Spis treści[Ukryć][Pokazać]
Koncepcja, że roboty są mądrzejsze od ludzi, pobudzała naszą zbiorową wyobraźnię od początku istnienia Science Fiction.
Jednak chociaż sztuczna inteligencja (AI) nie osiągnęła jeszcze tego poziomu, dokonaliśmy znaczących przełomów w generowaniu inteligencji maszyn, czego dowodzą testy Google, Tesli i Ubera z autonomicznymi samochodami.
Skalowalność i użyteczność Deep Learning, podejścia Machine Learning, które umożliwia ten postęp techniczny, jest częściowo odpowiedzialne za pomyślne przejście AI z uniwersytetów i laboratoriów badawczych do produktów.
Kolejna rewolucja komputerowa zostanie zbudowana na sztucznej inteligencji, głębokim uczeniu i uczenie maszynowe.
Technologie te opierają się na zdolności do rozpoznawania wzorców, a następnie prognozowania przyszłych wydarzeń na podstawie danych zebranych w przeszłości. To wyjaśnia, dlaczego Amazon tworzy pomysły przy zakupie online lub skąd Netflix wie, że lubisz okropne filmy z lat 1980.
Chociaż komputery wykorzystujące koncepcje sztucznej inteligencji są czasami nazywane „inteligentnymi”, większość z tych systemów nie uczy się samodzielnie; wymagana jest interakcja między ludźmi.
Analitycy danych przygotowują dane wejściowe, wybierając zmienne, które zostaną zastosowane w analityka predykcyjna. Z drugiej strony, uczenie głębokie może wykonywać tę funkcję automatycznie.
Ten post służy jako przewodnik terenowy dla wszystkich miłośników danych, którzy chcą dowiedzieć się więcej na temat głębokiego uczenia się, jego zakresu i przyszłego potencjału.
Co to jest uczenie głębokie?
Głębokie uczenie można traktować jako podzbiór uczenia maszynowego.
Jest to dziedzina zbudowana na samokształceniu i doskonaleniu poprzez badanie algorytmów komputerowych.
Głębokie uczenie, w przeciwieństwie do uczenia maszynowego, działa ze sztucznymi sieci neuronowe, które mają naśladować sposób myślenia i uczenia się ludzi. Do niedawna złożoność sieci neuronowych była ograniczona ze względu na ograniczenia mocy komputerów.
Jednak postępy w analityce Big Data umożliwiły stworzenie większych, wydajniejszych sieci neuronowych, umożliwiając komputerom monitorowanie, rozumienie i reagowanie na skomplikowane sytuacje szybciej niż ludzie.
Polecamy lekturę – Wyjaśnienie architektury sieci neuronowej Tesli
Kategoryzacja obrazów, tłumaczenie języka i rozpoznawanie mowy skorzystały na głębokim uczeniu. Może rozwiązać każdy problem z rozpoznawaniem wzorców bez potrzeby interakcji z człowiekiem.
Zasadniczo jest to trzy lub więcej warstw sieci neuronowe. Te sieci neuronowe starają się naśladować aktywność ludzkiego mózgu, choć z ograniczonym powodzeniem, umożliwiając mu „uczenie się” z ogromnych ilości danych.
Podczas gdy pojedyncza warstwa sieci neuronowej może nadal generować przybliżone prognozy, więcej warstw ukrytych może pomóc w optymalizacji i dostrojeniu pod kątem dokładności.
Co to jest sieć neuronowa?
Sztuczne sieci neuronowe opierają się na sieciach neuronowych widzianych w ludzkim mózgu. Zwykle sieć neuronowa składa się z trzech warstw.
Trzy poziomy to wejście, wyjście i ukryty. Sieć neuronową w akcji widać na poniższym diagramie.
Ponieważ sieć neuronowa pokazana powyżej ma tylko jedną ukrytą warstwę, jest nazywana „płytką siecią neuronową”.
Do takich systemów dodawanych jest więcej ukrytych warstw, tworząc bardziej wyrafinowane struktury.
Co to jest głęboka sieć?
W głębokiej sieci dodawanych jest wiele ukrytych warstw.
Szkolenie takich projektów staje się coraz bardziej skomplikowane w miarę wzrostu liczby ukrytych warstw w sieci, nie tylko pod względem czasu wymaganego do prawidłowego uczenia sieci, ale także pod względem wymaganych zasobów.
Głęboka sieć z wejściem, czterema ukrytymi warstwami i wyjściem jest pokazana poniżej.
Jak działa głębokie uczenie?
Sieci neuronowe zbudowane są z warstw węzłów, podobnie jak neurony tworzą ludzki mózg. Poszczególne węzły warstw są połączone z węzłami w sąsiednich warstwach.
