Kazalo[Skrij][Pokaži]
Koncept, da so roboti pametnejši od ljudi, je zajel našo kolektivno domišljijo, dokler obstaja znanstvena fantastika.
Čeprav umetna inteligenca (AI) še ni dosegla te ravni, smo naredili pomemben napredek pri ustvarjanju strojne inteligence, kar so dokazali Google, Tesla in Uber s testiranjem samovozečih avtomobilov.
Razširljivost in uporabnost globokega učenja, pristopa strojnega učenja, ki omogoča ta tehnični napredek, je delno odgovorna za uspešen prehod umetne inteligence z univerz in raziskovalnih laboratorijev na izdelke.
Naslednja računalniška revolucija bo temeljila na umetni inteligenci, globokem učenju in strojno učenje.
Te tehnologije temeljijo na zmožnosti zaznavanja vzorcev in nato napovedovanja prihodnjih dogodkov na podlagi podatkov, zbranih v preteklosti. To pojasnjuje, zakaj Amazon daje ideje, ko kupujete na spletu, ali kako Netflix ve, da imate radi grozne filme iz 1980-ih.
Čeprav računalnike, ki uporabljajo koncepte umetne inteligence, včasih imenujemo »pametni«, se večina teh sistemov ne uči sama; potrebna je človeška interakcija.
Podatkovni znanstveniki pripravijo vnose tako, da izberejo spremenljivke, v katerih bodo uporabljene napovedna analitika. Po drugi strani pa lahko globoko učenje to funkcijo izvaja samodejno.
Ta objava služi kot vodnik za vse ljubitelje podatkov, ki jih zanima več o poglobljenem učenju, njegovi širini in potencialu prihodnosti.
Kaj je globoko učenje?
Globoko učenje je mogoče obravnavati kot podmnožico strojnega učenja.
Gre za področje, ki temelji na samoučenju in izboljševanju s preučevanjem računalniških algoritmov.
Globoko učenje v nasprotju s strojnim učenjem deluje z umetnim nevronske mreže, ki naj bi posnemali, kako ljudje razmišljajo in se učijo. Do nedavnega so bile nevronske mreže omejene po kompleksnosti zaradi omejitev računalniške moči.
Vendar pa je napredek v analitiki velikih podatkov omogočil večje, zmogljivejše nevronske mreže, ki omogočajo računalnikom, da spremljajo, razumejo in se odzivajo na zapletene situacije hitreje kot ljudje.
Priporočamo branje – Razložena arhitektura Tesla nevronske mreže
Kategorizacija slik, prevajanje jezika in prepoznavanje govora so imeli koristi od globokega učenja. Lahko se spopade s katero koli težavo s prepoznavanjem vzorcev brez potrebe po človeški interakciji.
V bistvu gre za tri ali več plasti nevronska mreža. Te nevronske mreže poskušajo posnemati dejavnost človeških možganov, čeprav z omejenim uspehom, tako da jim omogočijo, da se »učijo« iz ogromnih količin podatkov.
Medtem ko lahko ena plast nevronske mreže še vedno daje približne napovedi, lahko več skritih plasti pomaga pri optimizaciji in nastavitvi za natančnost.
Kaj je nevronska mreža?
Umetne nevronske mreže temeljijo na nevronskih mrežah, ki jih vidimo v človeških možganih. Običajno je nevronska mreža sestavljena iz treh plasti.
Tri ravni so vhodna, izhodna in skrita. Nevronska mreža v akciji je prikazana na spodnjem diagramu.
Ker ima zgoraj prikazana nevronska mreža samo eno skrito plast, jo imenujemo »plitka nevronska mreža«.
Takšnim sistemom se dodaja več skritih plasti, da tvorijo bolj izpopolnjene strukture.
Kaj je globoko omrežje?
V globokem omrežju je dodanih veliko skritih plasti.
Usposabljanje takšnih načrtov postaja vse bolj zapleteno, saj se število skritih slojev v omrežju povečuje, ne le glede časa, potrebnega za pravilno usposabljanje omrežja, ampak tudi glede na potrebna sredstva.
Spodaj je prikazano globoko omrežje z vhodom, štirimi skritimi plastmi in izhodom.
Kako deluje globoko učenje?
