Duboko učenje: što je to i kako je povezano s strojnim učenjem?

Nastavljajući nekoliko članaka koje smo učinili, ovdje ćemo govoriti o tome što je duboko učenje i njegov odnos s strojnim učenjem . Oba su termina sve važnija u društvu u kojem živimo i bit će korisno znati što nas okružuje.

Sadržaj indeks

Što je duboko učenje ?

Duboko učenje je podskup tehnika koje su rođene oko 2000-ih kao rezultat strojnog učenja . Iz tog razloga bismo je trebali klasificirati kao jednu od njegovih grana koja je zauzvrat dio informatike.

Ovi su sustavi autonomniji od starijih rodjaka, iako je njihova struktura također znatno složenija. To im daje jasnu prednost prilikom obavljanja različitih vrsta zadataka u kojima obavljaju isti ili bolji rad od ostalih sustava s algoritmima strojnog učenja.

Također, postoje i druga djela u kojima se Deep Learning ističe ispred svog prethodnika. Jedan od najozloglašenijih slučajeva je umjetna inteligencija u stilu AlphaGo, Googleova inteligencija sposobna je pobijediti svjetskog prvaka Go .

Možda vam zvuči malo kineski, ali Go je vrlo poznata igra i, također, vrlo zahtjevna. Stavljajući ga u kontekst, matematičari izričito tvrde da je taj hobi znatno složeniji od šaha.

S druge strane, Deep Learning usko je povezan s Big Data-om, budući da se ti sjajni izvori informacija mogu koristiti za učenje i konsolidaciju iskustva. Nadalje, zahvaljujući situaciji u kojoj se nalazimo, okruženje za širenje i razvoj ove tehnologije je savršeno za tri ključne točke:

1. Velika akumulacija podataka, jer se pomoću alata kojima danas raspolažemo podaci mogu dobiti i pohraniti od gotovo svakoga. Stupanj tehnologije u kojoj se nalazimo, budući da su komponente dobre kako bi zajednički ponudile značajnu snagu. Želja tvrtki da poboljšaju svoje metodologije, jer, koristeći dvije prethodne točke, sve se više tvrtki kladi na umjetnu inteligenciju . Ako je vaša tvrtka pohranila podatke tisuća ljudi i tehnologija vam pruža mogućnost da učite od njih i koristite ih, to je sigurna oklada.

Struktura dubokog učenja

Iako ima razvoj sličan Strojnom učenju , ovaj niz algoritama ima neke nuklearne razlike. Najvažnija je vjerojatno njegova unutarnja struktura, odnosno kod koji čini njegov algoritam.

Opća ideja o dubokom učenju

Kao što možete vidjeti na slici, Duboko učenje usko je povezano s neuronskim mrežama. Ovaj koncept nije nov, ali nije bio s nama već duže vrijeme, pa ga možda ne znate.

Da bismo ga pojednostavili, mogli bismo definirati neuronsku mrežu kao skup algoritama (koji se svaki naziva sloj) koji tretiraju i prenose informacije. Svaki sloj prima ulazne vrijednosti i vraća izlazne, a kako prolazi kroz cijelu mrežu vraća se konačna rezultirajuća vrijednost. Sve se to događa uzastopno, obično, gdje svaki sloj ima različitu težinu, ovisno o željenom rezultatu.

Ovdje ćemo vam pokazati kratki video (na engleskom) o umjetnoj inteligenciji koja uči igrati Super Mario World :

A možda se pitate: "Zašto je sva ova metoda toliko zamršena?" , Svakako duboko učenje i dalje pripada onome što nazivamo slaba umjetna inteligencija , ali to je možda prvi korak ka snažnom.

Ova je metodologija nadahnuta funkcioniranjem mozga. Slično kao što vidimo u „fizičkom svijetu“ , sustavi formiraju slojeve i svaki sloj djeluje na sličan način kao i neuron. Na taj se način slojevi međusobno odnose, razmjenjuju informacije i najvažnije je da se sve radi autonomno.

Vrlo pojednostavljena shema rada Deep Learninga

Slijedom ovog pravila, najpotpuniji Intelligences obično su oni koji imaju više slojeva i složenije algoritme.

Kako umjetna inteligencija radi s ovim algoritmom?

Ako ste vidjeli naše prethodne članke o ovoj temi, vidjet ćete već ovaj gif. Ovdje možete pogledati naš članak o umjetnoj inteligenciji i ovdje možete pročitati malo o strojnom učenju .

ali pokazaćemo vam posljednji put.

