Mục lục[Ẩn giấu][Chỉ]
Khái niệm rằng robot thông minh hơn con người đã chiếm được trí tưởng tượng của tập thể chúng ta từ lâu khi có Khoa học viễn tưởng.
Tuy nhiên, trong khi Trí tuệ nhân tạo (AI) vẫn chưa đạt đến cấp độ đó, chúng tôi đã đạt được những bước đột phá đáng kể trong việc tạo ra trí thông minh máy móc, như đã được chứng minh bằng thử nghiệm của Google, Tesla và Uber với ô tô tự lái.
Khả năng mở rộng và tiện ích của Học sâu, cách tiếp cận Máy học cho phép tiến bộ kỹ thuật này, chịu trách nhiệm một phần cho quá trình chuyển đổi thành công của AI từ các trường đại học và phòng thí nghiệm nghiên cứu sang sản phẩm.
Cuộc cách mạng máy tính tiếp theo sẽ được xây dựng dựa trên trí tuệ nhân tạo, học sâu và học máy.
Những công nghệ này được xây dựng dựa trên khả năng phân biệt các mẫu và sau đó dự báo các sự kiện trong tương lai dựa trên dữ liệu được thu thập trong quá khứ. Điều này giải thích tại sao Amazon đưa ra ý tưởng khi bạn mua hàng trực tuyến hoặc cách Netflix biết bạn thích những bộ phim kinh khủng những năm 1980.
Mặc dù máy tính sử dụng các khái niệm AI đôi khi được gọi là “thông minh”, nhưng phần lớn các hệ thống này không tự học; sự tương tác của con người là bắt buộc.
Các nhà khoa học dữ liệu chuẩn bị đầu vào bằng cách chọn các biến sẽ được áp dụng trong phân tích tiên đoán. Mặt khác, học sâu có thể thực hiện chức năng này một cách tự động.
Bài đăng này phục vụ như một hướng dẫn thực địa cho bất kỳ người yêu thích dữ liệu nào muốn tìm hiểu thêm về học sâu, bề rộng và tiềm năng trong tương lai của nó.
Học sâu là gì?
Học sâu có thể được coi là một tập hợp con của học máy.
Đây là một lĩnh vực được xây dựng dựa trên sự tự học hỏi và cải thiện thông qua việc kiểm tra các thuật toán máy tính.
Học sâu, trái ngược với học máy, hoạt động với mạng thần kinh, được cho là bắt chước cách mọi người suy nghĩ và học tập. Cho đến gần đây, mạng nơ-ron bị hạn chế về độ phức tạp do hạn chế về nguồn điện của máy tính.
Tuy nhiên, những tiến bộ trong phân tích Dữ liệu lớn đã kích hoạt các mạng nơ-ron lớn hơn, mạnh mẽ hơn, cho phép máy tính theo dõi, hiểu và phản ứng với các tình huống phức tạp nhanh hơn con người.
Chúng tôi khuyên bạn nên đọc - Giải thích về kiến trúc mạng thần kinh Tesla
Phân loại hình ảnh, dịch ngôn ngữ và nhận dạng giọng nói đều được hưởng lợi từ học sâu. Nó có thể giải quyết mọi vấn đề về nhận dạng mẫu mà không cần sự tương tác của con người.
Về cơ bản, nó là một lớp ba hoặc nhiều lớp mạng lưới thần kinh. Những mạng lưới thần kinh này tìm cách bắt chước hoạt động của não người, mặc dù với mức độ thành công hạn chế, bằng cách cho phép nó “học” từ khối lượng dữ liệu khổng lồ.
Mặc dù một lớp duy nhất của mạng nơ-ron vẫn có thể tạo ra các dự đoán gần đúng, nhưng nhiều lớp ẩn hơn có thể giúp tối ưu hóa và điều chỉnh độ chính xác.
Mạng thần kinh là gì?
Mạng lưới thần kinh nhân tạo dựa trên mạng lưới thần kinh được nhìn thấy trong não người. Thông thường, một mạng nơ-ron được tạo thành từ ba lớp.
