Τι είναι το Deep Learning;

Η βαθιά μάθηση είναι ένα συγκεκριμένο υποσύνολο του μηχανική μάθηση (η μηχανική της τεχνητής νοημοσύνης). Ενώ αυτός ο κλάδος του προγραμματισμού μπορεί να γίνει πολύ περίπλοκος, ξεκίνησε με μια πολύ απλή ερώτηση: "Αν θέλουμε ένα σύστημα υπολογιστή να λειτουργεί έξυπνα, γιατί δεν το μοντελοποιούμε σύμφωνα με τον ανθρώπινο εγκέφαλο;"

Αυτή η σκέψη γέννησε πολλές προσπάθειες τις προηγούμενες δεκαετίες για τη δημιουργία αλγορίθμων που μιμούνται τον τρόπο που λειτουργούσε ο ανθρώπινος εγκέφαλος - και που θα μπορούσαν να λύσουν προβλήματα με τον τρόπο που έκαναν οι άνθρωποι. Αυτές οι προσπάθειες έχουν αποφέρει πολύτιμα, όλο και πιο ικανά εργαλεία ανάλυσης που χρησιμοποιούνται σε πολλούς διαφορετικούς τομείς.

Το νευρωνικό δίκτυο και πώς χρησιμοποιείται

Βαθιά μάθηση παίρνει το όνομά του από τον τρόπο που χρησιμοποιείται για την ανάλυση «μη δομημένων» δεδομένων ή δεδομένων που δεν έχουν προηγουμένως επισημανθεί από άλλη πηγή και μπορεί να χρειάζονται ορισμό. Αυτό απαιτεί προσεκτική ανάλυση του τι είναι τα δεδομένα και επαναλαμβανόμενες δοκιμές αυτών των δεδομένων για να καταλήξουν σε ένα τελικό, χρησιμοποιήσιμο συμπέρασμα. Οι υπολογιστές δεν είναι παραδοσιακά καλοί στην ανάλυση μη δομημένων δεδομένων όπως αυτό.

Σκεφτείτε το από την άποψη της γραφής: Αν είχατε δέκα άτομα να γράφουν την ίδια λέξη, αυτή η λέξη θα έμοιαζε πολύ διαφορετική από κάθε άτομο, από ατημέλητη έως τακτοποιημένη και από καμπύλη σε τυπωμένη. Ο ανθρώπινος εγκέφαλος δεν έχει κανένα πρόβλημα να καταλάβει ότι είναι η ίδια λέξη, γιατί ξέρει πώς λειτουργούν οι λέξεις, η γραφή, το χαρτί, το μελάνι και οι προσωπικές ιδιορρυθμίες. Ένα κανονικό σύστημα υπολογιστή, ωστόσο, δεν θα μπορούσε να γνωρίζει ότι αυτές οι λέξεις είναι ίδιες, επειδή όλες φαίνονται τόσο διαφορετικές.

Αυτό μας φέρνει στο via νευρωνικά δίκτυα, οι αλγόριθμοι που δημιουργήθηκαν ειδικά για να μιμηθούν τον τρόπο με τον οποίο αλληλεπιδρούν οι νευρώνες στον εγκέφαλο. Τα νευρωνικά δίκτυα προσπαθούν να αναλύσουν τα δεδομένα με τον τρόπο που μπορεί ένα μυαλό: Ο στόχος τους είναι να αντιμετωπίζουν ακατάστατα δεδομένα - όπως η γραφή - και να βγάλουν χρήσιμα συμπεράσματα, όπως οι λέξεις που προσπαθεί να δείξει η γραφή. Είναι πιο εύκολο να το καταλάβεις νευρωνικά δίκτυα αν τα χωρίσουμε σε τρία σημαντικά μέρη:

Το στρώμα εισόδου: Στο επίπεδο εισόδου, το νευρωνικό δίκτυο απορροφά όλα τα μη ταξινομημένα δεδομένα που του δίνονται. Αυτό σημαίνει διάσπαση των πληροφοριών σε αριθμούς και μετατροπή τους σε κομμάτια δεδομένων ναι-ή-όχι, ή «νευρώνες». Εάν θέλετε να διδάξετε σε ένα νευρωνικό δίκτυο να αναγνωρίζει λέξεις, τότε το επίπεδο εισόδου θα ήταν μαθηματικά ορίζοντας το σχήμα κάθε γράμματος, αναλύοντάς το σε ψηφιακή γλώσσα ώστε να ξεκινήσει το δίκτυο εργαζόμενος. Το επίπεδο εισόδου μπορεί να είναι αρκετά απλό ή απίστευτα πολύπλοκο, ανάλογα με το πόσο εύκολο είναι να αναπαραστήσετε κάτι μαθηματικά.

