Syväoppiminen: mikä se on ja miten se liittyy koneoppimiseen?

Jatkamalla pari artikkeliamme, jotka olemme tehneet, puhumme tässä syvällisestä oppimisesta ja sen suhteesta koneoppimiseen . Molemmat termit ovat yhä tärkeämpiä yhteiskunnassa, jossa elämme, ja on hyödyllistä tietää, mikä ympäröi meitä.

Sisällysluettelo

Mikä on syväoppiminen ?

Syväoppiminen on osa tekniikoita, jotka syntyivät 2000-luvun lopulla koneoppimisen seurauksena. Tästä syystä meidän on luokiteltava se yhdeksi sen haaraksi, joka on puolestaan ​​osa tietotekniikkaa.

Nämä järjestelmät ovat itsenäisempiä kuin heidän vanhemmat sisaruksensa, vaikka niiden rakenne on myös huomattavasti monimutkaisempi. Tämä antaa heille selvän edun suoritettaessa erityyppisiä tehtäviä, joissa he suorittavat saman tai paremman työn kuin muut koneoppimisalgoritmeilla varustetut järjestelmät .

Lisäksi on olemassa muita teoksia, joissa Deep Learning erottuu edeltäjänsä edestä. Yksi tunnetuimmista tapauksista on AlphaGo- -tyyppinen tekoäly , Googlen älykkyys , joka pystyy voittamaan Go: n maailmanmestarin.

Ehkä se kuulostaa sinulle hiukan kiinan kieltä, mutta Go on erittäin kuuluisa peli ja myös erittäin vaativa. Kontekstiin laskettuna matemaatikot väittävät painokkaasti, että tämä harrastus on huomattavasti monimutkaisempaa kuin shakki.

Toisaalta syväoppiminen liittyy läheisesti Big Data -palveluun, koska näitä upeita tietolähteitä voidaan käyttää oppimaan ja vakiinnuttamaan kokemusta. Tämänhetkisen tilanteen ansiosta ympäristö tämän tekniikan leviämiselle ja kehittämiselle on täydellinen kolmeen avainkohtaan:

1. Suuri tiedonkeruu, koska nykyisten työkalujen avulla tietoja voidaan hankkia ja tallentaa melkein keneltä tahansa. Teknologian taso, jossa olemme, koska komponentit ovat hyviä tarjoamaan kollektiivisesti huomattavaa tehoa. Yritysten halu parantaa metodologiaaan, koska hyödyntäen kahta edellistä kohtaa yhä useammat yritykset vedonlyövät tekoälyyn . Jos yrityksesi on tallentanut tuhansien asiakkaiden tietoja ja tekniikka antaa sinulle mahdollisuuden oppia heiltä ja käyttää niitä, se on turvallinen veto.

Syvän oppimisen rakenne

Vaikka algoritmeilla onkin melko samanlainen kehitys kuin koneoppimisella , niillä on joitain ydineroja. Tärkein on todennäköisesti sen sisäinen rakenne, eli algoritmin muodostava koodi.

Yleinen ajatus syvällisestä oppimisesta

Kuten kuvasta voi nähdä, Deep Learning liittyy läheisesti hermoverkkoihin. Tämä käsite ei ole uusi, mutta sitä ei ole ollut kanssamme jo pitkään, joten et ehkä tiedä sitä.

Sen yksinkertaistamiseksi voimme määritellä hermoverkon joukkona algoritmeja (joita kutakin kutsutaan kerrokseksi), jotka käsittelevät ja lähettävät tietoa. Jokainen kerros vastaanottaa tuloarvot ja palauttaa lähtöarvot, ja kun se kulkee koko verkon läpi, lopullinen tuloksena oleva arvo palautetaan. Kaikki tämä tapahtuu yleensä peräkkäin, jolloin jokaisella kerroksella on eri paino halutusta tuloksesta riippuen.

Tässä näytämme sinulle lyhyen (englanniksi) videon keinotekoisen älykkyyden oppimisesta pelata Super Mario World :

Ja saatat ihmetellä: "Miksi kaikki tämä menetelmä on niin monimutkainen?" . Tietysti syväoppiminen kuuluu edelleen siihen, mitä kutsumme heikoksi tekoälyksi , mutta se on mahdollisesti ensimmäinen askel kohti vahvaa.

Tätä metodologiaa inspiroi löysästi aivojen toiminta. Samankaltainen kuin mitä näemme "fyysisessä maailmassa" , järjestelmät muodostavat kerroksia ja kukin kerros toimii samalla tavalla kuin neuroni. Tällä tavalla kerrokset liittyvät toisiinsa, jakavat tietoa ja tärkeintä on, että kaikki tehdään itsenäisesti.

Hyvin yksinkertaistettu järjestelmä syvän oppimisen toiminnasta

Tämän säännön mukaisesti kaikkein täydellisimmät älykortit ovat yleensä niitä, joissa on enemmän tasoja ja hienostuneempia algoritmeja.

Kuinka tekoäly toimii tämän algoritmin kanssa?

