Βαθιά μάθηση: τι είναι αυτό και πώς σχετίζεται με τη μηχανική μάθηση;

Συνεχίζοντας μερικά άρθρα που έχουμε κάνει, εδώ θα μιλήσουμε για το τι είναι η Deep Learning και για τη σχέση της με την Machine Learning . Και οι δύο όροι είναι όλο και πιο σημαντικοί στην κοινωνία στην οποία ζούμε και θα είναι χρήσιμο να γνωρίζουμε τι μας περιβάλλει.

Ευρετήριο περιεχομένων

Τι είναι η βαθιά εκμάθηση ;

Η βαθιά εκμάθηση είναι ένα υποσύνολο τεχνικών που γεννήθηκαν γύρω στο 2000 ως αποτέλεσμα της Machine Learning . Για το λόγο αυτό, θα πρέπει να το κατατάξουμε ως έναν από τους κλάδους της, με τη σειρά της να αποτελεί μέρος της επιστήμης των υπολογιστών.

Αυτά τα συστήματα είναι πιο αυτόνομα από τα παλαιότερα αδέλφια τους, αν και η δομή τους είναι επίσης πολύ πιο πολύπλοκη. Αυτό τους δίνει ένα σαφές πλεονέκτημα όταν εκτελούν διαφορετικούς τύπους εργασιών όπου εκτελούν την ίδια ή καλύτερη εργασία από άλλα συστήματα με αλγόριθμους Machine Learning.

Επίσης, υπάρχουν και άλλα έργα όπου η Deep Learning ξεχωρίζει πάνω από τον προκάτοχό της. Ένα από τα πιο περίεργα περιστατικά είναι η τεχνητή νοημοσύνη τύπου AlphaGo, η Intelligence της Google ικανή να νικήσει τον παγκόσμιο πρωταθλητή Go .

Ίσως ακούγεται λίγο κινέζικο για εσάς, αλλά Go είναι ένα πολύ διάσημο παιχνίδι και, επίσης, πολύ απαιτητικό. Για να το θέσουμε στο πλαίσιο, οι μαθηματικοί υποστηρίζουν κατηγορηματικά ότι αυτό το χόμπι είναι πολύ πιο πολύπλοκο από το σκάκι.

Από την άλλη πλευρά, η Deep Learning συνδέεται στενά με το Big Data, καθώς αυτές οι σπουδαίες πηγές πληροφοριών μπορούν να χρησιμοποιηθούν για να μάθουν και να εδραιώσουν την εμπειρία. Επιπλέον, χάρη στην κατάσταση στην οποία βρισκόμαστε, το περιβάλλον για τη διάδοση και την ανάπτυξη αυτής της τεχνολογίας είναι ιδανικό για τρία βασικά σημεία:

1. Η μεγάλη συσσώρευση δεδομένων, αφού με τα εργαλεία που έχουμε σήμερα, τα δεδομένα μπορούν να ληφθούν και να αποθηκευτούν από σχεδόν κανέναν. Ο βαθμός της τεχνολογίας που είμαστε, καθώς τα συστατικά είναι καλό να προσφέρουν συλλογικά σημαντική ισχύ. Η επιθυμία των εταιρειών να βελτιώσουν τις μεθοδολογίες τους, αφού εκμεταλλευόμενοι τα δύο προηγούμενα σημεία, όλο και περισσότερες εταιρείες στοιχηματίζουν στην Τεχνητή Νοημοσύνη . Αν η εταιρεία σας έχει αποθηκεύσει δεδομένα από χιλιάδες πελάτες και η τεχνολογία σας δίνει την ευκαιρία να μάθετε από αυτά και να την χρησιμοποιείτε, είναι ένα ασφαλές στοίχημα.

Η δομή της βαθιάς μάθησης

Παρά το γεγονός ότι έχει αναπτυχθεί αρκετά παρόμοια με την Μηχανική Μάθηση , αυτό το σύνολο αλγορίθμων έχει κάποιες πυρηνικές διαφορές. Το πιο σημαντικό είναι πιθανώς η εσωτερική του δομή, δηλαδή ο κώδικας που αποτελεί τον αλγόριθμό του.

Γενική ιδέα για τη Βαθιά Μάθηση

Όπως μπορείτε να δείτε στην εικόνα, Deep Learning συνδέεται στενά με νευρωνικά δίκτυα. Αυτή η ιδέα δεν είναι νέα, αλλά δεν ήταν μαζί μας για μεγάλο χρονικό διάστημα, οπότε ίσως να μην το γνωρίζετε.

Για να το απλοποιήσουμε μπορούμε να ορίσουμε ένα νευρωνικό δίκτυο ως ένα σύνολο αλγορίθμων (το καθένα που ονομάζεται στρώμα) που επεξεργάζεται και μεταδίδει πληροφορίες. Κάθε στρώμα λαμβάνει τιμές εισόδου και επιστρέφει τις εξόδους και καθώς περνάει από όλο το δίκτυο, επιστρέφει μια τελική προκύπτουσα τιμή. Όλα αυτά, συμβαίνουν διαδοχικά, κανονικά, όπου κάθε στρώμα έχει διαφορετικό βάρος, ανάλογα με το επιθυμητό αποτέλεσμα.