Nevronske mreže so zgrajene iz plasti vozlišč, podobno kot nevroni sestavljajo človeške možgane. Vozlišča posamezne plasti so povezana z vozlišči v sosednjih slojih.
Število plasti v mreži kaže njeno globino. En sam nevron v človeških možganov prejme na tisoče sporočil.
Signali se premikajo med vozlišči v umetni nevronski mreži, ki jim dodeli uteži.
Vozlišče z večjo težo ima večji vpliv na vozlišča pod njim. Zadnji sloj združuje tehtane vhode, da zagotovi izhod.
Sistemi globokega učenja potrebujejo močno strojno opremo zaradi ogromne količine obdelanih podatkov in številnih zapletenih matematičnih izračunov.
Izračuni usposabljanja za poglobljeno učenje, tudi s tako sofisticirano tehnologijo, lahko trajajo tedne.
Sistemi globokega učenja zahtevajo veliko količino podatkov, da zagotovijo pravilne ugotovitve; zato se informacije podajajo v obliki ogromnih podatkovnih nizov.
Pri obdelavi podatkov lahko umetne nevronske mreže razvrstijo informacije na podlagi odgovorov na zaporedje binarnih da ali napačnih vprašanj, ki vključujejo zelo zapletene matematične izračune.
Algoritem za prepoznavanje obrazov se na primer nauči prepoznati in prepoznati robove in črte obrazov.
Nato pomembnejši elementi obrazov in sčasoma celotne predstavitve obrazov.
Algoritem se sčasoma izuri sam, s čimer se poveča verjetnost pravilnih odgovorov.
V tej situaciji bo algoritem za prepoznavanje obrazov sčasoma pravilneje prepoznal obraze.
Globoko učenje VS strojno učenje
Kako se globoko učenje razlikuje od strojnega učenja, če je njegova podmnožica?
Globoko učenje se od tradicionalnega strojnega učenja razlikuje po vrstah podatkov, ki jih uporablja, in metodah, ki jih uporablja za učenje.
Za ustvarjanje napovedi algoritmi strojnega učenja uporabljajo strukturirane, označene podatke, kar pomeni, da so določene značilnosti določene iz vhodnih podatkov modela in združene v tabele.
To ne pomeni nujno, da ne uporablja nestrukturiranih podatkov; če se zgodi, gre običajno skozi nekaj predhodne obdelave, da se postavi v strukturirano obliko.
Poglobljeno učenje odpravi del predhodne obdelave podatkov, ki jo strojno učenje na splošno vključuje.
Ti algoritmi lahko zaužijejo in razlagajo nestrukturirane podatke, kot so besedilo in slike, ter avtomatizirajo ekstrakcijo funkcij, kar zmanjša odvisnost od strokovnjakov za ljudi.
Predstavljajmo si, da imamo zbirko slik različnih hišnih ljubljenčkov, ki smo jih želeli razvrstiti v kategorije, kot so »mačka«, »pes«, »hrček« itd.
Algoritmi globokega učenja lahko ugotovijo, katere lastnosti (kot so ušesa) so najbolj bistvene pri ločevanju ene živali od druge. To hierarhijo funkcij ročno določi strokovnjak za strojno učenje.
Sistem globokega učenja se nato spremeni in prilagodi za natančnost prek gradientni spust in povratno širjenje, kar mu omogoča ustvarjanje natančnejših napovedi o svežem posnetku živali.
Aplikacije za globoko učenje
1. Chatbots
Klepetalni roboti lahko odpravijo težave s strankami v nekaj sekundah. Klepetalnica je Umetna inteligenca (AI) orodje, ki vam omogoča spletno komunikacijo prek besedila ali pretvorbe besedila v govor.
Lahko komunicira in izvaja dejanja na enak način kot ljudje. Klepetalni roboti se pogosto uporabljajo pri storitvah za stranke, trženju družbenih medijev in takojšnjem sporočanju strank.
Na vaše vnose se odziva s samodejnimi odgovori. Z uporabo strojnega učenja in tehnik globokega učenja ustvarja številne oblike odgovorov.
2. Samovozeči avtomobili
Globoko učenje je glavni dejavnik, zakaj samovozeči avtomobili postanejo resničnost.
Milijon nizov podatkov je naloženih v sistem za ustvarjanje modela, usposobiti stroje za učenje, nato pa ugotovitve ocenite v varnem okolju.
