Dogłębne uczenie się: co to jest i jak jest powiązane z uczeniem maszynowym?

Kontynuując kilka artykułów, które napisaliśmy, tutaj porozmawiamy o tym, czym jest Deep Learning i jaki jest związek z uczeniem maszynowym . Oba terminy mają coraz większe znaczenie w społeczeństwie, w którym żyjemy i pomocne będzie poznanie tego, co nas otacza.

Indeks treści

Co to jest głębokie uczenie się ?

Deep Learning to podzbiór technik, które powstały około 2000 roku w wyniku uczenia maszynowego . Z tego powodu powinniśmy zaklasyfikować go jako jedną z jego gałęzi, będąc z kolei częścią informatyki.

Systemy te są bardziej autonomiczne niż ich starsze rodzeństwo, chociaż ich struktura jest również znacznie bardziej złożona. Daje im to wyraźną przewagę podczas wykonywania różnego rodzaju zadań, w których wykonują taką samą lub lepszą pracę niż inne systemy z algorytmami uczenia maszynowego.

Są też inne prace, w których Deep Learning wyróżnia się na tle swojego poprzednika. Jednym z najbardziej znanych przypadków jest sztuczna inteligencja w stylu AlphaGo, inteligencja Google, która jest w stanie pokonać mistrza świata w Go .

Może brzmi to trochę chińsko, ale Go to bardzo znana gra, a także bardzo wymagająca. Mówiąc w kontekście, matematycy zdecydowanie twierdzą, że to hobby jest znacznie bardziej złożone niż szachy.

Z drugiej strony głębokie uczenie się jest ściśle powiązane z Big Data, ponieważ te wspaniałe źródła informacji można wykorzystać do nauki i utrwalania doświadczeń. Ponadto, dzięki obecnej sytuacji, środowisko do rozprzestrzeniania się i rozwoju tej technologii jest idealne dla trzech kluczowych punktów:

1. Wielka akumulacja danych, ponieważ dzięki narzędziom, które mamy dzisiaj, dane można uzyskać i przechowywać od prawie każdego. Poziom technologii, w jakiej się znajdujemy, ponieważ komponenty są dobre, aby wspólnie zaoferować znaczną moc. Chęć firm do poprawy metodologii, ponieważ korzystając z dwóch poprzednich punktów, coraz więcej firm stawia na sztuczną inteligencję . Jeśli Twoja firma przechowała dane tysięcy klientów, a technologia daje ci możliwość uczenia się od nich i korzystania z nich, jest to bezpieczny zakład.

Struktura głębokiego uczenia się

Pomimo rozwoju podobnego do uczenia maszynowego , ten zestaw algorytmów ma pewne różnice nuklearne. Najważniejsza jest prawdopodobnie jej wewnętrzna struktura, czyli kod, który składa się na jego algorytm.

Ogólny pomysł na temat głębokiego uczenia się

Jak widać na zdjęciu, głębokie uczenie się jest ściśle powiązane z sieciami neuronowymi. Ta koncepcja nie jest nowa, ale nie była z nami od dawna, więc możesz jej nie znać.

Aby to uprościć, moglibyśmy zdefiniować sieć neuronową jako zestaw algorytmów (każdy zwany warstwą), które przetwarzają i przesyłają informacje. Każda warstwa otrzymuje wartości wejściowe i zwraca wartości wyjściowe, a gdy przechodzi przez całą sieć, zwracana jest końcowa wartość wynikowa. Wszystko to dzieje się sekwencyjnie, normalnie, gdzie każda warstwa ma inną wagę, w zależności od pożądanego wyniku.

Tutaj pokazujemy krótkie wideo (w języku angielskim) na temat uczenia się sztucznej inteligencji w grze Super Mario World :

Być może zastanawiasz się: „Dlaczego cała ta metoda jest tak skomplikowana?” . Z pewnością Głębokie Uczenie się wciąż należy do tego, co nazywamy Słabą Sztuczną Inteligencją , ale jest to prawdopodobnie pierwszy krok w kierunku silnej.

Metodologia ta jest luźno zainspirowana działaniem mózgu. Podobnie do tego, co widzimy w „świecie fizycznym” , systemy tworzą warstwy, a każda warstwa działa w podobny sposób jak neuron. W ten sposób warstwy odnoszą się do siebie, dzielą się informacjami, a najważniejsze jest to, że wszystko odbywa się autonomicznie.

Bardzo uproszczony schemat działania Deep Learning

Zgodnie z tą zasadą najbardziej kompletnymi Inteligencjami są zwykle te, które mają więcej warstw i bardziej wyrafinowane algorytmy.

Jak działa sztuczna inteligencja z tym algorytmem?

Jeśli widziałeś nasze poprzednie artykuły na ten temat, to już widziałeś ten gif. Tutaj możesz zobaczyć nasz artykuł na temat sztucznej inteligencji, a tutaj możesz przeczytać trochę o uczeniu maszynowym .

ale pokażemy ci ostatni raz.

