Dziļās mācības: kas tas ir un kā tas ir saistīts ar mašīnu mācīšanos?

Turpinot pāris rakstus, ko esam paveikuši, šeit mēs runāsim par to, kas ir dziļā mācīšanās un tās saistība ar mašīnu mācīšanos . Abi termini kļūst arvien nozīmīgāki sabiedrībā, kurā mēs dzīvojam, un būs noderīgi zināt, kas mūs ieskauj.

Satura rādītājs

Kas ir dziļā izglītība ?

Dziļās mācīšanās ir paņēmienu apakškopa, kas radās ap 2000. gadu mašīnmācīšanās rezultātā. Šī iemesla dēļ mums tas būtu jāklasificē kā vienu no tās atzariem, kas savukārt ir daļa no datorzinātnes.

Šīs sistēmas ir autonomākas nekā viņu vecāki brāļi un māsas, lai arī to struktūra ir arī daudz sarežģītāka. Tas viņiem dod nepārprotamas priekšrocības, veicot dažāda veida uzdevumus, kur viņi veic tādu pašu vai labāku darbu nekā citas sistēmas ar mašīnmācīšanās algoritmiem .

Ir arī citi darbi, kuros Deep Learning izceļas pār savu priekšgājēju. Viens no bēdīgi slavenākajiem gadījumiem ir AlphaGo- stila mākslīgais intelekts , Google intelekts , kas spēj pieveikt pasaules čempionu Go .

Varbūt tas jums izklausās nedaudz ķīniešu valodā, bet Go ir ļoti slavena spēle un arī ļoti prasīga. Raugoties kontekstā, matemātiķi uzsver, ka šis hobijs ir ievērojami sarežģītāks nekā šahs.

No otras puses, padziļināta apmācība ir cieši saistīta ar Big Data, jo šos lieliskos informācijas avotus var izmantot, lai mācītos un nostiprinātu pieredzi. Turklāt, pateicoties situācijai, kurā atrodamies, vide šīs tehnoloģijas izplatībai un attīstībai ir ideāli piemērota trim galvenajiem punktiem:

1. Liela datu uzkrāšana, jo, izmantojot mūsdienās pieejamos rīkus, datus var iegūt un saglabāt gandrīz no jebkura. Mūsējo tehnoloģiju pakāpe, jo komponenti ir labi, lai kolektīvi piedāvātu ievērojamu jaudu. Uzņēmumu vēlme uzlabot savas metodoloģijas, jo, izmantojot divus iepriekšējos punktus, arvien vairāk un vairāk uzņēmumu veic derības par mākslīgo intelektu . Ja jūsu uzņēmums ir saglabājis datus no tūkstošiem klientu un tehnoloģija dod jums iespēju no viņiem mācīties un tos izmantot, tā ir droša likme.

Dziļās mācīšanās struktūra

Neskatoties uz attīstību, kas ir diezgan līdzīga mašīnmācībai , šai algoritmu kopai ir dažas kodolieroču atšķirības. Vissvarīgākais, iespējams, ir tā iekšējā struktūra, tas ir, kods, kas veido tā algoritmu.

Vispārīga ideja par dziļo mācīšanos

Kā redzat attēlā, dziļā apmācība ir cieši saistīta ar neironu tīkliem. Šī koncepcija nav jauna, taču tā nav bijusi pie mums ilgu laiku, tāpēc, iespējams, jūs to nezināt.

Lai to vienkāršotu, mēs varētu definēt neironu tīklu kā algoritmu kopumu (katru sauc par slāni), kas apstrādā un pārraida informāciju. Katrs slānis saņem ieejas vērtības un atdod izvades vērtības, un, iziet cauri visam tīklam, tiek atgriezta galīgā iegūtā vērtība. Tas viss notiek secīgi, parasti, ja katram slānim ir atšķirīgs svars atkarībā no vēlamā rezultāta.

Šeit mēs parādīsim jums īsu video (angļu valodā) par mākslīgā intelekta mācīšanos spēlēt Super Mario World :

Un jums varētu rasties jautājums: "Kāpēc visa šī metode ir tik sarežģīta?" . Noteikti dziļā izglītība joprojām pieder pie tā, ko mēs saucam par vājo mākslīgo intelektu , taču tas, iespējams, ir pirmais solis uz stipru.

Šo metodiku brīvi iedvesmo smadzeņu darbība. Līdzīgi tam, ko mēs redzam "fiziskajā pasaulē" , sistēmas veido slāņus, un katrs slānis darbojas līdzīgi kā neirons. Tādā veidā slāņi ir saistīti viens ar otru, dalās ar informāciju un vissvarīgākais ir tas, ka viss tiek darīts autonomi.

Ļoti vienkāršota padziļinātas mācīšanās shēma

Pēc šī noteikuma vispilnīgākie intelekti parasti ir tie, kuriem ir vairāk slāņu un sarežģītāki algoritmi.

Kā mākslīgais intelekts darbojas ar šo algoritmu?

