რა არის ღრმა სწავლა?

ღრმა სწავლა არის კონკრეტული ქვეჯგუფი მანქანათმცოდნეობა (ხელოვნური ინტელექტის მექანიკა). მიუხედავად იმისა, რომ პროგრამირების ეს ფილიალი შეიძლება გახდეს ძალიან რთული, ის დაიწყო ძალიან მარტივი კითხვით: „თუ გვსურს, რომ კომპიუტერულმა სისტემამ ინტელექტუალურად იმოქმედოს, რატომ არ ვქმნით მას ადამიანის ტვინის მოდელირებას?

ამ ერთმა აზრმა მრავალი ძალისხმევა გამოიწვია გასულ ათწლეულებში, რათა შეექმნათ ალგორითმები, რომლებიც მიბაძავდნენ ადამიანის ტვინის მუშაობას - და რომლებსაც შეეძლოთ პრობლემების გადაჭრა ისე, როგორც ადამიანებს აკეთებდნენ. ამ მცდელობებმა გამოიღო ღირებული, მზარდი კომპეტენტური ანალიზის ინსტრუმენტები, რომლებიც გამოიყენება სხვადასხვა სფეროში.

ნერვული ქსელი და როგორ გამოიყენება იგი

Ღრმა სწავლება თავის სახელს იღებს იმის მიხედვით, თუ როგორ გამოიყენება „არასტრუქტურირებული“ მონაცემების ან მონაცემების გასაანალიზებლად, რომლებიც ადრე არ იყო მონიშნული სხვა წყაროს მიერ და შეიძლება დასჭირდეს განმარტება. ეს მოითხოვს მონაცემთა ფრთხილად ანალიზს და ამ მონაცემების განმეორებით ტესტებს, რათა დასრულდეს საბოლოო, გამოსადეგი დასკვნა. კომპიუტერები ტრადიციულად არ ახერხებენ მსგავს არასტრუქტურირებული მონაცემების ანალიზს.

იფიქრეთ ამაზე წერის კუთხით: ათი ადამიანი რომ გქონდეთ დაწეროთ ერთი და იგივე სიტყვა, ეს სიტყვა ძალიან განსხვავდებოდა თითოეული ადამიანისგან, დაუდევარიდან მოწესრიგებულამდე და კურსორულიდან დაბეჭდილამდე. ადამიანის ტვინს არ აქვს პრობლემა იმის გაგებაში, რომ ეს ყველაფერი ერთი და იგივე სიტყვაა, რადგან მან იცის, როგორ მუშაობს სიტყვები, დამწერლობა, ქაღალდი, მელანი და პიროვნული უცნაურობები. თუმცა, ნორმალურ კომპიუტერულ სისტემას არ შეუძლია იცოდეს, რომ ეს სიტყვები ერთნაირია, რადგან ისინი ყველა ძალიან განსხვავებულად გამოიყურება.

რომ მიგვიყვანს მეშვეობით ნეირონული ქსელები, სპეციალურად შექმნილი ალგორითმები ტვინის ნეირონების ურთიერთქმედების იმიტაციისთვის. ნერვული ქსელები ცდილობენ გააანალიზონ მონაცემები ისე, როგორც გონებას შეუძლია: მათი მიზანია გაუმკლავდეს ბინძურ მონაცემებს - როგორიცაა წერა - და გამოიტანოს სასარგებლო დასკვნები, როგორიცაა სიტყვები, რომელთა ჩვენებასაც წერა ცდილობს. ყველაზე ადვილი გასაგებია ნეირონული ქსელები თუ მათ სამ მნიშვნელოვან ნაწილად დავყოფთ:

შეყვანის ფენა: შეყვანის ფენაზე, ნერვული ქსელი შთანთქავს ყველა არაკლასიფიცირებულ მონაცემს, რომელიც მოცემულია. ეს ნიშნავს ინფორმაციის ციფრებად დაყოფას და მათ გადაქცევას კი-ან-არა მონაცემების, ანუ „ნეირონების“ ნაწილებად. თუ გსურთ ასწავლოთ ნერვულ ქსელს სიტყვების ამოცნობა, მაშინ შეყვანის ფენა იქნება მათემატიკურად თითოეული ასოს ფორმის განსაზღვრა, ციფრულ ენაზე დაყოფა, რათა ქსელი დაიწყოს სამუშაო. შეყვანის ფენა შეიძლება იყოს საკმაოდ მარტივი ან წარმოუდგენლად რთული, იმისდა მიხედვით, თუ რამდენად ადვილია რაიმეს მათემატიკურად წარმოდგენა.

