Mély tanulás: mi ez és hogyan kapcsolódik a gépi tanuláshoz?

Folytatva egy pár cikket, amelyet már készítettünk, itt arról fogunk beszélni, hogy mi a mély tanulás és annak kapcsolata a gépi tanulással . Mindkét kifejezés egyre fontosabbá válik a társadalomban, amelyben élünk, és hasznos lesz megismerni, mi körülvesz minket.

Tartalom index

Mi az a mély tanulás ?

A Deep Learning olyan technikák egy részhalmaza, amelyek a 2000-es évek körül születtek a Machine Learning eredményeként. Ezért azt az egyik ágaként kell besorolni , amely a számítógépes tudomány részét képezi.

Ezek a rendszerek autonómbak, mint idősebb testvéreik, bár szerkezetük is jelentősen összetettebb. Ez egyértelmű előnyt biztosít számukra, ha különféle típusú feladatokat végeznek, ahol ugyanazt vagy jobb munkát végeznek, mint más gépi tanulási algoritmusú rendszerek .

Vannak olyan művek is, amelyekben a Deep Learning kiemelkedik elődeivel szemben. Az egyik leghírhedtebb eset az AlphaGo- stílusú mesterséges intelligencia , a Google intelligenciája , amely képes legyőzni a Go világbajnokát.

Talán kissé kínainak hangzik, de a Go nagyon híres játék, és nagyon igényes is. A kontextusba helyezve a matematikusok határozottan állítják, hogy ez a hobbi jelentősen összetettebb, mint a sakk.

Másrészt a mély tanulás szorosan kapcsolódik a Big Data-hoz, mivel ezek a nagyszerű információforrások felhasználhatók a tapasztalatok megtanulására és megszilárdítására. Ezenkívül a jelenlegi helyzetnek köszönhetően a technológia elterjedésének és fejlesztésének a környezete három kulcsfontosságú szempont szempontjából tökéletes :

1. Az adatok nagy felhalmozódása, mivel a mai eszközökkel szinte bárki megszerezheti és tárolhatja az adatokat. A technológiai szint, amelyben vagyunk, mivel az alkatrészek jóak, ha együttesen jelentős teljesítményt kínálunk. A vállalatok vágya, hogy javítsák módszertanukat, mivel kihasználva a két előző pontot, egyre több vállalat fogad be a mesterséges intelligenciára . Ha a vállalkozása több ezer vásárló adatait tárolta, és a technológia lehetőséget nyújt számukra tanulásra és felhasználásra, ez egy biztonságos tét.

A mély tanulás felépítése

Annak ellenére, hogy a gépi tanuláshoz hasonló fejlesztés történt, ezen algoritmuskészletnek van némi nukleáris különbsége. A legfontosabb valószínűleg belső struktúrája, azaz az algoritmust alkotó kód.

Általános ötlet a mély tanulásról

Mint a képen látható, a Deep Learning szorosan kapcsolódik az ideghálózatokhoz. Ez a koncepció nem új, de hosszú ideje nem volt velünk, így lehet, hogy nem ismeri.

Az egyszerűsítés érdekében a neurális hálózatot algoritmuskészletként definiálhatjuk (mindegyiket rétegnek nevezzük), amely információkat kezel és továbbít. Minden réteg bemeneti értékeket kap, és visszatér a kimeneti értékeket, és mivel áthalad az egész hálózaton, a végső eredmény visszaadódik. Mindez általában egymás után történik, amikor az egyes rétegek eltérő súlyúak, a kívánt eredménytől függően.

Itt bemutatunk egy rövid videót (angolul) a mesterséges intelligencia megtanulásáról a Super Mario World játékához:

És kíváncsi lehet: "Miért van ez a módszer annyira bonyolult?" . Természetesen a mély tanulás még mindig tartozik ahhoz, amit gyenge mesterséges intelligenciának nevezünk, de valószínűleg ez az első lépés az erős felé.

Ezt a módszertant lassan ihlette az agy működése. Hasonlóan ahhoz, amit a "fizikai világban" látunk, a rendszerek rétegeket képeznek, és minden réteg hasonlóan működik, mint egy neuron. Ilyen módon a rétegek kapcsolatban állnak egymással, megosztják egymással az információkat, és a legfontosabb az, hogy mindent önállóan végezzenek.

A mély tanulás működésének nagyon egyszerűsített vázlata

Ezt a szabályt követve a legteljesebb intelligenciák általában azok, amelyek több réteggel és kifinomultabb algoritmusokkal rendelkeznek.

Hogyan működik a mesterséges intelligencia ezzel az algoritmussal?

Ha már látta a témával kapcsolatos korábbi cikkeinket, akkor már látta ezt a gif-et. Itt megtekintheti a mesterséges intelligenciáról szóló cikket, és itt olvashat egy kicsit a gépi tanulásról .

de utoljára megmutatjuk.

