Гарчиг[Нуух][Үзүүлэх]
Шинжлэх ухааны уран зөгнөлт зохиол байсаар байтал роботууд хүнээс илүү ухаалаг гэсэн ойлголт бидний хамтын төсөөллийг эзэмдэж ирсэн.
Гэсэн хэдий ч хиймэл оюун ухаан (AI) хараахан ийм түвшинд хүрч амжаагүй байгаа ч бид машины оюун ухааныг бий болгоход ихээхэн амжилт олсон нь Google, Tesla, Uber-ийн автомат жолоодлоготой автомашины туршилтаар батлагдсан.
Энэхүү техникийн дэвшлийг бий болгодог Machine Learning арга болох Deep Learning-ийн өргөтгөх чадвар, ашиг тус нь хиймэл оюун ухааныг их сургууль, судалгааны лабораториос бүтээгдэхүүн рүү амжилттай шилжүүлэхэд зарим талаар үүрэг гүйцэтгэдэг.
Дараагийн компьютерийн хувьсгал нь хиймэл оюун ухаан, гүнзгий суралцах, дээр суурилсан болно машин суралцах.
Эдгээр технологиуд нь хэв маягийг ялган таних, дараа нь өнгөрсөн хугацаанд цуглуулсан мэдээлэлд үндэслэн ирээдүйн үйл явдлыг урьдчилан таамаглах чадамж дээр суурилдаг. Энэ нь таныг онлайнаар худалдан авалт хийхдээ Amazon яагаад санаа гаргадаг болохыг эсвэл Netflix таныг 1980-аад оны аймшигт кинонд дуртайг хэрхэн мэддэгийг тайлбарладаг.
Хэдийгээр AI ойлголтыг ашигладаг компьютеруудыг заримдаа "ухаалаг" гэж нэрлэдэг ч эдгээр системүүдийн ихэнх нь өөрсдөө суралцдаггүй; хүний харилцан үйлчлэл шаардлагатай.
Өгөгдлийн эрдэмтэд ашиглах хувьсагчдыг сонгох замаар орцуудыг бэлтгэдэг урьдчилан таамаглах аналитик. Харин гүн гүнзгий суралцах нь энэ үүргийг автоматаар гүйцэтгэх боломжтой.
Энэхүү нийтлэл нь гүнзгий суралцах, түүний өргөн цар хүрээ, ирээдүйн боломжийн талаар илүү ихийг мэдэхийг сонирхож буй аливаа өгөгдөлд дуртай хүмүүст зориулсан гарын авлага болно.
Гүнзгий суралцах гэж юу вэ?
Гүнзгий сургалтыг машин сургалтын дэд хэсэг гэж үзэж болно.
Энэ бол компьютерийн алгоритмыг судлах замаар бие даан суралцах, сайжруулах талбар юм.
Гүнзгий суралцах нь машин сурахаас ялгаатай нь хиймэл аргаар ажилладаг мэдрэлийн сүлжээ, эдгээр нь хүмүүс хэрхэн сэтгэж, сурч байгааг дуурайдаг. Саяхныг хүртэл мэдрэлийн сүлжээг компьютерийн тэжээлийн хязгаарлалтаас болж нарийн төвөгтэй байдлаар хязгаарлаж байсан.
Гэсэн хэдий ч Big Data аналитикийн дэвшил нь илүү том, илүү хүчирхэг мэдрэлийн сүлжээг идэвхжүүлж, компьютерийг хүмүүсээс илүү төвөгтэй нөхцөл байдлыг хянах, ойлгох, хариу үйлдэл үзүүлэх боломжийг олгосон.
Бид уншихыг зөвлөж байна - Тесла мэдрэлийн сүлжээний архитектурыг тайлбарлав
Зургийг ангилах, хэлний орчуулга, яриа таних зэрэг нь гүн гүнзгий суралцахын ач тустай. Энэ нь хүний харилцан үйлчлэлгүйгээр ямар ч хэв маягийг таних асуудлыг шийдэж чадна.