Ja esat redzējis mūsu iepriekšējos rakstus par šo tēmu, jūs jau būsit redzējis šo gif. Šeit jūs varat redzēt mūsu rakstu par mākslīgo intelektu, un šeit jūs varat nedaudz izlasīt par mašīnmācību .

bet mēs jums to parādīsim pēdējo reizi.

Šis attēls labi un ļoti vienkārši atspoguļo to, kā darbotos inteliģence, izmantojot neironu tīklus. Kā redzat, viņa darbs ir vienkāršs: klasificējiet attēlus un iemācieties atklāt suņus dažādās viņam nodotajās fotogrāfijās.

Katrs attēls sākas ar ievadi ievades plūsmā, tas ir, ievades slānī, kur jau sāksies pirmie aprēķini. Iegūtie rezultāti tiks dalīti otrajā slānī vai neironā, un acīmredzot tiek informēts, kurš neirons ir veicis šo aprēķinu. Šis process tiek atkārtots tik reizes, cik slāņi ir mūsu sistēmai, līdz mēs sasniedzam pēdējo.

Pēdējais neirons tiek nosaukts par izvades slāni, un šajā piemērā tas parāda rezultātu. Citos gadījumos izvades slānis veic aprēķināto darbību. Turklāt, ja formulā iekļūstam pēc iespējas ātrāk (piemēram, videospēlēs) , rezultātam vajadzētu būt gandrīz acumirklīgam. Tomēr, pateicoties mūsu tehnoloģiskajam punktam, tas jau ir iespējams.

Viens no skaidrākajiem piemēriem ir AlphaStar mākslīgais intelekts, vēl viena paša Google radīšana.

Google Deepmind mākslīgais intelekts

Mēs jums esam pastāstījuši par AlphaGo , AI, kas spēj cīnīties pret labākajiem Go spēlētājiem pasaulē. Tomēr šim ir jaunāki brāļi un māsas, kas spēj sasniegt dažus diezgan iespaidīgus pavērsienus.

AlphaZero

Šis intelekts tikai 24 stundu laikā iemācījās šaha, shoji un goda līmeņa pārcilvēcisko līmeni, ar kuru viņš uzvarēja vairākus slavenus spēlētājus. Uzveikto pretinieku sarakstā viņš arī norādīja uz AlphaGo Zero versiju ar 3 dienu pieredzi, kaut ko patiešām neticamu. Šeit parādās šī mākslīgā intelekta apguves ātrums.

Visiespaidīgākais no visiem, ka komandai nebija piekļuves mācību grāmatām vai datu bāzēm, tāpēc visa viņu taktika tika apgūta ar praksi.

Citā no savām tikšanās reizēm viņš saskārās ar Stockfish - veterānu automatizētu atvērtā koda programmu, kas spēlē šahu. Tomēr tikai četrās stundās tajā dominēja AlphaZero.

Jāatzīmē, ka, lai gan šis pirmais aprēķina aptuveni 70 miljonus kustību, AlphaZero šahā ņem vērā tikai 80 tūkstošus dažādu izeju. Prognožu atšķirību kompensēja daudz labāks spriedums par to, kas būs daudzsološās lugas.

Ar šāda spēka demonstrācijām mēs varam redzēt jaunā mākslīgā intelekta spēku.

AlphaStar

No otras puses, AlphaStar ir AI, kas šodien spēj atskaņot RTS Starcraft II (reālā laika stratēģija, spāņu valodā).

Demonstrācijas laikā AlphaStar cīnījās ar vairākiem profesionāliem spēlētājiem, uzvarot desmit spēles pēc kārtas un zaudējot tikai pēdējos.

Atšķirībā no šaha vai go, Starcraft II ir reāllaika spēles, tāpēc katru sekundi jums ir jādara lietas. Sakarā ar to mēs varam paskatīties, ka pašreizējās tehnoloģijas spēj uzturēt šos neprātīgos aprēķinu un lēmumu pieņemšanas ritmus.

Runājot par inteliģences sagatavošanu, tiešajā testā viņam bija apmēram 200 gadu pieredze, trenējoties tikai ar protos (viena no pieejamajām sacīkstēm) . Tas bija arī apmācīts, lai tas varētu veikt darbības tikai tad, ja kamerai būtu fiziski vienība, tādējādi vairāk pielīdzinot tam, kā cilvēks spēlējas.

Tomēr, neraugoties uz šiem traucējumiem, AlphaStar spēja pārspēt lielāko daļu viņu sastopas, izmantojot pamestu taktiku spēles konkurences pusē. Jāatzīmē, ka AlphaStar parasti APM (darbības minūtē) ir zems, tāpēc tā lēmumi ir ļoti efektīvi.

Vidējās darbības minūtē, ko veic AI un profesionāls spēlētājs

Tomēr, kad situācija to prasa, viņš burtiski demonstrē pārcilvēcisku vienību kontroli, viegli izlaužot leti.

Šeit jūs varat pilnībā redzēt vienu no viņa demonstrācijām:

Mākslīgā intelekta nākotne

Mēs jau esam runājuši par šo tēmu, tāpēc to pašu runu pārāk daudz neatkārtosimies. Jāuzsver iespējamās nākotnes, kas gaida dziļo mācīšanos .

