Mis on süvaõpe?

Süvaõpe on selle eriline alamhulk masinõpe (tehisintellekti mehaanika). Kuigi see programmeerimise haru võib muutuda väga keeruliseks, algas see väga lihtsa küsimusega: "Kui tahame, et arvutisüsteem toimiks arukalt, siis miks me ei modelleeriks seda inimaju järgi?"

See üks mõte tekitas viimastel aastakümnetel palju jõupingutusi, et luua algoritme, mis jäljendaksid inimaju tööd ja mis võiksid lahendada probleeme nii, nagu inimesed seda tegid. Need jõupingutused on andnud väärtuslikke, üha pädevamaid analüüsivahendeid, mida kasutatakse paljudes erinevates valdkondades.

Närvivõrk ja selle kasutamine

Sügav õppimine saab oma nime sellest, kuidas seda kasutatakse "struktureerimata" andmete analüüsimiseks või andmete, mida pole varem märgistatud muust allikast ja mis võivad vajada defineerimist. See nõuab andmete hoolikat analüüsi ja nende andmete korduvat testimist, et jõuda lõpliku kasutatava järelduseni. Arvutid ei ole traditsiooniliselt head selliste struktureerimata andmete analüüsimiseks.

Mõelge sellele kirjutamise mõttes: kui teil oleks kümme inimest, kes kirjutaksid sama sõna, näeks see sõna iga inimese jaoks väga erinev, lohakast korralikuni ja kursiivsest trükisõnani. Inimese ajul pole probleeme mõista, et see kõik on sama sõna, sest ta teab, kuidas sõnad, kirjutamine, paber, tint ja isiklikud veidrused kõik töötavad. Tavalisel arvutisüsteemil ei oleks aga mingit võimalust teada, et need sõnad on samad, sest nad näevad kõik nii erinevad välja.

See viib meid via närvivõrgud, algoritmid, mis on spetsiaalselt loodud aju neuronite interaktsiooni jäljendamiseks. Närvivõrgud püüavad andmeid sõeluda viisil, mida mõistus suudab: nende eesmärk on tegeleda segaste andmetega, nagu kirjutamine, ja teha kasulikke järeldusi, nagu sõnad, mida kirjutamine üritab näidata. Seda on kõige lihtsam mõista närvivõrgud kui jagame need kolmeks oluliseks osaks:

Sisendkiht: sisendkihis neelab närvivõrk kõik talle antud klassifitseerimata andmed. See tähendab teabe jagamist numbriteks ja muutmist jah-ei-andmete bittideks ehk "neuroniteks". Kui soovite õpetada närvivõrku sõnu ära tundma, oleks sisendkiht matemaatiline määratledes iga tähe kuju, jagades selle digitaalseks keeleks, et võrk saaks käivituda töötavad. Sisendkiht võib olla üsna lihtne või uskumatult keeruline, olenevalt sellest, kui lihtne on midagi matemaatiliselt esitada.

Peidetud kihid: närvivõrgu keskmes on peidetud kihid – ühest kuni mitmeni. Need kihid on valmistatud nende endi digitaalsetest neuronitest, mis on loodud aktiveerima või mitte aktiveerima, lähtudes neile eelnevast neuronikihist. Üksik neuron on põhiline „kui see, siis see“ mudelit, kuid kihid koosnevad pikkadest neuronite ahelatest ja paljud erinevad kihid võivad üksteist mõjutada, luues väga keerukaid tulemusi. Eesmärk on võimaldada närvivõrgul ära tunda palju erinevaid funktsioone ja ühendada need üheks teostuseks, nagu laps õppida ära tundma iga tähte ja seejärel moodustada need kokku, et ära tunda terve sõna, isegi kui seda sõna on kirjutatud vähe lohakas.