Энэ нь үндсэндээ гурван буюу түүнээс дээш давхаргатай мэдрэлийн сүлжээ. Эдгээр мэдрэлийн сүлжээнүүд нь асар их хэмжээний өгөгдлөөс "суралцах" боломжийг олгох замаар хүний тархины үйл ажиллагааг дуурайхыг эрмэлздэг боловч хязгаарлагдмал амжилтанд хүрсэн.
Мэдрэлийн сүлжээний нэг давхарга нь ойролцоогоор таамаглалыг гаргаж чаддаг ч илүү далд давхаргууд нь оновчтой болгох, нарийвчлалыг тохируулахад тусалдаг.
Мэдрэлийн сүлжээ гэж юу вэ?
Хиймэл мэдрэлийн сүлжээ нь хүний тархинд харагддаг мэдрэлийн сүлжээн дээр суурилдаг. Мэдрэлийн сүлжээ нь ихэвчлэн гурван давхаргаас бүрддэг.
Гурван түвшин нь оролт, гаралт, далд. Ажиллаж буй мэдрэлийн сүлжээг доорх диаграммд харуулав.
Дээр үзүүлсэн мэдрэлийн сүлжээ нь зөвхөн нэг далд давхаргатай байдаг тул үүнийг "гүехэн мэдрэлийн сүлжээ" гэж нэрлэдэг.
Илүү нарийн бүтэц бий болгохын тулд ийм системд илүү далд давхаргууд нэмэгддэг.
Deep Network гэж юу вэ?
Гүн сүлжээнд олон далд давхаргууд нэмэгддэг.
Сүлжээний далд давхаргын тоо нэмэгдэхийн хэрээр ийм загварыг сургах нь сүлжээг зөв сургахад шаардагдах цаг хугацаа төдийгүй шаардлагатай нөөцийн хувьд улам бүр төвөгтэй болж байна.
Оролт, дөрвөн далд давхарга, гаралт бүхий гүн сүлжээг доор үзүүлэв.
Deep Learning хэрхэн ажилладаг вэ?
Мэдрэлийн сүлжээ нь мэдрэлийн эсүүд хүний тархийг бүрдүүлдэгтэй адил зангилааны давхаргуудаас бүрддэг. Тусдаа давхаргын зангилаанууд нь хөрш зэргэлдээх давхаргын зангилаатай холбогддог.
Сүлжээний давхаргын тоо нь түүний гүнийг илэрхийлдэг. Ганц мэдрэлийн эс хүний тархи олон мянган мессеж хүлээн авдаг.
Дохио нь хиймэл мэдрэлийн сүлжээн дэх зангилааны хооронд хөдөлж, тэдгээрт жинг хуваарилдаг.
Илүү жинтэй зангилаа нь түүний доорх зангилаанд илүү их нөлөө үзүүлдэг. Сүүлийн давхарга нь жигнэсэн орцуудыг нэгтгэж гаралтыг өгдөг.
Гүн сургалтын системд асар их хэмжээний өгөгдөл боловсруулагдаж, олон тооны нарийн математик тооцоолол байдаг тул хүчирхэг техник хангамж хэрэгтэй.
Гүнзгий суралцах сургалтын тооцоо, ийм нарийн технологитой байсан ч долоо хоног шаардагдана.
Гүн сургалтын систем нь зөв дүгнэлт гаргахын тулд ихээхэн хэмжээний өгөгдөл шаарддаг; Иймээс мэдээлэл нь асар их мэдээллийн багц хэлбэрээр тэжээгддэг.
Өгөгдлийг боловсруулахдаа хиймэл мэдрэлийн сүлжээ нь маш төвөгтэй математик тооцоолол бүхий хоёртын тийм эсвэл худал асуултуудын дарааллын хариулт дээр үндэслэн мэдээллийг ангилж чаддаг.
