Inhoudsopgave[Zich verstoppen][Laten zien]
Het concept dat robots slimmer zijn dan mensen, spreekt tot onze collectieve verbeelding zolang er science fiction bestaat.
Hoewel kunstmatige intelligentie (AI) dat niveau nog niet heeft bereikt, hebben we belangrijke doorbraken bereikt in het genereren van machine-intelligentie, zoals bewezen door tests van Google, Tesla en Uber met zelfrijdende auto's.
De schaalbaarheid en bruikbaarheid van Deep Learning, de Machine Learning-aanpak die deze technische vooruitgang mogelijk maakt, is mede verantwoordelijk voor de succesvolle overgang van AI van universiteiten en onderzoekslaboratoria naar producten.
De volgende computerrevolutie zal gebaseerd zijn op kunstmatige intelligentie, deep learning en machine learning.
Deze technologieën zijn gebaseerd op het vermogen om patronen te onderscheiden en vervolgens toekomstige gebeurtenissen te voorspellen op basis van gegevens die in het verleden zijn verzameld. Dit verklaart waarom Amazon ideeën maakt wanneer je online koopt of hoe Netflix weet dat je van vreselijke films uit de jaren 1980 houdt.
Hoewel computers die AI-concepten gebruiken soms 'slim' worden genoemd, leren de meeste van deze systemen niet vanzelf; menselijke interactie nodig.
Datawetenschappers bereiden de invoer voor door de variabelen te kiezen die worden toegepast in predictive analytics. Deep learning daarentegen kan deze functie automatisch uitvoeren.
Dit bericht dient als een veldgids voor alle dataliefhebbers die geïnteresseerd zijn in meer informatie over deep learning, de breedte ervan en toekomstig potentieel.
Wat is diep leren?
Deep learning kan worden gezien als een subset van machine learning.
Het is een vakgebied dat is gebaseerd op zelfleren en verbeteren door computeralgoritmen te onderzoeken.
Diep leren, in tegenstelling tot machinaal leren, werkt met kunstmatige neurale netwerken, die verondersteld worden na te bootsen hoe mensen denken en leren. Tot voor kort waren neurale netwerken beperkt in complexiteit vanwege computerkrachtbeperkingen.
Vooruitgang in Big Data-analyse heeft echter grotere, krachtigere neurale netwerken mogelijk gemaakt, waardoor computers gecompliceerde situaties sneller dan mensen kunnen volgen, begrijpen en erop kunnen reageren.
We raden aan om te lezen - Tesla neurale netwerkarchitectuur uitgelegd
Beeldcategorisatie, taalvertaling en spraakherkenning hebben allemaal geprofiteerd van deep learning. Het kan elk probleem met patroonherkenning aanpakken zonder menselijke interactie.
Het is in wezen een drie- of meerlaags neuraal netwerk. Deze neurale netwerken proberen de activiteit van het menselijk brein na te bootsen, zij het met beperkt succes, door het in staat te stellen te 'leren' van enorme hoeveelheden gegevens.
Hoewel een enkele laag van een neuraal netwerk nog steeds geschatte voorspellingen kan produceren, kunnen meer verborgen lagen helpen bij het optimaliseren en afstemmen op nauwkeurigheid.
Wat is een neuraal netwerk?
Kunstmatige neurale netwerken zijn gebaseerd op neurale netwerken die in het menselijk brein worden gezien. Gewoonlijk bestaat een neuraal netwerk uit drie lagen.
De drie niveaus zijn invoer, uitvoer en verborgen. Een neuraal netwerk in actie is te zien in het onderstaande diagram.
Omdat het hierboven getoonde neurale netwerk slechts één verborgen laag heeft, wordt het een 'ondiep neuraal netwerk' genoemd.
Er worden meer verborgen lagen aan dergelijke systemen toegevoegd om meer geavanceerde structuren te vormen.
Wat is een diep netwerk?
In een diep netwerk worden veel verborgen lagen toegevoegd.
Het trainen van dergelijke ontwerpen wordt steeds ingewikkelder naarmate het aantal verborgen lagen in het netwerk toeneemt, niet alleen wat betreft de tijd die nodig is om het netwerk goed te trainen, maar ook in termen van de benodigde middelen.
Een diep netwerk met een input, vier verborgen lagen en een output wordt hieronder getoond.
