Kaj je globoko učenje?

Globoko učenje je posebna podskupina strojno učenje (mehanika umetne inteligence). Čeprav lahko ta veja programiranja postane zelo zapletena, se je začela z zelo preprostim vprašanjem: "Če želimo, da računalniški sistem deluje inteligentno, zakaj ga ne oblikujemo po človeških možganih?"

Ta ena misel je v preteklih desetletjih sprožila številna prizadevanja za ustvarjanje algoritmov, ki posnemajo način delovanja človeških možganov – in ki bi lahko reševali težave tako, kot so jih ljudje. Ta prizadevanja so prinesla dragocena, vse bolj kompetentna orodja za analizo, ki se uporabljajo na številnih različnih področjih.

Nevronska mreža in kako se uporablja

Globoko učenje je dobil ime po tem, kako se uporablja za analizo "nestrukturiranih" podatkov ali podatkov, ki jih prej ni označil drug vir in morda potrebujejo definicijo. To zahteva skrbno analizo podatkov in večkratne preizkuse teh podatkov, da se konča s končnim, uporabnim zaključkom. Računalniki tradicionalno niso dobri pri analiziranju nestrukturiranih podatkov, kot je ta.

Razmislite o tem v smislu pisanja: če bi deset ljudi napisali isto besedo, bi bila ta beseda videti zelo drugačna od vsakega človeka, od površne do čedne in od kurzivne do tiskane. Človeški možgani brez težav razumejo, da gre za isto besedo, saj vedo, kako delujejo besede, pisanje, papir, črnilo in osebne muhe. Običajen računalniški sistem pa nikakor ne bi vedel, da so te besede enake, ker so vse videti tako različne.

To nas pripelje do via nevronske mreže, algoritmi, posebej ustvarjeni za posnemanje načina interakcije nevronov v možganih. Nevronske mreže poskušajo razčleniti podatke na način, kot ga lahko um: njihov cilj je obravnavati neurejene podatke, kot je pisanje, in narediti uporabne zaključke, kot so besede, ki jih pisanje poskuša prikazati. Najlažje je razumeti nevronske mreže če jih razdelimo na tri pomembne dele:

Vhodna plast: Na vhodni plasti nevronska mreža absorbira vse nerazvrščene podatke, ki so ji dani. To pomeni razčleniti informacije na številke in jih spremeniti v delčke podatkov z da ali ne ali »nevrone«. Če bi želeli nevronsko mrežo naučiti prepoznati besede, bi bila vhodna plast matematična definiranje oblike vsake črke, razčlenitev v digitalni jezik, da se lahko omrežje zažene delajo. Vhodna plast je lahko precej preprosta ali neverjetno zapletena, odvisno od tega, kako enostavno je nekaj matematično predstaviti.

Skrite plasti: V središču nevronske mreže so skrite plasti – od ene do več. Te plasti so narejene iz lastnih digitalnih nevronov, ki so zasnovani tako, da se aktivirajo ali ne aktivirajo glede na plast nevronov, ki je pred njimi. En sam nevron je osnovni "če to, potem ono".“ model, vendar so plasti sestavljene iz dolgih verig nevronov in veliko različnih plasti lahko vpliva druga na drugo, kar ustvarja zelo zapletene rezultate. Cilj je omogočiti nevronski mreži, da prepozna veliko različnih lastnosti in jih združi v eno samo spoznanje, kot otrok naučiti se prepoznati posamezno črko in jih nato sestaviti, da prepoznajo celotno besedo, tudi če je ta beseda malo napisana površen.

Skrite plasti so tudi tiste, kjer poteka veliko usposabljanja za globoko učenje. Na primer, če algoritem ni uspel natančno prepoznati besede, programerji pošljejo nazaj: »Oprostite, to ni pravilno,« in algoritem bi prilagodil, kako je tehtal podatke, dokler ne bi našel pravih odgovori. Ponavljanje tega postopka (programerji lahko uteži prilagodijo tudi ročno) omogoči nevronski mreži, da zgradi robustne skrite plasti, ki so spreten pri iskanju pravih odgovorov s številnimi poskusi in napakami ter nekaj zunanjih navodil – spet podobno kot človeški možgani dela. Kot prikazuje zgornja slika, lahko skrite plasti postanejo zelo zapletene!

Izhodni sloj: Izhodna plast ima razmeroma malo "nevronov", ker se tam sprejemajo končne odločitve. Tukaj nevronska mreža uporabi končno analizo, določi definicije za podatke in pripravi programirane zaključke na podlagi teh definicij. Na primer: »Dovolj vrstic podatkov, da lahko rečemo, da je ta beseda jezero, ne vozni pas.” Končno so vsi podatki, ki gredo skozi omrežje, zoženi na specifične nevrone v izhodni plasti. Ker se tu uresničujejo cilji, je to pogosto eden od prvih delov mreže, ki se ustvari.

Aplikacije

Če uporabljate sodobno tehnologijo, obstaja velika verjetnost, da algoritmi globokega učenja delujejo povsod okoli vas, vsak dan. Kako se vam zdi Alexa oz Google Assistant razumem vaše glasovne ukaze? Uporabljajo nevronske mreže, ki so bile zgrajene za razumevanje govora. Kako Google ve, kaj iščete, preden končate s tipkanjem? Več poglobljenega učenja pri delu. Kako vaša varnostna kamera ignorira hišne ljubljenčke, prepozna pa gibanje ljudi? Ponovno poglobljeno učenje.

Kadarkoli ta programska oprema prepozna človeške vnose, od prepoznavanje obraza za glasovne pomočnike je globoko učenje verjetno na delu nekje spodaj. Vendar ima področje tudi veliko drugih uporabnih aplikacij. Medicina je posebno obetavno področje, kjer se napredno globoko učenje uporablja za analizo DNK za napake ali molekularne spojine za morebitne zdravstvene koristi. Na bolj fizičnem področju se globoko učenje uporablja v vse večjem številu strojev in vozil za napovedovanje, kdaj je treba opremo vzdrževati, preden gre kaj resno narobe.

Prihodnost globokega učenja

Prihodnost globokega učenja je še posebej svetla! Odlična stvar pri nevronski mreži je, da je odlična pri obravnavi velike količine različnih podatkov (pomislite na vse, s čimer se morajo naši možgani ves čas ukvarjati). To je še posebej pomembno v naši dobi naprednih pametnih senzorjev, ki lahko zberejo neverjetno količino informacij. Tradicionalne računalniške rešitve se začenjajo boriti z razvrščanjem, označevanjem in sklepanjem iz toliko podatkov.

Globoko učenje pa se lahko spopade z digitalnimi gorami podatkov, ki jih zbiramo. Pravzaprav, večja kot je količina podatkov, bolj učinkovito postane globoko učenje v primerjavi z drugimi metodami analize. Zato organizacije, kot je Google toliko vlagajo v algoritme globokega učenjain zakaj bodo v prihodnosti verjetno postali pogostejši.

In seveda roboti. Nikoli ne pozabimo na robote.

Priporočila urednikov

• A.I. za poglobljeno učenje pomaga arheologom pri prevodu starodavnih tablic
• Globoko učenje AI lahko posnemajo distorzijske učinke ikoničnih kitarskih bogov
• Branje misli A.I. analizira vaše možganske valove, da ugane, kateri videoposnetek gledate
• Ta aplikacija, ki jo poganja AI, lahko opazi kožnega raka s 95-odstotno natančnostjo
• A.I. raziskovalci izdelajo sistem za prepoznavanje obrazov za šimpanze