A mély tanulás egy speciális részhalmaza gépi tanulás (a mesterséges intelligencia mechanikája). Bár a programozásnak ez az ága nagyon bonyolulttá válhat, egy nagyon egyszerű kérdéssel indult: „Ha azt akarjuk, hogy egy számítógépes rendszer intelligensen működjön, miért nem modellezzük az emberi agy alapján?”
Ez az egyetlen gondolat számos erőfeszítést szült az elmúlt évtizedekben, hogy olyan algoritmusokat hozzanak létre, amelyek utánozzák az emberi agy működését – és amelyek az emberekhez hasonlóan képesek megoldani a problémákat. Ezek az erőfeszítések értékes, egyre kompetensebb elemzési eszközöket eredményeztek, amelyeket számos területen használnak.
Ajánlott videók
A neurális hálózat és használatuk módja
Mély tanulás A nevét onnan kapta, hogy hogyan használják „strukturálatlan” adatok elemzésére, vagy olyan adatok elemzésére, amelyeket korábban nem jelölt meg más forrás, és definícióra lehet szükség. Ez megköveteli az adatok alapos elemzését, és az adatok ismételt tesztelését a végső, használható következtetés levonásához. A számítógépek hagyományosan nem alkalmasak az ehhez hasonló strukturálatlan adatok elemzésére.
Összefüggő
- A.I. fordítóeszköz rávilágít az egerek titkos nyelvére
- Az MIT új „árnyékos” kutatása árnyékokat használ annak megállapítására, amit a kamerák nem képesek
- A mesterséges intelligencia ma már csak egy fénykép megtekintésével is képes azonosítani a madarat
Gondolj bele az írásba: Ha tíz ember írná le ugyanazt a szót, ez a szó nagyon eltérően nézne ki minden egyes embernél, a hanyagtól a takarosig, a kurzívtól a nyomtatottig. Az emberi agynak nem okoz gondot megérteni, hogy ez ugyanaz a szó, mert tudja, hogyan működnek a szavak, az írás, a papír, a tinta és a személyes furcsaságok. Egy normál számítógépes rendszer azonban nem tudhatja, hogy ezek a szavak ugyanazok, mert mindegyik annyira másképp néz ki.
Ez elvezet minket a via-hoz neurális hálózatok, azok az algoritmusok, amelyeket kifejezetten az agy neuronjainak kölcsönhatásának utánzására hoztak létre. A neurális hálózatok megpróbálják elemezni az adatokat úgy, ahogyan az elme képes: Céljuk, hogy kezeljék a zavaros adatokat – például az írást –, és hasznos következtetéseket vonjanak le, például a szavakat, amelyeket az írás megkísérel felmutatni. A legkönnyebb megérteni neurális hálózatok ha három fontos részre bontjuk őket:
A bemeneti réteg: A bemeneti rétegben a neurális hálózat elnyeli az összes nem minősített adatot, amelyet megad. Ez azt jelenti, hogy az információkat számokra kell bontani, és igen vagy nem adatok bitjére, vagyis „neuronokra” kell alakítani. Ha meg akarna tanítani egy neurális hálózatot szavak felismerésére, akkor a bemeneti réteg matematikailag lenne az egyes betűk alakjának meghatározása, digitális nyelvre bontása, hogy elindulhasson a hálózat dolgozó. A beviteli réteg lehet elég egyszerű vagy hihetetlenül összetett, attól függően, hogy mennyire könnyű valamit matematikailag ábrázolni.
A rejtett rétegek: A neurális hálózat közepén rejtett rétegek vannak – egytől sokig. Ezek a rétegek saját digitális neuronjaikból állnak, melyeket úgy terveztek, hogy az őket megelőző neuronréteg alapján aktiválódjanak vagy nem. Egyetlen idegsejt alapvető „ha ez, akkor az“ modell, de a rétegek hosszú neuronláncokból állnak, és sok különböző réteg befolyásolhatja egymást, nagyon összetett eredményeket hozva létre. A cél az, hogy lehetővé tegyük a neurális hálózat számára, hogy felismerjen sok különböző jellemzőt, és egyetlen megvalósításban egyesítse őket, akár egy gyerek megtanulják felismerni az egyes betűket, majd összeformázni őket, hogy felismerjenek egy teljes szót, még akkor is, ha ez a szó egy kicsit le van írva lucskos.
