Innholdsfortegnelse[Gjemme seg][Forestilling]
Konseptet om at roboter er smartere enn mennesker har fanget vår kollektive fantasi så lenge det har eksistert Science Fiction.
Men mens kunstig intelligens (AI) ennå ikke har nådd det nivået, har vi gjort betydelige gjennombrudd i å generere maskinintelligens, som bevist av Google, Tesla og Ubers testing med selvkjørende biler.
Skalerbarheten og nytten av Deep Learning, Machine Learning-tilnærmingen som muliggjør denne tekniske utviklingen, er delvis ansvarlig for AIs vellykkede overgang fra universiteter og forskningslaboratorier til produkter.
Den neste datarevolusjonen vil bygge på kunstig intelligens, dyp læring og maskinlæring.
Disse teknologiene er bygget på kapasiteten til å skjelne mønstre og deretter forutsi fremtidige hendelser basert på data samlet inn i fortiden. Dette forklarer hvorfor Amazon lager ideer når du kjøper online eller hvordan Netflix vet at du liker forferdelige 1980-tallsfilmer.
Selv om datamaskiner som bruker AI-konsepter noen ganger kalles "smarte", lærer ikke de fleste av disse systemene seg selv; menneskelig interaksjon er nødvendig.
Dataforskere forbereder inndataene ved å velge variablene som skal brukes i prediktiv analyse. Deep learning, derimot, kan utføre denne funksjonen automatisk.
Dette innlegget fungerer som en feltguide for alle dataelskere som er interessert i å lære mer om dyp læring, dens bredde og fremtidig potensial.
Hva er Deep Learning?
Dyplæring kan betraktes som en undergruppe av maskinlæring.
Det er et felt som er bygget på selvlæring og forbedring gjennom å undersøke dataalgoritmer.
Deep learning, i motsetning til maskinlæring, jobber med kunstig nevrale nettverk, som skal etterligne hvordan folk tenker og lærer. Inntil nylig var nevrale nettverk begrenset i kompleksitet på grunn av strømbegrensninger for datamaskiner.
Fremskritt innen Big Data-analyse har imidlertid muliggjort større, kraftigere nevrale nettverk, som gjør det mulig for datamaskiner å overvåke, forstå og reagere på kompliserte situasjoner raskere enn mennesker.
Vi anbefaler å lese – Teslas nevrale nettverksarkitektur forklart
Bildekategorisering, språkoversettelse og talegjenkjenning har alle dratt nytte av dyp læring. Den kan takle ethvert mønstergjenkjenningsproblem uten behov for menneskelig interaksjon.
Det er egentlig en tre-eller flere lag nevrale nettverket. Disse nevrale nettverkene søker å etterligne aktiviteten til den menneskelige hjernen, om enn med begrenset suksess, ved å gjøre den i stand til å "lære" av enorme datamengder.
Mens et enkelt lag av et nevralt nettverk fortsatt kan produsere omtrentlige spådommer, kan flere skjulte lag hjelpe med å optimalisere og justere for nøyaktighet.
Hva er nevralt nettverk?
Kunstige nevrale nettverk er basert på nevrale nett sett i den menneskelige hjernen. Vanligvis består et nevralt nettverk av tre lag.
De tre nivåene er input, output og skjult. Et nevralt nettverk i aksjon er sett i diagrammet nedenfor.
Siden det nevrale nettverket vist ovenfor bare har ett skjult lag, kalles det et "grunnt nevralt nettverk".
Flere skjulte lag legges til slike systemer for å danne mer sofistikerte strukturer.
Hva er Deep Network?
I et dypt nettverk legges det til mange skjulte lag.
Trening av slike design blir stadig mer komplisert etter hvert som antallet skjulte lag i nettverket øker, ikke bare når det gjelder tiden som kreves for å trene nettverket riktig, men også når det gjelder ressursene som kreves.
Et dypt nettverk med en inngang, fire skjulte lag og en utgang er vist nedenfor.
