziņa kalpo kā ceļvedis visiem datu cienītājiem, kuri vēlas uzzināt vairāk par dziļo mācīšanos, tās plašumu un nākotnes potenciālu.
Kas ir dziļā mācīšanās?
Padziļinātu mācīšanos var uzskatīt par mašīnmācības apakškopu.
Tā ir joma, kas balstās uz pašmācību un pilnveidošanos, pārbaudot datoru algoritmus.
Dziļā mācīšanās, atšķirībā no mašīnmācīšanās, darbojas ar mākslīgo neironu tīkli, kam vajadzētu atdarināt to, kā cilvēki domā un mācās. Vēl nesen neironu tīklu sarežģītība bija ierobežota datora jaudas ierobežojumu dēļ.
Tomēr sasniegumi lielo datu analīzē ir ļāvuši izveidot lielākus, jaudīgākus neironu tīklus, ļaujot datoriem uzraudzīt, izprast sarežģītas situācijas un reaģēt uz tām ātrāk nekā cilvēki.
Mēs iesakām izlasīt - Tesla neironu tīkla arhitektūras skaidrojums
Attēlu kategorizēšana, valodas tulkošana un runas atpazīšana ir guvuši labumu no dziļas mācīšanās. Tas var atrisināt jebkuru modeļa atpazīšanas problēmu, neizmantojot cilvēku mijiedarbību.
Būtībā tas ir trīs vai vairāk slāņu neironu tīklu. Šie neironu tīkli cenšas atdarināt cilvēka smadzeņu darbību, lai gan ar ierobežotiem panākumiem, ļaujot tai “mācīties” no milzīgiem datu apjomiem.
Lai gan viens neironu tīkla slānis joprojām var radīt aptuvenas prognozes, vairāk slēptu slāņu var palīdzēt optimizēt un pielāgot precizitāti.
Kas ir neironu tīkls?
Mākslīgie neironu tīkli ir balstīti uz neironu tīkliem, kas redzami cilvēka smadzenēs. Parasti neironu tīklu veido trīs slāņi.
Trīs līmeņi ir ievade, izvade un slēptie. Neironu tīkls darbībā ir redzams zemāk esošajā diagrammā.
Tā kā iepriekš parādītajam neironu tīklam ir tikai viens slēptais slānis, tas tiek saukts par "seklu neironu tīklu".
Šādām sistēmām tiek pievienoti vairāk slēptu slāņu, lai veidotu sarežģītākas struktūras.
Kas ir dziļais tīkls?
Dziļā tīklā tiek pievienoti daudzi slēptie slāņi.
Šādu dizainu apmācība kļūst arvien sarežģītāka, jo tīklā palielinās slēpto slāņu skaits ne tikai attiecībā uz laiku, kas nepieciešams, lai pareizi apmācītu tīklu, bet arī attiecībā uz nepieciešamajiem resursiem.
Zemāk ir parādīts dziļš tīkls ar ievadi, četriem slēptiem slāņiem un izvadi.
Kā darbojas dziļā mācīšanās?
Neironu tīkli ir veidoti no mezglu slāņiem, līdzīgi tam, kā neironi veido cilvēka smadzenes. Atsevišķi slāņa mezgli ir saistīti ar mezgliem blakus esošajos slāņos.
Slāņu skaits tīklā norāda tā dziļumu. Viens neirons cilvēka smadzenes saņem tūkstošiem ziņojumu.
Signāli pārvietojas starp mezgliem mākslīgā neironu tīklā, kas tiem piešķir svarus.
Mezglam ar lielāku svaru ir lielāka ietekme uz mezgliem zem tā. Pēdējais slānis apvieno svērtās ievades, lai nodrošinātu izvadi.
Padziļinātām mācību sistēmām ir nepieciešama spēcīga aparatūra, jo tiek apstrādāts milzīgs datu daudzums un daudzi sarežģīti matemātiskie aprēķini.
Padziļinātas mācīšanās apmācības aprēķini pat ar tik sarežģītu tehnoloģiju var aizņemt nedēļas.
Padziļinātām mācīšanās sistēmām ir nepieciešams ievērojams datu daudzums, lai nodrošinātu pareizus secinājumus; tādējādi informācija tiek ievadīta masveida datu kopu veidā.
Apstrādājot datus, mākslīgie neironu tīkli var klasificēt informāciju, pamatojoties uz atbildēm uz bināro jā vai nepatiesu jautājumu secību, kas ietver ļoti sarežģītus matemātiskus aprēķinus.
