Hluboké učení: co to je a jak to souvisí se strojovým učením?

Pokračování několika článků, které jsme udělali, zde hovoříme o tom, co je Deep Learning a jaký je jeho vztah k Machine Learning . Oba pojmy jsou ve společnosti, ve které žijeme, stále důležitější a bude užitečné vědět, co nás obklopuje.

Index obsahu

Co je hluboké učení ?

Hluboké učení je podmnožinou technik, které se zrodily kolem roku 2000 v důsledku strojového učení . Z tohoto důvodu bychom ji měli klasifikovat jako jednu z jejích oborů a být zase součástí počítačové vědy.

Tyto systémy jsou autonomnější než jejich starší sourozenci, i když jejich struktura je také podstatně složitější. To jim dává jasnou výhodu při provádění různých typů úkolů, kde vykonávají stejnou nebo lepší práci než jiné systémy s algoritmy Machine Learning.

Existují také další práce, kde Deep Learning vyniká nad svým předchůdcem. Jedním z nejznámějších případů je umělá inteligence AlphaGo, inteligence společnosti Google, která dokáže porazit mistra světa Go .

Možná vám to zní trochu čínsky, ale Go je velmi slavná hra a také velmi náročná. Matematici důrazně tvrdí, že tento koníček je mnohem složitější než šachy.

Na druhou stranu Deep Learning úzce souvisí s Big Data, protože tyto skvělé zdroje informací lze použít k učení a upevnění zkušeností. Díky situaci, ve které se právě nacházíme, je prostředí pro šíření a rozvoj této technologie ideální pro tři klíčové body:

1. Velká akumulace dat, protože pomocí nástrojů, které máme dnes, lze data získávat a ukládat téměř od kohokoliv. Stupeň technologie jsme v, protože komponenty jsou dobré kolektivně nabídnout značnou sílu. Touha společností zlepšit své metodiky, protože s využitím dvou předchozích bodů, stále více společností sází na umělou inteligenci . Pokud vaše společnost uložila data od tisíců zákazníků a technologie vám dává možnost se od nich poučit a používat je, je to bezpečná sázka.

Struktura hlubokého učení

I přes vývoj docela podobný strojovému učení , tato sada algoritmů má některé jaderné rozdíly. Nejdůležitější je pravděpodobně jeho vnitřní struktura, tj. Kód, který tvoří jeho algoritmus.

Obecná představa o hlubokém učení

Jak vidíte na obrázku, Deep Learning úzce souvisí s neuronovými sítěmi. Tento koncept není nový, ale nebyl s námi dlouho, takže to možná nevíte.

Pro zjednodušení bychom mohli definovat neuronovou síť jako sadu algoritmů (každý nazývaný vrstva), které zpracovávají a přenášejí informace. Každá vrstva přijímá vstupní hodnoty a vrací výstupní hodnoty a jak prochází celou sítí, vrací se výsledná výsledná hodnota. To vše se děje postupně, obvykle, kde každá vrstva má jinou váhu, v závislosti na požadovaném výsledku.

Zde vám ukážeme krátké video (v angličtině) o učení umělé inteligence pro hraní Super Mario World :

A možná vás zajímá: „Proč je tato metoda tak složitá?“ . Hluboké učení jistě patří k tomu, čemu říkáme slabá umělá inteligence , ale je to možná první krok k silné.

Tato metodologie je volně inspirována fungováním mozku. Podobně tomu, co vidíme ve „fyzickém světě“ , vytvářejí systémy vrstvy a každá vrstva funguje podobně jako neuron. Tímto způsobem se vrstvy vzájemně vztahují, sdílejí informace a nejdůležitější věcí je, že vše je děláno autonomně.

Velmi zjednodušené schéma fungování Deep Learning

Podle tohoto pravidla jsou nejkompletnějšími Intelligences obvykle ty, které mají více vrstev a sofistikovanější algoritmy.

Jak Artificial Intelligence pracuje s tímto algoritmem?

Pokud jste viděli naše předchozí články na toto téma, tento gif jste již viděli. Zde si můžete prohlédnout náš článek o umělé inteligenci a zde si můžete přečíst něco o strojovém učení .

ale naposledy vám ukážeme.

