Globoko učenje: kaj je to in kako je povezano s strojnim učenjem?

Če nadaljujemo nekaj člankov, ki smo jih storili, bomo tukaj govorili o tem, kaj je globinsko učenje in njegova povezanost s strojnim učenjem . Oba izraza sta vse bolj pomembna v družbi, v kateri živimo, zato bo koristno vedeti, kaj nas obdaja.

Kazalo vsebine

Kaj je globinsko učenje ?

Globoko učenje je podmnožica tehnik, ki so se rodile okoli 2000-ih let kot rezultat strojnega učenja . Zaradi tega bi ga morali uvrstiti med svoje veje, ki je po vrsti del računalništva.

Ti sistemi so bolj avtonomni od starejših sorojencev, čeprav je njihova struktura tudi bistveno bolj zapletena. To jim daje jasno prednost pri izvajanju različnih vrst nalog, kadar opravljajo enako ali boljše delo kot drugi sistemi z algoritmi strojnega učenja.

Obstajajo tudi druga dela, kjer Deep Learning izstopa nad svojim predhodnikom. Eden izmed najbolj razvpitih primerov je umetna inteligenca AlphaGo- style , inteligenca Googla, ki lahko premaga svetovnega prvaka Go .

Mogoče se vam zdi nekoliko kitajsko, toda Go je zelo znana igra in, tudi, zelo zahtevna. Povedano v kontekst, matematiki trdno trdijo, da je ta hobi bistveno bolj zapleten kot šah.

Po drugi strani pa je Deep Learning tesno povezan z Big Data, saj te velike vire informacij lahko uporabimo za učenje in utrjevanje izkušenj. Poleg tega je zahvaljujoč razmeram, ki jih imamo, okolje za širjenje in razvoj te tehnologije kot nalašč za tri ključne točke:

1. Velika akumulacija podatkov, saj lahko z orodji, ki jih imamo danes, podatke pridobi in shrani skoraj vsakdo. Stopnja tehnologije, v kateri smo, saj so komponente dobre, da skupaj nudijo veliko moči. Želja podjetij, da izboljšajo svoje metodologije, saj, izkoriščajoč obe prejšnji točki, vse več podjetij stavi na Umetno inteligenco . Če je vaše podjetje shranilo podatke tisoč ljudi in tehnologija vam daje možnost, da se od njih učite in jih uporabljate, je to varna stava.

Struktura poglobljenega učenja

Kljub razvoju, ki je precej podoben strojnemu učenju , ima ta niz algoritmov nekaj jedrskih razlik. Najpomembnejša je verjetno njena notranja struktura, torej koda, ki sestavlja njen algoritem.

Splošna ideja o poglobljenem učenju

Kot lahko vidite na sliki, je Deep Learning tesno povezan z nevronskimi omrežji. Ta koncept ni nov, a pri nas ga že dolgo ni, zato ga morda ne poznate.

Da bi ga poenostavili, bi lahko določili nevronsko mrežo kot niz algoritmov (vsak se imenuje plast), ki obravnavajo in prenašajo informacije. Vsaka plast prejme vhodne vrednosti in vrne izhodne, in ko prehaja skozi celotno omrežje, se vrne končna dobljena vrednost. Vse to se dogaja zaporedno, običajno, kjer ima vsak sloj različno težo, odvisno od želenega rezultata.

Tukaj vam pokažemo kratek video (v angleščini) o tem, da se umetna inteligenca uči igrati Super Mario World :

In morda se sprašujete: "Zakaj je vsa ta metoda tako zapletena?" . Zagotovo globoko učenje še vedno spada v tisto, čemur pravimo šibka umetna inteligenca , vendar je morda prvi korak k močni.

To metodologijo ohlapno navdihuje delovanje možganov. Podobno kot vidimo v "fizičnem svetu" , sistemi tvorijo plasti in vsak sloj deluje na podoben način kot nevron. Na ta način se plasti nanašajo drug na drugega, izmenjujejo informacije in najpomembneje je, da se vse naredi samostojno.

Zelo poenostavljena shema delovanja Deep Learninga

Po tem pravilu so najbolj popolni Intelligences običajno tisti, ki imajo več plasti in bolj izpopolnjene algoritme.

Kako umetna inteligenca deluje s tem algoritmom?

Če ste že videli naše prejšnje članke na to temo, boste to gif že videli. Tukaj si lahko ogledate naš članek o umetni inteligenci in tukaj lahko preberete nekaj o strojnem učenju .

vendar vam bomo pokazali še zadnjič.