Hoe werkt Deep Learning?
Neurale netwerken zijn opgebouwd uit lagen van knooppunten, vergelijkbaar met hoe neuronen het menselijk brein vormen. Individuele laagknooppunten zijn gekoppeld aan knooppunten in aangrenzende lagen.
Het aantal lagen in een netwerk geeft de diepte aan. Een enkel neuron in de menselijk brein ontvangt duizenden berichten.
Signalen bewegen tussen knooppunten in een kunstmatig neuraal netwerk, dat er gewichten aan toekent.
Een knooppunt met een hoger gewicht heeft een grotere impact op de knooppunten eronder. De laatste laag combineert de gewogen inputs om een output te leveren.
Deep learning-systemen hebben sterke hardware nodig vanwege de enorme hoeveelheid gegevens die wordt verwerkt en de talrijke geavanceerde wiskundige berekeningen die ermee gemoeid zijn.
Berekeningen van deep learning-trainingen, zelfs met dergelijke geavanceerde technologie, kunnen weken duren.
Deep learning-systemen vereisen een aanzienlijke hoeveelheid gegevens om correcte bevindingen te leveren; vandaar dat informatie wordt ingevoerd in de vorm van enorme datasets.
Bij het verwerken van gegevens kunnen kunstmatige neurale netwerken informatie classificeren op basis van antwoorden op een reeks binaire ja- of foutvragen die zeer gecompliceerde wiskundige berekeningen met zich meebrengen.
Een gezichtsherkenningsalgoritme leert bijvoorbeeld de randen en lijnen van gezichten te herkennen en te herkennen.
Dan meer significante elementen van gezichten, en uiteindelijk hele representaties van gezichten.
Het algoritme traint zichzelf in de loop van de tijd, waardoor de kans op de juiste antwoorden toeneemt.
In deze situatie zal het gezichtsherkenningsalgoritme gezichten na verloop van tijd beter herkennen.
Diep leren versus machinaal leren
Hoe verschilt deep learning van machine learning als het er een subset van is?
Deep learning verschilt van traditionele machine learning in de soorten gegevens die worden gebruikt en de methoden die worden gebruikt om te leren.
Om voorspellingen te maken, gebruiken machine learning-algoritmen gestructureerde, gelabelde gegevens, wat betekent dat bepaalde kenmerken worden gespecificeerd uit de invoergegevens van het model en gegroepeerd in tabellen.
Dit betekent niet noodzakelijkerwijs dat het geen ongestructureerde gegevens gebruikt; in plaats daarvan, als dat zo is, doorloopt het meestal wat voorbewerking om het in een gestructureerd formaat te zetten.
Deep learning maakt een deel van de voorverwerking van gegevens overbodig die machine learning doorgaans met zich meebrengt.
Deze algoritmen kunnen ongestructureerde gegevens, zoals tekst en afbeeldingen, opnemen en interpreteren, en het extraheren van functies automatiseren, waardoor de afhankelijkheid van menselijke specialisten wordt verminderd.
Laten we ons voorstellen dat we een verzameling afbeeldingen hadden van verschillende huisdieren die we wilden indelen in categorieën zoals 'kat', 'hond', 'hamster', enzovoort.
Deep learning-algoritmen kunnen achterhalen welke eigenschappen (zoals oren) het meest essentieel zijn om het ene dier van het andere te onderscheiden. Deze functiehiërarchie wordt handmatig bepaald door een menselijke specialist in machine learning.
Het deep learning-systeem verandert dan en past zich aan voor nauwkeurigheid via gradiënt afdaling en backpropagation, waardoor het nauwkeurigere voorspellingen kan genereren over een nieuwe momentopname van een dier.
Deep Learning-toepassingen
1. chatbots
Chatbots kunnen klantproblemen binnen enkele seconden oplossen. Een chatbot is een kunstmatige intelligentie (AI) tool waarmee je online kunt communiceren via tekst of tekst-naar-spraak.
Het kan communiceren en handelingen uitvoeren op dezelfde manier als mensen. Chatbots worden veel gebruikt in klantenservice, social media marketing en instant messaging voor klanten.
Het reageert op uw invoer met automatische antwoorden. Het genereert vele vormen van antwoorden met behulp van machine learning en deep learning-technieken.
2. Zelfrijdende auto's
Deep Learning is de belangrijkste factor achter het realiseren van zelfrijdende auto's.
