Шта је дубоко учење?

Дубоко учење је посебан подскуп Машинско учење (механика вештачке интелигенције). Иако ова грана програмирања може постати веома сложена, почела је са врло једноставним питањем: „Ако желимо да рачунарски систем делује интелигентно, зашто га не бисмо моделирали по људском мозгу?“

Та једна мисао је изазвала многе напоре у протеклим деценијама да се створе алгоритми који опонашају начин на који људски мозак функционише — и који би могли да решавају проблеме на начин на који су то радили људи. Ти напори су дали вредне, све компетентније алате за анализу који се користе у многим различитим областима.

Неуронска мрежа и како се користи

Дубоко учење добија име по томе како се користи за анализу „неструктурираних“ података или података који нису претходно означени од стране другог извора и можда им је потребна дефиниција. За то је потребна пажљива анализа о томе шта су подаци и поновљена тестирања тих података да би се дошло до коначног, употребљивог закључка. Рачунари традиционално нису добри у анализи овако неструктурираних података.

Размислите о томе у смислу писања: да имате десет људи да напише исту реч, та реч би изгледала веома различито од сваке особе, од неуредног до уредно, и од курзива до штампаног. Људски мозак нема проблема да разуме да је све то иста реч, јер зна како речи, писање, папир, мастило и личне карактеристике функционишу. Нормалан компјутерски систем, међутим, не би могао да зна да су те речи исте, јер све изгледају тако другачије.

То нас доводи до преко неуронске мреже, алгоритми посебно креирани да опонашају начин интеракције неурона у мозгу. Неуронске мреже покушавају да рашчлане податке на начин на који то може ум: њихов циљ је да се баве неуредним подацима — попут писања — и извуку корисне закључке, попут речи које писање покушава да покаже. Најлакше је разумети неуронске мреже ако их поделимо на три важна дела:

Улазни слој: На улазном слоју, неуронска мрежа апсорбује све некласификоване податке који су јој дати. То значи разбијање информација у бројеве и њихово претварање у битове да или не података, или „неуроне“. Ако желите да научите неуронску мрежу да препознаје речи, онда би улазни слој био математички дефинишући облик сваког слова, разлажући га на дигитални језик како би мрежа могла да почне рад. Улазни слој може бити прилично једноставан или невероватно сложен, у зависности од тога колико је лако нешто математички представити.

Скривени слојеви: У центру неуронске мреже су скривени слојеви - било где од једног до више. Ови слојеви су направљени од сопствених дигиталних неурона, који су дизајнирани да се активирају или не активирају на основу слоја неурона који им претходи. Један неурон је основни „ако ово, онда оно“ модел, али слојеви су направљени од дугих ланаца неурона, и много различитих слојева може утицати једни на друге, стварајући веома сложене резултате. Циљ је омогућити неуронској мрежи да препозна много различитих карактеристика и комбинује их у једну реализацију, попут детета научити да препознају свако слово, а затим их формирају заједно да препознају целу реч, чак и ако је та реч мало написана траљаво.

Скривени слојеви су такође место где се одвија много тренинга дубоког учења. На пример, ако алгоритам није успео да тачно препозна реч, програмери враћају: „Извини, то није тачно“, а алгоритам би прилагођавао начин на који је одмеравао податке док не нађе праву одговори. Понављање овог процеса (програмери такође могу ручно да подешавају тежине) омогућава неуронској мрежи да изгради робусне скривене слојеве који су вешт у тражењу правих одговора кроз много покушаја и грешака плус, неке спољне инструкције - опет, слично томе како људски мозак Извођење радова. Као што показује горња слика, скривени слојеви могу постати веома сложени!

Излазни слој: Излазни слој има релативно мало „неурона“ јер се ту доносе коначне одлуке. Овде неуронска мрежа примењује коначну анализу, одлучује о дефиницијама за податке и доноси програмиране закључке на основу тих дефиниција. На пример, „Доста је низа података да се каже да је ова реч језеро, не лане.” На крају, сви подаци који пролазе кроз мрежу сужавају се на специфичне неуроне у излазном слоју. Пошто се овде остварују циљеви, то је често један од првих делова мреже која се ствара.

Апликације

Ако користите савремену технологију, велике су шансе да алгоритми дубоког учења раде свуда око вас, сваки дан. Како мислиш Алека или Гоогле помоћник разумете ваше гласовне команде? Они користе неуронске мреже које су изграђене да разумеју говор. Како Гоогле зна шта тражите пре него што завршите са куцањем? Дубље учење на послу. Како ваша сигурносна камера игнорише кућне љубимце, али препознаје кретање људи? Дубоко учење још једном.

Кад год тај софтвер препозна људске уносе, од препознавање лица за гласовне асистенте, дубоко учење је вероватно на делу негде испод. Међутим, ово поље има и много других корисних апликација. Медицина је посебно обећавајућа област, где се напредно дубоко учење користи за анализу ДНК на недостатке или молекуларна једињења за потенцијалне здравствене користи. На више физичком плану, дубоко учење се користи у све већем броју машина и возила за предвиђање када је опреми потребно одржавање пре него што нешто озбиљно крене по злу.

Будућност дубоког учења

Будућност дубоког учења је посебно светла! Одлична ствар у вези са неуронском мрежом је то што се истиче у раду са огромном количином различитих података (мислите на све са чим наш мозак мора да се бави, све време). То је посебно релевантно у нашој ери напредних паметних сензора, који могу прикупити невероватну количину информација. Традиционална рачунарска решења почињу да се боре са сортирањем, означавањем и извођењем закључака из толико података.

Дубоко учење, с друге стране, може да се носи са дигиталним планинама података које прикупљамо. У ствари, што је већа количина података, дубоко учење постаје ефикасније у поређењу са другим методама анализе. Због тога су организације попут Гугла улажу толико у алгоритме дубоког учења, и зашто ће вероватно постати чешћи у будућности.

И, наравно, роботи. Никада не заборавимо на роботе.

Препоруке уредника

• Дубоко учење А.И. помаже археолозима да преведу древне плоче
• Дубоко учење А.И. може да имитира ефекте дисторзије култних гитарских богова
• Читање мисли А.И. анализира ваше мождане таласе да погоди који видео гледате
• Ова апликација са АИ-ом може уочити рак коже са 95 посто тачности
• А.И. истраживачи креирају систем за препознавање лица за шимпанзе