Uber Umetna inteligenca Laboratoriji v Pittsburghu si ne prizadevajo samo za bolj razširjene avtomobile brez voznika, temveč tudi za integracijo številnih pametnih funkcij, kot so možnosti dostave hrane, z uporabo avtomobilov brez voznika.
Najbolj pereča skrb za razvoj samovozečih vozil je soočanje z nepričakovanimi dogodki.
Neprekinjen cikel testiranja in implementacije, značilen za algoritme globokega učenja, zagotavlja varno vožnjo, saj je vedno bolj izpostavljen milijonom scenarijev.
3. Virtualni asistent
Virtualni pomočniki so programi v oblaku, ki prepoznajo glasovne ukaze naravnega jezika in delajo stvari v vašem imenu.
Navidezni pomočniki, kot so Amazon Alexa, Cortana, Siri in Google Assistant, so pogosti primeri.
Da bi v celoti izkoristili svoj potencial, potrebujejo naprave, povezane z internetom. Ko je pomočniku dan ukaz, ta ponavadi zagotavlja boljšo izkušnjo na podlagi prejšnjih srečanj z uporabo algoritmov globokega učenja.
4. Zabava
Podjetja, kot so Netflix, Amazon, YouTube in Spotify, svojim strankam nudijo ustrezne predloge za filme, pesmi in videoposnetke, da izboljšajo njihovo izkušnjo.
Za vse to je odgovorno globoko učenje.
Podjetja za spletno pretakanje ponujajo priporočila za izdelke in storitve na podlagi zgodovine brskanja, interesov in dejavnosti osebe.
Algoritmi globokega učenja se uporabljajo tudi za samodejno ustvarjanje podnapisov in dodajanje zvoka nemim filmom.
5. Robotika
Globoko učenje se pogosto uporablja pri razvoju robotov, ki lahko opravljajo človeška dela.
Roboti, ki jih poganja globoko učenje, uporabljajo posodobitve v realnem času, da zaznajo ovire na svoji poti in hitro uredijo svojo pot.
Uporablja se lahko za prevoz stvari v bolnišnicah, tovarnah, skladiščih, upravljanje zalog, proizvodnjo izdelkov itd.
Roboti Boston Dynamics se odzivajo na ljudi, ko jih potiskajo. Lahko izpraznijo pomivalni stroj, lahko vstanejo, ko padejo, in lahko opravljajo številne druge dejavnosti.
6. Zdravstvo
Zdravniki ne morejo biti s svojimi pacienti XNUMX ur na dan, a ena stvar, ki jo imamo skoraj vedno pri sebi, so naši telefoni.
Poglobljeno učenje omogoča tudi medicinskim tehnologijam, da analizirajo podatke iz slik, ki jih zajamemo, in podatke o gibanju, da odkrijejo morebitne zdravstvene težave.
Program za računalniški vid na primer uporablja te podatke za sledenje bolnikovim vzorcem gibanja za napovedovanje padcev in sprememb v duševnem stanju.
Poglobljeno učenje je bilo uporabljeno tudi za prepoznavanje kožnega raka s pomočjo fotografij in še veliko več.
7. Obdelava naravnega jezika
Razvoj tehnologije obdelave naravnega jezika je robotom omogočil, da berejo komunikacije in iz njih črpajo pomen.
Kljub temu je pristop lahko preveč poenostavljen, saj ne upošteva načinov, na katere se besede združujejo, da bi vplivale na pomen ali namen fraze.
Poglobljeno učenje pomaga procesorjem naravnega jezika prepoznati bolj zapletene vzorce v frazah in zagotoviti natančnejše interpretacije.
8. Računalniški vid
Globoko učenje poskuša ponoviti, kako človeški um obdeluje informacije in prepoznava vzorce, zaradi česar je idealna metoda za usposabljanje aplikacij AI, ki temeljijo na viziji.
Ti sistemi lahko sprejmejo zaporedje označenih nizov fotografij in se naučijo prepoznati predmete, kot so letala, obrazi in orožje z uporabo modeli globokega učenja.
Globoko učenje v akciji
Kako globoko učenje spreminja življenja ljudi, poleg tega, da vaša najljubša storitev pretakanja glasbe priporoča pesmi, ki bi vam bile morda všeč?
