Čo potrebujete vedieť o vývoji umelej inteligencie
Hlbšie učenie je silná forma strojového učenia (ML), ktorá stavia zložité matematické štruktúry nazývané neurónové siete s použitím veľkého množstva údajov (informácií).
Deep Learning Definition
Hlbšie učenie je spôsob implementácie ML pomocou viacerých vrstiev neurónových sietí na spracovanie zložitejších typov údajov. Niekedy nazývané hierarchické učenie, hlbšie učenie používa rôzne typy neurónových sietí na to, aby sa naučilo funkcie (nazývané aj reprezentácie) a našlo ich v rozsiahlych súboroch surových neoznačených údajov (neštruktúrované dáta). Jedným z prvých prelomových demonštrácií hlbokého vzdelávania bol program, ktorý úspešne vybral zábery mačiek zo súborov videí YouTube.
Príklady hlbokého vzdelávania v každodennom živote
Hlboké vzdelávanie sa používa nielen pri rozpoznávaní obrázkov, ale aj pri preklade jazykov, zisťovaní podvodov a analýze údajov zhromaždených spoločnosťami o ich zákazníkoch. Netflix napríklad používa hlboké vzdelávanie na analýzu vašich pozorovacích návykov a predpovedanie, ktoré prehliadky a filmy chcete radšej sledovať. Takto vie Netflix dať akčné filmy a prírodné dokumenty vo vašej rade návrhov. Amazon používa hlboké vzdelávanie na analýzu vašich nedávnych nákupov a položiek, ktoré ste nedávno vyhľadali, aby ste vytvorili návrhy pre nové country hudobné albumy, o ktorých sa pravdepodobne budete zaujímať, a že ste na trhu pre šedý a žltý tenis topánky. Keďže hlboké vzdelávanie poskytuje čoraz väčší prehľad o neštruktúrovaných a nespracovaných údajoch, spoločnosti dokážu lepšie predvídať potreby svojich zákazníkov, kým vy, jednotlivec zákazník získa viac personalizované služby zákazníkom.
Umelé neurónové siete a hlboké učenie
Aby bolo hlbšie učenie ľahšie pochopiteľné, pozrime sa na naše porovnanie neurónovej siete (ANN). Pre hlboké vzdelávanie si predstavte, že naše 15-poschodová administratívna budova zaberá mestský blok s piatimi inými administratívnymi budovami. Na každej strane ulice sú tri budovy. Naša budova je budova A a zdieľa rovnakú stranu ulice ako budovy B a C. Na ulici od budovy A je budova 1, a naproti budove B je budova 2 a tak ďalej. Každá budova má iný počet poschodí, je vyrobená z rôznych materiálov a má iný architektonický štýl od ostatných. Avšak každá budova je stále usporiadaná v samostatných podlažiach (vrstvách) kancelárií (uzlov), takže každá budova je jedinečná ANN.
Predstavte si, že digitálny balík prichádza do budovy A, ktorá obsahuje veľa rôznych druhov informácií z viacerých zdrojov, ako sú textové údaje, prúdy videa, zvukové toky, telefónne hovory, rádiové vlny a fotografie - prichádza však do jedného veľkého zmiešania nie je označená ani triedená ľubovoľným logickým spôsobom (neštruktúrované dáta). Informácie sa posielajú každým poschodím v poradí od 1. do 15. pre spracovanie. Po prechode informačného jumperu do 15. poschodia (výstup) sa posiela na prvé poschodie (vstup) budovy 3 spolu s výsledným výsledkom spracovania budovy A. Budova 3 sa dozvie a zahŕňa výsledok poslaný budovou A a potom spracováva informačnú mriežku na každom poschodí rovnakým spôsobom. Keď sa informácie dostanú do najvyššieho poschodia budovy 3, odošlú odtiaľ s výsledkami tejto budovy do budovy 1. Budova 1 sa dozvie a zahŕňa výsledky z budovy 3 predtým, ako ju spracuje podlaha podlahou. Budova 1 prechádza informácie a výsledky rovnakým spôsobom do budovy C, ktorá spracováva a posiela do budovy 2, ktorá spracováva a posiela do budovy B.
Každý ANN (budova) v našom príklade hľadá inú vlastnosť v neštruktúrovaných údajoch (márnosť informácií) a prenesie výsledky do ďalšej budovy. Ďalšia budova obsahuje (učí) výstup (výsledky) z predchádzajúcej. Keďže údaje sú spracovávané každou budovou (budova) ANN, organizujú sa a označujú (klasifikujú) určitou vlastnosťou, takže keď údaje dosiahnu konečný výstup (posledné poschodie) posledného objektu ANN (budova), sú klasifikované a označené (štruktúrovanejšia).
Umelá inteligencia, strojové učenie a hlboké učenie
Ako sa hlbšie učenie zapája do celkového obrazu umelého inteligencie (AI) a ML? Hlbšie učenie zvyšuje výkon ML a zvyšuje rozsah úloh, ktoré AI dokáže vykonávať. Pretože hlbšie učenie závisí od používania neurónových sietí a rozpoznávania funkcií v rámci súborov údajov namiesto jednoduchších algoritmov špecifických pre danú úlohu, môže nájsť a používať detaily z neštruktúrovaných (surových) dát bez toho, aby programátor musel ručne označiť ich prvýkrát - úloha, ktorá môže priniesť chyby. Hlbšie učenie pomáha počítačom lepšie a lepšie využívať údaje, ktoré pomáhajú podnikom i jednotlivcom.