Ba cấp độ là đầu vào, đầu ra và ẩn. Sơ đồ dưới đây cho thấy một mạng nơ-ron đang hoạt động.
Vì mạng nơ-ron được hiển thị ở trên chỉ có một lớp ẩn nên nó được gọi là “mạng nơ-ron nông”.
Nhiều lớp ẩn hơn được thêm vào các hệ thống như vậy để tạo thành các cấu trúc phức tạp hơn.
Deep Network là gì?
Trong một mạng sâu, nhiều lớp ẩn được thêm vào.
Việc đào tạo các thiết kế như vậy ngày càng trở nên phức tạp khi số lượng các lớp ẩn trong mạng tăng lên, không chỉ liên quan đến thời gian cần thiết để đào tạo mạng đúng cách mà còn về các tài nguyên cần thiết.
Một mạng sâu với một đầu vào, bốn lớp ẩn và một đầu ra được hiển thị bên dưới.
Deep Learning hoạt động như thế nào?
Mạng lưới thần kinh được xây dựng từ các lớp nút, tương tự như cách các tế bào thần kinh tạo nên bộ não con người. Các nút lớp riêng lẻ được liên kết với các nút ở các lớp lân cận.
Số lượng các lớp trong một mạng cho biết độ sâu của nó. Một tế bào thần kinh duy nhất trong bộ não con người nhận được hàng ngàn tin nhắn.
Tín hiệu di chuyển giữa các nút trong mạng nơ-ron nhân tạo, mạng này sẽ gán trọng số cho chúng.
Một nút có trọng số cao hơn có tác động lớn hơn đến các nút bên dưới nó. Lớp cuối cùng kết hợp các đầu vào có trọng số để cung cấp đầu ra.
Hệ thống học sâu cần phần cứng mạnh do lượng dữ liệu được xử lý khổng lồ và nhiều phép tính toán học phức tạp liên quan.
Việc tính toán đào tạo sâu, ngay cả với công nghệ phức tạp như vậy, có thể mất hàng tuần.
Hệ thống học sâu yêu cầu một lượng dữ liệu đáng kể để cung cấp những phát hiện chính xác; do đó, thông tin được cung cấp dưới dạng bộ dữ liệu khổng lồ.
Khi xử lý dữ liệu, mạng nơ-ron nhân tạo có thể phân loại thông tin dựa trên các câu trả lời cho một chuỗi các câu hỏi có hoặc sai nhị phân liên quan đến các phép tính toán học rất phức tạp.
Ví dụ: thuật toán nhận dạng khuôn mặt học cách xác định và nhận dạng các cạnh và đường nét của khuôn mặt.
Sau đó, các yếu tố quan trọng hơn của khuôn mặt, và cuối cùng là toàn bộ biểu diễn của khuôn mặt.
Thuật toán tự đào tạo theo thời gian, tăng khả năng trả lời đúng.
Trong tình huống này, thuật toán nhận dạng khuôn mặt sẽ nhận dạng khuôn mặt chính xác hơn theo thời gian.
Học sâu và học máy
Học sâu khác với học máy như thế nào nếu nó là một tập hợp con của nó?
Học sâu khác với học máy truyền thống ở các loại dữ liệu mà nó sử dụng và các phương pháp mà nó sử dụng để học.
Để tạo dự đoán, các thuật toán học máy sử dụng dữ liệu có cấu trúc, được gắn nhãn, có nghĩa là một số đặc điểm nhất định được chỉ định từ dữ liệu đầu vào của mô hình và được nhóm lại thành các bảng.
Điều này không nhất thiết ngụ ý rằng nó không sử dụng dữ liệu phi cấu trúc; thay vào đó, nếu có, nó thường trải qua một số xử lý trước để đưa nó vào một định dạng có cấu trúc.
Học sâu loại bỏ một phần xử lý trước dữ liệu mà học máy thường yêu cầu.
