Čo je hlboké učenie?

Hlboké učenie je osobitnou podskupinou strojové učenie (mechanika umelej inteligencie). Aj keď sa táto oblasť programovania môže stať veľmi zložitou, začala veľmi jednoduchou otázkou: „Ak chceme, aby počítačový systém fungoval inteligentne, prečo ho nenamodelujeme podľa ľudského mozgu?

Táto myšlienka vyvolala v posledných desaťročiach veľa úsilia na vytvorenie algoritmov, ktoré napodobňovali spôsob fungovania ľudského mozgu – a ktoré by mohli riešiť problémy tak, ako to robili ľudia. Toto úsilie prinieslo cenné, čoraz kompetentnejšie analytické nástroje, ktoré sa používajú v mnohých rôznych oblastiach.

Neurónová sieť a ako sa používa

Hlboké učenie svoj názov dostal podľa toho, ako sa používa na analýzu „neštruktúrovaných“ údajov alebo údajov, ktoré predtým neboli označené iným zdrojom a možno ich treba definovať. To si vyžaduje starostlivú analýzu toho, o aké údaje ide, a opakované testovanie týchto údajov, aby sa dospelo ku konečnému použiteľnému záveru. Počítače nie sú tradične dobré na analýzu neštruktúrovaných údajov, ako je táto.

Premýšľajte o tom z hľadiska písania: Ak by ste desať ľudí napísali to isté slovo, toto slovo by vyzeralo veľmi odlišne od každého človeka, od nedbalého po úhľadné a od písaného po tlačené. Ľudský mozog nemá problém pochopiť, že je to všetko to isté slovo, pretože vie, ako fungujú slová, písanie, papier, atrament a osobné vtipy. Normálny počítačový systém by však nemal ako vedieť, že tieto slová sú rovnaké, pretože všetky vyzerajú tak odlišne.

To nás privádza k via neurálne siete, algoritmy špeciálne vytvorené na napodobňovanie spôsobu interakcie neurónov v mozgu. Neurónové siete sa pokúšajú analyzovať údaje tak, ako to dokáže myseľ: Ich cieľom je vysporiadať sa s chaotickými údajmi – ako je písanie – a vyvodiť užitočné závery, ako sú slová, ktoré sa písanie pokúša ukázať. Je to najjednoduchšie pochopiť neurálne siete ak ich rozdelíme na tri dôležité časti:

Vstupná vrstva: Na vstupnej vrstve neurónová sieť absorbuje všetky nezaradené údaje, ktoré sú jej dané. To znamená rozložiť informácie na čísla a premeniť ich na kúsky údajov áno-nie alebo „neuróny“. Ak by ste chceli naučiť neurónovú sieť rozpoznávať slová, potom by vstupná vrstva bola matematicky definovanie tvaru každého písmena, jeho rozdelenie do digitálneho jazyka, aby sa sieť mohla spustiť pracovné. Vstupná vrstva môže byť veľmi jednoduchá alebo neuveriteľne zložitá v závislosti od toho, aké ľahké je matematicky reprezentovať niečo.

Skryté vrstvy: V strede neurónovej siete sú skryté vrstvy – kdekoľvek od jednej po mnohé. Tieto vrstvy sú vyrobené z vlastných digitálnych neurónov, ktoré sú navrhnuté tak, aby sa aktivovali alebo neaktivovali na základe vrstvy neurónov, ktorá im predchádza. Jediný neurón je základným „ak toto, tak tamto“ ale vrstvy sú tvorené dlhými reťazcami neurónov a mnoho rôznych vrstiev sa môže navzájom ovplyvňovať, čím vznikajú veľmi zložité výsledky. Cieľom je umožniť neurónovej sieti rozpoznať mnoho rôznych funkcií a spojiť ich do jedinej realizácie, ako dieťa naučiť sa rozpoznávať každé písmeno a potom ich skladať, aby ste rozpoznali celé slovo, aj keď je to slovo napísané málo nedbalý.

