Hlboké vzdelávanie: čo to je a ako to súvisí so strojovým učením?

Pokračovanie niekoľkých článkov, ktoré sme urobili, tu hovoríme o tom, čo je Deep Learning a aký je jeho vzťah k strojovému učeniu . Obidva pojmy sú v spoločnosti, v ktorej žijeme, čoraz dôležitejšie a bude užitočné vedieť, čo nás obklopuje.

Index obsahu

Čo je to Deep Learning ?

Deep Learning je podmnožina techník, ktoré sa narodili okolo roku 2000 v dôsledku strojového učenia . Z tohto dôvodu by sme ho mali klasifikovať ako jedno z jeho odvetví, ktoré je zase súčasťou počítačovej vedy.

Tieto systémy sú autonómnejšie ako ich starší súrodenci, aj keď ich štruktúra je tiež oveľa zložitejšia. To im dáva jasnú výhodu pri vykonávaní rôznych typov úloh, pri ktorých vykonávajú rovnakú alebo lepšiu prácu ako iné systémy s algoritmami strojového učenia.

Existujú aj ďalšie diela, kde Deep Learning vyniká nad svojím predchodcom. Jedným z najznámejších prípadov je umelá inteligencia v štýle AlphaGo, inteligencia spoločnosti Google, ktorá dokáže poraziť majstra sveta Go .

Možno vám to znie trochu čínsky, ale Go je veľmi slávna hra a tiež veľmi náročná. Matematici dôrazne tvrdia, že tento koníček je podstatne zložitejší ako šach.

Na druhej strane Deep Learning úzko súvisí s Big Data, pretože tieto veľké zdroje informácií sa dajú použiť na učenie a upevňovanie skúseností. Navyše, vďaka situácii, v ktorej sa nachádzame, je prostredie pre šírenie a rozvoj tejto technológie ideálne pre tri kľúčové body:

1. Veľká akumulácia údajov, keďže pomocou nástrojov, ktoré máme dnes, je možné získať a uložiť údaje takmer od kohokoľvek. Stupeň technológie sme v, pretože komponenty sú dobré kolektívne ponúknuť značnú silu. Túžba spoločností zlepšiť svoje metodiky, pretože s využitím dvoch predchádzajúcich bodov, stále viac spoločností stávkuje na umelú inteligenciu . Ak vaša spoločnosť uložila údaje od tisícov zákazníkov a technológia vám dáva možnosť poučiť sa od nich a používať ich, je to bezpečná stávka.

Štruktúra hlbokého učenia

Napriek tomu, že vývoj bol celkom podobný strojovému učeniu , táto sada algoritmov má určité jadrové rozdiely. Najdôležitejšia je pravdepodobne jeho vnútorná štruktúra, to znamená kód, ktorý tvorí jeho algoritmus.

Všeobecná myšlienka o hlbokom učení

Ako vidíte na obrázku, Deep Learning úzko súvisí s neurálnymi sieťami. Tento koncept nie je nový, ale s nami už dlho nebol, takže ho možno nepoznáte.

Aby sme to zjednodušili, mohli by sme neurónovú sieť definovať ako skupinu algoritmov (každá sa nazýva vrstva), ktoré spracovávajú a prenášajú informácie. Každá vrstva prijíma vstupné hodnoty a vracia výstupné hodnoty, a keď prechádza celou sieťou, vracia sa výsledná výsledná hodnota. To všetko sa deje postupne, zvyčajne, keď každá vrstva má inú váhu, v závislosti od požadovaného výsledku.

Tu vám ukážeme krátke video (v angličtine) o učení umelej inteligencie pri hraní Super Mario World :

A možno vás zaujíma: „Prečo je táto metóda tak zložitá?“ , Hlboké vzdelávanie určite patrí k tomu, čo nazývame slabá umelá inteligencia , ale je to pravdepodobne prvý krok k silnému.

Táto metodika je voľne inšpirovaná tým, ako mozog funguje. Podobne ako v "fyzickom svete" , systémy tvoria vrstvy a každá vrstva funguje podobným spôsobom ako neurón. Týmto spôsobom vrstvy súvisia navzájom, zdieľajú informácie a najdôležitejšie je, že všetko sa robí autonómne.

Veľmi zjednodušená schéma fungovania Deep Learning

Podľa tohto pravidla sú najkompletnejšie inteligencie obvykle tie, ktoré majú viac vrstiev a sofistikovanejšie algoritmy.

Ako Artificial Intelligence pracuje s týmto algoritmom?

Ak ste už videli naše predchádzajúce články na túto tému, tento gif ste už videli. Tu nájdete náš článok o umelej inteligencii a tu si môžete prečítať niečo o strojovom učení .

ale naposledy sa vám ukážeme.