Ez a kép jól és nagyon egyszerűen tükrözi, hogyan működne egy idegi hálózatokat használó intelligencia . Mint láthatja, feladata egyszerű: osztályozza a képeket, és megtanulja felismerni a kutyákat a neki átadott különféle képekben.

Minden kép azzal kezdődik, hogy beírja a bemeneti takarmányt, azaz a bemeneti réteget, ahol az első számítások már megkezdődnek. A kapott eredményeket megoszthatjuk a második réteggel vagy a neuronnal, és nyilvánvalóan tájékoztatjuk arról, hogy melyik neuron végezte ezt a számítást. Ezt a folyamatot annyiszor megismételjük, amennyire a rendszerünk rétegei vannak, amíg el nem érjük az utolsóet.

Az utolsó neuront kimeneti rétegnek nevezzük, és ebben a példában az eredmény látható. Más esetekben a kimeneti réteg végrehajtja a kiszámított műveletet. Továbbá, ha azt a formulát vesszük fel, hogy a lehető leggyorsabban kell cselekednünk (mint a videojátékokban) , az eredménynek szinte azonnal meg kell valósulnia. Azon technológiai pontnak köszönhetően, amelyben vagyunk, ez már lehetséges.

Ennek egyik legtisztább példája az AlphaStar mesterséges intelligencia, amely maga a Google is.

Google Deepmind mesterséges intelligencia

Elmondtunk neked az AlphaGo-ról , egy AI- ről, amely képes harcolni a világ legjobb Go játékosaival szemben. Ennek azonban fiatalabb testvérei vannak, akik képesek elérni néhány nagyon lenyűgöző mérföldkövet.

AlphaZero

Ez az intelligencia mindössze 24 óra alatt megtanulta a sakk, shoji és goe emberfeletti szintjét, amellyel számos híres játékost nyert . A legyőzött ellenfelek listáján rámutatott a három napos tapasztalat AlphaGo Zero verziójára is, ami igazán hihetetlen. Itt jön létre ennek a mesterséges intelligencianak a tanulási sebessége.

A leglenyűgözőbb, hogy a csapat nem férhetett hozzá könyvekhez vagy adatbázisokhoz, tehát minden taktikát a gyakorlat során megtanultak.

Egy másik találkozásánál a Stockfish-rel , egy veterán automatizált nyílt forráskódú programmal, amely sakkozni kezdett. Mindössze négy órán belül az AlphaZero uralta .

Meg kell jegyezni, hogy míg ez az első kb. 70 millió mozgást számol, az AlphaZero a sakkban csak 80 ezer különféle kijáratot vesz figyelembe . Az előrejelzések közötti különbséget sokkal jobb megítélés szüntette meg annak alapján, hogy mi lesz ígéretes játék.

Az ilyen erő demonstrációkkal láthatjuk az új mesterséges intelligencia erejét.

AlphaStar

Másrészt, az AlphaStar olyan AI, amely manapság képes az RTS Starcraft II (spanyol valós idejű stratégia) lejátszására .

A demo idején az AlphaStar számos profi játékos ellen harcolt a középső sorozatban, tíz játékot nyerve, és csak az utolsóat vesztette el.

A sakk vagy az ellentétben a Starcraft II egy valós idejű mérkőzés, tehát minden másodpercben dolgod kell. Emiatt felpillanthatunk arra, hogy a jelenlegi technológia képes fenntartani ezeket a kiszámítás és döntési frenetikus ritmusokat.

Ami az intelligencia előkészítését illeti, az élő teszt időpontjain körülbelül 200 éves tapasztalattal rendelkezik, csak protosokkal (az egyik elérhető verseny) . Azt is kiképzték, hogy csak akkor tudja végrehajtani a műveleteket, ha a kamerát fizikailag az egységnél helyezte el, így jobban hozzárendelve azt, hogy egy ember hogyan fog játszani.

Annak ellenére, hogy ezek a hátrányok voltak, az AlphaStar sikerült legyőznie találkozásainak nagy részét egy játék elhagyott taktikájával, a játék versenyoldalán. Meg kell jegyezni, hogy az AlphaStar általában alacsony az APM-ek (Actions Per minute) , tehát döntései nagyon hatékonyak.

Az AI és egy profi játékos által végzett percenkénti átlagos műveletek

Amikor azonban a helyzet ezt megköveteli, szó szerint az pult egyszerű megtörésével demonstrálja az egységek feletti feletti irányítását.

Itt láthatja az egyik demóját teljes egészében:

A mesterséges intelligencia jövője

Már beszéltünk erről a témáról, így nem is fogjuk megismételni ugyanazt a beszélgetést. Ki kell emelni azokat a lehetséges jövőképeket, amelyek a mély tanulást várják.

