Mitä on syväoppiminen?

Syväoppiminen on erityinen osajoukko koneoppiminen (tekoälyn mekaniikka). Vaikka tästä ohjelmoinnin haarasta voi tulla hyvin monimutkainen, se alkoi hyvin yksinkertaisella kysymyksellä: "Jos haluamme tietokonejärjestelmän toimivan älykkäästi, miksi emme mallinna sitä ihmisaivojen mukaan?"

Tämä yksi ajatus synnytti monia yrityksiä viime vuosikymmeninä luoda algoritmeja, jotka matkivat tapaa, jolla ihmisaivot toimivat – ja jotka voisivat ratkaista ongelmia ihmisten tavoin. Näistä ponnisteluista on saatu arvokkaita, yhä pätevämpiä analyysityökaluja, joita käytetään monilla eri aloilla.

Hermoverkko ja sen käyttö

Syvä oppiminen saa nimensä siitä, miten sitä käytetään "strukturoimattomien" tietojen analysointiin tai sellaisiin tietoihin, joita ei ole aiemmin merkitty toisessa lähteessä ja jotka saattavat vaatia määrittelyä. Tämä edellyttää tietojen huolellista analysointia ja näiden tietojen toistuvia testejä, jotta saadaan lopullinen käyttökelpoinen johtopäätös. Tietokoneet eivät perinteisesti ole hyviä analysoimaan tällaista jäsentämätöntä dataa.

Ajattele sitä kirjoittamisen kannalta: Jos sinulla olisi kymmenen ihmistä kirjoittamassa saman sanan, se sana näyttäisi hyvin erilaiselta jokaisen henkilön mielestä, huolimattomasta siistiin ja kursiivisesta painettuun. Ihmisaivoilla ei ole ongelmaa ymmärtää, että se on kaikki sama sana, koska ne tietävät, miten sanat, kirjoitus, paperi, muste ja henkilökohtaiset omituisuudet toimivat. Tavallisella tietokonejärjestelmällä ei kuitenkaan olisi mitään keinoa tietää, että nämä sanat ovat samoja, koska ne kaikki näyttävät niin erilaisilta.

Se vie meidät kautta neuroverkot, algoritmit, jotka on erityisesti luotu jäljittelemään tapaa, jolla aivojen hermosolut ovat vuorovaikutuksessa. Neuroverkot yrittävät jäsentää dataa mielen tavalla: Niiden tavoitteena on käsitellä sotkuista dataa – kuten kirjoittamista – ja tehdä hyödyllisiä johtopäätöksiä, kuten sanoja, joita kirjoittaminen yrittää näyttää. Se on helpoin ymmärtää neuroverkot jos jaamme ne kolmeen tärkeään osaan:

Syöttökerros: Syöttökerroksessa hermoverkko imee kaikki sille antamansa luokittelemattomat tiedot. Tämä tarkoittaa tietojen hajottamista numeroiksi ja niiden muuttamista kyllä-tai ei-databitteiksi tai "neuroneiksi". Jos haluat opettaa hermoverkon tunnistamaan sanoja, syöttökerros olisi matemaattinen määrittää kunkin kirjaimen muodon, jakaa se digitaaliseksi kieleksi, jotta verkko voi käynnistyä työskentelee. Syötekerros voi olla melko yksinkertainen tai uskomattoman monimutkainen riippuen siitä, kuinka helppoa on esittää jotain matemaattisesti.

Piilotetut kerrokset: Neuraaliverkon keskellä on piilotettuja kerroksia – kaikkialla yhdestä moneen. Nämä kerrokset on tehty omista digitaalisista neuroneistaan, jotka on suunniteltu aktivoitumaan tai olematta aktivoitumaan niitä edeltävän neuronikerroksen perusteella. Yksi neuroni on perus "jos tämä, niin tuo“ mallia, mutta kerrokset koostuvat pitkistä hermosolujen ketjuista, ja monet eri kerrokset voivat vaikuttaa toisiinsa luoden hyvin monimutkaisia ​​tuloksia. Tavoitteena on, että hermoverkko tunnistaa monia erilaisia ​​ominaisuuksia ja yhdistää ne yhdeksi oivallukseksi, kuten lapsi oppia tunnistamaan jokainen kirjain ja muodostamaan ne sitten yhteen koko sanan tunnistamiseksi, vaikka sanaa kirjoitettaisiin vähän huolimaton.