Piemēram, sejas atpazīšanas algoritms iemācās identificēt un atpazīt seju malas un līnijas.
Pēc tam nozīmīgāki seju elementi un galu galā veseli seju attēlojumi.
Algoritms laika gaitā apmāca sevi, palielinot pareizo atbilžu iespējamību.
Šādā situācijā sejas atpazīšanas algoritms laika gaitā atpazīs sejas pareizāk.
Deep Learning VS mašīnmācība
Kā dziļā mācīšanās atšķiras no mašīnmācīšanās, ja tā ir tās apakškopa?
Padziļinātā mācīšanās atšķiras no tradicionālās mašīnmācīšanās ar izmantoto datu veidiem un metodēm, ko tā izmanto mācībām.
Lai izveidotu prognozes, mašīnmācīšanās algoritmi izmanto strukturētus, marķētus datus, kas nozīmē, ka noteiktas īpašības tiek norādītas no modeļa ievades datiem un sagrupētas tabulās.
Tas ne vienmēr nozīmē, ka tajā netiek izmantoti nestrukturēti dati; drīzāk, ja tā notiek, tas parasti tiek pakļauts iepriekšējai apstrādei, lai ievietotu to strukturētā formātā.
Padziļināta mācīšanās novērš daļu no datu priekšapstrādes, ko parasti ietver mašīnmācīšanās.
Šie algoritmi var uzņemt un interpretēt nestrukturētus datus, piemēram, tekstu un attēlus, kā arī automatizēt funkciju ieguvi, samazinot paļaušanos uz cilvēku speciālistiem.
Iedomāsimies, ka mums ir dažādu mājdzīvnieku attēlu kolekcija, ko vēlējāmies sakārtot kategorijās, piemēram, “kaķis”, “suns”, “kāmis” un tā tālāk.
Dziļās mācīšanās algoritmi var noskaidrot, kuras pazīmes (piemēram, ausis) ir vissvarīgākās, lai atdalītu vienu dzīvnieku no cita. Šo līdzekļu hierarhiju manuāli nosaka mašīnmācības speciālists.
Pēc tam dziļās mācīšanās sistēma mainās un pielāgojas precizitātei, izmantojot gradienta nolaišanās un atpakaļpavairošana, ļaujot tai ģenerēt precīzākas prognozes par svaigu dzīvnieka momentuzņēmumu.
Deep Learning lietojumprogrammas
1 Chatbots
Tērzēšanas roboti var atrisināt klienta problēmas dažu sekunžu laikā. Tērzēšanas robots ir mākslīgais intelekts (AI) rīks, kas ļauj sazināties tiešsaistē, izmantojot tekstu vai tekstu pārveidojot runā.
Tas var sazināties un veikt darbības tāpat kā cilvēki. Tērzēšanas roboti tiek plaši izmantoti klientu apkalpošanā, sociālo mediju mārketingā un klientu tūlītējā ziņojumapmaiņā.
Tas reaģē uz jūsu ievadi ar automātiskām atbildēm. Tas ģenerē dažādu veidu atbildes, izmantojot mašīnmācības un dziļās mācīšanās metodes.
2. Pašbraucošās automašīnas
Deep Learning ir galvenais faktors, kas liek pašbraucošām automašīnām kļūt par realitāti.
Sistēmā tiek ielādēts miljons datu kopu, lai izveidotu modeli, apmācīt mašīnas mācīties, un pēc tam novērtējiet konstatējumus drošā vidē.
Uber Mākslīgais intelekts Pitsburgas laboratorijas ne tikai cenšas padarīt izplatītākas automašīnas bez vadītāja, bet arī integrēt daudzas viedas funkcijas, piemēram, pārtikas piegādes iespējas, izmantojot automašīnas bez vadītāja.
Pašpiedziņas transportlīdzekļu izstrādes vissteidzamākā problēma ir neparedzētu notikumu risināšana.
Nepārtraukts testēšanas un ieviešanas cikls, kas raksturīgs dziļās mācīšanās algoritmiem, nodrošina drošu braukšanu, jo tā arvien vairāk tiek pakļauta miljoniem scenāriju.
3. Virtuālais palīgs
Virtuālie palīgi ir mākoņprogrammas, kas atpazīst dabiskās valodas balss komandas un veic darbības jūsu vārdā.