Andrew Yan-Tak Ng, a mesterséges intelligencia ismert szakértője szerint a mély tanulás jó lépés a jövő intelligenciája felé. Más oktatási módszerektől eltérően ez a módszer jelentősen hatékonyabb, mivel növelik az adatmintát.

Javasoljuk, hogy BABAHU X1: Az AI fogkefe már elérhető

A következő diát az "Amit az információs tudósoknak tudniuk kell a mély tanulásról" című előadásuk tartozik. Ha érdekli, akkor ezt a linket láthatja.

Nem hiába, a technológia fejlődése sem állt le. Minden évben erősebb alkatrészek lesznek, tehát egyre több teraszunk lesz a teszteléshez. Mint a régi AI-kkel és a Machine Learning- rel , új algoritmusok, módszertanok és rendszerek jelennek meg, és felváltják a mai innovatív Deep Learning-et .

Ezenkívül, ahogy el tudod képzelni, a jövőt félig intelligens gépek kezelik .

Mint rámutattunk más cikkekben, a legtöbb elektronikus eszköz (néhányan már beépítették őket) támogatni fogják az intelligenciát . Nagyon figyelemre méltó eset az intelligencia, amely jobb minőségű fényképeket készít.

Azonban az a pont, ahol ez a technológia a legtöbb felhasználó számára virágzik, az IoT (spanyolul a tárgyak internete).

A tárgyak internete

Ennek a kifejezésnek egyre nagyobb súlya van a technológiai és számítástechnikai konferenciákon, és arra törekszik, hogy megszilárduljon most, amikor megvannak az eszközeink.

Az ötlet az, hogy a háztartási készülékek, az elektromos készülékek és mások azonosítható tárgyak, kommunikálhatnak egymással, és ezen felül egy eszközkel vezérelhetők. Ilyen módon megszámolhatjuk, hogy milyen objektumok léteznek egy helyen, ahol vannak, kölcsönhatásba lépnek velük és mindez mobilról. Hasonlóképpen, a tárgyak kölcsönhatásba léphetnek egymással, és ha például egy élelmiszer lejár, akkor a hűtőszekrény talán meg tudja mondani, mikor nyitja ki.

Másrészt a mesterséges intelligenciának képesnek kell lennie a háztartási készülékek állapotának és teljesítményének figyelemmel kísérésére. Ezzel elkészítheti a villamosenergia-tervet és optimalizálhatja a felhasznált energiát.

Azonban egy fontos szempont, amelyet még javíthatnánk, az Internet biztonsága lenne . Úgy tűnik, hogy még mindig nem szenvednek sok zaklatást, de mindannyian tudjuk, hogy alapvető fontosságú, ha azt akarjuk, hogy biztonságos szolgáltatás legyen.

Ez kissé elvont ötlet, de amint az életünkbe támad, akkor megismerkedni fogsz.

Az új technológiák és a mély tanulás fontossága

Elkerülhetetlen azt gondolni, hogy a számítástechnika és a mesterséges intelligencia a jövő nagy részét meg fogja alakítani , amely ránk vár. Ezért fontos, hogy mindig félig tisztában legyünk azzal, hogy mi történik a bit által irányított világban.

Ezt a szellemet szem előtt tartva már láthatjuk, hogy különböző fokok, tantárgyak és fokok jelennek meg, amelyek ezeket a témákat mélyen tanítják. Például megjelentek néhány adatmérnöki munka, más fokban a Big Data, és egyértelműen a mélytanulás és a mesterséges intelligencia kurzusai.

Ugyanezen okból kérjük, hogy vizsgálja meg a témát. Az Internet pluszokkal és mínuszokkal még nem autonóm, sem tökéletes, sem igazán biztonságos, de szinte korlátlan tudásforrás. Minden szerencsével találsz egy helyet, ahol megtanulhatsz, és új nyelvet, vagy inkább új világot léphetsz fel.

Mivel a gépi tanulás valamivel könnyebb tudományág , vannak olyan programok, amelyek lehetővé teszik, hogy kicsit összezavarodjon az adatokkal. Ha érdekel egy kicsit többet megtudni a témáról és ellenőrizni magát / a technológia korlátait, látogasson el az IBM Watson Developer Cloud vagy az Amazon Machine Learning oldalra . Figyelmeztetjük Önt: fiókot kell létrehoznia, és ez nem lesz könnyű módszer a tanulásra, de talán egy nap segít nagy célok elérésében.

Itt túl az ötletek világa, tehát minden a kezedben van. És neked, mit gondol a mesterséges intelligenciával kapcsolatos új technológiákról? Milyen más Deep Learning alkalmazásokat ismersz vagy szeretne látni? Ossza meg ötleteit az alábbi mezőben.

Forrás Business Blog Gondolj a BigXatakaMachine Learning Mastery-re