Innehållsförteckning[Dölj][Visa]
Konceptet att robotar är smartare än människor har fångat vår kollektiva fantasi så länge som det har funnits Science Fiction.
Men även om artificiell intelligens (AI) ännu inte har nått den nivån, har vi gjort betydande genombrott i att generera maskinintelligens, vilket bevisats av Google, Tesla och Ubers tester med självkörande bilar.
Skalbarheten och användbarheten av Deep Learning, Machine Learning-metoden som möjliggör dessa tekniska framsteg, är delvis ansvarig för AI:s framgångsrika övergång från universitet och forskningslaboratorier till produkter.
Nästa datorrevolution kommer att bygga på artificiell intelligens, djupinlärning och maskininlärning.
Dessa teknologier bygger på förmågan att urskilja mönster och sedan förutsäga framtida händelser baserat på data som samlats in i det förflutna. Detta förklarar varför Amazon skapar idéer när du köper online eller hur Netflix vet att du gillar hemska 1980-talsfilmer.
Även om datorer som använder AI-koncept ibland kallas "smarta", lär sig majoriteten av dessa system inte på egen hand; mänsklig interaktion krävs.
Dataforskare förbereder indata genom att välja de variabler som kommer att tillämpas i prediktiv analys. Deep learning, å andra sidan, kan utföra denna funktion automatiskt.
Det här inlägget fungerar som en fältguide för alla dataälskare som är intresserade av att lära sig mer om djupinlärning, dess bredd och framtida potential.
Vad är Deep Learning?
Deep learning kan ses som en delmängd av maskininlärning.
Det är ett område som bygger på självinlärning och förbättring genom att undersöka datoralgoritmer.
Deep learning, till skillnad från maskininlärning, arbetar med artificiell neurala nätverk, som är tänkta att efterlikna hur människor tänker och lär sig. Fram till nyligen var neurala nätverk begränsade i komplexitet på grund av datorkraftsbegränsningar.
Men framsteg inom Big Data-analys har möjliggjort större, kraftfullare neurala nätverk, vilket gör det möjligt för datorer att övervaka, förstå och svara på komplicerade situationer snabbare än människor.
Vi rekommenderar att läsa - Teslas neurala nätverksarkitektur förklaras
Bildkategorisering, språköversättning och taligenkänning har alla gynnats av djupinlärning. Den kan hantera alla problem med mönsterigenkänning utan behov av mänsklig interaktion.
Det är i huvudsak en tre-eller fler lager neurala nätverk. Dessa neurala nätverk försöker imitera den mänskliga hjärnans aktivitet, om än med begränsad framgång, genom att göra det möjligt för den att "lära sig" av enorma mängder data.
Medan ett enda lager av ett neuralt nätverk fortfarande kan producera ungefärliga förutsägelser, kan fler dolda lager hjälpa till att optimera och justera för noggrannhet.
Vad är neuralt nätverk?
Artificiella neurala nätverk är baserade på neurala nät som ses i den mänskliga hjärnan. Vanligtvis är ett neuralt nätverk uppbyggt av tre lager.
De tre nivåerna är input, output och dold. Ett neuralt nätverk i aktion ses i diagrammet nedan.
Eftersom det neurala nätverket som visas ovan bara har ett dolt lager, kallas det för ett "grunt neuralt nätverk".
Fler dolda lager läggs till sådana system för att bilda mer sofistikerade strukturer.
Vad är Deep Network?
I ett djupt nätverk läggs många dolda lager till.
Att träna sådana konstruktioner blir allt mer komplicerat när antalet dolda lager i nätverket ökar, inte bara när det gäller den tid som krävs för att träna nätverket ordentligt utan också när det gäller de resurser som krävs.
Ett djupt nätverk med en ingång, fyra dolda lager och en utgång visas nedan.
Hur fungerar Deep Learning?
Neurala nätverk är uppbyggda av lager av noder, liknande hur neuroner utgör den mänskliga hjärnan. Enskilda lagernoder är länkade till noder i angränsande lager.
Antalet lager i ett nätverk indikerar dess djup. En enda neuron i mänsklig hjärna tar emot tusentals meddelanden.
Signaler rör sig mellan noder i ett artificiellt neuralt nätverk, som tilldelar dem vikter.
En nod med högre vikt har större inverkan på noderna under den. Det sista lagret kombinerar de viktade ingångarna för att ge en utdata.
Deep learning-system behöver stark hårdvara på grund av den enorma mängden data som hanteras och de många sofistikerade matematiska beräkningarna som är involverade.
Träningsberäkningar för djupinlärning, även med så sofistikerad teknik, kan ta veckor.
System för djupinlärning kräver en betydande mängd data för att ge korrekta resultat; därför matas information i form av massiva datamängder.
Vid bearbetning av data kan artificiella neurala nätverk klassificera information baserat på svar på en sekvens av binära ja eller falska frågor som involverar mycket komplicerade matematiska beräkningar.
En ansiktsigenkänningsalgoritm lär sig till exempel att identifiera och känna igen kanterna och linjerna på ansikten.