Parastie piemēri ir tādi virtuālie palīgi kā Amazon Alexa, Cortana, Siri un Google Assistant.
Lai pilnībā izmantotu savu potenciālu, viņiem ir nepieciešamas ar internetu savienotas ierīces. Kad asistentam tiek dota komanda, tā parasti sniedz labāku pieredzi, pamatojoties uz iepriekšējām tikšanās reizēm, izmantojot dziļās mācīšanās algoritmus.
4. Izklaide
Tādi uzņēmumi kā Netflix, Amazon, YouTube un Spotify saviem klientiem sniedz atbilstošus filmu, dziesmu un video ieteikumus, lai uzlabotu viņu pieredzi.
Par to visu ir atbildīga Deep Learning.
Tiešsaistes straumēšanas uzņēmumi sniedz produktu un pakalpojumu ieteikumus, pamatojoties uz personas pārlūkošanas vēsturi, interesēm un aktivitātēm.
Dziļās mācīšanās algoritmi tiek izmantoti arī, lai automātiski izveidotu subtitrus un pievienotu skaņu klusajām filmām.
5. Robotika
Deep Learning tiek plaši izmantots tādu robotu izstrādē, kas spēj veikt cilvēkiem līdzīgus darbus.
Ar Deep Learning darbināmi roboti izmanto reāllaika atjauninājumus, lai atklātu šķēršļus savā maršrutā un ātri sakārtotu to kursu.
To var izmantot lietu pārvadāšanai slimnīcās, rūpnīcās, noliktavās, krājumu pārvaldībai, produktu ražošanai utt.
Boston Dynamics roboti reaģē uz cilvēkiem, kad tie tiek stumti. Viņi var iztukšot trauku mazgājamo mašīnu, viņi var piecelties, kad viņi nokrīt, un viņi var veikt dažādas citas darbības.
6. Healthcare
Ārsti nevar būt kopā ar saviem pacientiem visu diennakti, taču viena lieta, kas mums visiem praktiski vienmēr ir līdzi, ir mūsu tālruņi.
Padziļināta mācīšanās arī ļauj medicīnas tehnoloģijām analizēt datus no attēliem, ko mēs uzņemam, un kustības datus, lai atklātu iespējamās veselības problēmas.
Piemēram, AI datorredzes programma izmanto šos datus, lai sekotu pacienta kustību modeļiem, lai prognozētu kritienus, kā arī izmaiņas garīgajā stāvoklī.
Padziļināta mācīšanās ir izmantota arī ādas vēža identificēšanai, izmantojot fotoattēlus un daudz ko citu.
7. Dabiskās valodas apstrāde
Dabiskās valodas apstrādes tehnoloģijas attīstība ir ļāvusi robotiem lasīt saziņas un iegūt no tiem nozīmi.
Tomēr pieeja var būt pārāk vienkāršota, neņemot vērā veidus, kādos vārdi savienojas, lai ietekmētu frāzes nozīmi vai mērķi.
Padziļināta mācīšanās palīdz dabiskās valodas apstrādātājiem atpazīt sarežģītākus frāžu modeļus un nodrošināt precīzākas interpretācijas.
8. Datorredze
Padziļinātā mācīšanās mēģina atkārtot, kā cilvēka prāts apstrādā informāciju un atpazīst modeļus, padarot to par ideālu metodi uz redzi balstītu AI lietojumprogrammu apmācībai.
Šīs sistēmas var uzņemt virkni atzīmētu fotoattēlu kopu un iemācīties atpazīt tādus priekšmetus kā lidmašīnas, sejas un ieročus, izmantojot dziļās mācīšanās modeļi.
Padziļināta mācīšanās darbībā
Papildus jūsu iecienītākajam mūzikas straumēšanas pakalpojumam, kurā tiek ieteiktas dziesmas, kas jums varētu patikt, kā dziļa mācīšanās maina cilvēku dzīvi?
Izrādās, ka padziļināta mācīšanās nonāk plašā lietojumu klāstā. Ikviens, kurš izmanto Facebook, ievēros, ka, ievietojot jaunus attēlus, sociālā vietne bieži atpazīst un atzīmē jūsu draugus.
Dziļās mācības dabiskajai valodas apstrādei un runas atpazīšanai izmanto digitālie palīgi, piemēram, Siri, Cortana, Alexa un Google Now.
Reāllaika tulkojums tiek nodrošināts, izmantojot Skype. Daudzi e-pasta pakalpojumi ir uzlabojuši savu spēju noteikt surogātpasta ziņojumus, pirms tie nonāk iesūtnē.