Các thuật toán này có thể nhập và diễn giải dữ liệu phi cấu trúc như văn bản và hình ảnh, cũng như tự động hóa việc trích xuất tính năng, giảm sự phụ thuộc vào các chuyên gia của con người.
Hãy tưởng tượng chúng tôi đã có một bộ sưu tập hình ảnh của các vật nuôi khác nhau mà chúng tôi muốn sắp xếp thành các danh mục như “mèo”, “chó”, “hamster”, v.v.
Các thuật toán học sâu có thể tìm ra những đặc điểm nào (chẳng hạn như đôi tai) là cần thiết nhất trong việc phân tách một loài động vật này với một loài động vật khác. Hệ thống phân cấp tính năng này được xác định theo cách thủ công bởi một chuyên gia về con người trong học máy.
Hệ thống học sâu sau đó thay đổi và tự điều chỉnh cho chính xác thông qua xuống dốc và lan truyền ngược, cho phép nó tạo ra những dự đoán chính xác hơn về ảnh chụp nhanh mới của một con vật.
Ứng dụng học sâu
1 Chatbots
Chatbots có thể khắc phục các sự cố của khách hàng chỉ trong vài giây. Một chatbot là một trí tuệ nhân tạo (AI) công cụ cho phép bạn giao tiếp trực tuyến qua văn bản hoặc chuyển văn bản thành giọng nói.
Nó có thể giao tiếp và thực hiện các hành vi giống như cách con người làm. Chatbots được sử dụng rộng rãi trong dịch vụ khách hàng, tiếp thị truyền thông xã hội và nhắn tin tức thì cho khách hàng.
Nó phản hồi đầu vào của bạn bằng các câu trả lời tự động. Nó tạo ra nhiều hình thức trả lời bằng cách sử dụng kỹ thuật học máy và học sâu.
2. Xe ô tô tự lái
Học sâu là yếu tố chính giúp xe tự lái trở thành hiện thực.
Một triệu bộ dữ liệu được tải vào hệ thống để tạo mô hình, huấn luyện máy học, sau đó đánh giá các phát hiện trong một môi trường an toàn.
Uber Trí tuệ nhân tạo Phòng thí nghiệm ở Pittsburgh không chỉ cố gắng làm cho ô tô không người lái trở nên phổ biến hơn mà còn tích hợp nhiều tính năng thông minh, chẳng hạn như khả năng giao đồ ăn, với việc sử dụng ô tô không người lái.
Nỗi lo cấp bách nhất đối với sự phát triển của phương tiện tự lái là đối phó với những sự kiện không lường trước được.
Một chu kỳ thử nghiệm và triển khai liên tục, điển hình của các thuật toán học sâu, đảm bảo lái xe an toàn vì nó ngày càng tiếp xúc với hàng triệu tình huống.
3. Trợ lý ảo
Trợ lý ảo là các chương trình dựa trên đám mây nhận dạng lệnh thoại bằng ngôn ngữ tự nhiên và thay mặt bạn thực hiện mọi việc.
Các trợ lý ảo như Amazon Alexa, Cortana, Siri và Google Assistant là những ví dụ phổ biến.
Để phát huy hết tiềm năng của mình, họ cần có các thiết bị kết nối internet. Khi một lệnh được đưa cho trợ lý, nó có xu hướng mang lại trải nghiệm tốt hơn dựa trên những lần gặp gỡ trước đây bằng cách sử dụng các thuật toán Deep Learning.
4. Sự giải trí
Các công ty như Netflix, Amazon, YouTube và Spotify cung cấp các đề xuất phim, bài hát và video phù hợp cho khách hàng để cải thiện trải nghiệm của họ.
Deep Learning chịu trách nhiệm cho tất cả những điều này.
Các công ty phát trực tuyến cung cấp các đề xuất về sản phẩm và dịch vụ dựa trên lịch sử duyệt web, sở thích và hoạt động của một người.