Skryté vrstvy sú tiež miestom, kde prebieha veľa tréningov hlbokého učenia. Napríklad, ak algoritmus nedokázal presne rozpoznať slovo, programátori pošlú späť: „Prepáčte, to nie je správne,“ a algoritmus upraví spôsob váženia údajov, kým nenájde správne odpovede. Opakovanie tohto procesu (programátori môžu váhy upravovať aj manuálne) umožňuje neurónovej sieti vybudovať robustné skryté vrstvy, ktoré sú zručný v hľadaní správnych odpovedí prostredníctvom množstva pokusov a omylov plus nejakých vonkajších pokynov – opäť, podobne ako ľudský mozog Tvorba. Ako ukazuje obrázok vyššie, skryté vrstvy môžu byť veľmi zložité!

Výstupná vrstva: Výstupná vrstva má relatívne málo „neurónov“, pretože v nej sa prijímajú konečné rozhodnutia. Tu neurónová sieť aplikuje konečnú analýzu, stanoví definície údajov a na základe týchto definícií vyvodí naprogramované závery. Napríklad: „Dosť dátových riadkov na to, aby sa dalo povedať, že toto slovo je jazero, nie pruh.“ V konečnom dôsledku sú všetky údaje, ktoré prechádzajú sieťou, zúžené na špecifické neuróny vo výstupnej vrstve. Keďže tu sa realizujú ciele, je to často jedna z prvých častí vytvorenej siete.

Aplikácie

Ak používate moderné technológie, je veľká šanca, že algoritmy hlbokého učenia fungujú všade okolo vás každý deň. Ako si myslíte, že Alexa alebo Google Assistant rozumiete vašim hlasovým príkazom? Používajú neurónové siete, ktoré boli vytvorené na pochopenie reči. Ako Google vie, čo hľadáte, skôr ako skončíte s písaním? Viac hlbokého učenia v práci. Ako vaša bezpečnostná kamera ignoruje domáce zvieratá, ale rozpoznáva pohyb ľudí? Ešte raz hlboké učenie.

Kedykoľvek tento softvér rozpozná ľudské vstupy, od rozpoznávanie tváre pre hlasových asistentov, hlboké učenie pravdepodobne funguje niekde pod ním. Pole má však aj mnoho ďalších užitočných aplikácií. Medicína je obzvlášť sľubná oblasť, kde sa pokročilé hlboké učenie používa na analýzu chýb DNA alebo molekulárnych zlúčenín na potenciálne prínosy pre zdravie. Na fyzikálnejšom fronte sa hlboké učenie používa v rastúcom počte strojov a vozidiel na predpovedanie, kedy zariadenie potrebuje údržbu predtým, ako sa niečo vážne pokazí.

Budúcnosť hlbokého učenia

Budúcnosť hlbokého učenia je obzvlášť jasná! Skvelá vec na neurónovej sieti je, že vyniká v práci s obrovským množstvom rôznorodých údajov (myslite na všetko, s čím sa náš mozog musí neustále potýkať). To je obzvlášť dôležité v našej ére pokročilých inteligentných senzorov, ktoré dokážu zhromaždiť neuveriteľné množstvo informácií. Tradičné počítačové riešenia začínajú zápasiť s triedením, označovaním a vyvodzovaním záverov z toľkých údajov.

Hlboké učenie sa na druhej strane dokáže vysporiadať s digitálnymi horami údajov, ktoré zhromažďujeme. V skutočnosti, čím väčšie množstvo údajov, tým efektívnejšie je hlboké učenie v porovnaní s inými metódami analýzy. To je dôvod, prečo organizácie ako Google investovať toľko do algoritmov hlbokého učeniaa prečo sa v budúcnosti pravdepodobne stanú bežnejšími.

A, samozrejme, roboty. Nikdy nezabudnime na roboty.

Odporúčania redaktorov

• Hlboké učenie A.I. pomáha archeológom prekladať staroveké tabuľky
• Hlboké učenie A.I. dokáže napodobniť deformačné efekty ikonických gitarových bohov
• Čítanie myšlienok A.I. analyzuje vaše mozgové vlny, aby uhádol, aké video pozeráte
• Táto aplikácia založená na AI dokáže odhaliť rakovinu kože s presnosťou 95 percent
• A.I. výskumníci vytvorili systém rozpoznávania tváre pre šimpanzov