A rejtett rétegekben sok mély tanulási tréning is folyik. Például, ha az algoritmus nem tudott pontosan felismerni egy szót, a programozók visszaküldik: „Elnézést, ez nem helyes”, és az algoritmus addig módosítja az adatok súlyozását, amíg meg nem találja a megfelelőt válaszol. Ennek a folyamatnak a megismétlése (a programozók manuálisan is beállíthatják a súlyokat) lehetővé teszi a neurális hálózat számára, hogy robusztus rejtett rétegeket építsen fel, amelyek ügyesen keresi a helyes válaszokat sok próbálkozással és hibával, valamint némi külső utasítással – megint csak úgy, ahogy az emberi agy művek. Ahogy a fenti kép is mutatja, a rejtett rétegek nagyon összetettek lehetnek!
A kimeneti réteg: A kimeneti rétegnek viszonylag kevés „neuronja” van, mert itt hozzák meg a végső döntéseket. Itt a neurális hálózat elvégzi a végső elemzést, meghatározza az adatok definícióit, és ezek alapján vonja le a programozott következtetéseket. Például: „Elég az adatsor ahhoz, hogy azt mondjuk, ez a szó tó, nem sáv.” Végső soron a hálózaton áthaladó összes adat a kimeneti réteg meghatározott neuronjaira szűkül. Mivel itt valósulnak meg a célok, gyakran ez a létrejött hálózat egyik első része.
Alkalmazások
Ha modern technológiát használ, jó eséllyel mély tanulási algoritmusok működnek körülötted, minden nap. Mit gondolsz Alexa vagy Google Asszisztens érted a hangutasításaidat? Neurális hálózatokat használnak, amelyeket a beszéd megértésére építettek. Honnan tudja a Google, hogy mit keres, mielőtt befejezi a gépelést? Mélyebb tanulás a munkahelyen. Hogyan hagyja figyelmen kívül a biztonsági kamerája a háziállatokat, de felismeri az emberi mozgást? Mély tanulás még egyszer.
Bármikor, amikor a szoftver felismeri az emberi bemeneteket, arcfelismerő Az asszisztensek megszólaltatásához valószínűleg a mély tanulás működik valahol alatta. A területnek azonban számos más hasznos alkalmazása is van. Az orvostudomány különösen ígéretes terület, ahol a fejlett mély tanulást használják a DNS hibáinak vagy a molekuláris vegyületek elemzésére a lehetséges egészségügyi előnyök szempontjából. Fizikai szempontból a mély tanulást egyre több gépben és járműben alkalmazzák annak előrejelzésére, hogy mikor kell karbantartásra szorulnia a berendezésnek, mielőtt valami komoly baj történne.
A mély tanulás jövője
A mély tanulás jövője különösen fényes! A neurális hálózatban az a nagyszerű, hogy kiválóan kezeli a hatalmas mennyiségű, egymástól eltérő adatot (gondoljunk csak mindarra, amivel az agyunknak folyamatosan foglalkoznia kell). Ez különösen fontos a fejlett intelligens érzékelők korszakában, amelyek hihetetlen mennyiségű információt tudnak gyűjteni. A hagyományos számítógépes megoldások kezdenek küszködni a sok adat válogatásával, címkézésével és következtetések levonásával.
A mély tanulás viszont képes kezelni az általunk gyűjtött digitális adathegyeket. Valójában minél nagyobb az adatmennyiség, annál hatékonyabb a mély tanulás más elemzési módszerekhez képest. Ez az oka annak, hogy az olyan szervezetek, mint a Google fektessen be annyit a mély tanulási algoritmusokba, és miért valószínű, hogy a jövőben gyakoribbá válnak.
És persze a robotok. Soha ne feledkezzünk meg a robotokról.
Szerkesztői ajánlások
- Mélytanulási A.I. segít a régészeknek lefordítani az ősi táblákat
- Mély tanulás A.I. képes utánozni az ikonikus gitáristenek torzító hatásait
- Gondolatolvasó A.I. elemzi az agyhullámokat, hogy kitalálja, melyik videót nézi
- Ez az A.I.-alapú alkalmazás 95 százalékos pontossággal képes észlelni a bőrrákot
- A.I. a kutatók arcfelismerő rendszert hoznak létre a csimpánzok számára