Жишээлбэл, царай таних алгоритм нь нүүрний ирмэг ба шугамыг таньж, таньж сурдаг.
Дараа нь нүүрний илүү чухал элементүүд, эцэст нь нүүрний бүхэл бүтэн дүрслэлүүд.
Алгоритм нь цаг хугацааны явцад өөрийгөө сургаж, зөв хариулт өгөх магадлалыг нэмэгдүүлдэг.
Энэ тохиолдолд нүүр царайг таних алгоритм нь цаг хугацааны явцад нүүр царайг илүү зөв таних болно.
Deep Learning VS Machine Learning
Хэрэв гүнзгий суралцах нь түүний дэд хэсэг юм бол машин сургалтаас юугаараа ялгаатай вэ?
Гүнзгий суралцах нь ашигладаг өгөгдлийн төрөл, сурахад ашигладаг аргуудаараа уламжлалт машин сургалтаас ялгаатай.
Урьдчилан таамаглал үүсгэхийн тулд машин сургалтын алгоритмууд нь бүтэцлэгдсэн, шошготой өгөгдлийг ашигладаг бөгөөд энэ нь загварын оролтын өгөгдлөөс тодорхой шинж чанаруудыг тодорхойлж, хүснэгтэд бүлэглэсэн гэсэн үг юм.
Энэ нь бүтэцгүй өгөгдөл ашиглахгүй гэсэн үг биш юм; харин хэрэв тийм бол энэ нь ихэвчлэн бүтэцтэй формат руу оруулахын тулд урьдчилсан боловсруулалт хийдэг.
Гүнзгий суралцах нь ерөнхийдөө машин сурахад шаардагдах мэдээллийн урьдчилсан боловсруулалтын зарим хэсгийг устгадаг.
Эдгээр алгоритмууд нь текст, зураг гэх мэт бүтэцгүй өгөгдлийг шингээж, тайлбарлахаас гадна онцлог шинж чанарыг задлах ажлыг автоматжуулж, хүний мэргэжилтнүүдээс найдах явдлыг багасгадаг.
"Муур", "нохой", "шишүүхэй" гэх мэт ангилалд хуваахыг хүссэн янз бүрийн тэжээвэр амьтдын зургийн цуглуулга бидэнд байна гэж төсөөлөөд үз дээ.
Гүнзгий суралцах алгоритмууд нь нэг амьтныг нөгөөгөөс нь салгахад ямар шинж чанар (чих гэх мэт) хамгийн чухал болохыг олж мэдэх боломжтой. Энэ функцийн шатлалыг машин сургалтын чиглэлээр мэргэшсэн хүн гараар тодорхойлдог.
Дараа нь гүнзгий сургалтын систем нь өөрчлөгдөж, дамжуулан үнэн зөв байхын тулд өөртөө тохируулна градиент уналт болон буцах тархалт нь амьтны шинэхэн агшин зургийн талаар илүү нарийн таамаглал гаргах боломжийг олгодог.
Deep Learning програмууд
1. Chatbots
Чатбот нь хэдхэн секундын дотор үйлчлүүлэгчийн асуудлыг засах боломжтой. Чатбот бол хиймэл оюун (AI) хэрэгсэл нь танд текст эсвэл текстийг яриагаар дамжуулан онлайнаар харилцах боломжийг олгодог.
Энэ нь хүмүүстэй адилхан харилцаж, үйлдэл хийж чаддаг. Чатбот нь харилцагчийн үйлчилгээ, сошиал медиа маркетинг, харилцагчийн шуурхай мессеж зэрэгт өргөн хэрэглэгддэг.
Энэ нь таны оруулсан мэдээлэлд автомат хариултаар хариу өгдөг. Энэ нь машин суралцах болон гүнзгий суралцах арга техникийг ашиглан хариултын олон хэлбэрийг үүсгэдэг.