Liczba warstw w sieci wskazuje jej głębokość. Pojedynczy neuron w ludzki mózg otrzymuje tysiące wiadomości.
Sygnały przemieszczają się między węzłami w sztucznej sieci neuronowej, która przypisuje im wagi.
Węzeł o większej wadze ma większy wpływ na węzły pod nim. Ostatnia warstwa łączy ważone dane wejściowe, aby zapewnić dane wyjściowe.
Systemy uczenia głębokiego wymagają mocnego sprzętu ze względu na ogromną ilość przetwarzanych danych i liczne zaawansowane obliczenia matematyczne.
Obliczenia dotyczące głębokiego uczenia się, nawet z tak wyrafinowaną technologią, mogą zająć tygodnie.
Systemy uczenia głębokiego wymagają znacznej ilości danych, aby zapewnić prawidłowe wyniki; w związku z tym informacje są zasilane w postaci ogromnych zbiorów danych.
Podczas przetwarzania danych sztuczne sieci neuronowe mogą klasyfikować informacje na podstawie odpowiedzi na sekwencję binarnych pytań tak lub fałsz, które wymagają bardzo skomplikowanych obliczeń matematycznych.
Na przykład algorytm rozpoznawania twarzy uczy się rozpoznawać i rozpoznawać krawędzie i linie twarzy.
Potem bardziej znaczące elementy twarzy, a w końcu całe przedstawienia twarzy.
Algorytm z czasem samoczynnie się trenuje, zwiększając prawdopodobieństwo poprawnych odpowiedzi.
W takiej sytuacji algorytm rozpoznawania twarzy będzie z czasem lepiej rozpoznawał twarze.
Głębokie uczenie a uczenie maszynowe
Czym uczenie głębokie różni się od uczenia maszynowego, jeśli jest jego podzbiorem?
Głębokie uczenie różni się od tradycyjnego uczenia maszynowego rodzajami danych, z których korzysta, oraz metodami wykorzystywanymi do uczenia się.
Do tworzenia prognoz algorytmy uczenia maszynowego używają ustrukturyzowanych, oznaczonych danych, co oznacza, że określone cechy są określone na podstawie danych wejściowych modelu i pogrupowane w tabele.
Niekoniecznie oznacza to, że nie wykorzystuje nieustrukturyzowanych danych; raczej, jeśli tak, zwykle przechodzi wstępne przetwarzanie, aby nadać mu ustrukturyzowany format.
Głębokie uczenie eliminuje część wstępnego przetwarzania danych, które zwykle wiąże się z uczeniem maszynowym.
Algorytmy te mogą pozyskiwać i interpretować nieustrukturyzowane dane, takie jak tekst i obrazy, a także automatyzować wyodrębnianie funkcji, zmniejszając zależność od specjalistów.
Wyobraźmy sobie, że mamy kolekcję zdjęć różnych zwierząt domowych, które chcieliśmy podzielić na kategorie, takie jak „kot”, „pies”, „chomik” i tak dalej.
Algorytmy głębokiego uczenia mogą określić, które cechy (takie jak uszy) są najistotniejsze w oddzielaniu jednego zwierzęcia od drugiego. Ta hierarchia funkcji jest ręcznie określana przez człowieka specjalizującego się w uczeniu maszynowym.
Następnie system głębokiego uczenia się zmienia się i dopasowuje do dokładności poprzez opadanie gradientu i wstecznej propagacji, co pozwala na generowanie dokładniejszych prognoz dotyczących świeżej migawki zwierzęcia.
Aplikacje do głębokiego uczenia
1. Chatboty
Chatboty mogą rozwiązać problemy z klientami w ciągu kilku sekund. Chatbot to sztuczna inteligencja (AI) narzędzie, które umożliwia komunikację online za pomocą tekstu lub zamiany tekstu na mowę.
Może komunikować się i wykonywać czynności w taki sam sposób, jak ludzie. Chatboty są szeroko stosowane w obsłudze klienta, marketingu w mediach społecznościowych i komunikatorach internetowych.
Reaguje na Twoje dane wejściowe za pomocą automatycznych odpowiedzi. Generuje wiele form odpowiedzi, wykorzystując techniki uczenia maszynowego i głębokiego uczenia się.
2. Samojezdne samochody
Głębokie uczenie się jest głównym czynnikiem, dzięki któremu samochody autonomiczne stają się rzeczywistością.
Milion zestawów danych jest ładowanych do systemu w celu utworzenia modelu, szkolić maszyny, aby się uczyły, a następnie ocenić wyniki w bezpiecznym środowisku.