Piilotetut kerrokset ovat myös siellä, missä tapahtuu paljon syvällistä oppimista. Jos algoritmi ei esimerkiksi tunnistanut sanaa tarkasti, ohjelmoijat lähettävät takaisin: "Anteeksi, se ei ole oikein", ja algoritmi säätelee tietojen punnitsemista, kunnes se löytää oikean vastauksia. Tämän prosessin toistaminen (ohjelmoijat voivat myös säätää painoja manuaalisesti) antaa hermoverkon rakentaa vankkoja piilokerroksia, jotka taitava etsimään oikeita vastauksia monien yrityksen ja erehdyksen avulla sekä jonkin verran ulkopuolista opastusta – jälleen aivan kuten ihmisaivot toimii. Kuten yllä olevasta kuvasta näkyy, piilotetut tasot voivat olla hyvin monimutkaisia!

Tulostuskerros: Lähtökerroksessa on suhteellisen vähän "neuroneja", koska siellä tehdään lopulliset päätökset. Tässä neuroverkko soveltaa lopullista analyysiä, asettuu datan määritelmiin ja tekee ohjelmoidut johtopäätökset näiden määritelmien perusteella. Esimerkiksi "Riittävästi tietoja rivissä sanoa, että tämä sana on järvi, ei kaista.” Viime kädessä kaikki verkon läpi kulkeva data kavennetaan tiettyihin hermosoluihin lähtökerroksessa. Koska tavoitteet toteutuvat täällä, se on usein yksi ensimmäisistä verkoston luomista osista.

Sovellukset

Jos käytät modernia tekniikkaa, syväoppimisalgoritmit toimivat todennäköisesti ympärilläsi joka päivä. Miten ajattelet Alexa tai Google Assistant ymmärrätkö äänikäskysi? He käyttävät hermoverkkoja, jotka on rakennettu ymmärtämään puhetta. Mistä Google tietää, mitä haet, ennen kuin olet kirjoittanut? Lisää syvällistä oppimista työssä. Kuinka turvakamerasi jättää huomioimatta lemmikkieläimet, mutta tunnistaa ihmisten liikkeet? Syväoppimista jälleen kerran.

Aina kun ohjelmisto tunnistaa ihmisen syötteet kasvojentunnistus ääniavustajien osalta syvä oppiminen toimii luultavasti jossain alla. Alalla on kuitenkin myös monia muita hyödyllisiä sovelluksia. Lääketiede on erityisen lupaava ala, jolla kehittyneen syväoppimisen avulla analysoidaan DNA: n vikoja tai molekyyliyhdisteitä mahdollisten terveyshyötyjen varalta. Fyysisemmällä puolella syväoppimista käytetään yhä useammassa koneessa ja ajoneuvossa ennustamaan, milloin laitteet tarvitsevat huoltoa, ennen kuin jokin menee vakavasti pieleen.

Syväoppimisen tulevaisuus

Syväoppimisen tulevaisuus on erityisen valoisa! Hienoa hermoverkossa on se, että se käsittelee erinomaisesti valtavaa määrää erilaista dataa (ajattele kaikkea, mitä aivomme joutuvat käsittelemään koko ajan). Tämä on erityisen tärkeää edistyneiden älykkäiden antureiden aikakaudella, jotka voivat kerätä uskomattoman määrän tietoa. Perinteiset tietokoneratkaisut alkavat kamppailla lajittelun, merkitsemisen ja johtopäätösten tekemisen kanssa niin suuresta määrästä dataa.

Syväoppiminen puolestaan ​​​​voi käsitellä keräämiämme digitaalisia datavuoria. Itse asiassa, mitä suurempi datamäärä on, sitä tehokkaammaksi syväoppiminen tulee muihin analyysimenetelmiin verrattuna. Tästä syystä organisaatiot, kuten Google sijoittaa niin paljon syvään oppimisalgoritmeihinja miksi ne todennäköisesti yleistyvät tulevaisuudessa.

Ja tietysti robotit. Älä koskaan unohda robotteja.

Toimittajien suositukset

• Syväoppiva A.I. auttaa arkeologeja kääntämään muinaisia ​​tauluja
• Syväoppiminen A.I. voi jäljitellä ikonisten kitarajumalien vääristymiä
• Ajatuksia lukeva A.I. analysoi aivoaaltojasi ja arvaa, mitä videota katsot
• Tämä A.I.-käyttöinen sovellus voi havaita ihosyövän 95 prosentin tarkkuudella
• A.I. tutkijat luovat simpanssien kasvojentunnistusjärjestelmän