2. Өөрөө жолооддог машинууд
Өөрийгөө жолооддог машин бодит байдал болж хувирах гол хүчин зүйл бол гүнзгий суралцах явдал юм.
Загвар үүсгэхийн тулд нэг сая өгөгдлийн багц системд ачаалагддаг. сурахын тулд машинуудыг сургах, дараа нь аюулгүй орчинд дүгнэлтийг үнэлнэ.
Uber Хиймэл оюун Питтсбург дахь лаборатори нь жолоочгүй машиныг илүү түгээмэл болгохыг хичээгээд зогсохгүй, жолоочгүй автомашины хэрэглээтэй хоол хүнс хүргэх боломж гэх мэт олон ухаалаг функцуудыг нэгтгэх гэж байна.
Өөрийгөө жолооддог тээврийн хэрэгслийг хөгжүүлэхэд хамгийн их санаа зовдог зүйл бол гэнэтийн үйл явдлуудыг шийдвэрлэх явдал юм.
Гүнзгий суралцах алгоритмуудын ердийн туршилт, хэрэгжилтийн тасралтгүй мөчлөг нь олон сая хувилбарт улам бүр өртөж, аюулгүй жолоодлогыг баталгаажуулдаг.
3. Виртуал туслах
Виртуал туслах нь байгалийн хэлний дуут командыг таньж, таны өмнөөс аливаа зүйлийг хийдэг үүлэнд суурилсан программ юм.
Amazon Alexa, Cortana, Siri, Google Assistant зэрэг виртуал туслахууд нь нийтлэг жишээ юм.
Боломжоо бүрэн ашиглахын тулд тэд интернетэд холбогдсон төхөөрөмжүүдийг шаарддаг. Туслахдаа тушаал өгөхөд энэ нь гүнзгий суралцах алгоритмыг ашиглан өмнөх уулзалтууд дээр үндэслэн илүү сайн туршлага өгөх хандлагатай байдаг.
4. Үзвэр үйлчилгээ
Netflix, Amazon, YouTube, болон Spotify зэрэг компаниуд үйлчлүүлэгчдийнхээ туршлагыг сайжруулахын тулд тохирох кино, дуу, видео саналуудыг өгдөг.
Deep Learning энэ бүхнийг хариуцдаг.
Онлайн дамжуулагч компаниуд тухайн хүний хайлтын түүх, сонирхол, үйл ажиллагаанд үндэслэн бүтээгдэхүүн, үйлчилгээний зөвлөмжийг өгдөг.
Гүнзгий суралцах алгоритмууд Мөн хадмал орчуулгыг автоматаар гаргах, чимээгүй кинонд дуу нэмэхэд ашигладаг.
5. Робот техник
Deep Learning нь хүнтэй төстэй ажил хийх боломжтой роботуудыг бүтээхэд өргөн хэрэглэгддэг.
Deep Learning-ээр ажилладаг роботууд зам дээрх саад бэрхшээлийг илрүүлж, замаа хурдан зохицуулахын тулд бодит цагийн шинэчлэлтүүдийг ашигладаг.
Үүнийг эмнэлэг, үйлдвэр, агуулах, бараа материалын менежмент, бүтээгдэхүүн үйлдвэрлэх гэх мэт зүйлсийг тээвэрлэхэд ашиглаж болно.
Boston Dynamics роботууд хүмүүсийг түлхэхэд хариу үйлдэл үзүүлдэг. Тэд аяга таваг угаагчаа хоослох, унах үед босох, бусад олон төрлийн ажлыг хийж чадна.
6. Эрүүл мэндийн
Эмч нар өвчтөнүүдтэйгээ цаг наргүй хамт байж чаддаггүй, гэхдээ бидний үргэлж хамт байдаг нэг зүйл бол утас юм.
Гүнзгий суралцах нь эрүүл мэндийн боломжит асуудлуудыг илрүүлэхийн тулд бидний авсан зураг, хөдөлгөөний өгөгдөлд дүн шинжилгээ хийх боломжийг эмнэлгийн технологид олгодог.