Sedan mer betydelsefulla element av ansikten, och så småningom hela representationer av ansikten.
Algoritmen tränar sig själv över tid, vilket ökar sannolikheten för rätt svar.
I den här situationen kommer ansiktsigenkänningsalgoritmen att känna igen ansikten mer korrekt med tiden.
Deep Learning VS Machine Learning
Hur skiljer sig djupinlärning från maskininlärning om det är en delmängd av det?
Deep learning skiljer sig från traditionell maskininlärning i de typer av data den använder och de metoder den använder för att lära sig.
För att skapa förutsägelser använder maskininlärningsalgoritmer strukturerad, märkt data, vilket innebär att vissa egenskaper specificeras från modellens indata och grupperas i tabeller.
Detta innebär inte nödvändigtvis att den inte använder ostrukturerad data; snarare, om den gör det, går den vanligtvis igenom en viss förbearbetning för att lägga den i ett strukturerat format.
Deep learning gör bort en del av den dataförbearbetning som maskininlärning i allmänhet innebär.
Dessa algoritmer kan ta in och tolka ostrukturerad data som text och bilder, samt automatisera funktionsextraktion, vilket minskar beroendet av mänskliga specialister.
Låt oss föreställa oss att vi hade en samling bilder av olika husdjur som vi ville organisera i kategorier som "katt", "hund", "hamster" och så vidare.
Algoritmer för djupinlärning kan ta reda på vilka egenskaper (som öron) som är viktigast för att skilja ett djur från ett annat. Denna funktionshierarki bestäms manuellt av en mänsklig specialist inom maskininlärning.
Det djupa inlärningssystemet förändras sedan och passar sig för noggrannhet via lutning nedstigning och backpropagation, vilket gör att den kan generera mer exakta förutsägelser om en ny ögonblicksbild av ett djur.
Deep Learning-applikationer
1. chatbots
Chatbots kan fixa klientproblem på några sekunder. En chatbot är en artificiell intelligens (AI)-verktyg som låter dig kommunicera online via text eller text-till-tal.
Den kan kommunicera och utföra handlingar på samma sätt som människor gör. Chatbots används ofta i kundtjänst, marknadsföring på sociala medier och snabbmeddelanden till kunder.
Den svarar på dina inmatningar med automatiska svar. Det genererar många former av svar med hjälp av maskininlärning och tekniker för djupinlärning.
2. Självkörande bilar
Deep Learning är den primära faktorn bakom att självkörande bilar blir verklighet.
En miljon datamängder laddas in i ett system för att skapa en modell, träna maskinerna att lära sig, och utvärdera sedan resultaten i en säker miljö.
Uber Artificiell intelligens Labs i Pittsburgh försöker inte bara göra förarlösa bilar vanligare utan också att integrera många smarta funktioner, såsom matleveransmöjligheter, med användningen av förarlösa bilar.
Den mest brådskande oro för utveckling av självkörande fordon är att hantera oförutsedda händelser.
En kontinuerlig cykel av testning och implementering, typisk för algoritmer för djupinlärning, säkerställer säker körning eftersom den utsätts för miljontals scenarier mer och mer.
3. Virtuell assistent
Virtuella assistenter är molnbaserade program som känner igen naturliga röstkommandon och gör saker för din räkning.
Virtuella assistenter som Amazon Alexa, Cortana, Siri och Google Assistant är vanliga exempel.
För att utnyttja sin potential fullt ut behöver de internetanslutna enheter. När ett kommando ges till assistenten tenderar det att ge en bättre upplevelse baserat på tidigare möten med hjälp av Deep Learning-algoritmer.
4. Underhållning
Företag som Netflix, Amazon, YouTube och Spotify tillhandahåller lämpliga film-, sång- och videoförslag till sina kunder för att förbättra deras upplevelse.
Deep Learning är ansvarig för allt detta.
Onlinestreamingföretag tillhandahåller produkt- och tjänstrekommendationer baserat på en persons surfhistorik, intressen och aktivitet.
Algoritmer för djupinlärning används också för att producera undertexter automatiskt och lägga till ljud till stumfilmer.
5. Robotik
Deep Learning är flitigt använt för att utveckla robotar som kan utföra människoliknande jobb.
Deep Learning-drivna robotar använder realtidsuppdateringar för att upptäcka hinder i sin rutt och snabbt ordna sin kurs.
Den kan användas för att transportera saker på sjukhus, fabriker, lager, lagerhantering, produkttillverkning och så vidare.
Boston Dynamics-robotar reagerar på människor när de knuffas omkring. De kan tömma en diskmaskin, de kan resa sig upp när de faller och de kan utföra en mängd andra aktiviteter.
6. Sjukvård
Läkare kan inte vara med sina patienter dygnet runt, men en sak vi alla praktiskt taget alltid har med oss är våra telefoner.
Deep learning tillåter också medicinsk teknik att analysera data från bilder vi tar och rörelsedata för att avslöja potentiella hälsoproblem.
