Dyp læring: hva er det og hvordan er det relatert til maskinlæring?

Fortsetter vi et par artikler som vi har gjort, her vil vi snakke om hva Deep Learning er og dets forhold til Machine Learning . Begge begrepene blir stadig viktigere i samfunnet vi lever i, og det vil være nyttig å vite hva som omgir oss.

Innholdsindeks

Hva er dyp læring ?

Deep Learning er et delsett av teknikker som ble født rundt 2000-tallet som et resultat av maskinlæring . Av denne grunn bør vi klassifisere den som en av dens grener, og i sin tur være en del av informatikk.

Disse systemene er mer autonome enn sine eldre søsken, selv om strukturen deres også er betydelig mer sammensatt. Dette gir dem en klar fordel når de utfører forskjellige typer oppgaver der de utfører det samme eller bedre arbeidet enn andre systemer med Machine Learning algoritmer .

Det er også andre arbeider der Deep Learning skiller seg ut over forgjengeren. Et av de mest beryktede tilfellene er AlphaGo- stil kunstig intelligens , intelligens fra Google som er i stand til å beseire verdensmesteren i Go .

Det høres kanskje litt kinesisk ut for deg, men Go er et veldig kjent spill og også veldig krevende. For å sette det i sammenheng hevder matematikere ettertrykkelig at denne hobbyen er betydelig mer sammensatt enn sjakk.

På den annen side er Deep Learning nært beslektet med Big Data, siden disse gode informasjonskildene kan brukes til å lære og befeste opplevelsen. Videre, takket være situasjonen vi er i, er miljøet for spredning og utvikling av denne teknologien perfekt for tre viktige punkter:

1. Den store ansamlingen av data, siden med verktøyene vi har i dag, kan data hentes og lagres fra nesten hvem som helst. Graden av teknologi vi befinner oss i, siden komponentene er gode å samlet tilby betydelig kraft. Bedriftenes ønske om å forbedre metodikkene sine, siden flere og flere selskaper satser på kunstig intelligens når de drar nytte av de to foregående poengene. Hvis selskapet ditt har lagret data fra tusenvis av kunder og teknologi gir deg muligheten til å lære av dem og bruke dem, er det et sikkert spill.

Strukturen til Deep Learning

Til tross for at en utvikling ganske lik Machine Learning har dette settet med algoritmer noen kjerneforskjeller. Det viktigste er sannsynligvis den interne strukturen, det vil si koden som utgjør algoritmen.

Generell idé om Deep Learning

Som du ser på bildet, er Deep Learning nær beslektet med nevrale nettverk. Dette konseptet er ikke nytt, men det har ikke vært hos oss på lenge, så du vet kanskje ikke det.

For å forenkle det, kan vi definere et nevralt nettverk som et sett med algoritmer (hver kalt et lag) som behandler og overfører informasjon. Hvert lag mottar inngangsverdier og returnerer utdataene, og når det går gjennom hele nettverket, returneres en endelig resulterende verdi. Alt dette skjer sekvensielt, normalt, der hvert lag har en annen vekt, avhengig av ønsket resultat.

Her viser vi deg en kort video (på engelsk) om kunstig intelligens som lærer å spille Super Mario World :

Og du lurer kanskje på: "Hvorfor er all denne metoden så intrikat?" . Visstnok tilhører Deep Learning det vi kaller svak kunstig intelligens , men det er muligens første skritt mot sterk.

Denne metodikken er løst inspirert av hvordan en hjerne fungerer. I likhet med hva vi ser i den "fysiske verdenen" , danner systemer lag og hvert lag fungerer på en lignende måte som et nevron. På denne måten forholder lagene seg til hverandre, deler informasjon og det viktigste er at alt gjøres autonomt.

Veldig forenklet skjema for hvordan Deep Learning fungerer

Etter denne regelen er de mest komplette intelligensene normalt de som har flere lag og mer sofistikerte algoritmer.

Hvordan fungerer kunstig intelligens med denne algoritmen?

Hvis du har sett våre tidligere artikler om emnet, vil du allerede ha sett denne gifen. Her kan du se artikkelen vår om kunstig intelligens og her kan du lese litt om maskinlæring .

men vi viser deg en siste gang.

