Ce trebuie să știți despre evoluția inteligenței artificiale
Învățarea profundă este o formă puternică de învățare în mașină (ML) care construiește structuri matematice complexe numite rețele neuronale care utilizează cantități mari de date (informații).
Deep Learning Definition
De învățare profundă este o modalitate de a implementa ML folosind mai multe straturi de rețele neuronale pentru a procesa mai complexe tipuri de date. Uneori numită învățare ierarhică, învățarea profundă utilizează diferite tipuri de rețele neuronale pentru a învăța trăsături (numite și reprezentări) și pentru a le găsi în seturi mari de date brute și neetichetate (date nestructurate). Una dintre primele demonstrații inovatoare ale învățării profunde a fost un program care a selectat cu succes imaginile de pisici din seturi de videoclipuri YouTube.
Exemple de învățare profundă în viața de zi cu zi
Învățarea profundă nu se folosește doar în recunoașterea imaginii, ci și în traducerea limbajului, detectarea fraudelor și analizarea datelor colectate de companii despre clienții lor. De exemplu, Netflix folosește învățarea profundă pentru a vă analiza obiceiurile de vizionare și pentru a prezice emisiunile și filmele pe care preferați să le vizionați. Astfel Netflix știe să introducă filme de acțiune și documentare naturale în coada de sugestii. Amazon utilizează învățarea profundă pentru a analiza achizițiile dvs. recente și articolele pe care le-ați căutat recent pentru a crea sugestii pentru noile albume muzicale de țară pe care probabil că le veți interesa și că vă aflați pe piață pentru o pereche de tenis gri și galben pantofi. Deoarece învățarea profundă oferă informații din ce în ce mai multe din datele nestructurate și brute, corporațiile pot anticipa mai bine nevoile clienților, în timp ce tu, clientul individual, beneficiezi de servicii personalizate pentru clienți.
Rețelele neuronale artificiale și învățarea profundă
Pentru a face mai ușoară înțelegerea învățării profunde, să revedem comparația noastră a unei rețele neuronale artificiale (ANN). Pentru învățarea profundă, imaginați-vă că clădirea noastră de birouri cu 15 etaje ocupă un bloc de oraș cu alte cinci clădiri de birouri. Există trei clădiri pe fiecare parte a străzii. Clădirea noastră este clădirea A și împărtășește aceeași parte a străzii cu clădirile B și C. De-a lungul străzii din clădirea A se află clădirea 1, iar de-a lungul clădirii B se află clădirea 2 și așa mai departe. Fiecare clădire are un număr diferit de etaje, este făcută din materiale diferite și are un stil arhitectural diferit față de celelalte. Cu toate acestea, fiecare clădire este încă amenajată în etaje separate (straturi) de birouri (noduri) - astfel încât fiecare clădire este un ANN unic.
Imaginați-vă că un pachet digital ajunge la clădirea A, care conține numeroase tipuri diferite de informații din mai multe surse, cum ar fi date bazate pe text, fluxuri video, fluxuri audio, apeluri telefonice, unde radio și fotografii. nu este etichetat sau sortat în niciun mod logic (date nestructurate). Informațiile sunt transmise prin fiecare etaj în ordine de la 1 la 15 pentru procesare. După ce jumătatea de informație ajunge la etajul 15 (ieșire), este trimisă la etajul 1 (intrare) al clădirii 3 împreună cu rezultatul final de procesare din clădirea A. Clădirea 3 învață și încorporează rezultatul trimis de clădirea A și apoi procesează jumbo-ul de informații prin fiecare etaj în același mod. Când informațiile ajung la ultimul etaj al clădirii 3, acestea sunt trimise de acolo cu rezultatele respectivei clădiri către clădirea 1. Clădirea 1 învață și încorporează rezultatele clădirii 3 înainte de prelucrarea ei pe podea. Clădirea 1 transmite informațiile și rezultatele în același mod la clădirea C, care procesează și trimite către clădirea 2, care procesează și trimite către clădirea B.
Fiecare clădire ANN din exemplul nostru caută o caracteristică diferită în datele nestructurate (amestec de informații) și transmite rezultatele către clădirea următoare. Următoarea clădire încorporează (învață) rezultatele (rezultatele) de la cea precedentă. Dat fiind că datele sunt prelucrate de fiecare clădire ANN, ele sunt organizate și etichetate (clasificate) printr-o caracteristică particulară, astfel încât atunci când datele ajung la rezultatul final (ultimul etaj) al ultimei ANN (clădiri), ea este clasificată și etichetată (mai structurat).
Inteligența artificială, învățarea în mașină și învățarea profundă
Cum se integrează învățarea profundă în imaginea generală a inteligenței artificiale (AI) și ML? Învățarea profundă mărește puterea ML și mărește gama de sarcini pe care AI le poate realiza. Deoarece învățarea profundă se bazează pe utilizarea rețelelor neuronale și recunoașterea caracteristicilor în cadrul seturilor de date în loc de algoritmi mai simpli specifici sarcinilor, ea poate găsi și utiliza detalii din date nestructurate (brut) fără a fi nevoie ca un programator să o eticheteze manual prima dată - sarcina consumatoare care poate introduce erori. Învățarea profundă ajută computerele să devină mai bune și mai bune la utilizarea datelor pentru a ajuta atât corporațiile cât și persoanele fizice.