Що таке Deep Learning?

Глибоке навчання є окремою підмножиною машинне навчання (механіка штучного інтелекту). Хоча ця галузь програмування може стати дуже складною, вона почалася з дуже простого запитання: «Якщо ми хочемо, щоб комп’ютерна система діяла розумно, чому б нам не змоделювати її за людським мозком?»

Ця одна думка породила багато зусиль протягом останніх десятиліть, щоб створити алгоритми, які імітують роботу людського мозку — і які могли б вирішувати проблеми так, як це робили люди. Ці зусилля дали цінні, все більш компетентні інструменти аналізу, які використовуються в багатьох різних сферах.

Нейронна мережа та як вона використовується

Глибоке навчання отримав свою назву через те, як він використовується для аналізу «неструктурованих» даних або даних, які раніше не були позначені іншим джерелом і можуть потребувати визначення. Це вимагає ретельного аналізу даних і повторних перевірок цих даних, щоб отримати остаточний придатний для використання висновок. Комп’ютери традиційно погано аналізують такі неструктуровані дані.

Подумайте про це з точки зору письма: якби ви попросили десятьох людей написати одне й те саме слово, це слово виглядало б дуже різним для кожної людини: від неохайного до акуратного, від курсивного до надрукованого. Людський мозок без проблем розуміє, що це одне й те саме слово, тому що він знає, як працюють слова, письмо, папір, чорнило та особисті примхи. Проте звичайна комп’ютерна система не зможе дізнатися, що ці слова однакові, оскільки всі вони виглядають дуже різними.

Це підводить нас до via нейронні мережі, алгоритми, спеціально створені для імітації взаємодії нейронів у мозку. Нейронні мережі намагаються аналізувати дані так, як може розум: їхня мета — мати справу з брудними даними, як-от запис, і робити корисні висновки, як-от слова, які письмо намагається показати. Це найлегше зрозуміти нейронні мережі якщо ми розділимо їх на три важливі частини:

Вхідний шар: на вхідному рівні нейронна мережа поглинає всі некласифіковані дані, які їй надаються. Це означає розбити інформацію на числа та перетворити їх на біти даних «так чи ні», або «нейрони». Якщо ви хочете навчити нейронну мережу розпізнавати слова, то вхідним рівнем буде математичний визначення форми кожної літери, розбиття її на цифрову мову, щоб мережа могла почати роботу працює. Вхідний рівень може бути досить простим або неймовірно складним, залежно від того, наскільки легко представити щось математично.

Приховані шари: у центрі нейронної мережі є приховані шари — від одного до багатьох. Ці шари складаються з власних цифрових нейронів, які призначені для активації або неактивації залежно від шару нейронів, який їм передує. Один нейрон є основним «якщо це, то це».“ модель, але шари складаються з довгих ланцюгів нейронів, і багато різних шарів можуть впливати один на одного, створюючи дуже складні результати. Мета полягає в тому, щоб дозволити нейронній мережі розпізнавати багато різних функцій і об’єднувати їх в єдину реалізацію, як дитина навчитися розпізнавати кожну літеру, а потім формувати їх разом, щоб розпізнавати повне слово, навіть якщо це слово написано мало неохайний.

Приховані шари також є місцем, де відбувається багато глибокого навчання. Наприклад, якщо алгоритму не вдалося точно розпізнати слово, програмісти надсилають у відповідь: «Вибачте, це неправильно», і алгоритм регулював би спосіб зважування даних, поки не знаходив правильні відповіді. Повторення цього процесу (програмісти також можуть регулювати ваги вручну) дозволяє нейронній мережі створювати надійні приховані шари, які вправний у пошуку правильних відповідей шляхом багатьох проб і помилок, а також деяких зовнішніх інструкцій — знову ж таки, як і людський мозок працює. Як показано на зображенні вище, приховані шари можуть стати дуже складними!

Вихідний шар: Вихідний рівень має відносно мало «нейронів», оскільки саме там приймаються остаточні рішення. Тут нейронна мережа застосовує остаточний аналіз, визначає визначення для даних і робить запрограмовані висновки на основі цих визначень. Наприклад, «Достатньо рядків даних, щоб сказати, що це слово є озеро, ні провулок.” Зрештою, усі дані, які проходять через мережу, звужуються до певних нейронів вихідного рівня. Оскільки саме тут реалізуються цілі, це часто одна з перших частин мережі.

Додатки

Якщо ви використовуєте сучасні технології, велика ймовірність того, що алгоритми глибокого навчання працюють навколо вас щодня. Як ви думаєте Алекса або Google Assistant розуміти ваші голосові команди? Вони використовують нейронні мережі, створені для розуміння мови. Як Google дізнається, що ви шукаєте, перш ніж ви закінчите вводити текст? Більш глибоке навчання на роботі. Як ваша камера безпеки ігнорує домашніх тварин, але розпізнає рух людей? Знову поглиблене навчання.

Щоразу, коли це програмне забезпечення розпізнає людський вхід, від розпізнавання обличчя для голосових помічників глибоке навчання, ймовірно, працює десь під ними. Однак ця сфера також має багато інших корисних застосувань. Медицина є особливо перспективною галуззю, де глибоке навчання використовується для аналізу ДНК на наявність дефектів або молекулярних сполук для потенційної користі для здоров’я. На фізичному фронті глибоке навчання використовується у все більшій кількості машин і транспортних засобів, щоб передбачити, коли обладнання потребує технічного обслуговування, перш ніж щось піде серйозно не так.

Майбутнє глибокого навчання

Майбутнє глибокого навчання особливо світле! Чудова особливість нейронної мережі полягає в тому, що вона відмінно справляється з величезною кількістю розрізнених даних (подумайте про все, з чим постійно доводиться мати справу нашому мозку). Це особливо актуально в нашу еру передових розумних датчиків, які можуть збирати неймовірну кількість інформації. Традиційні комп’ютерні рішення починають боротися з сортуванням, маркуванням і висновками з великої кількості даних.

З іншого боку, глибоке навчання може впоратися з цифровими горами даних, які ми збираємо. Фактично, чим більший обсяг даних, тим ефективнішим стає глибоке навчання порівняно з іншими методами аналізу. Ось чому такі організації, як Google інвестувати стільки в алгоритми глибокого навчання, і чому вони, ймовірно, стануть більш поширеними в майбутньому.

І, звичайно, роботи. Ніколи не забуваймо про роботів.

Рекомендації редакції

• Глибоке навчання А.І. допомагає археологам перекладати стародавні таблички
• Глибоке навчання А.І. може імітувати ефекти спотворення культових гітарних богів
• Читання думок А.І. аналізує ваші мозкові хвилі, щоб здогадатися, яке відео ви переглядаєте
• Цей додаток на базі штучного інтелекту може виявити рак шкіри з 95-відсотковою точністю
• А.І. Дослідники створили систему розпізнавання облич шимпанзе