Hvordan fungerer Deep Learning?
Nevrale nettverk er bygget opp av lag med noder, lik hvordan nevroner utgjør den menneskelige hjernen. Individuelle lagnoder er knyttet til noder i nabolag.
Antall lag i et nettverk indikerer dybden. Et enkelt nevron i Menneskehjerne mottar tusenvis av meldinger.
Signaler beveger seg mellom noder i et kunstig nevralt nettverk, som tildeler vekter til dem.
En node med høyere vekt har større innvirkning på nodene under den. Det siste laget kombinerer de vektede inngangene for å gi en utgang.
Dyplæringssystemer trenger sterk maskinvare på grunn av den enorme mengden data som håndteres og de mange sofistikerte matematiske beregningene som er involvert.
Dyplæringstreningsberegninger, selv med så sofistikert teknologi, kan ta uker.
Dyplæringssystemer krever en betydelig mengde data for å gi korrekte funn; derfor mates informasjon i form av massive datasett.
Ved behandling av data kan kunstige nevrale nettverk klassifisere informasjon basert på svar på en sekvens av binære ja- eller falske spørsmål som involverer svært kompliserte matematiske beregninger.
En ansiktsgjenkjenningsalgoritme lærer for eksempel å identifisere og gjenkjenne kantene og linjene til ansikter.
Deretter mer betydningsfulle elementer av ansikter, og til slutt hele representasjoner av ansikter.
Algoritmen trener seg selv over tid, og øker sannsynligheten for de riktige svarene.
I denne situasjonen vil ansiktsgjenkjenningsalgoritmen gjenkjenne ansikter mer korrekt over tid.
Deep Learning VS Machine Learning
Hvordan skiller dyp læring seg fra maskinlæring hvis den er en undergruppe av den?
Deep learning skiller seg fra tradisjonell maskinlæring i hvilke typer data den bruker og metodene den bruker for å lære.
For å lage spådommer bruker maskinlæringsalgoritmer strukturerte, merkede data, som betyr at visse egenskaper spesifiseres fra modellens inputdata og grupperes i tabeller.
Dette betyr ikke nødvendigvis at den ikke bruker ustrukturerte data; snarere, hvis den gjør det, går den vanligvis gjennom en forhåndsbehandling for å sette den inn i et strukturert format.
Deep learning fjerner deler av dataforbehandlingen som maskinlæring vanligvis innebærer.
Disse algoritmene kan innta og tolke ustrukturerte data som tekst og bilder, samt automatisere funksjonsutvinning, noe som reduserer avhengigheten av menneskelige spesialister.
La oss forestille oss at vi hadde en samling bilder av forskjellige kjæledyr som vi ønsket å organisere i kategorier som "katt", "hund", "hamster" og så videre.
Dyplæringsalgoritmer kan finne ut hvilke egenskaper (som ører) som er mest essensielle for å skille ett dyr fra et annet. Dette funksjonshierarkiet bestemmes manuelt av en menneskelig spesialist i maskinlæring.
Deep learning-systemet endres deretter og tilpasser seg selv for nøyaktighet via gradient nedstigning og backpropagation, slik at den kan generere mer presise spådommer om et nytt øyeblikksbilde av et dyr.
Deep Learning-applikasjoner
1. chatbots
Chatbots kan fikse klientproblemer i løpet av sekunder. En chatbot er en kunstig intelligens (AI)-verktøy som lar deg kommunisere online via tekst eller tekst-til-tale.
Den kan kommunisere og utføre handlinger på samme måte som mennesker gjør. Chatbots er mye brukt i kundeservice, markedsføring på sosiale medier og direktemeldinger til klienter.
Den svarer på innspillene dine med automatiske svar. Den genererer mange former for svar ved hjelp av maskinlæring og dyplæringsteknikker.
2. Selvkjørende biler
Deep Learning er hovedfaktoren bak at selvkjørende biler blir en realitet.