Εδώ σας παρουσιάζουμε ένα σύντομο βίντεο (στα Αγγλικά) σχετικά με την Τεχνητή Νοημοσύνη που μαθαίνει να παίζει το Super Mario World :

Και ίσως να αναρωτιέστε, "Γιατί όλη αυτή η μέθοδος είναι τόσο περίπλοκη;" . Βεβαίως, η Deep Learning εξακολουθεί να ανήκει σε αυτό που ονομάζουμε Αδύναμη Τεχνητή Νοημοσύνη , αλλά είναι ίσως το πρώτο βήμα προς την κατεύθυνση της ισχυρής.

Αυτή η μεθοδολογία είναι ελαφρώς εμπνευσμένη από το πώς λειτουργεί ο εγκέφαλος. Παρόμοια με αυτά που βλέπουμε στον "φυσικό κόσμο" , τα συστήματα σχηματίζουν στρώματα και κάθε στρώμα λειτουργεί με παρόμοιο τρόπο με έναν νευρώνα. Με αυτόν τον τρόπο, τα στρώματα συνδέονται μεταξύ τους, μοιράζονται πληροφορίες και το πιο σημαντικό είναι ότι όλα γίνονται αυτόνομα.

Πολύ απλοποιημένο σχέδιο για το πώς λειτουργεί η Deep Learning

Ακολουθώντας αυτόν τον κανόνα, οι πιο πλήρεις Intelligences είναι, συνήθως, εκείνες που έχουν περισσότερα στρώματα και πιο εξελιγμένους αλγορίθμους.

Πώς λειτουργεί η Τεχνητή Νοημοσύνη με αυτόν τον αλγόριθμο;

Αν έχετε δει τα προηγούμενα άρθρα μας για το θέμα, θα έχετε ήδη δει αυτό το gif. Εδώ μπορείτε να δείτε το άρθρο μας για την Τεχνητή Νοημοσύνη και εδώ μπορείτε να διαβάσετε λίγο για την Μηχανική Μάθηση .

αλλά θα σας δείξουμε μια τελευταία φορά.

Αυτή η εικόνα αντανακλά καλά και πολύ απλά πώς θα μπορούσε να λειτουργήσει μια Νοημοσύνη που χρησιμοποιεί νευρικά δίκτυα. Όπως μπορείτε να δείτε, η δουλειά του είναι απλή: ταξινομήστε τις εικόνες και μάθετε να ανιχνεύετε σκύλους στις διάφορες φωτογραφίες που έχουν περάσει σε αυτόν.

Κάθε εικόνα ξεκινάει εισάγοντας την τροφοδοσία εισόδου, δηλαδή το Layer Input όπου οι πρώτοι υπολογισμοί αρχίζουν ήδη. Τα αποτελέσματα που λαμβάνονται θα μοιραστούν με το δεύτερο στρώμα ή τον νευρώνα και, προφανώς, θα ενημερωθεί ποιος νευρώνας έχει κάνει αυτόν τον υπολογισμό. Αυτή η διαδικασία επαναλαμβάνεται όσες φορές τα στρώματα του συστήματος μας έχουν φθάσει μέχρι να φτάσουμε στο τελευταίο.

Ο τελευταίος νευρώνας ονομάζεται ως Επίπεδο Εξόδου και είναι αυτός που, σε αυτό το παράδειγμα, δείχνει το αποτέλεσμα. Σε άλλες περιπτώσεις, το Layer Output καταλήγει στην εκτέλεση της υπολογισμένης ενέργειας. Επίσης, αν θέσουμε τον τύπο να χρειάζεται να ενεργήσει όσο πιο γρήγορα γίνεται (όπως στα βιντεοπαιχνίδια) , το αποτέλεσμα θα πρέπει να είναι σχεδόν στιγμιαίο. Ωστόσο, χάρη στο τεχνολογικό σημείο στο οποίο βρισκόμαστε, αυτό είναι ήδη δυνατό.

Ένα από τα πιο σαφή παραδείγματα είναι το AlphaStar Artificial Intelligence, μια άλλη δημιουργία του ίδιου του Google .

Google Deepmind Τεχνητή Νοημοσύνη

Σας έχουμε πει για το AlphaGo , ένα AI ικανό να αγωνιστεί ενάντια στους καλύτερους Go παίκτες στον κόσμο. Ωστόσο, αυτός έχει νεότερα αδέλφια ικανά να επιτύχουν κάποιες εντυπωσιακές ορόσημα.

