Co je hluboké učení?

Hluboké učení je zvláštní podmnožinou strojové učení (mechanika umělé inteligence). I když se tato větev programování může stát velmi složitou, začalo to velmi jednoduchou otázkou: „Pokud chceme, aby počítačový systém fungoval inteligentně, proč jej nenamodelujeme podle lidského mozku?

Tato myšlenka vyvolala v minulých desetiletích mnoho úsilí o vytvoření algoritmů, které napodobují způsob, jakým funguje lidský mozek – a které by mohly řešit problémy tak, jak to dělali lidé. Toto úsilí přineslo cenné, stále kompetentnější analytické nástroje, které se používají v mnoha různých oblastech.

Neuronová síť a jak se používá

Hluboké učení získává svůj název podle toho, jak se používá k analýze „nestrukturovaných“ dat nebo dat, která dříve nebyla označena jiným zdrojem a mohou vyžadovat definici. To vyžaduje pečlivou analýzu toho, jaká data jsou, a opakované testy těchto dat, abychom skončili s konečným použitelným závěrem. Počítače nejsou tradičně dobré v analýze nestrukturovaných dat, jako je tato.

Přemýšlejte o tom z hlediska psaní: Pokud by deset lidí napsalo stejné slovo, vypadalo by toto slovo u každého člověka velmi odlišně, od nedbalého po úhledné a od psacího písma po tisk. Lidský mozek nemá problém pochopit, že je to všechno totéž slovo, protože ví, jak fungují slova, psaní, papír, inkoust a osobní vrtochy. Normální počítačový systém by však neměl žádný způsob, jak poznat, že tato slova jsou stejná, protože všechna vypadají tak odlišně.

To nás přivádí k via neuronové sítě, algoritmy speciálně vytvořené k napodobování způsobu interakce neuronů v mozku. Neuronové sítě se pokoušejí analyzovat data tak, jak to dokáže mysl: Jejich cílem je vypořádat se s chaotickými daty – jako je psaní – a vyvozovat užitečné závěry, jako jsou slova, která se psaní pokouší ukázat. Nejjednodušší je to pochopit neuronové sítě pokud je rozdělíme na tři důležité části:

Vstupní vrstva: Na vstupní vrstvě neuronová síť absorbuje všechna nezařazená data, která jsou jí dána. To znamená rozdělit informace na čísla a přeměnit je na kousky dat ano-ne, neboli „neurony“. Pokud byste chtěli naučit neuronovou síť rozpoznávat slova, pak by vstupní vrstva byla matematicky definování tvaru každého písmene, jeho rozdělení do digitálního jazyka, aby síť mohla začít pracovní. Vstupní vrstva může být docela jednoduchá nebo neuvěřitelně složitá v závislosti na tom, jak snadné je něco matematicky znázornit.

Skryté vrstvy: Ve středu neuronové sítě jsou skryté vrstvy – kdekoli od jedné po mnoho. Tyto vrstvy jsou vyrobeny z vlastních digitálních neuronů, které jsou navrženy tak, aby se aktivovaly nebo neaktivovaly na základě vrstvy neuronů, která je předchází. Jediný neuron je základní „když tohle, tak tamto“ ale vrstvy jsou tvořeny dlouhými řetězci neuronů a mnoho různých vrstev se může vzájemně ovlivňovat a vytvářet tak velmi složité výsledky. Cílem je umožnit neuronové síti rozpoznat mnoho různých funkcí a spojit je do jediné realizace, jako dítě naučit se rozpoznávat každé písmeno a pak je skládat dohromady, aby bylo možné rozpoznat celé slovo, i když je to slovo napsané málo nedbalý.

Ve skrytých vrstvách také probíhá spousta tréninku hlubokého učení. Pokud například algoritmus nedokázal přesně rozpoznat slovo, programátoři pošlou zpět: „Promiň, to není správné,“ a algoritmus upravoval způsob vážení dat, dokud nenašel správná odpovědi. Opakování tohoto procesu (programátoři mohou váhy upravovat i ručně) umožňuje neuronové síti vybudovat robustní skryté vrstvy, které jsou zběhlý v hledání správných odpovědí pomocí mnoha pokusů a omylů a navíc s některými vnějšími instrukcemi – opět podobně jako lidský mozek funguje. Jak ukazuje obrázek výše, skryté vrstvy mohou být velmi složité!

Výstupní vrstva: Výstupní vrstva má relativně málo „neuronů“, protože se v ní dělají konečná rozhodnutí. Zde neuronová síť aplikuje konečnou analýzu, stanoví definice pro data a na základě těchto definic vyvodí naprogramované závěry. Například: „Dost datových řádků na to, abychom řekli, že toto slovo je jezero, ne pruh.“ Všechna data, která procházejí sítí, se nakonec zúží na konkrétní neurony ve výstupní vrstvě. Vzhledem k tomu, že zde dochází k realizaci cílů, je to často jedna z prvních částí vytvořené sítě.

Aplikace

Pokud používáte moderní technologii, je velká šance, že algoritmy hlubokého učení fungují všude kolem vás každý den. Jak si myslíte, že Alexa nebo Google Assistant rozumíte vašim hlasovým příkazům? Používají neuronové sítě, které byly vytvořeny pro porozumění řeči. Jak Google ví, co hledáte, než dokončíte psaní? Více hlubokého učení v práci. Jak vaše bezpečnostní kamera ignoruje domácí mazlíčky, ale rozpoznává lidský pohyb? Ještě jednou hluboké učení.

Kdykoli tento software rozpozná lidské vstupy, od Rozpoznávání obličeje pro hlasové asistenty, hluboké učení pravděpodobně funguje někde pod ním. Obor má však i mnoho dalších užitečných aplikací. Medicína je obzvláště slibná oblast, kde se pokročilé hluboké učení používá k analýze DNA na chyby nebo molekulární sloučeniny pro potenciální zdravotní přínosy. Ve více fyzické rovině se hluboké učení používá v rostoucím počtu strojů a vozidel k předvídání, kdy zařízení potřebuje údržbu, než se něco vážně pokazí.

Budoucnost hlubokého učení

Budoucnost hlubokého učení je obzvláště jasná! Na neuronové síti je skvělé, že vyniká v práci s obrovským množstvím nesourodých dat (myslete na všechno, s čím se musí náš mozek neustále potýkat). To je zvláště důležité v naší éře pokročilých chytrých senzorů, které dokážou shromáždit neuvěřitelné množství informací. Tradiční počítačová řešení se začínají potýkat s tříděním, označováním a vyvozováním závěrů z tolika dat.

Hluboké učení si na druhou stranu dokáže poradit s digitálními horami dat, která shromažďujeme. Ve skutečnosti, čím větší je množství dat, tím efektivnější je hluboké učení ve srovnání s jinými metodami analýzy. To je důvod, proč organizace jako Google investovat tolik do algoritmů hlubokého učenía proč se pravděpodobně v budoucnu stanou běžnějšími.

A samozřejmě roboti. Nikdy nezapomeňme na roboty.

Doporučení redakce

• Hluboké učení A.I. pomáhá archeologům překládat starověké tabulky
• Hluboké učení A.I. dokáže napodobit zkreslené efekty ikonických kytarových bohů
• Čtení myšlenek A.I. analyzuje vaše mozkové vlny, aby odhadla, jaké video sledujete
• Tato aplikace založená na A.I. dokáže rozpoznat rakovinu kůže s 95procentní přesností
• A.I. výzkumníci vytvořili systém rozpoznávání obličeje pro šimpanze