Глибоке навчання: що це таке і як воно пов'язане з машинним навчанням?

Продовжуючи пару статей, які ми зробили, тут ми поговоримо про те, що таке глибоке навчання та його зв’язок із машинним навчанням . Обидва терміни стають все більш важливими в суспільстві, в якому ми живемо, і буде корисно знати, що нас оточує.

Зміст індексу

Що таке глибоке навчання ?

Глибоке навчання - це підмножина прийомів, які народилися близько 2000-х в результаті машинного навчання . З цієї причини ми повинні класифікувати її як одну із її галузей, будучи в свою чергу частиною інформатики.

Ці системи більш автономні, ніж їхні старші брати та сестри, хоча їх структура також значно складніша. Це дає їм явну перевагу при виконанні завдань різних типів, коли вони виконують ту саму або кращу роботу, ніж інші системи з алгоритмами машинного навчання.

Також є й інші роботи, де Deep Learning виділяється над своїм попередником. Один з найвідоміших випадків - це штучний інтелект AlphaGo- стилю , розвідка Google, здатна перемогти світового чемпіона Go .

Можливо, вам це звучить трохи по-китайськи, але Go - дуже відома гра, і, також, дуже вимоглива. Якщо говорити про це, математики наголошують, що це хобі значно складніше, ніж шахи.

З іншого боку, Deep Learning тісно пов'язаний з Big Data, оскільки ці чудові джерела інформації можуть бути використані для вивчення та консолідації досвіду. Крім того, завдяки ситуації, в якій ми перебуваємо, середовище для розповсюдження та розвитку цієї технології є ідеальним для трьох ключових моментів:

1. Велике накопичення даних, оскільки за допомогою інструментів, якими ми сьогодні є, дані можна отримати та зберігати майже у кожного. Ступінь технології, в якій ми перебуваємо, оскільки компоненти добре колективно пропонувати значну потужність. Бажання компаній вдосконалити свої методології, оскільки, скориставшись двома попередніми пунктами, все більше і більше компаній роблять ставку на Штучний інтелект . Якщо ваша компанія зберігає дані від тисяч клієнтів, а технологія дає вам можливість вчитися у них та користуватися ними, це безпечна ставка.

Структура глибокого навчання

Незважаючи на розвиток, досить схожий на машинне навчання , цей набір алгоритмів має деякі ядерні відмінності. Найважливішим є, мабуть, його внутрішня структура, тобто код, який складає його алгоритм.

Загальне уявлення про глибоке навчання

Як ви бачите на зображенні, Deep Learning тісно пов'язаний з нейронними мережами. Ця концепція не нова, але вона давно не була у нас, тому ви, можливо, її не знаєте.

Для його спрощення ми могли б визначити нейронну мережу як набір алгоритмів (кожен називається шаром), які обробляють та передають інформацію. Кожен шар отримує вхідні значення та повертає вихідні, і, коли він проходить через всю мережу, повертається остаточне отримане значення. Все це відбувається послідовно, як правило, де кожен шар має різну вагу, залежно від бажаного результату.

Тут ми показуємо вам коротке відео (англійською) про штучний інтелект, який навчається грати у Super Mario World :

І вам може бути цікаво: "Чому весь цей метод настільки складний?" . Безумовно, глибоке навчання все ще належить до того, що ми називаємо слабким штучним інтелектом , але це, можливо, перший крок до сильного.

Ця методологія дуже натхненна тим, як працює мозок. Подібно до того, що ми бачимо у "фізичному світі" , системи утворюють шари, і кожен шар працює аналогічно нейрону. Таким чином шари співвідносяться один з одним, обмінюються інформацією і найголовніше - все робиться автономно.

Дуже спрощена схема того, як працює Deep Learning

Дотримуючись цього правила, як правило, найбільш повними Intelligences є такі, які мають більше шарів і більш складні алгоритми.

Як працює штучний інтелект з цим алгоритмом?

Якщо ви бачили наші попередні статті на цю тему, ви вже бачили цей gif. Тут ви можете побачити нашу статтю про штучний інтелект, і тут ви можете прочитати трохи про машинне навчання .