Ova slika dobro i vrlo jednostavno odražava kako bi funkcionirala inteligencija koja koristi neuronske mreže. Kao što vidite, njegov je posao jednostavan: klasificirati slike i naučiti detektirati pse na različitim fotografijama koje su mu proslijeđene.

Svaka slika započinje unosom ulaznog feeda, odnosno ulaznog sloja na kojem bi već počeli prvi proračuni. Dobiveni rezultati dijele se s drugim slojem ili neuronom i očito se informira koji je neuron napravio ovo izračunavanje. Taj se postupak ponavlja onoliko puta koliko slojeva ima naš sustav dok ne dođemo do posljednjeg.

Posljednji neuron je nazvan kao izlazni sloj i onaj koji u ovom primjeru pokazuje rezultat. U ostalim slučajevima, izlazni sloj završava izvođenjem proračuna. Također, stavimo li u formulu koja mora djelovati što je brže moguće (poput video igara) , rezultat bi trebao biti gotovo trenutan. Međutim, zahvaljujući tehnološkoj točki u kojoj se nalazimo, to je već moguće.

Jedan od najjasnijih primjera za to je AlphaStar Artificial Intelligence, druga kreacija samog Googlea .

Google Deepmind umjetna inteligencija

Rekli smo vam o AlphaGo-u , AI koji se može boriti protiv najboljih Go igrača na svijetu. Međutim, ovaj ima mlađe braće i sestre koji su sposobni postići neke prilično impresivne prekretnice.

AlphaZero

Ova inteligencija u samo 24 sata naučila je nadljudsku razinu šaha, shojija i gota s kojima je pobijedila nekoliko poznatih igrača. Također, na popisu poraženih protivnika ukazao je i na AlphaGo Zero verziju trodnevnog iskustva, nešto zaista nevjerojatno. Tu izlazi brzina učenja ove umjetne inteligencije .

Najimpozantnije od svega, tim nije imao pristup knjigama ili bazama podataka, pa su sve njihove taktike naučili s praksom.

U drugom svom susretu suočio se s Stockfishom , veteranskim automatiziranim programom otvorenog koda koji igra šah. Međutim, u samo četiri sata dominirao je AlphaZero.

Treba napomenuti da iako ovo prvo izračunava oko 70 milijuna pokreta, AlphaZero u šahu uzima u obzir samo 80 tisuća različitih izlaza. Razlika u predviđanjima nadoknađena je mnogo boljom prosudbom onoga što će biti perspektivna igra.

Ovakvim demonstracijama sile možemo vidjeti snagu nove umjetne inteligencije .

AlphaStar

S druge strane, AlphaStar je AI koji je danas sposoban igrati RTS Starcraft II (Real Time Strategy, na španjolskom).

U vrijeme kada je demo pokazao , AlphaStar se borio s nekoliko profesionalnih igrača u srednjim pobjedama u deset utakmica zaredom, a samo je izgubio posljednju.

Za razliku od šah-a, Starcraft II je utakmica u stvarnom vremenu, tako da svake sekunde morate raditi stvari. Zbog toga možemo uvidjeti da je trenutna tehnologija sposobna održavati ove frenetične ritmove proračuna i odlučivanja.

Što se tiče pripreme Inteligencije , za datume testa uživo imao je oko 200 godina iskustva s treninzima samo uz prototore (jednu od dostupnih utrka) . Također je bio osposobljen tako da je mogao izvoditi radnje samo ako je fotoaparat fizički nalazio na jedinici, što je bolje asimiliralo kako će osoba igrati.

Međutim, unatoč tim hendikepom, AlphaStar je uspio pobijediti većinu svojih susreta koristeći napuštenu taktiku na konkurentskoj strani igre. Treba napomenuti da AlphaStar obično drži APM-ove (akcije po minuti) niske, pa su njegove odluke vrlo učinkovite.

Prosječne akcije u minuti koje izvodi AI i profesionalni igrač

Međutim, kada to zahtijeva situacija, on pokazuje nadljudsku kontrolu nad jedinicama, doslovno tako što lako probija pult.

Ovdje možete vidjeti jedan njegov demo sadržaj u cijelosti:

Budućnost umjetne inteligencije

O ovoj smo temi već razgovarali, tako da isti razgovor nećemo previše ponavljati. Ono što treba istaknuti jesu moguće budućnosti koje čekaju Deep Learning .