Ta slika dobro in zelo preprosto odraža, kako bi inteligenca, ki uporablja nevronske mreže, delovala. Kot vidite, je njegova naloga preprosta: klasificirajte slike in se naučite zaznavati pse na različnih fotografijah, ki so mu posredovane.

Vsaka slika se začne z vnosom vhodnega vira, to je vhodnega sloja, kjer bi se že začeli prvi izračuni. Dobljene rezultate bi delili z drugo plastjo ali nevronom in očitno je obveščen, kateri nevron je naredil ta izračun. Ta postopek se ponavlja tolikokrat kot plasti, ki jih ima naš sistem, dokler ne dosežemo zadnjega.

Zadnji nevron je poimenovan kot izhodni sloj in je v tem primeru prikazan rezultat. V drugih primerih se izhodni sloj konča z izračunanim dejanjem. Tudi če vstavimo v formulo, da moramo delovati čim hitreje (kot pri videoigricah) , bi moral biti rezultat skoraj takojšen. Toda zahvaljujoč tehnološki točki, ki jo imamo, je to že mogoče.

Eden od najbolj jasnih primerov tega je AlphaStar Artificial Intelligence, še ena Googlova stvaritev.

Umetna inteligenca Google Deepmind

Povedali smo vam o AlphaGo , AI, ki se lahko bori proti najboljšim igralcem Go na svetu. Vendar ima ta mlajše brate in sestre, ki so sposobni doseči nekaj zelo impresivnih mejnikov.

AlphaZero

Ta inteligenca se je v samo 24 urah naučila nadčloveškega nivoja šaha, šodžija in goa, s katerim je osvojila več znanih igralcev. Prav tako je na seznamu poraženih nasprotnikov opozoril tudi na različico 3-dnevne izkušnje AlphaGo Zero , nekaj res neverjetnega. Tu se pokaže hitrost učenja te umetne inteligence .

Najbolj impresivno je, da ekipa ni imela dostopa do učnih knjig ali baz podatkov, zato so se vse svoje taktike naučili s prakso.

Na enem od svojih srečanj se je soočil z Stockfishom , veteranskim avtomatiziranim odprtokodnim programom, ki igra šah. Vendar je v samo štirih urah prevladoval AlphaZero.

Treba je opozoriti, da čeprav prvi izračuna približno 70 milijonov gibov, AlphaZero v šahu upošteva le 80 tisoč različnih izhodov. Razlika v napovedih je bila nadomeščena z veliko boljšo presojo o tem, kakšne bodo obetavne igre.

S takimi demonstracijami sile lahko vidimo moč nove umetne inteligence .

AlphaStar

Po drugi strani je AlphaStar AI, ki je danes sposoben igrati RTS Starcraft II (Real Time Strategy, v španščini).

AlphaStar se je v času svojega demo posnetka boril z več profesionalnimi igralci na sredini zmagovalnih desetih igrah zapored in le izgubil zadnjo.

Za razliko od šaha ali športa Starcraft II je tekma v realnem času, zato morate delati vsako sekundo. Zaradi tega lahko vidimo, da je trenutna tehnologija sposobna vzdrževati te frenetične ritme izračuna in odločanja.

Kar zadeva pripravo inteligence , je imel za datume preizkusa v živo približno 200 let izkušenj, ki jih je treniral samo s prototipi (ena izmed razpoložljivih dirk) . Usposobljen je bil tudi tako, da je lahko izvajal dejanja le, če bi imel fotoaparat fizično na enoti, s čimer bi bolj privedel do tega, kako bi oseba igrala.

Kljub temu pa je AlphaStar večino svojih srečanj uspel premagati s pomočjo opuščene taktike na tekmovalni strani igre. Poudariti je treba, da AlphaStar ponavadi ohranja APM-je (akcije na minuto) nizke, zato so njegove odločitve zelo učinkovite.

Povprečne akcije na minuto, ki jih izvaja AI in profesionalni igralec

Ko pa to zahteva situacija, dokaže nadčloveški nadzor nad enotami, dobesedno tako, da zlahka zlomi števec.

Tu si lahko ogledate enega od njegovih predstavitev v celoti:

Prihodnost umetne inteligence

O tej temi smo že govorili, zato ne bomo preveč ponavljali istega pogovora. Izpostaviti je treba možne prihodnosti, ki čakajo na poglobljeno učenje .