Izkazalo se je, da si globoko učenje utira pot v široko paleto aplikacij. Vsakdo, ki uporablja Facebook, bo opazil, da ko objavite nove slike, družabno mesto pogosto prepozna in označi vaše prijatelje.
Digitalni pomočniki, kot so Siri, Cortana, Alexa in Google Now, uporabljajo globoko učenje za obdelavo naravnega jezika in prepoznavanje govora.
Prevajanje v realnem času je na voljo prek Skypa. Številne e-poštne storitve so napredovale v svoji sposobnosti zaznavanja neželene pošte, preden prispejo v mapo »Prejeto«.
PayPal je uporabil globoko učenje za preprečevanje goljufivih plačil. CamFind vam na primer omogoča, da fotografirate kateri koli predmet in s pomočjo mobilne tehnologije vizualnega iskanja ugotovite, kaj je.
Za zagotavljanje rešitev uporablja zlasti Google poglobljeno učenje. AlphaGo, računalniški program, ki ga je razvil Google Deepmind, je premagal trenutne prvake Go.
WaveNet, ki ga je razvil DeepMind, lahko ustvari govor, ki zveni bolj naravno kot trenutno razpoložljivi govorni sistemi. Za prevajanje ustnih in besedilnih jezikov Google Translate uporablja poglobljeno učenje in prepoznavanje slik.
Vsako fotografijo je mogoče prepoznati z Google Planet. Za pomoč pri razvoju aplikacij AI je Google ustvaril Globoko učenje Tensorflow programska baza podatkov.
Prihodnost globokega učenja
Globoko učenje je neizogibna tema med razpravo o tehnologiji. Ni treba posebej poudarjati, da se je globoko učenje razvilo v enega najpomembnejših elementov tehnologije.
Organizacije so bile nekoč edine, ki so se zanimale za tehnologije, kot so AI, globoko učenje, strojno učenje itd. Tudi posamezniki se začnejo zanimati za ta element tehnologije, zlasti za globoko učenje.
Eden od mnogih razlogov, zakaj globoko učenje pritegne toliko pozornosti, je njegova sposobnost, da omogoča boljše odločitve na podlagi podatkov, hkrati pa izboljša natančnost napovedi.
Orodja za razvoj poglobljenega učenja, knjižnice in jeziki bi lahko v nekaj letih zelo postali redni sestavni deli katerega koli kompleta orodij za razvoj programske opreme.
Ti trenutni nabori orodij bodo utrli pot za preprosto načrtovanje, nastavitev in usposabljanje novih modelov.
Preoblikovanje sloga, samodejno označevanje, glasbeno ustvarjanje, in druge naloge bi bilo veliko lažje opraviti s temi veščinami.
Povpraševanje po hitrem kodiranju še nikoli ni bilo večje.
Razvijalci globokega učenja bodo v prihodnosti vse pogosteje uporabljali integrirana, odprta razvojna okolja v oblaku, ki omogočajo dostop do širokega nabora že pripravljenih in priklopnih knjižnic algoritmov.
Globoko učenje ima zelo svetlo prihodnost!
Prednost a nevronska mreža je, da je odličen pri obravnavi velikih količin heterogenih podatkov (pomislite na vse, s čimer se morajo naši možgani ves čas ukvarjati).
To še posebej velja v naši dobi zmogljivih pametnih senzorjev, ki lahko zbirajo ogromne količine podatkov. Tradicionalni računalniški sistemi se trudijo presejati, kategorizirati in izpeljati zaključke iz toliko podatkov.
zaključek
Globoko učenje Pooblastila večina rešitev umetne inteligence (AI), ki lahko izboljšajo avtomatizacijo in analitičnost procesov.
Večina posameznikov vsak dan pride v stik z globokim učenjem, ko uporabljajo internet ali svoje mobilne telefone.
Poglobljeno učenje se uporablja za izdelavo podnapisov za videoposnetke YouTube. Izvedite prepoznavanje glasu na telefonih in pametnih zvočnikih.
Omogočite identifikacijo obraza za slike in omogočite samovozeče avtomobile, med številnimi drugimi uporabami.
In ker se podatkovni znanstveniki in akademiki lotevajo vse bolj zapletenega projekti globokega učenja z uporabo okvirjev globokega učenja, bo tovrstna umetna inteligenca postajala vse pomembnejši del našega vsakdanjega življenja.
Pustite Odgovori