Vijesti o Tehnologiji, Recenzije i Savjeti!

Što je duboko učenje?

Duboko učenje, napredne tehnike umjetne inteligencije, postalo je sve popularnije posljednjih godina zahvaljujući obilnim podacima i povećanom računalnom snagom. Ovo je osnovna tehnologija koja stoji iza mnogih aplikacija koje svakodnevno koristimo, uključujući mrežni prijevod jezika i automatsko označavanje lica na društvenim mrežama.

Ova se tehnologija također pokazala korisnom u zdravstvu: Ranije ove godine računalni znanstvenici s Massachusetts Institute of Technology (MIT) koristili su duboko učenje kako bi stvorili nove računalne programe za otkrivanje raka dojke.

Klasični model zahtijeva od inženjera da ručno utvrde pravila i logiku otkrivanja raka, ali za ovaj novi model znanstvenici pružaju algoritam dubokog učenja 90.000 mamografskih skeniranja pune rezolucije 60.000 pacijenata i omogućuju im da otkriju uobičajene obrasce. između skeniranja pacijenata. one koji završe s karcinomom dojke i one koji ne. Bio je u mogućnosti predvidjeti karcinom dojke tijekom sljedećih pet godina, što je značajno poboljšanje u usporedbi s prethodnim modelima predviđanja rizika.

Što je točno strojno učenje?

Duboko učenje je podskup strojnog učenja, grana umjetne inteligencije koja konfigurira računala za obavljanje zadataka kroz iskustvo. Suprotno klasičnom sistema Za umjetnu inteligenciju koja se temelji na pravilima algoritmi strojnog učenja razvijaju svoje ponašanje obrađujući primjerene primjere, proces nazvan “trening”.

Na primjer, za izradu programa otkrivanja prevara uvježbajte algoritam strojnog učenja s popisom bankovnih transakcija i konačnim rezultatom (legitimnim ili lažnim). Model strojnog učenja ispituje primjere i razvija statističke prikaze zajedničkih karakteristika između zakonitih i lažnih transakcija. Nakon toga, kada opskrbite algoritam novim podacima o bankovnim transakcijama, algoritam će ga klasificirati kao valjan ili lažan na temelju uzorka dobivenog iz primjera obuke.

Kao općenito pravilo, što kvalitetniji podaci koje pružate algoritam strojnog učenja postaje precizniji u obavljanju svog posla.

Strojno učenje je vrlo korisno za rješavanje problema gdje pravila nisu dobro definirana i ne mogu se kodirati u različitim naredbama. U različitim zadacima se ističu različite vrste algoritama.

Duboko učenje i umjetne neuronske mreže

Iako klasični algoritmi strojnog učenja rješavaju mnoge probleme koje zagovaraju programi temeljeni na pravilima, oni loše upravljaju softverskim podacima kao što su slike, videozapisi, zvučne datoteke i nestrukturirani tekst.

Na primjer, stvaranje modela predviđanja raka dojke korištenjem klasičnog pristupa strojnom učenju zahtijevat će napore desetaka stručnjaka iz domene, računalnih programera i matematičara, izjavio je istraživač i istraživač podataka Jeremy Howard. Istraživači moraju obavljati brojne inženjerske funkcije, težak proces koji programira računala da pronađu poznate obrasce na rentgenskim i MRI skenerima. Nakon toga, inženjeri koriste strojno učenje o izvučenim značajkama. Stvaranje takvog AI modela traje godinama.

Algoritam dubokog učenja rješava isti problem pomoću dubokih neuronskih mreža, vrste softverske arhitekture nadahnute ljudskim mozgom (iako se neuronske mreže razlikuju od bioloških neurona). Neuronske mreže su slojevi na slojeve varijabli koje odgovaraju svojstvima podataka koje treniraju i mogu obavljati zadatke poput klasificiranja slika i pretvaranja govora u tekst.

Umjetna neuronska mreža (izvor: Wikipedia)

Neuronske mreže vrlo su dobre u otkrivanju uobičajenih obrazaca u nestrukturiranim podacima. Na primjer, ako uvježbavate duboku neuronsku mrežu na slici drugog predmeta, naći ćete način da izvučete značajke iz te slike. Svaki sloj neuronske mreže otkriva specifične karakteristike kao što su rubovi, kutovi, lice, očne jabučice itd.

sloj neuronske mreže - arxiv.org

Gornji sloj neuronske mreže otkriva opće karakteristike. Dublji slojevi otkrivaju stvarne objekte (izvor: arxiv.org)

Upotrebom neuronske mreže algoritam dubokog učenja eliminira potrebu za inženjerskim funkcijama. U slučaju modela predviđanja raka dojke MIT, zahvaljujući dubinskoj studiji, ovaj projekt zahtijeva mnogo manje napora od strane računalnih znanstvenika i stručnjaka za domene, a potrebno je manje vremena za razvoj. Nadalje, ovaj model može pronaći značajke i obrasce u mamografskom skeniranju koje prolaze ljudski analitičari.

Neuronske mreže postoje od pedesetih godina prošlog stoljeća (barem konceptualno). No do sada ih je AI zajednica u velikoj mjeri odbacila jer im trebaju velike količine podataka i računalne snage. Posljednjih godina, dostupnost i pristupačnost računanja, podataka i resursa za pohranu doveli su neuronske mreže na čelo inovacija u umjetnoj inteligenciji.

Što učite?

