Ce este Deep Learning?

Învățarea profundă este un subset special al învățare automată (mecanica inteligenței artificiale). Deși această ramură a programării poate deveni foarte complexă, a început cu o întrebare foarte simplă: „Dacă vrem ca un sistem computerizat să acționeze inteligent, de ce nu îl modelăm după creierul uman?”

Acest gând a dat naștere multor eforturi în ultimele decenii pentru a crea algoritmi care să imite modul în care funcționează creierul uman și care ar putea rezolva problemele așa cum au făcut-o oamenii. Aceste eforturi au produs instrumente de analiză valoroase, din ce în ce mai competente, care sunt utilizate în multe domenii diferite.

Rețeaua neuronală și modul în care este utilizată

Invatare profunda își ia numele de la modul în care este folosit pentru a analiza datele „nestructurate” sau date care nu au fost etichetate anterior de altă sursă și ar putea avea nevoie de definiție. Acest lucru necesită o analiză atentă a datelor și teste repetate ale acestor date pentru a ajunge la o concluzie finală, utilizabilă. Calculatoarele nu sunt în mod tradițional bune la analiza datelor nestructurate ca acesta.

Gândește-te la asta în ceea ce privește scrisul: dacă ai avea zece persoane care scriu același cuvânt, acel cuvânt ar arăta foarte diferit de la fiecare persoană, de la neglijent la îngrijit și de la cursiv la tipărit. Creierul uman nu are nicio problemă în a înțelege că este același cuvânt, pentru că știe cum funcționează cuvintele, scrisul, hârtia, cerneala și ciudateniile personale. Un sistem informatic normal, însă, nu ar avea de unde să știe că acele cuvinte sunt aceleași, pentru că toate arată atât de diferit.

Asta ne duce la via rețele neuronale, algoritmii special creați pentru a imita modul în care neuronii din creier interacționează. Rețelele neuronale încearcă să analizeze datele așa cum poate o minte: Scopul lor este să se ocupe de date dezordonate - cum ar fi scrisul - și să tragă concluzii utile, cum ar fi cuvintele pe care scrierea încearcă să le arate. Este cel mai ușor de înțeles rețele neuronale dacă le împărțim în trei părți importante:

Stratul de intrare: La nivelul de intrare, rețeaua neuronală absoarbe toate datele neclasificate pe care le sunt date. Aceasta înseamnă descompunerea informațiilor în numere și transformarea lor în biți de date da sau nu, sau „neuroni”. Dacă doriți să învățați o rețea neuronală să recunoască cuvintele, atunci stratul de intrare ar fi matematic definirea formei fiecărei litere, defalcând-o în limbaj digital, astfel încât rețeaua să poată începe lucru. Stratul de intrare poate fi destul de simplu sau incredibil de complex, în funcție de cât de ușor este să reprezinte ceva matematic.

Straturile ascunse: În centrul rețelei neuronale se află straturi ascunse — de la unul la mai multe. Aceste straturi sunt formate din neuroni digitali proprii, care sunt proiectați să se activeze sau să nu se activeze pe baza stratului de neuroni care îi precede. Un singur neuron este un element de bază „dacă aceasta, atunci aceea“ model, dar straturile sunt formate din lanțuri lungi de neuroni și multe straturi diferite se pot influența reciproc, creând rezultate foarte complexe. Scopul este de a permite rețelei neuronale să recunoască multe caracteristici diferite și să le combine într-o singură realizare, ca un copil învățând să recunoaștem fiecare literă și apoi formându-le împreună pentru a recunoaște un cuvânt întreg, chiar dacă acel cuvânt este scris puțin neglijent.

Straturile ascunse sunt, de asemenea, unde se desfășoară o mulțime de antrenament de învățare profundă. De exemplu, dacă algoritmul nu a reușit să recunoască cu acuratețe un cuvânt, programatorii trimit înapoi: „Ne pare rău, nu este corect”, iar algoritmul ar ajusta modul în care a cântărit datele până când le-a găsit corect răspunsuri. Repetarea acestui proces (programatorii pot ajusta greutățile și manual) permite rețelei neuronale să construiască straturi ascunse robuste care sunt adept în căutarea răspunsurilor potrivite prin multe încercări și erori, plus niște instrucțiuni externe - din nou, la fel ca creierul uman lucrări. După cum arată imaginea de mai sus, straturile ascunse pot deveni foarte complexe!

Stratul de ieșire: Stratul de ieșire are relativ puțini „neuroni”, deoarece este locul în care se iau deciziile finale. Aici rețeaua neuronală aplică analiza finală, stabilește definițiile pentru date și trage concluziile programate pe baza acestor definiții. De exemplu, „Suficient de date se aliniază pentru a spune că acest cuvânt este lac, nu BANDĂ.” În cele din urmă, toate datele care trec prin rețea sunt restrânse la neuroni specifici din stratul de ieșire. Deoarece aici se realizează obiectivele, este adesea una dintre primele părți ale rețelei create.

Aplicații

Dacă folosești tehnologia modernă, sunt șanse mari ca algoritmii de învățare profundă să funcționeze în jurul tău, în fiecare zi. Cum crezi Alexa sau Asistent Google înțelegi comenzile tale vocale? Ei folosesc rețele neuronale care au fost construite pentru a înțelege vorbirea. Cum știe Google ce căutați înainte de a termina de tastat? Învățare mai profundă la locul de muncă. Cum ignoră camera ta de securitate animalele de companie, dar recunoaște mișcarea umană? Învățare profundă încă o dată.

Oricând acel software recunoaște intrările umane, de la recunoastere faciala pentru asistenții vocali, învățarea profundă este probabil la lucru undeva dedesubt. Cu toate acestea, domeniul are și multe alte aplicații utile. Medicina este un domeniu deosebit de promițător, unde învățarea profundă avansată este utilizată pentru a analiza ADN-ul pentru defecte sau compuși moleculari pentru potențiale beneficii pentru sănătate. Pe un front mai fizic, învățarea profundă este utilizată într-un număr tot mai mare de mașini și vehicule pentru a prezice când echipamentul necesită întreținere înainte ca ceva să nu meargă grav.

Viitorul învățării profunde

Viitorul învățării profunde este deosebit de luminos! Lucrul grozav despre o rețea neuronală este că excelează în a face față unei cantități mari de date disparate (gândește-te la tot ceea ce creierul nostru are de a face, tot timpul). Acest lucru este deosebit de relevant în era noastră a senzorilor inteligenți avansați, care pot aduna o cantitate incredibilă de informații. Soluțiile computerizate tradiționale încep să se lupte cu sortarea, etichetarea și tragerea de concluzii din atât de multe date.

Învățarea profundă, pe de altă parte, poate face față munților digitali de date pe care le adunăm. De fapt, cu cât cantitatea de date este mai mare, cu atât învățarea profundă devine mai eficientă în comparație cu alte metode de analiză. Acesta este motivul pentru care organizații precum Google investește atât de mult în algoritmi de deep learning, și de ce este probabil ca acestea să devină mai comune în viitor.

Și, desigur, roboții. Să nu uităm niciodată de roboți.

Recomandările editorilor

• Învățare profundă A.I. îi ajută pe arheologi să traducă tăblițele antice
• Învățare profundă A.I. poate imita efectele de distorsiune ale zeilor emblematici ai chitarei
• Citirea minții A.I. analizează undele cerebrale pentru a ghici ce videoclip vizionați
• Această aplicație bazată pe inteligență artificială poate detecta cancerul de piele cu o precizie de 95%.
• A.I. cercetătorii creează un sistem de recunoaștere facială pentru cimpanzei