Thuật toán học sâu cũng được sử dụng để tạo phụ đề tự động và thêm âm thanh vào phim câm.
5. Người máy
Deep Learning được sử dụng rộng rãi trong việc phát triển các robot có thể thực hiện các công việc giống như con người.
Các robot hỗ trợ Deep Learning sử dụng các bản cập nhật theo thời gian thực để phát hiện các rào cản trên lộ trình của chúng và nhanh chóng sắp xếp khóa học của chúng.
Nó có thể được sử dụng để vận chuyển những thứ trong bệnh viện, nhà máy, nhà kho, quản lý hàng tồn kho, sản xuất sản phẩm, v.v.
Robot Boston Dynamics phản ứng với con người khi họ bị đẩy tới. Họ có thể làm trống máy rửa bát, có thể đứng dậy khi bị ngã và có thể thực hiện nhiều hoạt động khác nhau.
6. chăm sóc sức khỏe
Các bác sĩ không thể ở bên bệnh nhân của họ suốt ngày đêm, nhưng một thứ mà tất cả chúng ta hầu như luôn mang theo bên mình là điện thoại.
Học sâu cũng cho phép các công nghệ y tế phân tích dữ liệu từ hình ảnh chúng ta chụp và dữ liệu chuyển động để khám phá những mối lo ngại tiềm ẩn về sức khỏe.
Ví dụ, chương trình thị giác máy tính của AI sử dụng dữ liệu này để theo dõi các kiểu chuyển động của bệnh nhân để dự báo các cú ngã cũng như những thay đổi trong trạng thái tinh thần.
Học sâu cũng đã được sử dụng để xác định ung thư da bằng cách sử dụng ảnh và nhiều hơn nữa.
7. Xử lý ngôn ngữ tự nhiên
Việc phát triển công nghệ xử lý ngôn ngữ tự nhiên đã cho phép rô bốt đọc thông tin liên lạc và tìm ra ý nghĩa từ chúng.
Tuy nhiên, cách tiếp cận có thể được đơn giản hóa quá mức, không tính đến cách mà các từ kết hợp để ảnh hưởng đến ý nghĩa hoặc mục đích của một cụm từ.
Học sâu giúp các bộ xử lý ngôn ngữ tự nhiên nhận ra các mẫu phức tạp hơn trong các cụm từ và cung cấp các diễn giải chính xác hơn.
8. Thị giác máy tính
Học sâu cố gắng tái tạo cách trí óc con người xử lý thông tin và nhận dạng các mẫu, khiến nó trở thành một phương pháp lý tưởng để đào tạo các ứng dụng AI dựa trên thị giác.
Các hệ thống đó có thể chụp liên tiếp các bộ ảnh được gắn thẻ và học cách nhận dạng các vật phẩm như máy bay, khuôn mặt và vũ khí bằng cách sử dụng mô hình học sâu.
Học sâu trong hành động
Ngoài dịch vụ phát trực tuyến nhạc yêu thích của bạn đề xuất các bài hát bạn có thể thích, thì học sâu thay đổi cuộc sống của mọi người như thế nào?
Hóa ra, học sâu đang được đưa vào một loạt các ứng dụng. Bất kỳ ai sử dụng Facebook sẽ nhận thấy rằng khi bạn đăng hình ảnh mới, trang web xã hội này thường nhận ra và gắn thẻ bạn bè của bạn.
Học sâu được sử dụng để xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói bởi các trợ lý kỹ thuật số như Siri, Cortana, Alexa và Google Hiện hành.
Bản dịch thời gian thực được cung cấp qua Skype. Nhiều dịch vụ email đã nâng cao khả năng phát hiện thư rác trước khi chúng đến được hộp thư đến.
PayPal đã sử dụng học sâu để ngăn chặn các khoản thanh toán gian lận. Ví dụ, CamFind cho phép bạn chụp ảnh bất kỳ đối tượng nào và sử dụng công nghệ tìm kiếm trực quan trên thiết bị di động để xác định vật thể đó là gì.
