Kaj morate vedeti o razvoju umetne inteligence
Globoko učenje je močna oblika strojnega učenja (ML), ki gradi kompleksne matematične strukture, imenovane nevronske mreže, ki uporabljajo velike količine podatkov (informacij).
Definicija globokega učenja
Globinsko učenje je način za izvajanje ML z več plasti nevronskih mrež za obdelavo bolj zapletenih vrst podatkov. Včasih se imenuje hierarhično učenje, globoko učenje uporablja različne vrste nevronskih omrežij za učenje funkcij (imenovanih tudi predstavitve) in jih najde v velikih nizih surovih, neoznačenih podatkov (nestrukturiranih podatkov). Eden od prvih prodornih predstavitev globokega učenja je bil program, ki je uspešno izbral slike mačk iz sklopov videoposnetkov v YouTubu.
Primeri globokega učenja v vsakdanjem življenju
Globlje učenje se ne uporablja le pri prepoznavanju slike, ampak tudi pri prevajanju jezikov, odkrivanju goljufij in analizi podatkov, ki jih podjetja zbirajo o svojih strankah. Na primer, Netflix uporablja globoko učenje, da analizira vaše navade gledanja in napoveduje, katere oddaj in filmov, ki jih želite gledati. Tako Netflix ve, da bo v vaši čakalni vrsti vložil akcijske filme in dokumentare za naravo. Amazon poglobljeno učenje analizira vaše nedavne nakupe in predmete, ki ste jih nedavno iskali, da ustvarite predloge za nove glasbene albume v državi, za katere vas verjetno zanimajo, in da ste na trgu za par sivih in rumenih tenisa čevlji. Ker globoko učenje omogoča vedno večji vpogled v nestrukturirane in neobdelane podatke, lahko korporacije bolje predvidijo potrebe svojih strank, medtem ko vam posameznik pridobi bolj osebno storitev za stranke.
Umetna nevronska omrežja in globoko učenje
Za lažje razumevanje globokega učenja ponovimo našo primerjavo umetnega nevronskega omrežja (ANN). Za globoko učenje si predstavljamo, da naša 15-nadstropna poslovna stavba zaseda mestni blok s petimi drugimi poslovnimi zgradbami. Obstajajo tri stavbe na vsaki strani ulice. Naša stavba gradi A in se strinja z isto stranjo ulice kot zgradbe B in C. Preko ulice od stavbe A je stavba 1, čez drugo od stavbe B pa se gradi 2 in tako naprej. Vsaka stavba ima različno število nadstropij, je izdelana iz različnih materialov in ima drugačen arhitekturni slog od drugih. Vendar pa je vsaka stavba še vedno urejena v ločenih nadstropjih (plasti) pisarn (vozlišč), zato je vsaka stavba edinstvena ANN.
Predstavljajte si, da v zgradbi A pridejo digitalni paketi, ki vsebujejo veliko različnih informacij iz več virov, kot so podatki na podlagi besedila, video streami, avdio tokovi, telefonski klici, radijski valovi in fotografije - vendar pridejo v enem velikem ni označena ali razvrščena na noben logičen način (nestrukturirani podatki). Informacije se pošljejo vsakemu nadstropju, in sicer od 1. do 15. leta za obdelavo. Ko informacijski skok doseže 15. nadstropje (izhod), se pošlje na 1. nadstropje (vhod) stavbe 3 skupaj s končnim rezultatom obdelave iz stavbe A. Zgradba 3 nauči in vključi rezultat, ki ga pošljejo zgradbe A in nato obdeluje informacijski skok skozi vsako nadstropje na enak način. Ko podatki dosežejo najvišje nadstropje zgradbe 3, so tam poslani z rezultati te stavbe v stavbo 1. Zgradba 1 se učijo in vključijo rezultate iz stavbe 3, preden jo obdelajo pod nadstropjem. Zgradba 1 prenaša informacije in rezultate na isti način kot gradnja C, ki obdeluje in pošilja v stavbo 2, ki obdeluje in pošilja v stavbo B.
Vsak ANN (zgradba) v našem primeru išče drugo funkcijo v nestrukturiranih podatkih (skok informacije) in rezultate prenese na naslednjo zgradbo. Naslednja stavba vključuje (uči) izhod (rezultate) iz prejšnjega. Ker podatke obdeluje vsaka ANN (zgradba), jih organizira in označuje (razvrščeno) po določeni funkciji, tako da, ko podatki dosežejo končni rezultat (zgornja nadstropje) zadnjega ANN (zgradbe), so razvrščeni in označeni (bolj strukturiran).
Umetna inteligenca, strojno učenje in globoko učenje
Kako se globoko učenje prilega splošni sliki umetne inteligence (AI) in ML? Globoko učenje povečuje moč ML in povečuje obseg nalog, ki jih AI lahko izvaja. Ker se globoko učenje opira na uporabo nevronskih mrež in prepoznavanje funkcij znotraj podatkovnih nizov namesto preprostejših algoritmov , specifičnih za posamezne naloge, lahko najde in uporablja podatke iz nestrukturiranih (surovih) podatkov, ne da bi morali programerji to ročno označiti prvič - naloga, ki lahko povzroči napake. Globoko učenje pomaga računalnikom, da postanejo boljši in boljši pri uporabi podatkov za pomoč podjetjem in posameznikom.