AI:s datorseendeprogram, till exempel, använder dessa data för att följa en patients rörelsemönster för att förutse fall såväl som förändringar i ett mentalt tillstånd.
Deep learning har också använts för att identifiera hudcancer med hjälp av foton och många fler.
7. Naturlig språkbehandling
Utvecklingen av naturlig språkbehandlingsteknologi har gjort det möjligt för robotar att läsa kommunikationer och få mening ur dem.
Icke desto mindre kan tillvägagångssättet vara alltför förenklat, utan att ta hänsyn till de sätt på vilka ord förenas för att påverka meningen eller syftet med en fras.
Deep learning hjälper naturliga språkprocessorer att känna igen mer komplexa mönster i fraser och leverera mer exakta tolkningar.
8. Datorseende
Deep learning försöker replikera hur det mänskliga sinnet bearbetar information och känner igen mönster, vilket gör det till en idealisk metod för att träna synbaserade AI-tillämpningar.
Dessa system kan ta in en rad taggade fotoset och lära sig känna igen föremål som flygplan, ansikten och vapen med hjälp av modeller för djupinlärning.
Djupt lärande i aktion
Bortsett från att din favoritmusikstreamingtjänst rekommenderar låtar som du kanske gillar, hur förändrar djupinlärning människors liv?
Det visar sig att djupinlärning är på väg in i ett brett spektrum av tillämpningar. Alla som använder Facebook kommer att märka att när du lägger upp nya bilder känner den sociala sidan ofta igen och taggar dina kompisar.
Deep learning används för naturlig språkbehandling och taligenkänning av digitala assistenter som Siri, Cortana, Alexa och Google Now.
Realtidsöversättning tillhandahålls via Skype. Många e-posttjänster har utvecklat sin förmåga att upptäcka skräppostmeddelanden innan de når inkorgen.
PayPal har använt djupinlärning för att förhindra bedrägliga betalningar. CamFind, till exempel, låter dig ta ett foto av vilket objekt som helst och med hjälp av mobil visuell sökteknik avgöra vad det är.
Deep learning används för att tillhandahålla lösningar av särskilt Google. AlphaGo, ett datorprogram som utvecklats av Google Deepmind, har slagit bort nuvarande Go-mästare.
WaveNet, utvecklat av DeepMind, kan skapa tal som låter mer naturligt än för närvarande tillgängliga talsystem. För att översätta muntliga och textliga språk använder Google Translate djupinlärning och bildigenkänning.
Alla foton kan identifieras med Google Planet. För att hjälpa till att utveckla AI-applikationer skapade Google Tensorflow djupinlärning programvara databas.
Future of Deep Learning
Deep learning är ett oundvikligt ämne när man diskuterar teknik. Det behöver inte sägas att djupinlärning har utvecklats till en av teknikens mest avgörande beståndsdelar.
Organisationer brukade vara de enda som var intresserade av teknik som AI, djupinlärning, maskininlärning och så vidare. Även individer börjar bli intresserade av denna del av tekniken, särskilt djupinlärning.
En av många anledningar till att djupinlärning får så mycket uppmärksamhet är dess förmåga att tillåta bättre datadrivna beslut samtidigt som prediktionsnoggrannheten förbättras.
Utvecklingsverktyg för djupinlärning, bibliotek och språk kan mycket väl bli vanliga komponenter i alla verktyg för mjukvaruutveckling inom några år.
Dessa nuvarande verktygsuppsättningar kommer att bana väg för enkel design, installation och utbildning av nya modeller.
Stilomvandling, automatisk märkning, musikskapande, och andra uppgifter skulle vara mycket lättare att göra med dessa färdigheter.
Efterfrågan på snabb kodning har aldrig varit större.
Deep learning-utvecklare kommer i allt högre grad att använda integrerade, öppna, molnbaserade utvecklingsmiljöer som ger tillgång till ett brett utbud av standard- och pluggbara algoritmbibliotek i framtiden.
Deep learning har en mycket ljus framtid!
Fördelen med en neurala nätverk är att den utmärker sig på att hantera stora mängder heterogen data (tänk på allt våra hjärnor måste hantera, hela tiden).
Detta gäller särskilt i vår tid av kraftfulla smarta sensorer, som kan samla in enorma mängder data. Traditionella datorsystem kämpar för att sålla, kategorisera och dra slutsatser från så mycket data.
Slutsats
Djup lärning befogenheter de flesta av lösningarna för artificiell intelligens (AI) som kan förbättra automatisering och analytisk processer.
De flesta individer kommer i kontakt med djupinlärning dagligen när de använder internet eller sina mobiltelefoner.
Deep learning används för att producera undertexter för YouTube-videor. Genomför röstigenkänning på telefoner och smarta högtalare.
Ge ansiktsidentifiering för bilder och tillåt självkörande bilar, bland många andra användningsområden.
Och som datavetare och akademiker tar itu med allt mer komplicerat djupa lärandeprojekt med hjälp av ramar för djupinlärning, kommer denna typ av artificiell intelligens att bli en allt viktigare del av vårt dagliga liv.
Kommentera uppropet