Jos olet nähnyt aiemmat artikkelimme aiheesta, olet jo nähnyt tämän gifin. Täällä voit nähdä tekoälyä koskevan artikkelimme ja täällä voit lukea vähän koneoppimisesta .

mutta näytämme sinulle viimeisen kerran.

Tämä kuva heijastaa hyvin ja hyvin yksinkertaisesti kuinka hermoverkkoja käyttävä älykkyys toimisi. Kuten huomaat, hänen työnsä on yksinkertainen: luokittele kuvat ja oppi havaitsemaan koirat hänelle siirretyissä valokuvissa.

Jokainen kuva alkaa syöttämällä tulosyöttö, ts. Syöttökerros, jossa ensimmäiset laskelmat alkavat jo. Saadut tulokset jaettaisiin toiselle kerrokselle tai hermostoon ja ilmeisesti sille ilmoitetaan, mikä hermosto on tehnyt tämän laskelman. Tämä prosessi toistetaan niin monta kertaa kuin kerroksilla, joita järjestelmällämme on, kunnes saavutamme viimeisen.

Viimeinen hermosolu on nimetty lähtökerrokseksi ja se on tässä esimerkissä tulos. Muissa tapauksissa lähtökerros suorittaa lasketun toimenpiteen. Lisäksi, jos laitamme kaavaan, jonka on toimittava niin nopeasti kuin mahdollista (kuten videopelien tapauksessa) , tuloksen pitäisi olla melkein välitön. Teknologisen pisteen ansiosta tämä on kuitenkin jo mahdollista.

Yksi selkeimmistä esimerkeistä tästä on AlphaStar-tekoäly, toinen Googlen luoma itse.

Google Deepmind- tekoäly

Olemme kertoneet sinulle AlphaGosta , AI: stä, joka kykenee taistelemaan maailman parhaita Go- pelaajia vastaan. Tällä on kuitenkin nuorempia sisaruksia, jotka pystyvät saavuttamaan melko vaikuttavia välitavoitteita.

AlphaZero

Tämä älykkyys oppi vain 24 tunnissa yli-inhimillisen tason shakista, shojista ja mennä , joiden kanssa hän voitti useita kuuluisia pelaajia. Hän voitti myös hävittyjen vastustajien luettelossa AlphaGo Zero -version 3 päivän kokemuksesta, mikä on todella uskomatonta. Täältä ilmenee tämän keinotekoisen älykkyyden oppimisen nopeus.

Kaikkein vaikuttavinta, joukkueella ei ollut pääsyä oppikirjoihin tai tietokantoihin, joten kaikki heidän taktiikansa opittiin käytännössä.

Toisessa kohtaamisessaan hän kohtasi Stockfishin , automaattisen avoimen lähdekoodin veteraaniohjelman, joka pelaa shakkia. AlphaZero hallitsi sitä kuitenkin vain neljässä tunnissa .

On huomattava, että vaikka tämä laskee ensin noin 70 miljoonaa liikettä, AlphaZero ottaa shakissa huomioon vain 80 tuhatta erilaista uloskäyntiä. Ennusteiden ero kompensoi paljon parempi arvio siitä, mitkä olisivat lupaavia näytelmiä.

Tämänkaltaisilla voimamielisillä voimme nähdä uuden tekoälyn voiman.

AlphaStar

Toisaalta AlphaStar on AI , joka nykyään pystyy toistamaan RTS Starcraft II: n (Real Time Strategy, espanjaksi).

Demon aikana AlphaStar taisteli useiden ammattilaispelaajien keskuudessa voittaen kymmenen peliä peräkkäin ja häviämällä vain viimeisen.

Toisin kuin shakki tai mennä, Starcraft II on reaaliaikainen ottelu, joten jokaisessa sekunnissa sinun on tehtävä asioita. Tästä syystä voimme katsoa, ​​että nykyinen tekniikka pystyy ylläpitämään näitä hulluja laskenta- ja päätöksenteon rytmejä.

Älykkyyden valmistelussa hänellä oli noin 200 vuoden kokemus live-testin päivämääristä vain protoilla (yksi käytettävissä olevista kilpailuista) . Se oli myös koulutettu siten, että se pystyi suorittamaan toimintoja vain, jos sillä oli kamera fyysisesti yksikössä, siten rinnastaen enemmän siihen, kuinka henkilö pelaa.

Näistä haitoista huolimatta AlphaStar onnistui kuitenkin voittamaan suurimman osan kohtaamisistaan hylätyllä taktiikalla pelin kilpailun puolella. Yksi huomionarvoista on se, että AlphaStar pitää yleensä APM- arvot (toiminnot minuutissa) , joten sen päätökset ovat erittäin tehokkaita.

AI: n ja ammattimaisen pelaajan suorittamat keskimääräiset toimenpiteet minuutissa

Kun tilanne sitä vaatii, hän osoittaa kuitenkin yksiköiden ylimääräisen hallinnan kirjaimellisesti murtamalla tiskin helposti.

Täällä voit nähdä yhden hänen demoistaan kokonaan:

Keinotekoisen älykkyyden tulevaisuus

Olemme jo puhuneet tästä aiheesta, joten emme toista samaa puhetta liikaa. On syytä korostaa mahdollisia tulevaisuuden tulevaisuutta, joka odottaa syvää oppimista .