En million datasett lastes inn i et system for å lage en modell, trene maskinene til å lære, og evaluer deretter funnene i et trygt miljø.
Uber Kunstig intelligens Labs i Pittsburgh prøver ikke bare å gjøre førerløse biler mer vanlige, men også å integrere en rekke smarte funksjoner, for eksempel leveringsmuligheter for mat, med bruken av førerløse biler.
Den mest presserende bekymringen for utvikling av selvkjørende kjøretøy er å håndtere uforutsette hendelser.
En kontinuerlig syklus med testing og implementering, typisk for dyplæringsalgoritmer, sikrer trygg kjøring ettersom den blir utsatt for millioner av scenarier mer og mer.
3. Virtuell assistent
Virtuelle assistenter er skybaserte programmer som gjenkjenner talekommandoer på naturlig språk og gjør ting på dine vegne.
Virtuelle assistenter som Amazon Alexa, Cortana, Siri og Google Assistant er vanlige eksempler.
For å utnytte potensialet fullt ut, krever de internett-tilkoblede enheter. Når en kommando blir gitt til assistenten, har den en tendens til å gi en bedre opplevelse basert på tidligere møter ved bruk av Deep Learning-algoritmer.
4. Underholdning
Selskaper som Netflix, Amazon, YouTube og Spotify tilbyr passende film-, sang- og videoforslag til kundene sine for å forbedre opplevelsen deres.
Deep Learning er ansvarlig for alt dette.
Online strømmefirmaer gir produkt- og tjenesteanbefalinger basert på en persons nettleserhistorikk, interesser og aktivitet.
Dyplæringsalgoritmer brukes også til å produsere undertekster automatisk og legge til lyd til stumfilmer.
5. Robotikk
Deep Learning er mye brukt i å utvikle roboter som kan utføre menneskelignende jobber.
Deep Learning-drevne roboter bruker sanntidsoppdateringer for å oppdage barrierer i ruten og raskt arrangere kursen.
Den kan brukes til å transportere ting på sykehus, fabrikker, varehus, lagerstyring, produktproduksjon og så videre.
Boston Dynamics-roboter reagerer på mennesker når de blir dyttet rundt. De kan tømme en oppvaskmaskin, de kan reise seg når de faller, og de kan utføre en rekke andre aktiviteter.
6. Helsetjenester
Leger kan ikke være med pasientene sine døgnet rundt, men en ting vi alle praktisk talt alltid har med oss er telefonene våre.
Deep learning lar også medisinske teknologier analysere data fra bilder vi fanger og bevegelsesdata for å avdekke potensielle helseproblemer.
AIs datasynsprogram, for eksempel, bruker disse dataene til å følge en pasients bevegelsesmønstre for å forutsi fall så vel som endringer i en mental tilstand.
Deep learning har også blitt brukt til å identifisere hudkreft ved hjelp av bilder og mange flere.
7. Naturlig språkbehandling
Utviklingen av naturlig språkbehandlingsteknologi har gjort det mulig for roboter å lese kommunikasjon og hente mening fra dem.
Ikke desto mindre kan tilnærmingen forenkles, og unnlater å redegjøre for måtene ord sammenføyes på for å påvirke betydningen eller hensikten med en setning.
Dyplæring hjelper naturlig språkprosessorer til å gjenkjenne mer komplekse mønstre i fraser og levere mer nøyaktige tolkninger.
8. Datasyn
Deep learning prøver å gjenskape hvordan menneskesinnet behandler informasjon og gjenkjenner mønstre, noe som gjør det til en ideell metode for å trene visjonsbaserte AI-applikasjoner.
Disse systemene kan ta inn en rekke merkede fotosett og lære å gjenkjenne gjenstander som fly, ansikter og våpen ved å bruke dype læringsmodeller.
Dyp læring i aksjon
Bortsett fra at musikkstrømmetjenesten din anbefaler sanger du kanskje liker, hvordan forandrer dyp læring folks liv?
