Какво е Deep Learning?

Дълбокото обучение е специално подмножество от машинно обучение (механиката на изкуствения интелект). Докато този клон на програмирането може да стане много сложен, той започна с много прост въпрос: „Ако искаме една компютърна система да действа интелигентно, защо не я моделираме след човешкия мозък?“

Тази една мисъл породи много усилия през последните десетилетия за създаване на алгоритми, които имитират начина, по който работи човешкият мозък - и които биха могли да разрешават проблемите по начина, по който хората го правят. Тези усилия дадоха ценни, все по-компетентни инструменти за анализ, които се използват в много различни области.

Невронната мрежа и как се използва

Дълбоко обучение получава името си от начина, по който се използва за анализиране на „неструктурирани“ данни или данни, които не са били етикетирани преди това от друг източник и може да се нуждаят от дефиниция. Това изисква внимателен анализ на това какви са данните и многократни тестове на тези данни, за да се стигне до окончателно, използваемо заключение. Компютрите традиционно не са добри в анализирането на неструктурирани данни като този.

Помислете за това от гледна точка на писане: ако накарате десет души да напишат една и съща дума, тази дума ще изглежда много различно от всеки човек, от небрежна до спретната и от курсив до печат. Човешкият мозък няма проблем да разбере, че това е една и съща дума, защото той знае как работят думите, писането, хартията, мастилото и личните странности. Една нормална компютърна система обаче не би имала начин да разбере, че тези думи са еднакви, защото всички изглеждат толкова различни.

Това ни води до via невронни мрежи, алгоритмите, специално създадени да имитират начина, по който си взаимодействат невроните в мозъка. Невронните мрежи се опитват да анализират данни по начина, по който умът може: Тяхната цел е да се справят с объркани данни - като писане - и да извлекат полезни заключения, като думите, които писането се опитва да покаже. Най-лесно е да се разбере невронни мрежи ако ги разделим на три важни части:

Входният слой: На входния слой невронната мрежа абсорбира всички некласифицирани данни, които са й дадени. Това означава разбиването на информацията на числа и превръщането им в битове данни с „да или не“ или „неврони“. Ако искате да научите невронна мрежа да разпознава думи, тогава входният слой ще бъде математически дефиниране на формата на всяка буква, разбиването й на цифров език, за да може мрежата да стартира работещ. Входният слой може да бъде доста прост или невероятно сложен, в зависимост от това колко лесно е да се представи нещо математически.

Скритите слоеве: В центъра на невронната мрежа има скрити слоеве – от един до много. Тези слоеве са направени от собствени дигитални неврони, които са проектирани да се активират или не въз основа на слоя от неврони, който ги предхожда. Единичен неврон е основен „ако това, тогава онова“.“ модел, но слоевете са направени от дълги вериги от неврони и много различни слоеве могат да си влияят един на друг, създавайки много сложни резултати. Целта е да се позволи на невронната мрежа да разпознае много различни функции и да ги комбинира в една реализация, като дете да се научите да разпознавате всяка буква и след това да ги формирате заедно, за да разпознаете пълна дума, дори ако тази дума е написана малко помия.

Скритите слоеве също са мястото, където се провеждат много обучения за дълбоко обучение. Например, ако алгоритъмът не успее да разпознае точно дума, програмистите изпращат обратно: „Съжалявам, това не е правилно“ и алгоритъмът ще коригира начина, по който претегля данните, докато намери правилното отговори. Повтарянето на този процес (програмистите могат също да коригират теглата ръчно) позволява на невронната мрежа да изгради стабилни скрити слоеве, които са умен в търсенето на правилните отговори чрез много проби и грешки плюс някои външни инструкции - отново, подобно на начина, по който човешкият мозък върши работа. Както показва изображението по-горе, скритите слоеве могат да станат много сложни!

Изходният слой: Изходният слой има относително малко „неврони“, защото там се вземат окончателните решения. Тук невронната мрежа прилага окончателния анализ, установява дефиниции за данните и прави програмирани заключения въз основа на тези дефиниции. Например, „Достатъчно редове с данни, за да се каже, че тази дума е езеро, не платно.” В крайна сметка всички данни, които преминават през мрежата, се ограничават до специфични неврони в изходния слой. Тъй като това е мястото, където се реализират целите, често това е една от първите части на мрежата, създадена.

Приложения

Ако използвате модерна технология, има голяма вероятност алгоритмите за дълбоко обучение да работят навсякъде около вас, всеки ден. Как смятате Алекса или Google Assistant разбирам гласовите ви команди? Те използват невронни мрежи, които са изградени да разбират речта. Как Google знае какво търсите, преди да сте приключили с въвеждането? По-задълбочено обучение по време на работа. Как вашата охранителна камера игнорира домашни любимци, но разпознава човешко движение? Задълбочено обучение отново.

Всеки път, когато този софтуер разпознае човешки входове, от лицево разпознаване за гласовите асистенти дълбокото обучение вероятно работи някъде отдолу. Полето обаче има и много други полезни приложения. Медицината е особено обещаваща област, където усъвършенстваното дълбоко обучение се използва за анализиране на ДНК за недостатъци или молекулярни съединения за потенциални ползи за здравето. На по-физически фронт дълбокото обучение се използва в нарастващ брой машини и превозни средства, за да се предвиди кога оборудването се нуждае от поддръжка, преди нещо да се обърка сериозно.

Бъдещето на дълбокото обучение

Бъдещето на дълбокото обучение е особено светло! Страхотното нещо на невронната мрежа е, че тя превъзхожда работата си с огромно количество различни данни (помислете за всичко, с което мозъците ни трябва да се справят през цялото време). Това е особено важно в нашата ера на усъвършенствани интелигентни сензори, които могат да събират невероятно количество информация. Традиционните компютърни решения започват да се борят със сортирането, етикетирането и правенето на заключения от толкова много данни.

Дълбокото обучение, от друга страна, може да се справи с цифровите планини от данни, които събираме. Всъщност колкото по-голямо е количеството данни, толкова по-ефективно става дълбокото обучение в сравнение с други методи за анализ. Ето защо организации като Google инвестират толкова много в алгоритми за дълбоко обучениеи защо те вероятно ще станат по-често срещани в бъдеще.

И, разбира се, роботите. Нека никога не забравяме за роботите.

Препоръки на редакторите

• ИИ за дълбоко обучение помага на археолозите да преведат древни плочи
• Дълбоко обучение A.I. може да имитира ефектите на изкривяване на емблематичните китарни богове
• ИИ за четене на мисли анализира мозъчните ви вълни, за да познае какво видео гледате
• Това базирано на AI приложение може да забележи рак на кожата с 95 процента точност
• ИИ изследователи създават система за лицево разпознаване на шимпанзета