Postoji nekoliko domena u kojima duboko učenje pomaže računalima da riješe probleme koje prethodno nisu mogli riješiti.

Računalni vid: Računalna vizija je znanost o korištenju softvera za razumijevanje sadržaja slika i video zapisa. Ovo je područje do kojeg je duboko učenje prešlo dug put. Osim raka dojke, algoritmi obrade slike s dubokim učenjem mogu otkriti i druge karcinome i pomoći u dijagnosticiranju drugih bolesti.

Ali duboko učenje ugrađeno je i u brojne aplikacije koje svakodnevno koristite. AppleID Face koristi dubinsko učenje, baš kao što Google Photos koristi dubinsko učenje za različite funkcije, kao što su pretraživanje objekata i scena i ispravljanje slike. Facebook Koristite duboko učenje za automatsko označavanje ljudi na fotografijama koje prenosite.

Dubinsko učenje pomaže i društvenim medijima da automatski identificiraju i blokiraju upitne sadržaje, poput nasilja i golotinje. I na kraju, duboko učenje igra ogromnu ulogu u omogućavanju autonomnim automobilima da razumiju svoju okolinu.

Prepoznavanje govora i govora: Kad kažete naredbu Amazon Pametni zvučnik odjekuje ili algoritam dubokog učenja Google Assistant pretvorite glas u tekstualnu naredbu. Neke mrežne aplikacije koriste duboko učenje za kopiranje audio i video datoteka. Google je nedavno pokrenuo aplikaciju za pametnu transkripciju glasa Gboard na uređajima koji koriste dubinsko učenje pisanja dok razgovaraju.

Obrada prirodnog jezika (NLP) i generacija (NLG): Obrada prirodnog jezika, znanost izvlačenja značenja iz nestrukturiranih tekstova, postala je povijesna točka boli za klasični softver. Gotovo je nemoguće definirati sve različite nijanse i skrivena značenja pisanog jezika pravilima računala. Ali neuronske mreže koje su obučene u velikom broju tekstova mogu točno obavljati mnoge zadatke NLP-a.

Googleova usluga prevođenja doživjela je nagli učinak kada se tvrtka okrenula dubokom učenju. Pametni zvučnici koriste NLP iscrpno učenje kako bi razumjeli različite nijanse naredbe, kao što su različiti načini na koje možete zatražiti vremensku prognozu ili upute.

Intenzivno učenje je također vrlo učinkovito u stvaranju smislenih tekstova, koji se nazivaju i prirodnim stvaranjem jezika. Pametan odgovor i pametne poruke Gmail koristi duboko učenje za generiranje odgovora koji su relevantni za vašu e-poštu i prijedloge za dovršavanje rečenica. Model generiranja teksta koji je OpenAI razvio početkom ove godine stvorio je duge citate iz konzistentnog teksta.

Ograničenje učenja na daljinu

Pored svih prednosti, duboko učenje ima i neke nedostatke.

Ovisnost podataka: Općenito, algoritmi dubokog učenja zahtijevaju velike količine podataka o obuci kako bi točno izvršili svoje zadatke. Nažalost, za mnoge probleme nema dovoljno kvalitetnih podataka o obuci da bi se stvorio model dubokog učenja.

Može se objasniti: Neuronske mreže razvijaju svoje ponašanje na vrlo komplicirane načine, čak se i njihovi tvorci bore da razumiju svoje postupke. Nedostatak tumačenja vrlo je teško riješiti pogreške i ispraviti pogreške u algoritmima dubokog učenja.

Pristranost algoritma: Algoritmi dubokog učenja dobri su kao i podaci koje vježbaju. Problem je što podaci o treningu često sadrže skrivene ili očite pristranosti, a algoritam nasljeđuje tu pristranost. Na primjer, algoritmi za prepoznavanje lica koji treniraju prvenstveno na bijelim slikama djelovat će manje precizno na ljudima koji nisu bijeli.

Nedostatak generalizacije: Algoritmi dubokog učenja dobri su u fokusiranju zadataka, a loši u generaliziranju vašeg znanja. Za razliku od ljudi, modeli dubokog učenja koji su obučeni za igranje StarCrafta neće moći igrati slične igre – na primjer, WarCraft. Nadalje, duboko učenje vrlo je slabo u rukovanju podacima koji odstupaju od primjera obuke, također poznatih kao “granični slučajevi”. To može biti opasno u situacijama poput automobila bez vozača, gdje pogreške mogu biti kobne.

Budućnost dubokog učenja

Ranije ove godine, pioniri dubokog učenja dobili su Turingovu nagradu, računalni ekvivalent Nobelove nagrade. No, rad dubokog učenja i neuronskih mreža daleko je od kraja. Ulažu se razni napori za poboljšanje dubokog učenja.

Neki zanimljivi poslovi uključuju modele dubokog učenja koji se mogu objasniti ili otvoriti za tumačenje, neuronske mreže koje mogu razviti vaše ponašanje s manje podataka o treningu i vrhunske AI modele, algoritme dubokog učenja koji mogu raditi svoj posao bez oslanjanja na resursi za računalstvo u oblaku koji su najveći

I dok je duboko učenje trenutno najnaprednija tehnika umjetne inteligencije, to nije krajnji cilj AI industrije. Evolucija dubokog učenja i neuronskih mreža mogla bi nam pružiti potpuno novu arhitekturu.

Table of Contents

Toggle