Tento obrázok odráža dobre a veľmi jednoducho, ako by fungovala inteligencia využívajúca neurónové siete. Ako vidíte, jeho práca je jednoduchá: klasifikovať obrázky a naučiť sa odhaľovať psy na rôznych fotografiách, ktoré mu boli odovzdané.

Každý obrázok sa začína zadaním vstupného kanála, tj vstupnej vrstvy, kde by sa už začínali prvé výpočty. Získané výsledky by sa zdieľali s druhou vrstvou alebo neurónom a je zrejmé, že je informovaný, ktorý neurón urobil tento výpočet. Tento proces sa opakuje toľkokrát, koľko vrstiev náš systém má, až kým nedosiahneme poslednú.

Posledný neurón sa nazýva výstupná vrstva a je ten, ktorý v tomto príklade ukazuje výsledok. V ostatných prípadoch výstupná vrstva skončí vykonaním vypočítanej akcie. Taktiež, ak vložíme do vzorca povinnosť konať čo najrýchlejšie (napríklad vo videohrách) , výsledok by mal byť takmer okamžitý. Vďaka technologickému bodu, v ktorom sa nachádzame, je to už možné.

Jedným z najjasnejších príkladov je umelá inteligencia AlphaStar, ďalší výtvor samotnej spoločnosti Google .

Umelá inteligencia Google Deepmind

Už sme vám povedali o AlphaGo , AI schopnom bojovať proti najlepším hráčom Go na svete. Tento však má mladších súrodencov schopných dosiahnuť niektoré veľmi pôsobivé míľniky.

AlphaZero

Táto inteligencia sa za 24 hodín naučila nadľudskú úroveň šachu, šógji a ísť s ktorou vyhrala niekoľko slávnych hráčov. V zozname porazených oponentov tiež poukázal na trojdňovú skúsenosť s verziou AlphaGo Zero , čo je skutočne neuveriteľné. Tu vyjde rýchlosť učenia sa tejto umelej inteligencie .

Najpôsobivejšie zo všetkých bolo, že tím nemal prístup k učebným knihám alebo databázam, a tak sa všetky ich taktiky naučili s praxou.

Na ďalšom stretnutí stál pred Stockfishom , veteránom automatizovaným programom s otvoreným zdrojom, ktorý hrá šach. Avšak za štyri hodiny jej dominoval AlphaZero.

Je potrebné poznamenať, že zatiaľ čo tento prvý počíta približne 70 miliónov pohybov, AlphaZero v šachu berie do úvahy iba 80 000 rôznych východov. Rozdiel v predpovedi bol kompenzovaný oveľa lepším posúdením toho, čo by bolo sľubné.

S demonštráciou sily, ako je táto, môžeme vidieť silu novej umelej inteligencie .

AlphaStar

Na druhej strane je AlphaStar AI, ktorý je dnes schopný hrať RTS Starcraft II (španielsky Real Strategy).

V čase svojho dema AlphaStar bojoval s niekoľkými profesionálnymi hráčmi v strede, vyhral desať hier v rade a iba prehral posledný.

Na rozdiel od šachu alebo hry je Starcraft II zápasom v reálnom čase, takže každú sekundu musíte robiť veci. Z tohto dôvodu si môžeme všimnúť, že súčasná technológia je schopná udržať tieto frenetické rytmy výpočtu a rozhodnutia.

Pokiaľ ide o prípravu spravodajských informácií , mal k dátumu živého testu praktický výcvik 200 rokov iba s Protosmi (jedným z dostupných pretekov) . Bola tiež trénovaná tak, aby mohla vykonávať akcie, len ak mala kameru fyzicky na jednotke, čím viac asimilovala to, ako bude osoba hrať.

Napriek týmto nevýhodám sa však AlphaStar podarilo poraziť väčšinu svojich stretnutí pomocou opustenej taktiky na konkurenčnej strane hry. Je potrebné poznamenať, že AlphaStar zvyčajne udržuje APM (akcie za minútu) nízke, takže jeho rozhodnutia sú veľmi efektívne.

Priemerné činnosti za minútu vykonané AI a profesionálnym hráčom

Keď si to však situácia vyžaduje, demonštruje nadľudskú kontrolu nad jednotkami doslova ľahkým prerušením počítadla.

Tu môžete vidieť jedno z jeho ukážok:

Budúcnosť umelej inteligencie

O tejto téme sme už hovorili, takže rovnakú diskusiu nebudeme príliš opakovať. Mali by sa zdôrazniť možné budúcnosti, ktoré čakajú na hlboké vzdelávanie .