Prema Andreju Yan-Tak Ng -u, poznatom stručnjaku za umjetnu inteligenciju, duboko učenje dobar je korak prema inteligenciji budućnosti. Za razliku od drugih nastavnih metoda, ova je znatno učinkovitija jer povećavamo uzorak podataka.

PREPORUČUJEMO VAM BABAHU X1: AI četkica za zube je sada dostupna

Sljedeći dijapozitiv pripada njegovoj prezentaciji "Što bi znanstvenici trebali znati o dubokom učenju . " Ako ste zainteresirani, možete ga vidjeti na ovoj poveznici.

Nije uzalud, razvoj tehnologije nije stao. Svake godine imat ćemo snažnije komponente, pa ćemo imati sve više i više terasa za testiranje. Kao što se dogodilo sa starim AI-ima i strojnom učenju, novi algoritmi, metodologije i sustavi pojavit će se i zamijeniti današnje inovativno duboko učenje .

Također, kao što možete zamisliti, budućnost rješavaju poluinteligentni strojevi.

Kao što smo istakli u drugim člancima, većina elektroničkih uređaja imat će (neke već sadrže) podršku inteligencije . Vrlo zapažen slučaj je Intelligences koji pomaže u snimanju kvalitetnijih fotografija.

No, točka na kojoj ova tehnologija može procvjetati za većinu korisnika je IoT (Internet of Things, na španjolskom).

Internet stvari

Ovaj termin ima sve veću težinu na konferencijama tehnologije i računarstva i nastoji se konsolidirati sada kada imamo sredstva.

Ideja je da kućanski uređaji, električni uređaji i drugi budu prepoznatljivi predmeti, mogu međusobno komunicirati i, osim toga, mogu se upravljati uređajem. Na ovaj način možemo računati koliko objekata postoji na nekom mjestu, gdje se nalaze, komunicirati s njima i sve to s mobilnog uređaja. Isto tako, predmeti bi također mogli međusobno komunicirati i ako, primjerice, istječe hrana, možda će vam hladnjak moći reći kada je otvorite.

S druge strane, umjetna inteligencija trebala bi biti u mogućnosti nadzirati stanje i performanse kućanskih aparata. Ovim biste mogli uspostaviti plan električne energije i optimizirati potrošenu energiju.

Međutim, relevantna točka koja nam ostaje da poboljšamo bila bi internetska sigurnost. To je nešto za što se čini da još uvijek ne trpi mnogo uznemiravanja, ali svi znamo da će biti bitno ako želimo da to bude sigurna usluga.

To je pomalo apstraktna ideja, ali kako ona upada u naše živote, postat ćete poznati.

Važnost novih tehnologija i dubokog učenja

Nemoguće je misliti da će računanje i umjetna inteligencija oblikovati veći dio budućnosti koja nas očekuje. Stoga je važno biti napola svjestan onoga što se događa u svijetu kojim upravljaju bitci.

Imajući to na umu, već možemo vidjeti kako se pojavljuju različiti stupnjevi, tečajevi i diplome koji dublje podučavaju ove teme. Na primjer, pojavili su se neki podaci inženjering, drugi stupnjevi o velikim podacima i, jasno, tečajevi dubokog učenja i umjetne inteligencije .

Iz istog razloga vas pozivamo da istražite temu. Internet , sa svojim plusevima i minusima, još nije autonoman, niti savršen, niti stvarno siguran, ali je gotovo neograničen izvor znanja. Uz malo sreće, naći ćete mjesto za učenje i možete se upustiti u novi jezik, ili bolje rečeno, novi svijet.

Budući da je Strojno učenje nešto lakša disciplina , postoje programi koji vam omogućavaju da se malo zabrljate s podacima. Ako vas zanima što više o temi i provjerite sami / ograničenja ove tehnologije, možete posjetiti IBM Watson Developer Cloud ili Amazon Machine Learning. Upozoravamo: morat ćete otvoriti račun i to neće biti lak način učenja, ali možda će vam jednog dana to pomoći da postignete sjajne ciljeve.

Iza vas je svijet ideja, pa je sve u vašim rukama. A vi, što mislite o novim tehnologijama vezanim za umjetnu inteligenciju? Koje još aplikacije Duboko učenje znate ili želite vidjeti? Podijelite svoje ideje u donjem okviru.

Izvor Poslovni blog Razmislite BigXatakaMachine Learning Mastery