ფარული ფენები: ნერვული ქსელის ცენტრში არის დამალული ფენები — ერთიდან ბევრამდე. ეს ფენები დამზადებულია საკუთარი ციფრული ნეირონებისგან, რომლებიც შექმნილია იმისთვის, რომ გააქტიურდნენ ან არ გაააქტიურონ მათ წინ მდებარე ნეირონების ფენის საფუძველზე. ერთი ნეირონი არის ძირითადი „თუ ეს, მაშინ ის“ მოდელი, მაგრამ ფენები შედგება ნეირონების გრძელი ჯაჭვებისაგან და მრავალ განსხვავებულ ფენას შეუძლია გავლენა მოახდინოს ერთმანეთზე, რაც ქმნის ძალიან რთულ შედეგებს. მიზანია მიეცით საშუალება ნერვულ ქსელს ამოიცნოს მრავალი განსხვავებული მახასიათებელი და გააერთიანოს ისინი ერთ რეალიზაციაში, როგორც ბავშვი ისწავლეთ თითოეული ასოს ამოცნობა და შემდეგ მათი ერთად ჩამოყალიბება სრული სიტყვის ამოცნობისთვის, თუნდაც ეს სიტყვა ცოტათი იყოს დაწერილი დაუდევარი.

ფარული ფენები ასევე არის სადაც ბევრი ღრმა სწავლის ტრენინგი მიმდინარეობს. მაგალითად, თუ ალგორითმმა ვერ ამოიცნო სიტყვა ზუსტად, პროგრამისტები უპასუხებენ: „ბოდიში, ეს არ არის სწორი“, და ალგორითმი არეგულირებს თუ როგორ იწონიდა მონაცემებს მანამ, სანამ არ აღმოაჩენდა სწორს პასუხები. ამ პროცესის გამეორება (პროგრამებს შეუძლიათ აგრეთვე ხელით შეცვალონ წონა) ნერვულ ქსელს საშუალებას აძლევს შექმნას ძლიერი ფარული ფენები, რომლებიც დახელოვნებულია სწორი პასუხების მოძიებაში მრავალი საცდელისა და შეცდომის მეშვეობით, გარდა ამისა, გარკვეული გარე ინსტრუქციები - ისევ ისე, როგორც ადამიანის ტვინი მუშაობს. როგორც ზემოთ მოყვანილი სურათი გვიჩვენებს, ფარული ფენები შეიძლება გახდეს ძალიან რთული!

გამომავალი ფენა: გამომავალი ფენას აქვს შედარებით ცოტა „ნეირონები“, რადგან სწორედ იქ მიიღება საბოლოო გადაწყვეტილებები. აქ ნერვული ქსელი იყენებს საბოლოო ანალიზს, ადგენს მონაცემების განმარტებებს და გამოაქვს დაპროგრამებული დასკვნები ამ განმარტებებზე დაყრდნობით. მაგალითად, „საკმარისია მონაცემების ხაზები, რომ ვთქვათ, რომ ეს სიტყვა არის ტბა, არა შესახვევი.” საბოლოო ჯამში, ყველა მონაცემი, რომელიც გადის ქსელში, ვიწროვდება გამომავალი ფენის სპეციფიკურ ნეირონებამდე. ვინაიდან ეს არის სადაც მიზნები რეალიზდება, ის ხშირად იქმნება ქსელის ერთ-ერთი პირველი ნაწილი.