Uber Artificial Intelligence Labs w Pittsburghu stara się nie tylko upowszechnić samochody bez kierowcy, ale także zintegrować wiele inteligentnych funkcji, takich jak możliwość dostarczania jedzenia, z wykorzystaniem samochodów bez kierowcy.
Najbardziej palącym problemem związanym z rozwojem autonomicznych pojazdów jest radzenie sobie z nieprzewidzianymi zdarzeniami.
Ciągły cykl testowania i wdrażania, typowy dla algorytmów głębokiego uczenia, zapewnia bezpieczną jazdę, ponieważ jest on coraz bardziej narażony na miliony scenariuszy.
3. Wirtualny asystent
Wirtualni asystenci to programy oparte na chmurze, które rozpoznają polecenia głosowe w języku naturalnym i robią rzeczy w Twoim imieniu.
Typowymi przykładami są wirtualni asystenci, tacy jak Amazon Alexa, Cortana, Siri i Google Assistant.
Aby w pełni wykorzystać ich potencjał, potrzebują urządzeń podłączonych do Internetu. Polecenie wydane asystentowi zapewnia lepsze wrażenia na podstawie wcześniejszych spotkań z wykorzystaniem algorytmów Deep Learning.
4. Zabawa
Firmy takie jak Netflix, Amazon, YouTube i Spotify zapewniają swoim klientom odpowiednie sugestie dotyczące filmów, piosenek i wideo, aby poprawić ich wrażenia.
Za to wszystko odpowiada Deep Learning.
Firmy oferujące transmisje strumieniowe online zapewniają rekomendacje produktów i usług na podstawie historii przeglądania, zainteresowań i aktywności danej osoby.
Algorytmy głębokiego uczenia są również używane do automatycznego tworzenia napisów i dodawania dźwięku do niemych filmów.
5. Robotyka
Głębokie uczenie jest szeroko stosowane w opracowywaniu robotów, które mogą wykonywać pracę podobną do ludzkiej.
Roboty wykorzystujące technologię Deep Learning wykorzystują aktualizacje w czasie rzeczywistym, aby wykrywać przeszkody na swojej trasie i szybko ustalać trasę.
Może być używany do transportu rzeczy w szpitalach, fabrykach, magazynach, zarządzania zapasami, wytwarzania produktów i tak dalej.
Roboty Boston Dynamics reagują na ludzi, gdy są popychani. Potrafią opróżnić zmywarkę, mogą wstać po upadku i wykonywać wiele innych czynności.
6. Opieka zdrowotna
Lekarze nie mogą przebywać ze swoimi pacjentami przez całą dobę, ale jedną rzeczą, którą wszyscy praktycznie zawsze mamy przy sobie, są nasze telefony.
Głębokie uczenie umożliwia również technologiom medycznym analizowanie danych z rejestrowanych obrazów i danych o ruchu w celu wykrycia potencjalnych problemów zdrowotnych.
Na przykład komputerowy program wizyjny AI wykorzystuje te dane do śledzenia wzorców ruchowych pacjenta w celu prognozowania upadków, a także zmian w stanie psychicznym.
Głębokie uczenie zostało również wykorzystane do identyfikacji raka skóry za pomocą zdjęć i wielu innych.
7. Przetwarzanie języka naturalnego
Opracowanie technologii przetwarzania języka naturalnego umożliwiło robotom odczytywanie komunikatów i wydobywanie z nich znaczenia.
Niemniej jednak podejście to może być nadmiernie uproszczone, nie biorąc pod uwagę sposobów, w jakie słowa łączą się, aby wpływać na znaczenie lub cel frazy.
Głębokie uczenie pomaga procesorom języka naturalnego rozpoznawać bardziej złożone wzorce we frazach i dostarczać dokładniejsze interpretacje.
8. Wizja komputerowa
Głębokie uczenie próbuje odtworzyć sposób, w jaki ludzki umysł przetwarza informacje i rozpoznaje wzorce, dzięki czemu jest idealną metodą szkolenia aplikacji opartych na sztucznej inteligencji opartych na wizji.
Systemy te mogą rejestrować szereg oznaczonych zestawów zdjęć i uczyć się rozpoznawać elementy, takie jak samoloty, twarze i broń za pomocą modele uczenia głębokiego.
Deep Learning w akcji
W jaki sposób głębokie uczenie się zmienia ludzkie życie, poza Twoją ulubioną usługą strumieniowania muzyki, która poleca utwory, które mogą Ci się spodobać?