Τα κρυφά στρώματα: Στο κέντρο του νευρωνικού δικτύου υπάρχουν κρυφά στρώματα — οπουδήποτε από ένα έως πολλά. Αυτά τα στρώματα αποτελούνται από τους δικούς τους ψηφιακούς νευρώνες, οι οποίοι είναι σχεδιασμένοι να ενεργοποιούν ή να μην ενεργοποιούνται με βάση το στρώμα των νευρώνων που προηγείται. Ένας μεμονωμένος νευρώνας είναι ένα βασικό «αν αυτό, τότε εκείνο“ μοντέλο, αλλά τα στρώματα αποτελούνται από μακριές αλυσίδες νευρώνων και πολλά διαφορετικά στρώματα μπορούν να επηρεάσουν το ένα το άλλο, δημιουργώντας πολύ περίπλοκα αποτελέσματα. Ο στόχος είναι να επιτραπεί στο νευρωνικό δίκτυο να αναγνωρίσει πολλά διαφορετικά χαρακτηριστικά και να τα συνδυάσει σε μια ενιαία υλοποίηση, όπως ένα παιδί μαθαίνοντας να αναγνωρίζετε κάθε γράμμα και στη συνέχεια να τα σχηματίζετε μαζί για να αναγνωρίζετε μια πλήρη λέξη, ακόμα κι αν αυτή η λέξη είναι γραμμένη λίγο τσαπατσούλης.

Τα κρυφά επίπεδα είναι επίσης όπου συνεχίζεται πολλή εκπαίδευση σε βάθος. Για παράδειγμα, εάν ο αλγόριθμος απέτυχε να αναγνωρίσει με ακρίβεια μια λέξη, οι προγραμματιστές στέλνουν πίσω, "Συγγνώμη, αυτό δεν είναι σωστό» και ο αλγόριθμος θα προσάρμοζε τον τρόπο με τον οποίο ζύγιζε τα δεδομένα μέχρι να βρει τα σωστά απαντήσεις. Η επανάληψη αυτής της διαδικασίας (οι προγραμματιστές μπορούν επίσης να προσαρμόσουν τα βάρη χειροκίνητα) επιτρέπει στο νευρωνικό δίκτυο να δημιουργήσει ισχυρά κρυφά επίπεδα που είναι έμπειρος στην αναζήτηση των σωστών απαντήσεων μέσω πολλών δοκιμών και σφαλμάτων συν, μερικές εξωτερικές οδηγίες - και πάλι, όπως ο ανθρώπινος εγκέφαλος έργα. Όπως δείχνει η παραπάνω εικόνα, τα κρυφά επίπεδα μπορεί να γίνουν πολύ περίπλοκα!

Το στρώμα εξόδου: Το επίπεδο εξόδου έχει σχετικά λίγους «νευρώνες», επειδή εκεί λαμβάνονται οι τελικές αποφάσεις. Εδώ το νευρωνικό δίκτυο εφαρμόζει την τελική ανάλυση, καταλήγει σε ορισμούς για τα δεδομένα και εξάγει τα προγραμματισμένα συμπεράσματα με βάση αυτούς τους ορισμούς. Για παράδειγμα, «Αρκετά από τα δεδομένα είναι αρκετά για να πούμε ότι αυτή η λέξη είναι λίμνη, δεν λωρίδα.» Τελικά όλα τα δεδομένα που περνούν μέσα από το δίκτυο περιορίζονται σε συγκεκριμένους νευρώνες στο επίπεδο εξόδου. Δεδομένου ότι εδώ πραγματοποιούνται οι στόχοι, είναι συχνά ένα από τα πρώτα μέρη του δικτύου που δημιουργείται.

