Kas jums jāzina par mākslīgā intelekta attīstību?
Dziļa mācīšanās ir spēcīgs mašīntulkošanas veids (ML), kas veido sarežģītas matemātiskas struktūras, ko sauc par neironu tīkliem, izmantojot lielu datu (informācijas) daudzumu.
Dziļās mācīšanās definīcija
Dziļā apmācība ir veids, kā īstenot ML, izmantojot vairākus neironu tīklu slāņus, lai apstrādātu sarežģītākus datu tipus. Dažreiz to sauc par hierarhisku mācīšanos, dziļai mācībai tiek izmantoti dažāda veida neironu tīkli, lai apgūtu funkcijas (ko sauc arī par reprezentācijām) un atrast tos lielos neapstrādātu un neiezīmētu datu komplektos (nestrukturēti dati). Viena no pirmajām nopietnās mācīšanās izrāvienu demonstrācijām bija programma, kas veiksmīgi atlasīja kaķu attēlus no YouTube video kopām.
Dziļās mācīšanās piemēri ikdienas dzīvē
Dziļā izglītība tiek izmantota ne tikai attēlu atpazīšanai, bet arī valodu tulkošanai, krāpšanas atklāšanai un uzņēmumu datu savākšanai par saviem klientiem. Piemēram, Netflix izmanto dziļu mācīšanos, lai analizētu jūsu apskates paradumus un prognozētu, kuras filmas un filmas vēlaties skatīties. Tas ir tas, kā Netflix zina, ka jūsu ieteikumu rindā tiek ievietotas darbības filmas un dabas dokumentālās filmas. Amazon izmanto padziļinātu mācīšanos, lai analizētu nesen veiktos pirkumus un vienumus, kurus nesen meklējāt, lai radītu ieteikumus par jaunajiem valsts mūzikas albumiem, kurus jūs, iespējams, varētu interesēt, un par to, ka jūs esat pelēkā un dzeltenā tenisa pāris tirgū kurpes. Tā kā dziļa mācīšanās nodrošina arvien vairāk ieskatu no nestrukturētiem un neapstrādātiem datiem, korporācijas var labāk prognozēt klientu vajadzības, kamēr jūs, individuāls klients, saņemsiet vairāk personalizētu klientu apkalpošanu.
Mākslīgie neironu tīkli un padziļināta mācīšanās
Lai padziļinātās mācības būtu vieglāk saprast, atkārtoti aplūkosim mākslīgā neironu tīkla (ANN) salīdzinājumu. Lai iegūtu padziļinātu izpratni, iedomājieties, ka mūsu 15 stāvu biroju ēka aizņem pilsētas bloku ar piecām citām biroju ēkām. Katrā ielas malā ir trīs ēkas. Mūsu ēka ir ēka A un tajā pašā ielas pusē ir ēkas B un C. Pār ēkas ielas no ēkas A ir 1. ēka, un pāri ēkai B ir ēka 2 un tā tālāk. Katrai ēkai ir atšķirīgs stāvu skaits, tas ir izgatavots no dažādiem materiāliem un no citiem ir atšķirīgs arhitektūras stils. Tomēr katra ēka joprojām tiek sakārtota atsevišķos biroju (mezglu) grīdos (slāņos), un katrai ēkai ir unikāla ANN.
Iedomājieties, ka ēkā A tiek ierakstīta ciparu pakete, kurā ir daudz dažāda veida informācijas no vairākiem avotiem, piemēram, teksta dati, video straumi, audio straumes, telefona zvani, radioviļņi un fotogrāfijas - tomēr tas nonāk vienā lielā pārpilnībā un nav marķēts vai sakārtots nevienā loģiskā veidā (nestrukturēti dati). Informācija tiek nosūtīta katrā grīdā, sākot no 1. līdz 15. datumam apstrādei. Pēc tam, kad informācijas satricinājums sasniedz 15.stāvu (izlaide), tas tiek nosūtīts uz 3. ēkas 1. stāvu (ieejas) kopā ar galīgo apstrādes rezultātu no ēkas A. Ēka 3 iegūst no un ietver rezultātus, kas nosūtīti, veidojot A un tad informācijas apstrāde notiek katrā stāvā tādā pašā veidā. Kad informācija nonāk ēkas 3 augšējā stāvā, to no turienes nosūta ar ēkas rezultātiem līdz 1. ēkai. Ēka 1 mācās no ēkas 3 rezultātiem un iekļauj to pirms grīdas grīdas apstrādes. Celtniecība 1 nodod informāciju un rezultātus tāpat kā celtniecību C, kas apstrādā un nosūta ēkai 2, kas apstrādā un nosūta ēkai B.
Katrs ANN (ēka) mūsu piemērā meklē citu funkciju nestrukturētos datos (informācijas satricinājums) un rezultātus nodod nākamajai ēkai. Nākamā ēka ietver (uzzina) rezultātu (rezultātus) no iepriekšējā. Tā kā datus apstrādā katrs ANN (ēka), tas tiek organizēts un marķēts (klasificēts) ar konkrētu funkciju, lai tad, kad dati sasniedz pēdējā ANN (ēkas) gala produkciju (augšējais stāvs), tas tiek klasificēts un marķēts (strukturētāka).
Mākslīgais intelekts, mašīnmācība un padziļināta mācīšanās
Kā dziļa mācīšanās iederas kopējā mākslīgā intelekta (MI) un ML attēlā? Dziļa mācīšanās pastiprina ML spēku un palielina uzdevumu klāstu, ko AI spēj veikt. Tā kā dziļās mācīšanās balstās uz neironu tīklu izmantošanu un funkciju atpazīšanu datu kopās, nevis vienkāršākiem ar uzdevumiem saistītiem algoritmiem , tā var atrast un izmantot datus no nestrukturētiem (neapstrādātiem) datiem bez nepieciešamības programmētājam to manuāli marķēt pirmo reizi -consuming uzdevums, kas var radīt kļūdas. Dziļā apmācība palīdz datoriem uzlabot un labāk izmantot datus, lai palīdzētu gan korporācijām, gan privātpersonām.