Ten obraz dobrze i bardzo prosto odzwierciedla działanie inteligencji wykorzystującej sieci neuronowe. Jak widać, jego praca jest prosta: klasyfikuj obrazy i naucz się wykrywać psy na różnych przekazywanych mu zdjęciach.

Każdy obraz zaczyna się od wprowadzenia kanału wejściowego, to znaczy warstwy wejściowej, w której już rozpoczynają się pierwsze obliczenia. Uzyskane wyniki byłyby udostępniane drugiej warstwie lub neuronowi i, oczywiście, informowane jest, który neuron dokonał tego obliczenia. Proces ten powtarza się tyle razy, ile warstw ma nasz system, dopóki nie dojdziemy do ostatniego.

Ostatni neuron jest nazywany warstwą wyjściową i jest tym, który w tym przykładzie pokazuje wynik. W innych przypadkach warstwa wyjściowa wykonuje obliczoną akcję. Ponadto, jeśli weźmiemy w skład formułę działania tak szybko, jak to możliwe (jak w grach wideo) , wynik powinien być niemal natychmiastowy. Jednak dzięki obecnemu punktowi technologicznemu jest to już możliwe.

Jednym z najbardziej wyraźnych przykładów tego jest AlphaStar Artificial Intelligence, kolejne dzieło samego Google .

Sztuczna inteligencja Google Deepmind

Powiedzieliśmy Ci o AlphaGo , sztucznej inteligencji zdolnej do walki z najlepszymi graczami Go na świecie. Jednak ten ma młodsze rodzeństwo, które jest w stanie osiągnąć całkiem imponujące kamienie milowe.

AlphaZero

Ta inteligencja nauczyła się w ciągu 24 godzin nadludzkiego poziomu szachów, shoji i go, z którym wygrał kilku znanych graczy. Ponadto na liście pokonanych przeciwników wskazał również wersję 3 dni doświadczenia AlphaGo Zero , coś naprawdę niesamowitego. Tutaj ujawnia się szybkość uczenia się tej Sztucznej Inteligencji .

Co najbardziej imponujące, zespół nie miał dostępu do książek do nauki ani baz danych, więc wszystkie ich taktyki uczyły się podczas ćwiczeń.

Podczas kolejnego spotkania zmierzył się ze Sztokfiszem , weteranem zautomatyzowanego programu open source, który gra w szachy. Jednak w ciągu zaledwie czterech godzin został zdominowany przez AlphaZero.

Należy zauważyć, że chociaż ten pierwszy oblicza około 70 milionów ruchów, AlphaZero w szachach bierze pod uwagę tylko 80 tysięcy różnych wyjść. Różnica w przewidywaniach została zrównoważona przez znacznie lepszą ocenę tego, co będzie obiecujące.

Dzięki takim demonstracjom siły możemy zobaczyć moc nowej Sztucznej Inteligencji .

AlphaStar

Z drugiej strony AlphaStar to sztuczna inteligencja, która dzisiaj jest w stanie grać w RTS Starcraft II (hiszpańska strategia czasu rzeczywistego).

W czasie swojej demonstracji AlphaStar walczył z kilkoma profesjonalnymi graczami w środku, wygrywając dziesięć gier z rzędu i przegrywając tylko z ostatnim.

W przeciwieństwie do gry w szachy lub rozgrywki Starcraft II to pojedynek w czasie rzeczywistym, więc co sekundę musisz robić różne rzeczy. Dzięki temu możemy dostrzec, że obecna technologia jest w stanie utrzymać te szalone rytmy obliczeń i decyzji.

Jeśli chodzi o przygotowanie Inteligencji , na daty testu na żywo miał około 200 lat doświadczenia trenując tylko z protosami (jedna z dostępnych ras) . Został także tak wyszkolony, aby mógł wykonywać czynności tylko wtedy, gdy kamera znajdowała się fizycznie na urządzeniu, dzięki czemu lepiej przyswajał sobie sposób gry.

Jednak pomimo tych utrudnień AlphaStar zdołał pokonać większość swoich spotkań, wykorzystując taktykę porzuconą po konkurencyjnej stronie gry. Należy zauważyć, że AlphaStar zwykle utrzymuje niskie APM (akcje na minutę) , więc jego decyzje są bardzo skuteczne.

Średnia liczba akcji na minutę wykonywanych przez AI i profesjonalnego gracza

Jednak gdy sytuacja tego wymaga, demonstruje nadludzką kontrolę nad jednostkami dosłownie, łatwo psując licznik.

Tutaj możesz zobaczyć w pełni jedno z jego pokazów:

Przyszłość sztucznej inteligencji

Rozmawialiśmy już o tym temacie, więc nie powtórzymy zbyt wiele tej samej rozmowy. Na podkreślenie zasługuje możliwa przyszłość, która czeka na głębokie uczenie się .