Po mnenju Andrewa Yan-Tak Ng -a, znanega strokovnjaka za umetno inteligenco, je globinsko učenje dober korak k inteligenci prihodnosti. Za razliko od drugih metod poučevanja je ta bistveno učinkovitejši, saj povečujemo vzorec podatkov.

PRIPOROČAMO VAM BABAHU X1: Zobna ščetka AI je zdaj na voljo

Naslednji diapozitiv pripada njegovi predstavitvi "Kaj morajo znanstveniki vedeti o poglobljenem učenju . " Če vas zanima, si ga lahko ogledate na tej povezavi.

Ni zaman, razvoj tehnologije se ni ustavil. Vsako leto bomo imeli močnejše komponente, zato bomo imeli vse več teras za testiranje. Kot se je zgodilo s starimi AI-ji in strojnim učenjem, se bodo novi algoritmi, metodologije in sistemi pojavili in nadomestili današnje inovativno poglobljeno učenje .

Tudi prihodnost se, kot si lahko predstavljate, lotevajo s polinteligentnimi stroji.

Kot smo poudarili v drugih člankih, bo večina elektronskih naprav (nekatere že vsebujejo) podporo obveščevalnih podatkov . Zelo opazen je primer Intelligences, ki pomagajo pri fotografiranju boljše kakovosti.

Vendar pa je točka, kjer lahko ta tehnologija uspeva večini uporabnikov, IoT (Internet of Things, v španščini).

Internet stvari

Ta izraz ima vse večjo težo na konferencah o tehnologiji in računalništvu in se želi utrditi zdaj, ko imamo sredstva.

Ideja je, da so gospodinjski aparati, električni aparati in drugi prepoznavni predmeti, lahko medsebojno komunicirajo in poleg tega nadzorujejo z napravo. Na ta način lahko štejemo, kakšni predmeti obstajajo v kraju, kjer so, z njimi komuniciramo in vse to z mobilnega telefona. Prav tako bi predmeti lahko medsebojno vplivali in če na primer poteče živilo, bi vam hladilnik lahko povedal, ko ga odprete.

Po drugi strani bi morala biti umetna inteligenca sposobna spremljati stanje in delovanje gospodinjskih aparatov. S tem bi lahko pripravili načrt za električno energijo in optimizirali porabljeno energijo.

Vendar bi morala biti pomembna točka, ki jo moramo izboljšati, internetna varnost. Je nekaj, za kar še vedno ni videti veliko nadlegovanja, vendar vsi vemo, da bo nujno, če želimo, da je to varna storitev.

Je nekoliko abstraktna ideja, a ko bo vdirala v naše življenje, se boste seznanili.

Pomen novih tehnologij in poglobljenega učenja

Ne moremo si misliti, da bosta računalništvo in umetna inteligenca oblikovala velik del prihodnosti, ki nas čaka. Zato je pomembno, da se vedno na pol zavemo, kaj se dogaja v svetu, ki ga upravljajo bitji.

S tem duhom lahko že vidimo, kako se pojavljajo različne stopnje, predmeti in stopnje, ki te teme poglobljeno poučujejo. Na primer, pojavilo se je nekaj podatkovnega inženiringa, druge stopnje o velikih podatkih in, seveda, tečaji globljega učenja in umetne inteligence .

Iz istega razloga vas pozivamo, da raziščete zadevo. Internet s svojimi plurami in minusi še ni samostojen, niti popoln niti resnično varen, je pa skoraj neomejen vir znanja. Z malo sreče boste našli mesto za učenje in se lahko podali v nov jezik ali bolje rečeno nov svet.

Ker je strojno učenje nekoliko lažja disciplina , obstajajo programi, ki vam omogočajo, da se s podatki malo zajebavate. Če vas zanima, če želite izvedeti nekaj več o tej temi in preveriti zase / meje te tehnologije, lahko obiščete IBM Watson Developer Cloud ali Amazon Machine Learning. Opozarjamo vas: morali boste ustvariti račun in to ne bo enostaven način za učenje, a morda vam bo nekega dne pomagal pri doseganju odličnih ciljev.

Zunaj je svet idej, zato je vse v vaših rokah. In kaj se vam zdi o novih tehnologijah, povezanih z umetno inteligenco? Katere druge aplikacije Deep Learning poznate ali bi jih radi videli? Delite svoje ideje v spodnjem polju.

Vir Poslovni blog Mislimo, da je BigXatakaMachine Learning mojstrstvo