Pēc Andrew Yan-Tak Ng, pazīstamā mākslīgā intelekta eksperta, teiktā , dziļā mācīšanās ir labs solis nākotnes intelekta virzienā. Atšķirībā no citām mācību metodēm, šī metode ir ievērojami efektīvāka, jo mēs palielinām datu paraugu.

Mēs iesakām jums BABAHU X1: tagad ir pieejama AI zobu suka

Nākamais slaids pieder viņa prezentācijai "Kas informācijas zinātniekiem būtu jāzina par dziļo mācīšanos". Ja jūs interesē, varat to redzēt šajā saitē.

Ne velti tehnoloģiju attīstība nav apstājusies. Katru gadu mums būs jaudīgāki komponenti, tāpēc mums būs arvien vairāk iekštelpu, ko pārbaudīt. Kā tas notika ar vecajām AI un mašīnmācībām , parādīsies jauni algoritmi, metodika un sistēmas, kas aizstās mūsdienu novatorisko padziļināto mācīšanos .

Kā jūs varat iedomāties, nākotni risina arī daļēji inteliģentas mašīnas.

Kā mēs norādījām citos rakstos, lielākajai daļai elektronisko ierīču būs (dažās tās jau ir iekļautas) atbalsta izlūkošana . Ļoti ievērojams ir inteliģences gadījums, kas palīdz uzņemt labākas kvalitātes fotoattēlus.

Tomēr punkts, kurā šī tehnoloģija var uzplaukt lielākajai daļai lietotāju, ir IoT (lietu internets, spāņu valodā).

Lietu internets

Šim terminam ir arvien lielāka nozīme tehnoloģiju un skaitļošanas konferencēs, un tas mēģina nostiprināties tagad, kad mums ir līdzekļi.

Ideja ir tāda, ka sadzīves tehnika, elektriskās ierīces un citi ir identificējami priekšmeti, tie var savstarpēji sazināties un turklāt tikt vadīti ar ierīci. Tādā veidā mēs varam saskaitīt, kādi objekti pastāv vietā, kur tie atrodas, mijiedarboties ar tiem un tas viss no mobilā tālruņa. Tāpat priekšmeti varētu mijiedarboties arī viens ar otru, un, piemēram, ja pārtikai beidzas derīguma termiņš, iespējams, ledusskapis varētu jums pateikt, kad to atverat.

No otras puses, mākslīgajam intelektam jāspēj uzraudzīt sadzīves tehnikas stāvokli un darbību. Ar to jūs varētu izveidot elektrības plānu un optimizēt patērēto enerģiju.

Tomēr būtisks jautājums, kas mums vēl jāuzlabo, būtu interneta drošība. Šķiet, ka tas joprojām tiek uzmākts, tomēr mēs visi zinām, ka tas būs svarīgi, ja vēlamies, lai tas būtu drošs pakalpojums.

Tā ir nedaudz abstrakta ideja, bet, iebrūkot mūsu dzīvē, jūs kļūsit pazīstams.

Jauno tehnoloģiju un dziļās mācīšanās nozīme

Neizbēgami ir domāt, ka skaitļošana un mākslīgais intelekts veidos lielu daļu nākotnes, kas mūs sagaida. Tāpēc ir svarīgi vienmēr būt daļēji informētam par to, kas notiek pasaulē, kuru pārvalda biti.

Paturot prātā šo garu, mēs jau varam redzēt, kā parādās dažādi grādi, kursi un grādi, kas padziļināti māca šīs tēmas. Piemēram, ir parādījusies daži datu inženierzinātnes, citi grādi Big Data un, protams, padziļinātas apmācības un mākslīgā intelekta kursi.

Šī paša iemesla dēļ mēs aicinām jūs izpētīt tēmu. Internets ar saviem plusiem un mīnusiem vēl nav autonoms, ne pilnīgs, ne arī patiesi drošs, taču tas ir gandrīz neierobežots zināšanu avots. Ar jebkuru veiksmi jūs atradīsit vietu, kur mācīties, un jūs varat sākt jaunu valodu, pareizāk sakot, jaunu pasauli.

Tā kā mašīnmācīšanās ir nedaudz vieglāka disciplīna , ir programmas, kas ļauj mazliet izjaukt datus. Ja jūs interesē uzzināt nedaudz vairāk par tēmu un pārbaudīt sevi / šīs tehnoloģijas robežas, varat apmeklēt IBM Watson Developer Cloud vai Amazon Machine Learning. Mēs brīdinām jūs: jums būs jāizveido konts, un tas nebūs viegls veids, kā mācīties, bet, iespējams, kādu dienu tas palīdzēs sasniegt lielus mērķus.

Turklāt šeit ir ideju pasaule, tāpēc viss ir jūsu rokās. Un jums, ko jūs domājat par jaunajām tehnoloģijām, kas saistītas ar mākslīgo intelektu? Kādas citas dziļās izglītības lietojumprogrammas jūs zināt vai vēlaties redzēt? Kopīgojiet savas idejas zemāk redzamajā lodziņā.

Avots Biznesa emuārs Padomājiet par BigXatakaMachine mācīšanās meistarību