Εφαρμογές

Εάν χρησιμοποιείτε σύγχρονη τεχνολογία, οι πιθανότητες είναι καλές οι αλγόριθμοι βαθιάς μάθησης να λειτουργούν παντού γύρω σας, κάθε μέρα. Πώς νομίζετε Alexa ή Βοηθός Google καταλαβαίνετε τις φωνητικές σας εντολές; Χρησιμοποιούν νευρωνικά δίκτυα που έχουν κατασκευαστεί για την κατανόηση της ομιλίας. Πώς ξέρει η Google τι ψάχνετε προτού ολοκληρώσετε την πληκτρολόγηση; Πιο βαθιά μάθηση στην εργασία. Πώς η κάμερα ασφαλείας σας αγνοεί τα κατοικίδια αλλά αναγνωρίζει την ανθρώπινη κίνηση; Βαθιά μάθηση για άλλη μια φορά.

Κάθε φορά που το λογισμικό αναγνωρίζει ανθρώπινες εισροές, από αναγνώριση προσώπου για τους βοηθούς φωνής, η βαθιά εκμάθηση είναι πιθανότατα να λειτουργεί κάπου από κάτω. Ωστόσο, το πεδίο έχει και πολλές άλλες χρήσιμες εφαρμογές. Η ιατρική είναι ένας ιδιαίτερα πολλά υποσχόμενος τομέας, όπου η προηγμένη βαθιά μάθηση χρησιμοποιείται για την ανάλυση του DNA για ελαττώματα ή μοριακές ενώσεις για πιθανά οφέλη για την υγεία. Σε πιο φυσικό μέτωπο, η βαθιά εκμάθηση χρησιμοποιείται σε έναν αυξανόμενο αριθμό μηχανών και οχημάτων για να προβλέψει πότε ο εξοπλισμός χρειάζεται συντήρηση πριν κάτι πάει σοβαρά στραβά.

Το μέλλον της βαθιάς μάθησης

Το μέλλον της βαθιάς μάθησης είναι ιδιαίτερα λαμπρό! Το σπουδαίο με ένα νευρωνικό δίκτυο είναι ότι διαπρέπει στο να ασχολείται με έναν τεράστιο όγκο ανόμοιων δεδομένων (σκεφτείτε όλα όσα έχει να αντιμετωπίσει ο εγκέφαλός μας, όλη την ώρα). Αυτό είναι ιδιαίτερα σημαντικό στην εποχή μας των προηγμένων έξυπνων αισθητήρων, οι οποίοι μπορούν να συγκεντρώσουν απίστευτη ποσότητα πληροφοριών. Οι παραδοσιακές λύσεις υπολογιστών αρχίζουν να παλεύουν με την ταξινόμηση, την επισήμανση και την εξαγωγή συμπερασμάτων από τόσα πολλά δεδομένα.

Η βαθιά μάθηση, από την άλλη πλευρά, μπορεί να αντιμετωπίσει τα ψηφιακά βουνά δεδομένων που συλλέγουμε. Στην πραγματικότητα, όσο μεγαλύτερος είναι ο όγκος των δεδομένων, τόσο πιο αποτελεσματική γίνεται η βαθιά μάθηση σε σύγκριση με άλλες μεθόδους ανάλυσης. Αυτός είναι ο λόγος για τον οποίο οργανισμοί όπως η Google επενδύστε τόσο πολύ σε αλγόριθμους βαθιάς μάθησης, και γιατί είναι πιθανό να γίνουν πιο κοινά στο μέλλον.

Και, φυσικά, τα ρομπότ. Ας μην ξεχνάμε ποτέ τα ρομπότ.

Συστάσεις των συντακτών

• Deep-learning A.I. βοηθά τους αρχαιολόγους να μεταφράσουν αρχαίες πινακίδες
• Deep Learning A.I. μπορεί να μιμηθεί τα εφέ παραμόρφωσης των εμβληματικών θεών της κιθάρας
• A.I ανάγνωσης μυαλού. αναλύει τα εγκεφαλικά σας κύματα για να μαντέψει ποιο βίντεο παρακολουθείτε
• Αυτή η εφαρμογή που υποστηρίζεται από A.I. μπορεί να εντοπίσει τον καρκίνο του δέρματος με 95 τοις εκατό ακρίβεια
• ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ. Οι ερευνητές δημιούργησαν ένα σύστημα αναγνώρισης προσώπου για χιμπατζήδες