Dette bildet gjenspeiler godt og veldig enkelt hvordan en intelligens som bruker nevrale nettverk ville fungere. Som du ser, er jobben hans enkel: klassifiser bilder og lær å oppdage hunder på de forskjellige bildene som blir sendt til ham.

Hvert bilde begynner med å gå inn i innmatingsstrømmen, det vil si Input Layer der de første beregningene allerede skulle begynne. Resultatene som ble oppnådd vil bli delt til det andre laget eller nevronen, og det blir tydeligvis informert om hvilket nevron som har gjort denne beregningen. Denne prosessen gjentas så mange ganger som lag systemet vårt har til vi når det siste.

Den siste nevronen heter navnet Output Layer og er den som i dette eksemplet viser resultatet. I andre tilfeller ender Output Layer med å utføre den beregnede handlingen. Hvis vi også bruker formelen som må handle så raskt som mulig (som i videospill) , bør resultatet være nesten øyeblikkelig. Takket være det teknologiske poenget vi er på er dette imidlertid allerede mulig.

Et av de tydeligste eksemplene på dette er AlphaStar Artificial Intelligence, en annen skapelse av Google selv.

Google Deepmind kunstig intelligens

Vi har fortalt deg om AlphaGo , en AI som er i stand til å kjempe mot de beste Go- spillerne i verden. Imidlertid har denne yngre søsken som er i stand til å oppnå noen ganske imponerende milepæler.

AlphaZero

Denne intelligensen lærte på bare 24 timer et overmenneskelig nivå av sjakk, shoji og gå som han vant flere kjente spillere med. I listen over beseirede motstandere pekte han også på AlphaGo Zero- versjonen av 3 dagers erfaring, noe virkelig utrolig. Her kommer læringshastigheten til denne kunstige intelligensen ut .

Mest imponerende av alt, teamet hadde ikke tilgang til å lære bøker eller databaser, så alle taktikkene deres ble lært med praksis.

I et annet av sine møter møtte han Stockfish , et veteran-automatisert open source-program som spiller sjakk. På bare fire timer ble det imidlertid dominert av AlphaZero.

Det skal bemerkes at mens dette først beregner rundt 70 millioner bevegelser, tar AlphaZero i sjakk bare hensyn til 80 tusen forskjellige avkjørsler. Forskjellen i spådommer ble oppveid av mye bedre vurdering av hva som ville være lovende skuespill.

Med demonstrasjoner av styrke som dette kan vi se kraften i den nye kunstige intelligensen .

Alphastar

På den annen side er AlphaStar en AI som i dag er i stand til å spille RTS Starcraft II (Real Time Strategy, på spansk).

På tidspunktet for demoen kjempet AlphaStar flere profesjonelle spillere i midten og vant ti kamper på rad og tapte bare de siste.

I motsetning til sjakk eller gå, er Starcraft II en matchup i sanntid, så hvert sekund må du gjøre ting. På grunn av dette kan vi skimte at dagens teknologi er i stand til å opprettholde disse frenetiske rytmene for beregning og beslutning.

Når det gjelder forberedelsen av etterretningen , hadde han for datoene for live-testen rundt 200 års erfaring med trening bare med protos (et av de tilgjengelige løpene) . Den ble også trent slik at den bare kunne utføre handlinger hvis det hadde kameraet fysisk på enheten, og dermed assimilere mer til hvordan en person ville leke.

Til tross for disse handikapene, klarte imidlertid AlphaStar å slå de fleste av sine møter ved å bruke en taktikk forlatt på den konkurrerende siden av spillet. Et poeng å merke seg er at AlphaStar vanligvis holder APM-er (handlinger per minutt) lave, så beslutningene er svært effektive.

Gjennomsnittlige handlinger per minutt utført av AI og av en profesjonell spiller

Når situasjonen krever det, demonstrerer han imidlertid overmenneskelig kontroll over enheter bokstavelig talt ved å enkelt bryte disken.

Her kan du se en av demoene hans i sin helhet:

Fremtiden til kunstig intelligens

Vi har allerede snakket om dette emnet, så vi vil ikke gjenta den samme praten for mye. Det som bør fremheves er de mulige fremtidene som venter Deep Learning .