Det viser seg at dyp læring er på vei inn i et bredt spekter av applikasjoner. Alle som bruker Facebook vil legge merke til at når du legger ut nye bilder, gjenkjenner og tagger det sosiale nettstedet ofte vennene dine.
Dyplæring brukes til naturlig språkbehandling og talegjenkjenning av digitale assistenter som Siri, Cortana, Alexa og Google Now.
Sanntidsoversettelse leveres via Skype. Mange e-posttjenester har avansert i sin evne til å oppdage spam-meldinger før de når innboksen.
PayPal har brukt dyp læring for å forhindre falske betalinger. CamFind lar deg for eksempel ta et bilde av ethvert objekt og ved hjelp av mobil visuell søketeknologi finne ut hva det er.
Spesielt Google bruker dyplæring for å tilby løsninger. AlphaGo, et dataprogram utviklet av Google Deepmind, har slått nåværende Go-mestere.
WaveNet, utviklet av DeepMind, kan lage tale som høres mer naturlig ut enn tilgjengelige talesystemer. For å oversette muntlige og tekstlige språk bruker Google Translate dyp læring og bildegjenkjenning.
Ethvert bilde kan identifiseres ved hjelp av Google Planet. For å hjelpe til med å utvikle AI-applikasjoner opprettet Google Tensorflow dyp læring programvaredatabase.
Future of Deep Learning
Dyplæring er et uunngåelig tema mens man diskuterer teknologi. Unødvendig å si har dyp læring utviklet seg til et av teknologiens mest avgjørende elementer.
Organisasjoner pleide å være de eneste som var interessert i teknologier som AI, dyp læring, maskinlæring og så videre. Enkeltpersoner blir også interessert i dette elementet av teknologi, spesielt dyp læring.
En av mange grunner til at dyp læring får så mye oppmerksomhet, er dens kapasitet til å tillate bedre datadrevne beslutninger samtidig som den forbedrer prediksjonsnøyaktigheten.
Utviklingsverktøy for dyp læring, biblioteker og språk kan meget vel bli faste komponenter i ethvert verktøysett for programvareutvikling om noen år.
Disse nåværende verktøysettene vil bane vei for enkel design, oppsett og opplæring av nye modeller.
Stiltransformasjon, automatisk merking, musikkskaping, og andre oppgaver ville være mye lettere å gjøre med disse ferdighetene.
Etterspørselen etter rask koding har aldri vært større.
Deep learning-utviklere vil i økende grad bruke integrerte, åpne, skybaserte utviklingsmiljøer som gir tilgang til et bredt spekter av hyllevare og pluggbare algoritmebiblioteker i fremtiden.
Dyplæring har en veldig lys fremtid!
Fordelen med en nevrale nettverket er at den utmerker seg ved å håndtere store mengder heterogene data (tenk på alt hjernen vår må forholde seg til, hele tiden).
Dette gjelder spesielt i vår tid med kraftige smarte sensorer, som kan samle inn enorme mengder data. Tradisjonelle datasystemer sliter med å sile, kategorisere og utlede konklusjoner fra så mye data.
konklusjonen
Dyp læring krefter de fleste av kunstig intelligens (AI)-løsninger som kan forbedre automatisering og analytisk prosesser.
De fleste individer kommer i kontakt med dyp læring daglig når de bruker internett eller mobiltelefoner.
Deep learning brukes til å produsere undertekster for YouTube-videoer. Gjennomfør stemmegjenkjenning på telefoner og smarthøyttalere.
Gi ansiktsidentifikasjon for bilder, og tillat selvkjørende biler, blant mange andre bruksområder.
Og som datavitere og akademikere takler stadig mer komplisert dyplæringsprosjekter ved bruk av dyplæringsrammer, vil denne typen kunstig intelligens bli en stadig viktigere del av vårt daglige liv.
Legg igjen en kommentar