Tento obrázek dobře a velmi jednoduše odráží, jak by fungovala inteligence využívající neuronové sítě. Jak vidíte, jeho práce je jednoduchá: klasifikovat obrázky a naučit se detekovat psy na různých fotografiích, které mu jsou předávány.

Každý obraz začíná zadáním vstupního zdroje, tj. Vstupní vrstvy, kde by již začaly první výpočty. Získané výsledky by byly sdíleny s druhou vrstvou nebo neuronem a je evidentně informováno, který neuron tento výpočet provedl. Tento proces se opakuje tolikrát, kolik vrstev má náš systém, dokud nedosáhneme poslední.

Poslední neuron je pojmenován jako výstupní vrstva a je ten, který v tomto příkladu ukazuje výsledek. V ostatních případech výstupní vrstva skončí a provede vypočítanou akci. Také, pokud vložíme do vzorce povinnost jednat co nejrychleji (jako ve videohrách) , výsledek by měl být téměř okamžitý. Avšak díky technologickému bodu, na kterém jsme, je to již možné.

Jedním z nejjasnějších příkladů toho je AlphaStar Artificial Intelligence, další vytvoření samotné společnosti Google .

Umělá inteligence Google Deepmind

Řekli jsme vám o AlphaGo , umělé inteligenci schopné bojovat proti nejlepším hráčům Go na světě. Tento však má mladší sourozence, kteří jsou schopni dosáhnout několika působivých milníků.

AlphaZero

Tato inteligence se naučila za pouhých 24 hodin nadlidskou úroveň šachů, shoji a go, se kterými vyhrál několik slavných hráčů. Také v seznamu poražených oponentů poukázal také na AlphaGo Zero verzi 3 dnů zkušeností, něco opravdu neuvěřitelného. Zde vychází rychlost učení se této Umělé inteligence .

Nejpůsobivější ze všech bylo, že tým neměl přístup k učebnicím nebo databázím, takže všechny jejich taktiky se naučily s praxí.

Na dalším setkání narazil na Stockfisha , veteránského automatizovaného open source programu, který hraje šachy. Za pouhé čtyři hodiny však dominoval AlphaZero.

Je třeba poznamenat, že zatímco toto nejprve počítá asi 70 milionů pohybů, AlphaZero v šachu bere v úvahu pouze 80 tisíc různých východů. Rozdíl v předpovědích byl kompenzován mnohem lepším posouzením toho, co by bylo nadějnými hrami.

S demonstracemi síly, jako je tato, můžeme vidět sílu nové umělé inteligence .

AlphaStar

Na druhou stranu, AlphaStar je umělá inteligence, která je dnes schopna hrát RTS Starcraft II (Real Time Strategy, ve španělštině).

V době svého dema AlphaStar bojoval proti několika profesionálním hráčům uprostřed, vyhrál deset her v řadě a ztratil pouze poslední.

Na rozdíl od šachů nebo go je Starcraft II zápasem v reálném čase, takže každou sekundu musíte dělat věci. Z tohoto důvodu můžeme zahlédnout, že současná technologie je schopna udržet tyto frenetické rytmy výpočtu a rozhodování.

Co se týče přípravy zpravodajské služby , měl k datům živého testu trénink kolem 200 let zkušeností pouze s prototy (jeden z dostupných závodů) . Byl také vyškolen tak, aby mohl provádět akce, pouze pokud měl kameru fyzicky na jednotce, čímž se více přizpůsobil tomu, jak by člověk hrál.

I přes tyto handicapy se však AlphaStar podařilo porazit většinu svých setkání pomocí opuštěné taktiky na konkurenční straně hry. Je třeba poznamenat, že AlphaStar obvykle udržuje APM (Akce za minutu) nízké, takže jeho rozhodnutí jsou velmi účinná.

Průměrné akce za minutu prováděné AI a profesionálním hráčem

Když si to však situace vyžaduje, demonstruje nadlidské ovládání jednotek doslova lehkým prolomením počítadla.

Zde si můžete prohlédnout jedno z jeho ukázek:

Budoucnost umělé inteligence

O tomto tématu jsme již mluvili, takže stejnou řeč nebudeme příliš opakovat. Je třeba zdůraznit možné budoucnosti, které čekají na hluboké učení .