Een miljoen datasets worden in een systeem geladen om een model te maken, train de machines om te lerenen evalueer vervolgens de bevindingen in een veilige omgeving.
de Uber Artificial Intelligence Labs in Pittsburgh probeert niet alleen om zelfrijdende auto's gebruikelijker te maken, maar ook om tal van slimme functies, zoals voedselbezorgmogelijkheden, te integreren met het gebruik van auto's zonder bestuurder.
De grootste zorg voor de ontwikkeling van zelfrijdende voertuigen is het omgaan met onverwachte gebeurtenissen.
Een continue cyclus van testen en implementeren, typisch voor deep learning-algoritmen, zorgt voor veilig rijden omdat het steeds meer wordt blootgesteld aan miljoenen scenario's.
3. Virtuele assistent
Virtuele assistenten zijn cloudgebaseerde programma's die spraakopdrachten in natuurlijke taal herkennen en dingen namens u doen.
Virtuele assistenten zoals Amazon Alexa, Cortana, Siri en Google Assistant zijn veelvoorkomende voorbeelden.
Om hun potentieel volledig te benutten, hebben ze apparaten met internetverbinding nodig. Wanneer een commando aan de assistent wordt gegeven, levert dit meestal een betere ervaring op op basis van eerdere ontmoetingen met behulp van Deep Learning-algoritmen.
4. vermaak
Bedrijven zoals Netflix, Amazon, YouTube en Spotify bieden hun klanten de juiste suggesties voor films, nummers en video's om hun ervaring te verbeteren.
Deep Learning is hiervoor verantwoordelijk.
Online streamingbedrijven bieden product- en serviceaanbevelingen op basis van iemands browsegeschiedenis, interesses en activiteit.
Algoritmen voor diep leren worden ook gebruikt om automatisch ondertitels te produceren en geluid toe te voegen aan stomme films.
5. Robotics
Deep Learning wordt veel toegepast bij het ontwikkelen van robots die mensachtig werk kunnen doen.
Door Deep Learning aangedreven robots maken gebruik van realtime updates om barrières op hun route te detecteren en snel hun koers te bepalen.
Het kan worden gebruikt om dingen te vervoeren in ziekenhuizen, fabrieken, magazijnen, voorraadbeheer, productproductie, enzovoort.
Boston Dynamics-robots reageren op mensen wanneer ze worden voortgeduwd. Ze kunnen een vaatwasser legen, ze kunnen opstaan als ze vallen en ze kunnen allerlei andere activiteiten uitvoeren.
6. Gezondheidszorg
Artsen kunnen niet de klok rond bij hun patiënten zijn, maar één ding dat we vrijwel altijd bij ons hebben, is onze telefoon.
Deep learning stelt medische technologieën ook in staat om gegevens te analyseren van beelden die we vastleggen en om gegevens te verplaatsen om mogelijke gezondheidsproblemen aan het licht te brengen.
Het computervisieprogramma van AI gebruikt deze gegevens bijvoorbeeld om de bewegingspatronen van een patiënt te volgen om zowel vallen als veranderingen in een mentale toestand te voorspellen.
Deep learning is ook gebruikt om huidkanker te identificeren met behulp van foto's en nog veel meer.
7. Natuurlijke taalverwerking
De ontwikkeling van technologie voor natuurlijke taalverwerking heeft robots in staat gesteld om communicatie te lezen en er betekenis aan te ontlenen.
Desalniettemin kan de benadering te eenvoudig zijn, zonder rekening te houden met de manieren waarop woorden samenkomen om de betekenis of het doel van een zin te beïnvloeden.
Deep learning helpt natuurlijke taalverwerkers om complexere patronen in zinnen te herkennen en nauwkeurigere interpretaties te leveren.
8. Computervisie
Deep learning probeert te repliceren hoe de menselijke geest informatie verwerkt en patronen herkent, waardoor het een ideale methode is voor het trainen van op visie gebaseerde AI-toepassingen.
Die systemen kunnen een opeenvolging van getagde fotosets opnemen en items zoals vliegtuigen, gezichten en wapens leren herkennen met behulp van diepgaande leermodellen.
Diep leren in actie
Hoe verandert deep learning het leven van mensen, afgezien van het feit dat je favoriete muziekstreamingservice nummers aanbeveelt die je misschien leuk vindt?