Okazuje się, że uczenie głębokie wkracza do szerokiego zakresu zastosowań. Każdy, kto korzysta z Facebooka, zauważy, że gdy publikujesz nowe zdjęcia, serwis społecznościowy często rozpoznaje i oznacza Twoich znajomych.
Głębokie uczenie jest wykorzystywane do przetwarzania języka naturalnego i rozpoznawania mowy przez asystentów cyfrowych, takich jak Siri, Cortana, Alexa i Google Now.
Tłumaczenie w czasie rzeczywistym zapewnia Skype. Wiele usług pocztowych rozwinęło zdolność wykrywania wiadomości spamowych, zanim dotrą one do skrzynki odbiorczej.
PayPal wykorzystał głębokie uczenie się, aby zapobiegać nieuczciwym płatnościom. CamFind, na przykład, pozwala zrobić zdjęcie dowolnego obiektu i za pomocą mobilnej technologii wyszukiwania wizualnego określić, co to jest.
Głębokie uczenie jest wykorzystywane w szczególności do dostarczania rozwiązań przez Google. AlphaGo, program komputerowy opracowany przez Google Deepmind, pokonał obecnych mistrzów Go.
WaveNet, opracowany przez DeepMind, może tworzyć mowę, która brzmi bardziej naturalnie niż obecnie dostępne systemy mowy. Aby tłumaczyć języki ustne i tekstowe, Tłumacz Google wykorzystuje głębokie uczenie i rozpoznawanie obrazów.
Każde zdjęcie można zidentyfikować za pomocą Google Planet. Aby pomóc w tworzeniu aplikacji AI, Google stworzył Głębokie uczenie Tensorflow baza danych oprogramowania.
Przyszłość głębokiego uczenia się
Głębokie uczenie jest nieuniknionym tematem podczas dyskusji o technologii. Nie trzeba dodawać, że uczenie głębokie stało się jednym z najważniejszych elementów technologii.
Kiedyś organizacje były jedynymi zainteresowanymi technologiami takimi jak sztuczna inteligencja, głębokie uczenie, uczenie maszynowe i tak dalej. Również jednostki zaczynają się interesować tym elementem technologii, w szczególności uczeniem głębokim.
Jednym z wielu powodów, dla których tak wiele uwagi poświęca się uczeniu głębokiemu, jest jego zdolność do podejmowania lepszych decyzji opartych na danych, przy jednoczesnej poprawie dokładności przewidywania.
Za kilka lat narzędzia programistyczne, biblioteki i języki głębokiego uczenia się mogą stać się stałymi składnikami każdego zestawu narzędzi do tworzenia oprogramowania.
Te obecne zestawy narzędzi utorują drogę do prostego projektowania, konfiguracji i szkolenia nowych modeli.
Transformacja stylu, automatyczne tagowanie, tworzenie muzyki, a inne zadania byłyby znacznie łatwiejsze do wykonania dzięki tym umiejętnościom.
Zapotrzebowanie na szybkie kodowanie nigdy nie było większe.
Deweloperzy uczenia głębokiego będą coraz częściej korzystać ze zintegrowanych, otwartych, opartych na chmurze środowisk programistycznych, które w przyszłości umożliwią dostęp do szerokiej gamy gotowych i podłączanych bibliotek algorytmów.
Głębokie uczenie ma przed sobą świetlaną przyszłość!
Korzyść z sieci neuronowe jest to, że doskonale radzi sobie z dużą ilością heterogenicznych danych (pomyśl o wszystkim, z czym nasz mózg ma do czynienia przez cały czas).
Jest to szczególnie widoczne w dobie potężnych inteligentnych czujników, które mogą gromadzić ogromne ilości danych. Tradycyjne systemy komputerowe zmagają się z przesiewaniem, kategoryzacją i wyciąganiem wniosków z tak dużej ilości danych.
Wnioski
Głęboka nauka uprawnienia większość rozwiązań sztucznej inteligencji (AI), które mogą usprawnić automatyzację i analizę procesów.
Większość osób codziennie styka się z głębokim uczeniem, korzystając z Internetu lub telefonów komórkowych.
Głębokie uczenie jest wykorzystywane do tworzenia napisów do filmów na YouTube. Przeprowadź rozpoznawanie głosu na telefonach i inteligentnych głośnikach.
Identyfikuj twarze na zdjęciach i zezwalaj na autonomiczne samochody, między innymi do wielu innych zastosowań.
A ponieważ naukowcy zajmujący się danymi i naukowcy radzą sobie z coraz bardziej skomplikowanymi projekty deep learning z wykorzystaniem frameworków deep learning, tego rodzaju sztuczna inteligencja stanie się coraz ważniejszą częścią naszego codziennego życia.
Dodaj komentarz