Według Andrew Yan-Tak Ng, znanego eksperta w dziedzinie sztucznej inteligencji, głębokie uczenie się jest dobrym krokiem w kierunku inteligencji przyszłości. W przeciwieństwie do innych metod nauczania, ta metoda jest znacznie bardziej wydajna, gdy zwiększamy próbkę danych.

ZALECAMY BABAHU X1: Szczoteczka AI jest już dostępna

Następny slajd należy do jego prezentacji „Jakie informacje naukowcy powinni wiedzieć o głębokim uczeniu się”. Jeśli jesteś zainteresowany, możesz to zobaczyć pod tym linkiem.

Nie na próżno rozwój technologii nie został zatrzymany. Każdego roku będziemy mieli mocniejsze komponenty, więc będziemy mieli coraz więcej patio do przetestowania. Podobnie jak w przypadku starych sztucznej inteligencji i uczenia maszynowego, pojawią się nowe algorytmy, metodologie i systemy, które zastąpią dzisiejsze innowacyjne głębokie uczenie się .

Ponadto, jak możesz sobie wyobrazić, przyszłością zajmują się pół-inteligentne maszyny.

Jak zauważyliśmy w innych artykułach, większość urządzeń elektronicznych będzie miała (niektóre już je zawierają) wsparcie wywiadowcze . Bardzo godnym uwagi przypadkiem są Inteligencje, które pomagają robić zdjęcia lepszej jakości.

Jednak punktem, w którym ta technologia może rozwinąć się dla większości użytkowników, jest Internet Rzeczy (po hiszpańsku).

Internet przedmiotów

Termin ten ma coraz większe znaczenie na konferencjach technologicznych i informatycznych i stara się umocnić teraz, kiedy mamy na to środki.

Chodzi o to, że urządzenia gospodarstwa domowego, urządzenia elektryczne i inne są przedmiotami możliwymi do zidentyfikowania, mogą komunikować się ze sobą, a ponadto mogą być sterowane za pomocą urządzenia. W ten sposób możemy policzyć, jakie przedmioty istnieją w miejscu, w którym się znajdują, wchodzić z nimi w interakcje i to wszystko z telefonu komórkowego. Podobnie obiekty mogą również oddziaływać na siebie, a jeśli na przykład jedzenie się skończy, być może lodówka będzie w stanie powiedzieć ci, kiedy je otworzysz.

Z drugiej strony sztuczna inteligencja powinna być w stanie monitorować stan i wydajność urządzeń gospodarstwa domowego. Dzięki temu możesz ustalić plan energii elektrycznej i zoptymalizować zużycie energii.

Jednak istotnym punktem, który pozostaje nam do poprawy, byłoby bezpieczeństwo w Internecie . Jest to coś, co nadal nie wydaje się nękane, ale wszyscy wiemy, że będzie to niezbędne, jeśli chcemy, aby była to bezpieczna usługa.

Jest to nieco abstrakcyjny pomysł, ale gdy atakuje nasze życie, poznasz.

Znaczenie nowych technologii i głębokiego uczenia się

Nieuniknione jest myślenie, że informatyka i sztuczna inteligencja będą kształtować większość przyszłości, która nas czeka. Dlatego ważne jest, aby zawsze być w połowie świadomym tego, co dzieje się w świecie rządzonym przez bity.

Mając to na uwadze, możemy już zobaczyć, jak wyglądają różne stopnie, kursy i stopnie, które uczą tych zagadnień dogłębnie. Na przykład pojawiła się część inżynierii danych, inne stopnie w zakresie Big Data i, oczywiście, kursy w zakresie głębokiego uczenia się i sztucznej inteligencji .

Z tego samego powodu zachęcamy do zbadania tematu. Internet ze swoimi plusami i minusami nie jest jeszcze autonomiczny, idealny, ani naprawdę bezpieczny, ale jest prawie nieograniczonym źródłem wiedzy. Przy odrobinie szczęścia znajdziesz miejsce do nauki i możesz rozpocząć nowy język, a raczej nowy świat.

Ponieważ uczenie maszynowe jest nieco lżejszą dyscypliną , istnieją programy, które pozwalają nieco popsuć dane. Jeśli chcesz dowiedzieć się nieco więcej na ten temat i sprawdzić, jakie są ograniczenia tej technologii, możesz odwiedzić IBM Watson Developer Cloud lub Amazon Machine Learning. Ostrzegamy: będziesz musiał założyć konto i nie będzie to łatwy sposób na naukę, ale być może kiedyś pomoże ci osiągnąć wielkie cele.

Dalej jest świat pomysłów, więc wszystko jest w twoich rękach. A co sądzisz o nowych technologiach związanych ze sztuczną inteligencją? Jakie inne aplikacje do głębokiego uczenia się znasz lub chciałbyś zobaczyć? Podziel się swoimi pomysłami w polu poniżej.

Źródło Business Blog Think BigXatakaMachine Learning Mastery