Ifølge Andrew Yan-Tak Ng, en kjent ekspert på kunstig intelligens, er Deep Learning et godt skritt mot fremtidens intelligens . I motsetning til andre undervisningsmetoder, er denne vesentlig mer effektiv når vi øker datautvalget.

VI ANBEFALER DEG BABAHU X1: AI-tannbørsten er nå tilgjengelig

Neste lysbilde tilhører presentasjonen hans "Hva informasjon forskere bør vite om dyp læring . " Hvis du er interessert, kan du se det på denne lenken.

Ikke forgjeves, utviklingen av teknologi har ikke stoppet opp. Hvert år vil vi ha kraftigere komponenter, så vi vil ha mer og mer uteplass å teste. Som skjedd med gamle AI-er og maskinlæring, vil nye algoritmer, metodologier og systemer vises og erstatte dagens innovative Deep Learning .

Som du kan forestille deg, blir fremtiden taklet av semi-intelligente maskiner.

Som vi påpekte i andre artikler, vil de fleste elektroniske enheter ha (noen inneholder dem allerede) Support intelligence . En veldig bemerkelsesverdig sak er intelligensen som hjelper deg med å ta bilder av bedre kvalitet.

Et punkt der denne teknologien kan blomstre for de fleste brukere er imidlertid IoT (Internet of Things, på spansk).

Tingenes internett

Dette begrepet har mer og mer tyngde på konferansene for teknologi og databehandling og søker å befeste seg nå som vi har midler.

Tanken er at husholdningsapparater, elektriske apparater og andre er identifiserbare objekter, de kan kommunisere med hverandre og i tillegg bli kontrollert med en enhet. På denne måten kan vi få en telling av hvilke objekter som finnes på et sted, hvor de er, samhandle med dem og alt dette fra mobilen. På samme måte kan gjenstandene også samhandle med hverandre, og hvis for eksempel en mat utløper, vil kanskje kjøleskapet kunne fortelle deg når du åpner den.

På den annen side skal kunstig intelligens kunne overvåke husholdningsapparatens status og ytelse. Med dette kan du etablere en elektrisitetsplan og optimalisere energien som brukes.

Et relevant punkt som gjenstår for å forbedre oss, er imidlertid Internett- sikkerhet. Det er noe som fremdeles ikke ser ut til å lide mye trakassering, men vi vet alle at det vil være viktig hvis vi vil at det skal være en trygg tjeneste.

Det er en litt abstrakt idé, men når den invaderer livene våre, vil du bli kjent.

Viktigheten av nye teknologier og Deep Learning

Det er uunngåelig å tenke at databehandling og kunstig intelligens kommer til å forme store deler av fremtiden som venter oss. Derfor er det viktig å alltid være halvparten klar over hva som skjer i verden styrt av biter.

Med den ånden i tankene, kan vi allerede se hvordan forskjellige grader, kurs og grader dukker opp som lærer disse emnene i dybden. For eksempel har det dukket opp noe datateknikk, andre grader på Big Data og, klart, kurs i Deep Learning og Artificial Intelligence .

Av samme grunn oppfordrer vi deg til å undersøke temaet. Internett , med sine plussgrader og minuser, er ennå ikke autonomt, heller ikke perfekt, og heller ikke sikkert, men det er en nesten ubegrenset kunnskapskilde. Med hell, vil du finne et sted å lære, og du kan ta fatt på et nytt språk, eller rettere sagt, en ny verden.

Siden Machine Learning er en litt lettere disiplin , er det programmer som lar deg rote litt med dataene. Hvis du er interessert i å lære litt mer om emnet og sjekke selv / grensene for denne teknologien, kan du besøke IBM Watson Developer Cloud eller Amazon Machine Learning. Vi advarer deg: du må opprette en konto, og det vil ikke være en enkel måte å lære, men kanskje en dag vil det hjelpe deg å oppnå gode mål.

Utover her er ideenes verden, så alt er i dine hender. Og for deg, hva synes du om de nye teknologiene relatert til kunstig intelligens? Hvilke andre Deep Learning- applikasjoner kjenner du eller vil se? Del ideene dine i ruten nedenfor.

Kilde Bedriftsblogg Tenk BigXatakaMachine Learning Mastery