Podle Andrew Yan-Tak Ng, známého odborníka na umělou inteligenci, je Deep Learning dobrým krokem k inteligenci budoucnosti. Na rozdíl od jiných vyučovacích metod je tato metoda mnohem efektivnější, protože zvětšujeme vzorek dat.

DOPORUČUJEME VÁS BABAHU X1: Zubní kartáček AI je nyní k dispozici

Další snímek patří jeho prezentaci „Jaké informace by vědci měli vědět o hlubokém učení . “ Pokud máte zájem, můžete to vidět na tomto odkazu.

Ne nadarmo se vývoj technologie nezastavil. Každý rok budeme mít výkonnější komponenty, takže budeme muset testovat stále více a více teras. Jak se stalo se starými umělá inteligence a strojové učení, objeví se nové algoritmy, metodologie a systémy, které nahradí dnešní inovativní Deep Learning .

Jak si dokážete představit, budoucnost řeší polointeligentní stroje.

Jak jsme zdůraznili v jiných článcích, většina elektronických zařízení bude mít (některé je již obsahují) . Velmi pozoruhodným případem jsou případy Intelligences, které pomáhají pořizovat fotografie vyšší kvality.

Bodem, kde tato technologie může pro většinu uživatelů vzkvétat, je IoT (internet věcí ve španělštině).

Internet věcí

Tento termín má na konferencích technologií a výpočetní techniky stále větší váhu a snaží se konsolidovat se teď, když máme prostředky.

Myšlenka je taková, že domácí spotřebiče, elektrické spotřebiče a další jsou identifikovatelné předměty, mohou spolu komunikovat a navíc být ovládány pomocí zařízení. Tímto způsobem můžeme mít počet objektů, které existují v místě, kde jsou, komunikovat s nimi a to vše z mobilu. Podobně by objekty mohly také interagovat spolu navzájem a pokud například vyprší jídlo, možná by vám chladnička mohla říct, když ji otevřete.

Na druhé straně by umělá inteligence měla být schopna sledovat stav a výkon domácích spotřebičů. Díky tomu můžete vytvořit plán elektřiny a optimalizovat spotřebovanou energii.

Relevantní bod, který nám zbývá zlepšit, by však byla internetová bezpečnost. Zdá se, že to stále není příliš obtěžováno, ale všichni víme, že bude nezbytné, pokud chceme, aby to byla bezpečná služba.

Je to poněkud abstraktní myšlenka, ale jak napadá naše životy, seznámíte se.

Význam nových technologií a hlubokého učení

Nelze si myslet, že výpočetní technika a umělá inteligence budou utvářet velkou část budoucnosti, která na nás čeká. Proto je důležité mít vždy na paměti, co se děje ve světě ovládaném kousky.

S ohledem na tohoto ducha již můžeme vidět, jak se objevují různé tituly, kurzy a tituly, které tato témata hlouběji učí. Například se objevily některé datové inženýrství, další tituly z Big Data a samozřejmě kurzy Deep Learning and Artificial Intelligence .

Ze stejného důvodu vás žádáme, abyste toto téma prošetřili. Internet se svými klady a zápory zatím není autonomní, ani dokonalý, ani opravdu bezpečný, ale je to téměř neomezený zdroj znalostí. S trochou štěstí najdete místo, kde se můžete učit, a můžete se pustit do nového jazyka, nebo spíše do nového světa.

Jelikož je strojové učení mírně lehčí disciplínou , existují programy, které vám umožňují trochu pohrávat s daty. Pokud máte zájem dozvědět se něco více o předmětu a zkontrolovat sami sebe / limity této technologie, můžete navštívit IBM Watson Developer Cloud nebo Amazon Machine Learning. Varujeme vás: budete si muset vytvořit účet a nebude to snadný způsob, jak se učit, ale možná jednoho dne vám to pomůže dosáhnout skvělých cílů.

Za nimi je svět nápadů, takže vše je ve vašich rukou. A co si myslíte o nových technologiích souvisejících s umělou inteligencí? Jaké další aplikace Deep Learning znáte nebo byste chtěli vidět? Sdílejte své nápady v rámečku níže.

Zdrojový obchodní blog Think BigXatakaMachine Learning Mastery