Học sâu đang được sử dụng để cung cấp các giải pháp của Google nói riêng. AlphaGo, một chương trình máy tính do Google Deepmind phát triển, đã đánh bại các nhà vô địch cờ vây hiện tại.
WaveNet, được phát triển bởi DeepMind, có thể tạo ra giọng nói nghe tự nhiên hơn các hệ thống giọng nói hiện có. Để dịch ngôn ngữ bằng miệng và văn bản, Google Dịch sử dụng tính năng học sâu và nhận dạng hình ảnh.
Mọi bức ảnh có thể được xác định bằng Google Planet. Để hỗ trợ phát triển các ứng dụng AI, Google đã tạo Học sâu Tensorflow cơ sở dữ liệu phần mềm.
Tương lai của Học sâu
Học sâu là một chủ đề không thể tránh khỏi khi thảo luận về công nghệ. Không cần phải nói, học sâu đã phát triển thành một trong những yếu tố quan trọng nhất của công nghệ.
Các tổ chức từng là những tổ chức duy nhất quan tâm đến các công nghệ như AI, học sâu, học máy, v.v. Các cá nhân cũng đang trở nên quan tâm đến yếu tố công nghệ này, đặc biệt là học sâu.
Một trong nhiều lý do khiến học sâu nhận được nhiều sự quan tâm là khả năng cho phép đưa ra các quyết định dựa trên dữ liệu tốt hơn đồng thời cải thiện độ chính xác của dự đoán.
Các công cụ, thư viện và ngôn ngữ phát triển học sâu rất có thể trở thành thành phần thường xuyên của bất kỳ bộ công cụ phát triển phần mềm nào trong một vài năm tới.
Các bộ công cụ hiện tại này sẽ mở đường cho việc thiết kế, thiết lập và đào tạo các mô hình mới đơn giản.
Chuyển đổi phong cách, tự động gắn thẻ, sáng tạo âm nhạcvà các nhiệm vụ khác sẽ dễ thực hiện hơn nhiều với những kỹ năng này.
Nhu cầu về mã hóa nhanh chưa bao giờ lớn hơn thế.
Các nhà phát triển học sâu sẽ ngày càng sử dụng các môi trường phát triển tích hợp, mở, dựa trên đám mây cho phép truy cập vào một loạt các thư viện thuật toán có sẵn và có thể cắm được trong tương lai.
Học sâu có một tương lai rất tươi sáng!
Lợi ích của một mạng lưới thần kinh là nó vượt trội trong việc xử lý một lượng lớn dữ liệu không đồng nhất (nghĩ về mọi thứ mà bộ não của chúng ta phải xử lý, mọi lúc).
Điều này đặc biệt đúng trong thời đại của chúng ta với các cảm biến thông minh mạnh mẽ, có thể thu thập một lượng lớn dữ liệu. Các hệ thống máy tính truyền thống đang phải vật lộn để sàng lọc, phân loại và đưa ra kết luận từ quá nhiều dữ liệu.
Kết luận
Học kĩ càng quyền hạn hầu hết các giải pháp trí tuệ nhân tạo (AI) có thể cải thiện khả năng tự động hóa và phân tích quy trình.
Hầu hết các cá nhân tiếp xúc với học sâu hàng ngày khi họ sử dụng internet hoặc điện thoại di động của họ.
Học sâu được sử dụng để tạo phụ đề cho video YouTube. Tiến hành nhận dạng giọng nói trên điện thoại và loa thông minh.
Cung cấp nhận dạng khuôn mặt cho hình ảnh và cho phép ô tô tự lái, trong số nhiều mục đích sử dụng khác.
Và, khi các nhà khoa học dữ liệu và học giả giải quyết vấn đề ngày càng phức tạp các dự án học sâu sử dụng các khuôn khổ học tập sâu, loại trí tuệ nhân tạo này sẽ ngày càng trở thành một phần quan trọng trong cuộc sống hàng ngày của chúng ta.
Bình luận