Deep learning, zo blijkt, vindt zijn weg naar een breed scala aan toepassingen. Iedereen die Facebook gebruikt, zal merken dat wanneer je nieuwe afbeeldingen plaatst, de sociale site je vrienden vaak herkent en tagt.
Deep learning wordt gebruikt voor natuurlijke taalverwerking en spraakherkenning door digitale assistenten zoals Siri, Cortana, Alexa en Google Now.
Realtime vertaling wordt verzorgd via Skype. Veel e-mailservices zijn gevorderd in hun vermogen om spamberichten te detecteren voordat ze de inbox bereiken.
PayPal heeft deep learning gebruikt om frauduleuze betalingen te voorkomen. Met CamFind kunt u bijvoorbeeld een foto maken van elk object en met behulp van mobiele visuele zoektechnologie bepalen wat het is.
Met name door Google wordt deep learning ingezet om oplossingen te bieden. AlphaGo, een computerprogramma ontwikkeld door Google Deepmind, heeft de huidige Go-kampioenen verslagen.
WaveNet, ontwikkeld door DeepMind, kan spraak creëren die natuurlijker klinkt dan de momenteel beschikbare spraaksystemen. Om mondelinge en tekstuele talen te vertalen, maakt Google Translate gebruik van deep learning en beeldherkenning.
Elke foto kan worden geïdentificeerd met Google Planet. Om te helpen bij het ontwikkelen van AI-applicaties, heeft Google de Tensorflow diep leren softwaredatabase.
Toekomst van diep leren
Deep learning is een onvermijdelijk onderwerp bij het bespreken van technologie. Het behoeft geen betoog dat deep learning is geëvolueerd tot een van de meest cruciale elementen van technologie.
Vroeger waren organisaties de enigen die geïnteresseerd waren in technologieën zoals AI, deep learning, machine learning, enzovoort. Ook individuen raken geïnteresseerd in dit element van technologie, met name deep learning.
Een van de vele redenen waarom deep learning zoveel aandacht krijgt, is het vermogen om betere datagestuurde beslissingen mogelijk te maken en tegelijkertijd de nauwkeurigheid van voorspellingen te verbeteren.
Deep learning-ontwikkeltools, bibliotheken en talen kunnen binnen een paar jaar heel goed vaste componenten worden van elke softwareontwikkelingstoolkit.
Deze huidige toolsets maken de weg vrij voor eenvoudig ontwerp, instelling en training van nieuwe modellen.
Stijltransformatie, autotagging, muziek creatie, en andere taken zouden veel gemakkelijker te doen zijn met deze vaardigheden.
De vraag naar snel coderen is nog nooit zo groot geweest.
Ontwikkelaars van deep learning zullen in de toekomst steeds vaker gebruik maken van geïntegreerde, open, cloudgebaseerde ontwikkelomgevingen die toegang bieden tot een breed scala aan kant-en-klare en pluggable algoritmebibliotheken.
Deep learning heeft een zeer mooie toekomst!
Het voordeel van een neuraal netwerk is dat het uitblinkt in het omgaan met grote hoeveelheden heterogene data (denk aan alles waar onze hersenen voortdurend mee te maken hebben).
Dit geldt vooral in ons tijdperk van krachtige slimme sensoren, die enorme hoeveelheden gegevens kunnen verzamelen. Traditionele computersystemen hebben moeite om zoveel gegevens te ziften, te categoriseren en conclusies te trekken.
Conclusie
Diepe leer bevoegdheden de meeste kunstmatige intelligentie (AI)-oplossingen die automatisering en analytische kunnen verbeteren processen.
De meeste mensen komen dagelijks in aanraking met deep learning wanneer ze internet of hun mobiele telefoon gebruiken.
Deep learning wordt gebruikt om ondertitels voor YouTube-video's te produceren. Voer spraakherkenning uit op telefoons en slimme luidsprekers.
Geef gezichtsherkenning voor afbeeldingen en laat zelfrijdende auto's toe, naast vele andere toepassingen.
En aangezien datawetenschappers en academici het steeds ingewikkelder aanpakken deep learning-projecten met behulp van deep learning-frameworks, zal dit soort kunstmatige intelligentie een steeds belangrijker onderdeel worden van ons dagelijks leven.
Laat een reactie achter