Mitä sinun on tiedettävä tekoälyn kehityksestä
Syvä oppiminen on tehokas koneoppimisen (ML) muoto, joka rakentaa monimutkaisia matemaattisia rakenteita, joita kutsutaan neuroverkoiksi käyttäen suuria määriä tietoja (tietoa).
Deep Learning Definition
Syvä oppiminen on tapa toteuttaa ML käyttämällä useita kerroksia hermoverkkoja monimutkaisten tietotyyppien käsittelyyn. Joskus kutsutaan hierarkkisen oppimisen, syvä oppiminen käyttää eri tyyppisiä hermoverkkoja oppimaan ominaisuuksia (kutsutaan myös edustustoiksi) ja löytää ne suurissa raaka-aineissa, joita ei ole merkitty (rakenteettomat tiedot). Yksi syvällisen oppimisen ensimmäisistä läpimurtoesityksistä oli ohjelma, joka onnistui poimimaan kuvia kissista YouTube-videoiden joukosta.
Deep Learning esimerkkejä päivittäisessä elämässä
Syvällistä oppimista ei käytetä ainoastaan kuvantunnistukseen vaan myös kielenkääntämiseen, petosten havaitsemiseen ja analysoimaan yritysten asiakkailta keräämiä tietoja. Netflix käyttää esimerkiksi syvällistä oppimista analysoimaan katselutapojaan ja ennakoimaan, mitkä näytökset ja elokuvat haluat katsella. Näin Netflix osaa laatia toimintolistoja ja luonnon dokumentteja ehdotusjonoosi. Amazon käyttää syvää oppimista analysoimaan äskettäiset ostot ja kohteet, joita olet äskettäin etsinyt luomaan ehdotuksia uusista maakohtaisista musiikkialbumeista, joita olet todennäköisesti kiinnostunut ja jotka olette harjoittelun parissa harmaan ja keltaisen tenniksen markkinoilla kengät. Koska syvä oppiminen tarjoaa yhä enemmän tietoa käsittelemättömästä ja raaka-aineistosta, yritykset voivat paremmin ennakoida asiakkaidensa tarpeita, kun yksittäinen asiakas saa enemmän henkilökohtaista asiakaspalvelua.
Keinotekoiset neuroverkot ja syvä oppiminen
Jotta syvällinen oppiminen olisi helpompi ymmärtää, tarkastellaan uudelleen keinotekoisen hermoverkon (ANN) vertailua . Syvällistä oppimista varten, kuvitella, että 15-kerroksinen toimistorakennus on kaupunkilohko viiden muun toimistorakennuksen kanssa. Kummallakin puolella on kolme rakennusta. Rakennuksemme on rakennus A ja jakaa samalla puolella kadun rakennuksissa B ja C. Kadun varrella rakennuksen A rakentamisesta 1 ja rakennuksen B poikki rakennetaan 2 ja niin edelleen. Jokaisessa rakennuksessa on erilainen määrä kerroksia, se on valmistettu eri materiaaleista ja sillä on erilainen arkkitehtoninen tyyli kuin muilla. Kuitenkin jokainen rakennus on edelleen järjestetty erillisiin kerroksiin (kerrokset) toimistoihin (solmut), joten jokainen rakennus on ainutlaatuinen ANN.
Kuvittele, että digitaalinen paketti saapuu rakennukseen A, joka sisältää paljon erilaisia tietoja useista lähteistä, kuten tekstipohjaisista tiedoista, videovirroista, äänivirroista, puheluista, radioaalloista ja valokuvista. Se kuitenkin saapuu yhteen isoon kuviin ja ei ole merkitty tai lajiteltu mihinkään loogiseen tapaan (rakenteettomat tiedot). Tiedot lähetetään jokaisen kerroksen välityksellä käsittelyn 1 - 15 välillä. Kun informaatiomurskaus saavuttaa 15: nnen kerroksen (lähtö), se lähetetään rakennuksen 3 1. kerrokseen (panos) sekä rakennuksen A lopullisen käsittelyn tuloksesta. Rakennus 3 oppii rakennuksen A ja sitten prosessoidaan tiedon romahtaminen kullakin kerroksella samalla tavalla. Kun tieto saavuttaa rakennuksen 3 ylimmässä kerroksessa, se lähetetään sinne rakennuksen tuloksista rakennukseen 1. Rakennus 1 oppii rakennuksen 3 tulokset ja sisällyttää sen tulokset ennen kuin se jalostaa lattiasta kerroksittain. Rakennus 1 välittää tietoa ja tuloksia samalla tavalla rakennuksen C, joka prosessoi ja lähettää rakennukseen 2, joka käsittelee ja lähettää rakennukseen B.
Jokainen esimerkissämme oleva ANN (rakennus) etsii eri piirrettä strukturoimattomista tiedoista (tiedon romahtaminen) ja välittää tulokset seuraavaan rakennukseen. Seuraava rakennus sisältää (oppii) edellisen tuloksen (tulokset). Koska tiedot käsitellään jokaisen ANN: n (rakennuksen) muodossa, se järjestetään ja merkitään (luokitellaan) tietyn ominaisuuden mukaan, jolloin kun tiedot saavuttavat viimeisen ANN: n (rakennuksen) lopullisen tuotoksen (ylimmässä kerroksessa), se luokitellaan ja merkitään (jäsennelty).
Keinotekoinen älykkyys, koneoppiminen ja syvä oppiminen
Kuinka syvä oppiminen sopii tekoälyn (AI) ja ML: n kokonaiskuvaan? Syvä oppiminen lisää ML: n voimaa ja lisää tehtävien valikoimaa, joita AI kykenee suorittamaan. Koska syvä oppiminen perustuu hermoverkkojen käyttöön ja tunnistaa ominaisuuksia datasarjoissa yksinkertaisempien tehtäväspesifisten algoritmien sijasta, se voi löytää ja käyttää yksityiskohtia rajatuista tiedoista ilman, että ohjelmoija tarvitsee manuaalisesti etikettiä ensin -vaatimus, joka voi aiheuttaa virheitä. Syvällinen oppiminen auttaa tietokoneita parantamaan ja parempia tietoja käyttämään sekä yrityksiä että yksityishenkilöitä.