але ми покажемо вам останній раз

Це зображення добре і дуже просто відображає, як працюватиме інтелект із використанням нейронних мереж. Як бачите, його робота проста: класифікуйте зображення та вчіться виявляти собак на різних фотографіях, які передаються йому.

Кожне зображення починається з введення вхідного каналу, тобто вхідного шару, де вже почалися б перші обчислення. Отримані результати поділяться на другий шар або нейрон, і, очевидно, повідомляється, який нейрон зробив цей розрахунок. Цей процес повторюється стільки разів, скільки шарів має наша система, поки ми не досягнемо останнього.

Останній нейрон названий вихідним шаром і є тим, що в цьому прикладі показує результат. В інших випадках вихідний шар закінчується виконанням обчисленої дії. Крім того, якщо ми вкладаємо формулу, яка повинна діяти якомога швидше (як у відеоіграх) , результат повинен бути майже миттєвим. Однак завдяки технологічному моменту, який ми перебуваємо, це вже можливо.

Один з найяскравіших прикладів цього - AlphaStar Artificial Intelligence, інша творчість самого Google .

Штучний інтелект Google Deepmind

Ми розповіли вам про AlphaGo , AI, здатний боротися проти найкращих гравців Go у світі. Однак у цього є молодші брати та сестри, здатні досягти деяких вражаючих етапів.

AlphaZero

Ця розвідка лише за 24 години дізналася про нелюдський рівень шахів, шоджі та гри, з якими він виграв кількох відомих гравців. Також у списку переможених супротивників він також вказав на версію AlphaGo Zero на 3-х денний досвід, щось дійсно неймовірне. Тут виходить швидкість навчання цього штучного інтелекту .

Найбільше вражає, що команда не мала доступу до навчальних книг чи баз даних, тому всі їхні тактики були вивчені на практиці.

В іншій своїй зустрічі він зіткнувся з Stockfish , ветеранською автоматизованою програмою з відкритим кодом, яка грає в шахи. Однак всього за чотири години в ньому домінував AlphaZero.

Слід зазначити, що хоча цей перший обчислює близько 70 мільйонів рухів, AlphaZero в шахах враховує лише 80 тисяч різних виходів. Різниця в прогнозах компенсувалася набагато кращою оцінкою того, які будуть перспективні п'єси.

З подібними демонстраціями сили ми можемо побачити силу нового Штучного інтелекту .

AlphaStar

З іншого боку, AlphaStar - це AI, який сьогодні здатний грати на RTS Starcraft II (стратегія в реальному часі, іспанською мовою).

На момент демонстрації, AlphaStar боровся з кількома професійними гравцями в середині виграючи десять ігор поспіль і програв лише останню.

На відміну від шахів чи ігор , Starcraft II - це поєднання в режимі реального часу, тому щосекунди вам потрібно робити справи. Завдяки цьому ми можемо помітити, що сучасні технології здатні підтримувати ці шалені ритми обчислення та прийняття рішення.

Що стосується підготовки розвідки , то для дат живого випробування він мав близько 200 років досвіду тренувань лише з протоколами (одна з доступних перегонів) . Він також був навчений таким чином, що він міг виконувати дії лише в тому випадку, якщо він оснастив камеру фізично на апараті, тим самим більше засвоївши, як людина буде грати.

Однак, незважаючи на ці перешкоди, AlphaStar зумів перемогти більшість своїх зустрічей, використовуючи покинуту тактику на конкурентній стороні гри. Слід зазначити, що AlphaStar зазвичай тримає APM (дії за хвилину) низькими, тому його рішення є дуже ефективними.

Середні дії за хвилину, які виконуються AI та професійним гравцем

Однак, коли ситуація вимагає цього, він демонструє надлюдський контроль підрозділів буквально, легко розбиваючи лічильник.

Тут ви можете побачити один з його демонстрацій повністю:

Майбутнє Штучного інтелекту

Ми вже говорили на цю тему, тому не будемо занадто повторювати одну й ту ж розмову. Слід виділити можливі ф'ючерси, які очікують на глибоке навчання .