Tunnetun keinotekoisen älykkyyden asiantuntijan Andrew Yan-Tak Ngin mukaan syväoppiminen on hyvä askel kohti tulevaisuuden älykkyyttä . Toisin kuin muut opetusmenetelmät, tämä on huomattavasti tehokkaampi, kun lisäämme tietovalintaa.

SUOSITTELEMME BABAHU X1: lle AI-hammasharja on nyt saatavana

Seuraava dia kuuluu hänen esitelmäänsä "Mitä tietotekijöiden tulisi tietää syvällisestä oppimisesta". Jos olet kiinnostunut, näet sen tällä linkillä.

Ei turhaan, tekniikan kehitys ei ole pysähtynyt. Joka vuosi meillä on tehokkaampia komponentteja, joten meillä on yhä enemmän terasseja testattavaksi. Kuten vanhojen AI: ien ja koneoppimisen kanssa tapahtui , uudet algoritmit, menetelmät ja järjestelmät ilmestyvät ja korvaavat nykypäivän innovatiivisen syvän oppimisen .

Kuten voitte kuvitella, tulevaisuuteen puhuvat myös puoliksi älykkäät koneet.

Kuten muissa artikkeleissa huomautettiin, useimmissa elektronisissa laitteissa on (osa jo sisältyy niihin) tuki älykkyyteen . Erityisen merkittävä tapaus on älykkyys, joka auttaa ottamaan parempia kuvia.

IoT (esineiden Internet, espanjaksi) on kuitenkin kohta, jossa tämä tekniikka voi menestyä useimmille käyttäjille .

Asioiden Internet

Tällä termillä on yhä enemmän painoarvoa tekniikan ja tietojenkäsittelyn konferensseissa, ja sillä pyritään lujittamaan itseään nyt, kun meillä on keinot.

Ajatuksena on, että kodinkoneet, sähkölaitteet ja muut ovat tunnistettavia esineitä, ne voivat olla yhteydessä toisiinsa ja lisäksi niitä voidaan ohjata laitteella. Tällä tavoin voimme saada määrän siitä, mitä esineitä on olemassa paikassa, missä ne ovat, olla vuorovaikutuksessa niiden kanssa ja kaiken tämän matkapuhelimella. Samoin esineet voivat olla myös vuorovaikutuksessa keskenään ja jos esimerkiksi ruoka vanhenee, jääkaappi ehkä kertoa sinulle, kun avaat sen.

Toisaalta tekoälyn tulisi voida valvoa kodinkoneiden tilaa ja suorituskykyä. Tämän avulla voit laatia sähkösuunnitelman ja optimoida käytetyn energian.

Internet- tietoturva on kuitenkin asia, jota meidän on vielä parannettava . Se on asia, joka ei edelleenkään näytä kärsivän paljon häirintää, mutta me kaikki tiedämme, että se on välttämätöntä, jos haluamme sen olevan turvallinen palvelu.

Se on hieman abstrakti idea, mutta kun se tunkeutuu elämäämme, sinusta tulee tuttu.

Uuden tekniikan ja syvän oppimisen merkitys

On väistämätöntä ajatella, että tietojenkäsittely ja tekoäly suunnittelevat suurta osaa tulevaisuutta, joka meitä odottaa. Siksi on tärkeää olla aina puolittain tietoinen siitä, mitä tapahtuu bittihallinnassa maailmassa.

Tätä henkeä ajatellen voimme jo nähdä, kuinka eri asteet, kurssit ja tutkinnot näyttävät opettavan näitä aiheita perusteellisesti. Esimerkiksi joitain tietotekniikan tekniikoita on ilmestynyt, toiset astetta Big Datassa ja selvästi syvän oppimisen ja tekoälyn kursseja.

Samasta syystä kehotamme sinua tutkimaan aihetta. Internet plussiineen ja miinuksineen ei ole vielä itsenäinen, ei täydellinen eikä todella turvallinen, mutta se on lähes rajaton tietolähde. Onneksi löydät paikan oppia ja aloittaa uuden kielen tai pikemminkin uuden maailman.

Koska koneoppiminen on hieman kevyempi oppiaine , on ohjelmia, joiden avulla voit sekoittaa tietoja hieman. Jos olet kiinnostunut oppimaan vähän lisätietoja aiheesta ja tarkistamaan itsesi / tämän tekniikan rajat, voit käydä IBM Watson Developer Cloud- tai Amazon Machine Learning -sivustolla. Varoitamme sinua: sinun on luotava tili, eikä se ole helppo tapa oppia, mutta ehkä jonain päivänä se auttaa sinua saavuttamaan suuria tavoitteita.

Täällä on ideamailma, joten kaikki on teidän käsissänne. Ja teille, mitä mieltä olet keinotekoiseen älykkyyteen liittyvistä uusista tekniikoista? Mitä muita Deep Learning -sovelluksia tiedät tai haluat nähdä? Jaa ideasi alla olevaan ruutuun.

Lähde Business Blog Ajattele BigXatakaMachine Learning Mastery