აპლიკაციები

თუ იყენებთ თანამედროვე ტექნოლოგიას, დიდი შანსია, რომ ღრმა სწავლის ალგორითმები მუშაობდეს თქვენს ირგვლივ, ყოველდღე. როგორ ფიქრობთ ალექსა ან Google ასისტენტი გესმით თქვენი ხმოვანი ბრძანებები? ისინი იყენებენ ნერვულ ქსელებს, რომლებიც აშენებულია მეტყველების გასაგებად. როგორ იცის Google-მა, რას ეძებთ აკრეფის დასრულებამდე? უფრო ღრმა სწავლა სამსახურში. როგორ უგულებელყოფს თქვენი უსაფრთხოების კამერა შინაურ ცხოველებს, მაგრამ აღიარებს ადამიანის მოძრაობას? კიდევ ერთხელ ღრმად სწავლა.

ნებისმიერ დროს, როცა ეს პროგრამული უზრუნველყოფა ამოიცნობს ადამიანის შეყვანას, დან სახის ამოცნობა ხმის ასისტენტებისთვის, ღრმა სწავლა ალბათ სადღაც ქვემოთ მუშაობს. თუმცა, სფეროს ასევე აქვს მრავალი სხვა სასარგებლო პროგრამა. მედიცინა განსაკუთრებით პერსპექტიული სფეროა, სადაც მოწინავე ღრმა სწავლება გამოიყენება დნმ-ის ნაკლოვანებების ან მოლეკულური ნაერთების გასაანალიზებლად ჯანმრთელობის პოტენციური სარგებლობისთვის. უფრო ფიზიკურ ფრონტზე, ღრმა სწავლება გამოიყენება მანქანებისა და მანქანების მზარდ რაოდენობაში, რათა წინასწარ განსაზღვროს, როდის სჭირდება აღჭურვილობას ტექნიკური მომსახურება, სანამ რაიმე სერიოზულად შეცდება.

ღრმა სწავლის მომავალი

ღრმა სწავლის მომავალი განსაკუთრებით ნათელია! ნეირონული ქსელის მთავარი უპირატესობა ის არის, რომ ის აჯობებს უამრავ განსხვავებულ მონაცემებთან ურთიერთობისას (იფიქრეთ იმაზე, რასთანაც ჩვენს ტვინს ყოველთვის აქვს საქმე). ეს განსაკუთრებით აქტუალურია მოწინავე ჭკვიანი სენსორების ჩვენს ეპოქაში, რომლებსაც შეუძლიათ წარმოუდგენელი რაოდენობის ინფორმაციის შეგროვება. ტრადიციული კომპიუტერული გადაწყვეტილებები იწყებენ ბრძოლას ამდენი მონაცემების დახარისხებასთან, მარკირებასთან და დასკვნების გამოტანასთან.

ღრმა სწავლებას, მეორე მხრივ, შეუძლია გაუმკლავდეს მონაცემთა ციფრულ მთებს, რომლებსაც ჩვენ ვაგროვებთ. სინამდვილეში, რაც უფრო დიდია მონაცემების რაოდენობა, მით უფრო ეფექტური ხდება ღრმა სწავლება ანალიზის სხვა მეთოდებთან შედარებით. სწორედ ამიტომ არის ისეთი ორგანიზაციები, როგორიცაა Google ამდენი ინვესტიცია ღრმა სწავლის ალგორითმებშიდა რატომ გახდება ისინი უფრო გავრცელებული მომავალში.

და, რა თქმა უნდა, რობოტები. არასოდეს დავივიწყოთ რობოტები.

რედაქტორების რეკომენდაციები

• ღრმა სწავლა A.I. ეხმარება არქეოლოგებს უძველესი ტაბლეტების თარგმნაში
• ღრმა სწავლა A.I. შეუძლია მიბაძოს ხატოვანი გიტარის ღმერთების დამახინჯების ეფექტებს
• გონების კითხვა A.I. აანალიზებს თქვენი ტვინის ტალღებს, რათა გამოიცნოს რომელ ვიდეოს უყურებთ
• A.I.-ზე მომუშავე აპს შეუძლია კანის კიბოს 95 პროცენტიანი სიზუსტით ამოცნობა
• ა.ი. მკვლევარები შიმპანზეების სახის ამოცნობის სისტემას ქმნიან