Peidetud kihid on ka see, kus toimub palju süvaõppe koolitust. Näiteks kui algoritm ei suutnud sõna täpselt ära tunda, saadavad programmeerijad tagasi: "Vabandust, see pole õige” ja algoritm kohandab andmete kaalumist, kuni see õige leiab vastuseid. Selle protsessi kordamine (programmeerijad võivad ka käsitsi reguleerida) võimaldab närvivõrgul luua tugevaid peidetud kihte, mis on on vilunud õigete vastuste otsimisel paljude katse-eksituse meetodite abil, lisaks mõned välised juhised – jällegi sarnaselt sellele, kuidas inimaju töötab. Nagu ülaltoodud pilt näitab, võivad peidetud kihid muutuda väga keerukaks!

Väljundkiht: Väljundkihil on suhteliselt vähe "neuroneid", sest seal tehakse lõplikud otsused. Siin rakendab närvivõrk lõplikku analüüsi, määrab andmete definitsioonid ja teeb nende definitsioonide põhjal programmeeritud järeldused. Näiteks: "Piisavalt andmetest, et öelda, et see sõna on järv, mitte sõidurada.” Lõppkokkuvõttes kitseneb kõik võrku läbivad andmed väljundkihi spetsiifiliste neuroniteni. Kuna see on koht, kus eesmärgid realiseeritakse, on see sageli üks võrgustiku esimesi osi.

Rakendused

Kui kasutate kaasaegset tehnoloogiat, on tõenäoline, et süvaõppe algoritmid töötavad teie ümber iga päev. Kuidas sa arvad Alexa või Google'i assistent mõistad su häälkäsklusi? Nad kasutavad närvivõrke, mis on ehitatud kõne mõistmiseks. Kuidas Google teab, mida te otsite, enne kui olete sisestamise lõpetanud? Rohkem sügavat õppimist tööl. Kuidas teie turvakaamera eirab lemmikloomi, kuid tunneb ära inimeste liikumise? Taaskord süvaõppimine.

Iga kord, kui see tarkvara tuvastab inimese sisendi, alates näotuvastus häälassistentide puhul on sügavõpe ilmselt tööl kusagil all. Valdkonnal on aga ka palju muid kasulikke rakendusi. Meditsiin on eriti paljutõotav valdkond, kus täiustatud süvaõpet kasutatakse DNA vigade või molekulaarsete ühendite analüüsimiseks võimalike tervisega seotud eeliste leidmiseks. Füüsilisemal poolel kasutatakse süvaõpet üha rohkemates masinates ja sõidukites, et ennustada, millal seadmed vajavad hooldust enne, kui midagi tõsiselt valesti läheb.

Süvaõppe tulevik

Süvaõppe tulevik on eriti helge! Närvivõrgu suurepärane asi on see, et see saab suurepäraselt hakkama suure hulga erinevate andmetega (mõelge kõigele, millega meie aju peab kogu aeg tegelema). See on eriti oluline meie täiustatud nutikate andurite ajastul, mis võivad koguda uskumatult palju teavet. Traditsioonilised arvutilahendused hakkavad hädas nii paljude andmete sorteerimise, märgistamise ja järelduste tegemisega.

Seevastu süvaõpe saab hakkama kogutavate digitaalsete andmete mägedega. Tegelikult, mida suurem on andmete hulk, seda tõhusam on süvaõpe võrreldes teiste analüüsimeetoditega. See on põhjus, miks organisatsioonid nagu Google investeerida nii palju süvaõppe algoritmidesseja miks need tulevikus tõenäoliselt tavalisemaks muutuvad.

Ja muidugi robotid. Ärgem unustagem kunagi roboteid.

Toimetajate soovitused

• Süvaõppega A.I. aitab arheoloogidel tõlkida iidseid tahvleid
• Süvaõpe A.I. suudab jäljendada ikooniliste kitarrijumalate moonutusefekte
• Mõttelugemine A.I. analüüsib teie ajulaineid, et arvata, millist videot te vaatate
• See A.I-toega rakendus tuvastab nahavähki 95-protsendilise täpsusega
• A.I. teadlased loovad šimpanside jaoks näotuvastussüsteemi