Жишээлбэл, AI-ийн компьютерийн харааны програм нь өвчтөний хөдөлгөөний хэв маягийг дагаж, уналт, сэтгэцийн өөрчлөлтийг урьдчилан таамаглахад энэ өгөгдлийг ашигладаг.
Гүнзгий сургалтыг мөн гэрэл зураг болон бусад олон зүйлийг ашиглан арьсны хорт хавдрыг тодорхойлоход ашигладаг.
7. Байгалийн хэлний боловсруулалт
Байгалийн хэлийг боловсруулах технологийг хөгжүүлснээр роботууд харилцаа холбоог уншиж, тэдгээрээс утгыг олж авах боломжтой болсон.
Гэсэн хэдий ч үг хэллэгийн утга, зорилгод нөлөөлөхийн тулд үгс нэгдэх арга замыг тооцохгүйгээр хандлагыг хэт хялбарчилж болно.
Гүнзгий суралцах нь байгалийн хэл боловсруулагчдад хэллэгийн илүү төвөгтэй хэв маягийг таньж, илүү үнэн зөв тайлбар өгөхөд тусалдаг.
8. Компьютерийн хараа
Гүнзгий суралцах нь хүний оюун ухаан мэдээллийг хэрхэн боловсруулж, хэв маягийг таньж байгааг хуулбарлахыг оролддог бөгөөд энэ нь алсын хараанд суурилсан AI програмуудыг сургахад тохиромжтой арга юм.
Эдгээр системүүд нь дараалсан шошготой зургийн багцыг авч, онгоц, нүүр царай, зэвсэг гэх мэт зүйлсийг танихад суралцах боломжтой. гүнзгий суралцах загварууд.
Үйлдлээр гүнзгий суралцах
Таны дуртай дууг санал болгодог хөгжмийн стриминг үйлчилгээнээс гадна гүнзгий суралцах нь хүмүүсийн амьдралыг хэрхэн өөрчилдөг вэ?
Гүнзгий суралцах нь өргөн хүрээний хэрэглээнд нэвтэрч байгаа нь харагдаж байна. Facebook ашигладаг хэн бүхэн таныг шинэ зураг нийтлэх үед олон нийтийн сайт таны найзуудыг таньж, шошгодог гэдгийг анзаарах болно.
Гүнзгий сургалтыг Siri, Cortana, Alexa, Google Now зэрэг дижитал туслахууд байгалийн хэл боловсруулах, яриа танихад ашигладаг.
Бодит цагийн орчуулгыг Skype-аар гүйцэтгэдэг. Олон цахим шуудангийн үйлчилгээнүүд спам мессежийг ирсэн имэйл хайрцагт хүрэхээс өмнө илрүүлэх чадвараа сайжруулсан.
PayPal нь хуурамч төлбөрөөс урьдчилан сэргийлэхийн тулд гүнзгий суралцах аргыг ашигласан. Жишээлбэл, CamFind нь ямар ч объектын зургийг авч, гар утасны харааны хайлтын технологийг ашиглан энэ нь юу болохыг тодорхойлох боломжийг олгодог.
Ялангуяа Google-ийн шийдлийг хангахын тулд гүнзгий суралцах аргыг ашиглаж байна. Google Deepmind-ийн бүтээсэн AlphaGo хэмээх компьютерийн программ нь Go-ийн одоогийн аваргуудыг ялсан юм.
DeepMind-ийн бүтээсэн WaveNet нь одоогийн байгаа ярианы системээс илүү байгалийн сонсогддог яриаг бий болгож чадна. Google Translate нь аман болон бичвэрийн хэлийг орчуулахын тулд гүнзгий суралцах, зураг таних аргыг ашигладаг.