Podľa Andrewa Yan-Taka Ng, známeho odborníka v oblasti umelej inteligencie, je Deep Learning dobrý krok k inteligencii budúcnosti. Na rozdiel od iných vyučovacích metód je táto metóda podstatne účinnejšia, pretože zväčšujeme vzorku údajov.

DOPORUČUJEME VÁS BABAHU X1: Zubná kefka AI je teraz k dispozícii

Ďalšia snímka patrí k jeho prezentácii „Čo by vedci mali vedieť o hlbokom učení . “ Ak máte záujem, môžete si ho pozrieť na tomto odkaze.

Nie nadarmo sa vývoj technológie nezastavil. Každý rok budeme mať výkonnejšie komponenty, takže budeme musieť testovať stále viac a viac terás. Ako sa stalo pri starých AI a strojovom učení, objavia sa nové algoritmy, metodiky a systémy, ktoré nahradia dnešné inovatívne Deep Learning .

Ako si viete predstaviť, budúcnosť riešia aj čiastočne inteligentné stroje.

Ako sme zdôraznili v iných článkoch, väčšina elektronických zariadení bude mať (niektoré už ich obsahujú) Podporné spravodajské služby . Veľmi pozoruhodným prípadom sú prípady spravodajských informácií, ktoré pomáhajú snímať fotografie v lepšej kvalite.

Bodom, v ktorom táto technológia môže pre väčšinu používateľov prekvitať, je internet vecí (španielsky internet vecí).

Internet vecí

Tento výraz má čoraz väčšiu váhu na konferenciách o technológiách a výpočtovej technike a snaží sa skonsolidovať sa teraz, keď máme prostriedky.

Ide o to, že domáce spotrebiče, elektrické spotrebiče a iné sú identifikovateľné objekty, môžu navzájom komunikovať a navyše byť ovládané pomocou zariadenia. Týmto spôsobom môžeme mať množstvo objektov, ktoré existujú na mieste, kde sú, interagovať s nimi a to všetko z mobilu. Podobne by sa objekty mohli vzájomne ovplyvňovať a ak napríklad vyprší jedlo, pravdepodobne by vám chladnička mohla po otvorení povedať.

Na druhej strane by umelá spravodajská služba mala byť schopná monitorovať stav a výkon domácich spotrebičov. Týmto by ste mohli vytvoriť plán elektrickej energie a optimalizovať použitú energiu.

Relevantným bodom, ktorý nám zostáva zlepšiť, by však bola internetová bezpečnosť. Zdá sa, že to stále nie je príliš obťažované, ale všetci vieme, že ak chceme, aby to bola bezpečná služba, bude nevyhnutné.

Je to trochu abstraktná myšlienka, ale keď napadne naše životy, zoznámite sa.

Dôležitosť nových technológií a hlboké vzdelávanie

Je nevyhnutné si myslieť, že výpočty a umelá inteligencia budú formovať väčšinu budúcnosti, ktorá nás čaká. Preto je dôležité, aby ste si boli vždy vedomí toho, čo sa deje vo svete riadenom bitmi.

So zreteľom na tohto ducha môžeme už teraz vidieť, ako sa objavujú rôzne stupne, kurzy a tituly, ktoré tieto témy hĺbkovo učia. Napríklad sa objavili niektoré dátové inžinierstvo, ďalšie tituly z veľkých dát a samozrejme kurzy Deep Learning and Artificial Intelligence .

Z toho istého dôvodu vás žiadame, aby ste vyšetrili predmet. Internet so svojimi kladmi a zápormi ešte nie je autonómny, ani dokonalý ani skutočne bezpečný, ale je to takmer neobmedzený zdroj poznatkov. S trochou šťastia nájdete miesto, kde sa môžete učiť a môžete sa pustiť do nového jazyka alebo do nového sveta.

Pretože strojové učenie je mierne ľahšia disciplína , existujú programy, ktoré vám umožňujú trochu sa pohrávať s údajmi. Ak máte záujem dozvedieť sa niečo viac o predmete a skontrolovať sami seba / limity tejto technológie, môžete navštíviť IBM Watson Developer Cloud alebo Amazon Machine Learning. Varujeme vás: budete si musieť vytvoriť účet a nebude to jednoduchý spôsob, ako sa učiť, ale jedného dňa vám to možno pomôže dosiahnuť skvelé ciele.

Za nimi je svet nápadov, takže všetko je vo vašich rukách. A čo si myslíte o nových technológiách týkajúcich sa umelej inteligencie? Aké ďalšie aplikácie Deep Learning poznáte alebo by ste chceli vidieť? Podeľte sa o svoje nápady v poli nižšie.

Zdrojový obchodný blog Think BigXatakaMachine Learning Mastery