На думку Ендрю Ян-Так Нг, відомого експерта зі штучного інтелекту, глибоке навчання - це хороший крок до інтелекту майбутнього. На відміну від інших методів навчання, цей метод значно ефективніший, оскільки ми збільшуємо вибірку даних.

РЕКОМЕНДУЄМО ВАС BABAHU X1: Зубна щітка AI тепер доступна

Наступний слайд належить його презентації "Що слід знати науковцям про глибоке навчання". Якщо ви зацікавлені, ви можете побачити це за посиланням.

Не даремно розвиток технології не зупинився. З кожним роком у нас буде більш потужні компоненти, тому у нас буде все більше і більше внутрішнього дворика для тестування. Як це сталося зі старими ІС та машинним навчанням, нові алгоритми, методології та системи з'являться на зміну сьогоднішньому інноваційному глибокому навчанню .

Також, як ви можете собі уявити, майбутнє вирішується напівінтелектуальними машинами.

Як ми зазначали в інших статтях, більшість електронних пристроїв матимуть (деякі з них уже містять) підтримку розвідки . Дуже примітний випадок Intelligences, який допомагає робити фотографії кращої якості.

Однак точкою, коли ця технологія може процвітати для більшості користувачів, є IoT (Інтернет речей, іспанською мовою).

Інтернет речей

Цей термін набирає все більшої ваги на конференціях технологій та обчислювальної техніки та прагне закріпитися зараз, коли у нас є засоби.

Ідея полягає в тому, щоб побутові прилади, електроприлади та інші є ідентифікованими предметами, вони можуть спілкуватися один з одним і, крім того, контролюватись пристроєм. Таким чином ми можемо підрахувати, які об’єкти існують у місці, де вони є, взаємодіємо з ними і все це з мобільного. Так само предмети також могли взаємодіяти один з одним, і якщо, наприклад, термін дії їжі закінчується, можливо, холодильник зможе повідомити вам, коли ви їх відкриєте.

З іншого боку, Штучний інтелект повинен мати можливість контролювати стан та продуктивність побутової техніки. За допомогою цього ви могли б встановити план електроенергії та оптимізувати використану енергію.

Однак важливим моментом, який нам належить покращити, буде безпека Інтернету . Це все ще , здається, не зазнає особливих домагань, але всі ми знаємо, що це буде важливо, якщо ми хочемо, щоб це було безпечним сервісом.

Це дещо абстрактна ідея, але, як вона вторгається в наше життя, ви станете знайомими.

Важливість нових технологій та глибокого навчання

Неможливо думати, що обчислювальна техніка та штучний інтелект формуватимуть велику частину майбутнього, яке нас чекає. Тому важливо завжди бути наполовину обізнаним про те, що відбувається у світі, яким керують біти.

Маючи на увазі цей дух, ми вже можемо бачити, як з’являються різні ступені, курси та ступені, які глибоко викладають ці теми. Наприклад, з'явилися деякі інженерії даних, інші ступеня з Big Data і, зрозуміло, курси з глибокого навчання та штучного інтелекту .

З цієї ж причини ми закликаємо вас дослідити цю тему. Інтернет з його плюсами та мінусами ще не є автономним, ані ідеальним, ані справді безпечним, але це майже необмежене джерело знань. При будь-якій удачі ви знайдете місце для навчання і зможете вступити в нову мову, а точніше - новий світ.

Оскільки машинне навчання - дещо легша дисципліна , є програми, які дозволяють вам трохи возитися з даними. Якщо вам цікаво дізнатися більше про цю тему та перевірити на себе / межі цієї технології, ви можете відвідати IBM Watson Developer Cloud або Amazon Machine Learning. Ми попереджаємо вас: вам доведеться створити обліковий запис, і це буде непростий шлях до навчання, але, можливо, одного дня це допоможе вам досягти чудових цілей.

Позаду - світ ідей, тому все у ваших руках. А вам, що ви думаєте про нові технології, пов'язані зі штучним інтелектом? Які ще програми глибокого навчання ви знаєте чи хотіли б побачити? Поділіться своїми ідеями у вікні нижче.

Джерело ділового блогу Подумайте майстерність навчання BigXatakaMachine