PayPal ir izmantojis dziļu apmācību, lai novērstu krāpnieciskus maksājumus. Piemēram, CamFind ļauj nofotografēt jebkuru objektu un, izmantojot mobilās vizuālās meklēšanas tehnoloģiju, noteikt, kas tas ir.
Padziļināta apmācība tiek izmantota, lai sniegtu risinājumus, jo īpaši Google. Google Deepmind izstrādātā datorprogramma AlphaGo ir uzvarējusi pašreizējos Go čempionus.
DeepMind izstrādātais WaveNet var radīt runu, kas izklausās dabiskāk nekā pašlaik pieejamās runas sistēmas. Lai tulkotu mutvārdu un teksta valodas, Google tulkotājs izmanto dziļu mācīšanos un attēlu atpazīšanu.
Jebkuru fotoattēlu var identificēt, izmantojot Google Planet. Lai palīdzētu izstrādāt AI lietojumprogrammas, Google izveidoja Tensorflow dziļā mācīšanās programmatūras datu bāze.
Dziļās mācīšanās nākotne
Padziļināta mācīšanās ir neizbēgama tēma, apspriežot tehnoloģiju. Lieki piebilst, ka dziļa mācīšanās ir kļuvusi par vienu no vissvarīgākajiem tehnoloģiju elementiem.
Organizācijas agrāk bija vienīgās, kuras interesēja tādas tehnoloģijas kā AI, dziļā mācīšanās, mašīnmācīšanās utt. Arī indivīdi sāk interesēties par šo tehnoloģiju elementu, īpaši dziļu mācīšanos.
Viens no daudzajiem iemesliem, kāpēc padziļināta mācīšanās tiek pievērsta tik lielai uzmanībai, ir tās spēja ļaut pieņemt labākus, uz datiem balstītus lēmumus, vienlaikus uzlabojot prognozēšanas precizitāti.
Padziļinātas apmācības izstrādes rīki, bibliotēkas un valodas dažu gadu laikā var kļūt par regulāriem jebkuras programmatūras izstrādes rīku komplekta komponentiem.
Šie pašreizējie rīku komplekti pavērs ceļu vienkāršai jaunu modeļu projektēšanai, iestatīšanai un apmācībai.
Stila pārveidošana, automātiskā marķēšana, mūzikas radīšana, un citus uzdevumus būtu daudz vieglāk veikt ar šīm prasmēm.
Pieprasījums pēc ātras kodēšanas nekad nav bijis lielāks.
Padziļinātas apmācības izstrādātāji arvien vairāk izmantos integrētas, atvērtas, uz mākoņiem balstītas izstrādes vides, kas nākotnē ļaus piekļūt plašam gatavu un pievienojamu algoritmu bibliotēku klāstam.
Padziļinātām mācībām ir ļoti gaiša nākotne!
Ieguvums no a neironu tīklu ir tas, ka tas ir izcils, apstrādājot lielu daudzumu neviendabīgu datu (padomājiet par visu, ar ko mūsu smadzenēm ir jātiek galā visu laiku).
Tas jo īpaši attiecas uz mūsu jaudīgo viedo sensoru laikmetu, kas var savākt milzīgu datu apjomu. Tradicionālās datorsistēmas cīnās, lai izsijātu, klasificētu un izdarītu secinājumus no tik daudziem datiem.
Secinājumi
Dziļa mācīšanās pilnvaras lielākā daļa mākslīgā intelekta (AI) risinājumu, kas var uzlabot automatizāciju un analīzi procesi.
Lielākā daļa cilvēku katru dienu saskaras ar dziļu mācīšanos, kad viņi izmanto internetu vai mobilos tālruņus.
Padziļināta apmācība tiek izmantota, lai izveidotu subtitrus YouTube videoklipiem. Veiciet balss atpazīšanu tālruņos un viedajos skaļruņos.
Nodrošiniet sejas identifikāciju attēliem un atļaujiet pašbraucošus automobiļus, kā arī daudzus citus lietojumus.
Un, tā kā datu zinātnieki un akadēmiķi risina arvien sarežģītākas problēmas dziļās mācīšanās projekti, izmantojot dziļās mācīšanās ietvarus, šāda veida mākslīgais intelekts kļūs par arvien svarīgāku mūsu ikdienas dzīves sastāvdaļu.
Atstāj atbildi