Google Planet ашиглан ямар ч зургийг таних боломжтой. AI програмуудыг хөгжүүлэхэд туслахын тулд Google-г бүтээсэн Тензор урсгалын гүнзгий суралцах програм хангамжийн мэдээллийн сан.
Гүнзгий сургалтын ирээдүй
Технологийн талаар ярилцаж байхад гүнзгий суралцах нь зайлшгүй сэдэв юм. Гүнзгий суралцах нь технологийн хамгийн чухал элементүүдийн нэг болсныг хэлэх нь илүүц биз.
AI, гүнзгий суралцах, машин сургалт гэх мэт технологийг зөвхөн байгууллагууд л сонирхдог байсан. Хувь хүмүүс ч гэсэн технологийн энэ элементийг, ялангуяа гүнзгий суралцахыг сонирхож байна.
Гүнзгий суралцах нь маш их анхаарал татаж байгаа олон шалтгаануудын нэг нь өгөгдөлд тулгуурласан илүү сайн шийдвэр гаргах, мөн таамаглалын нарийвчлалыг сайжруулах чадвар юм.
Гүнзгий суралцах хөгжүүлэлтийн хэрэгсэл, номын сан, хэл нь хэдэн жилийн дараа аливаа програм хангамж хөгжүүлэх хэрэгслийн байнгын бүрэлдэхүүн хэсэг болж магадгүй юм.
Эдгээр одоогийн хэрэглүүрийн багц нь энгийн загвар зохион бүтээх, тохируулах, шинэ загваруудыг сургах боломжийг олгоно.
Загварын өөрчлөлт, автомат шошго, хөгжмийн бүтээл, болон бусад ажлуудыг эдгээр ур чадвараар хийхэд илүү хялбар байх болно.
Хурдан кодчиллын эрэлт урьд өмнө хэзээ ч байгаагүй.
Гүн сургалтын хөгжүүлэгчид ирээдүйд бэлэн болон залгах боломжтой алгоритмын олон төрлийн номын сангуудад хандах боломжийг олгодог нэгдсэн, нээлттэй, үүлэнд суурилсан хөгжүүлэлтийн орчныг улам бүр ашиглах болно.
Гүнзгий суралцах нь маш гэрэлт ирээдүйтэй!
А-ын ашиг тус мэдрэлийн сүлжээ Энэ нь олон төрлийн бус өгөгдөлтэй харьцахдаа гарамгай байдаг (бидний тархи байнга шийдвэрлэх ёстой бүх зүйлийг бодоорой).
Энэ нь асар их хэмжээний мэдээлэл цуглуулж чаддаг хүчирхэг ухаалаг мэдрэгчүүдийн эрин үед ялангуяа үнэн юм. Уламжлалт компьютерийн системүүд маш их тоо баримтыг шүүж, ангилж, дүгнэлт гаргах гэж тэмцэж байна.
Дүгнэлт
Гүн сурах Эрх мэдэл автоматжуулалт болон аналитикийг сайжруулах боломжтой ихэнх хиймэл оюун ухааны (AI) шийдлүүд үйл явц.
Ихэнх хүмүүс интернет эсвэл гар утсаа ашиглахдаа гүн гүнзгий суралцахтай өдөр бүр холбогддог.
Гүнзгий суралцах аргыг YouTube-ийн видеонуудад хадмал орчуулга хийхэд ашигладаг. Утас болон ухаалаг чанга яригч дээр дуу хоолой таних үйл ажиллагаа явуулна.
Зурганд царай таниулж, өөрөө жолооддог автомашиныг бусад олон төрлийн хэрэглээнд ашиглахыг зөвшөөрнө үү.
Мэдээллийн эрдэмтэд, эрдэмтэн судлаачид улам бүр төвөгтэй болж байна гүнзгий сургалтын тогтолцоог ашиглан гүнзгий суралцах төслүүд, энэ төрлийн хиймэл оюун ухаан нь бидний өдөр тутмын амьдралд улам бүр чухал хэсэг болох болно.
хариу үлдээх