AlphaZero

Αυτή η νοημοσύνη έμαθε σε μόλις 24 ώρες ένα υπεράριθμο επίπεδο σκακιού, shoji και go με το οποίο κέρδισε αρκετούς διάσημους παίκτες. Επίσης, στον κατάλογο των ηττημένων αντιπάλων, τόνισε επίσης την έκδοση AlphaGo Zero 3 ημερών εμπειρίας, κάτι πραγματικά απίστευτο. Εδώ βγαίνει η ταχύτητα της μάθησης αυτής της Τεχνητής Νοημοσύνης .

Το πιο εντυπωσιακό από όλα, η ομάδα δεν είχε πρόσβαση σε βιβλία ή βάσεις δεδομένων μάθησης, έτσι ώστε όλη η τακτική τους να έμαθε με την πρακτική.

Σε μια άλλη από τις συναντήσεις του, αντιμετώπισε το Stockfish , ένα παλαίμαχο αυτοματοποιημένο πρόγραμμα ανοιχτού κώδικα που παίζει σκάκι. Ωστόσο, σε μόλις τέσσερις ώρες κυριαρχούσε η AlphaZero.

Θα πρέπει να σημειωθεί ότι ενώ αυτό υπολογίζει πρώτα περίπου 70 εκατομμύρια κινήσεις, το AlphaZero, στο σκάκι, λαμβάνει υπόψη μόνο 80 χιλιάδες διαφορετικές εξόδους. Η διαφορά στις προβλέψεις αντισταθμίστηκε από την πολύ καλύτερη κρίση των υποσχόμενων παιχνιδιών.

Με επιδείξεις δύναμης όπως αυτή μπορούμε να δούμε τη δύναμη της νέας Τεχνητής Νοημοσύνης .

AlphaStar

Από την άλλη πλευρά, το AlphaStar είναι ένα AI που σήμερα είναι σε θέση να παίξει το RTS Starcraft II (Στρατηγική πραγματικού χρόνου, στα ισπανικά).

Κατά τη διάρκεια του demo του, το AlphaStar πολέμησε αρκετούς επαγγελματίες παίκτες στη μέση νίκη σε δέκα παιχνίδια στη σειρά και χάνοντας μόνο το τελευταίο.

Σε αντίθεση με το σκάκι ή το go, το Starcraft II είναι ένα real-time matchup, έτσι κάθε δευτερόλεπτο πρέπει να κάνετε πράγματα. Λόγω αυτού, μπορούμε να δούμε ότι η τρέχουσα τεχνολογία είναι σε θέση να διατηρήσει αυτούς τους φρενίτιους ρυθμούς υπολογισμού και λήψης αποφάσεων.

Όσο για την προετοιμασία της Νοημοσύνης , για τις ημερομηνίες της ζωντανής δοκιμασίας είχε περίπου 200 χρόνια εμπειρίας εκπαίδευση μόνο με protos (μία από τις διαθέσιμες φυλές) . Επίσης, εκπαιδεύτηκε έτσι ώστε να μπορεί να εκτελεί μόνο ενέργειες αν είχε την κάμερα σωματικά στη μονάδα, εξομοιώνοντας έτσι περισσότερο με το πώς θα παίξει κάποιος.

Ωστόσο, παρά τα μειονεκτήματα αυτά, το AlphaStar κατόρθωσε να νικήσει τις περισσότερες από τις συναντήσεις τους χρησιμοποιώντας μια εγκαταλελειμμένη τακτική στην ανταγωνιστική πλευρά του παιχνιδιού. Ένα σημείο που πρέπει να σημειωθεί είναι ότι το AlphaStar διατηρεί συνήθως τα APM (Actions per Minute) χαμηλά, επομένως οι αποφάσεις του είναι πολύ αποτελεσματικές.

Μέσες ενέργειες ανά λεπτό που εκτελούνται από το AI και από έναν επαγγελματία παίκτη

Ωστόσο, όταν η κατάσταση το απαιτεί, επιδεικνύει τον υπεράνθρωπο έλεγχο των μονάδων κυριολεκτικά χάνοντας εύκολα τον πάγκο.

Εδώ μπορείτε να δείτε ένα από τα demos του πλήρως:

Το μέλλον της Τεχνητής Νοημοσύνης

Έχουμε ήδη μιλήσει για αυτό το θέμα, οπότε δεν θα επαναλάβουμε την ίδια συζήτηση πάρα πολύ. Αυτό που πρέπει να επισημανθεί είναι τα πιθανά μέλλοντα που περιμένουν την βαθιά μάθηση .

Σύμφωνα με τον Andrew Yan-Tak Ng, ένας γνωστός εμπειρογνώμονας στην Τεχνητή Νοημοσύνη, η Deep Learning αποτελεί ένα καλό βήμα προς τη Νοημοσύνη του μέλλοντος. Σε αντίθεση με άλλες μεθόδους διδασκαλίας, αυτό είναι πολύ πιο αποτελεσματικό καθώς αυξάνουμε το δείγμα δεδομένων.

Σας συστήνουμε BABAHU X1: Η οδοντόβουρτσα AI είναι τώρα διαθέσιμη

Η επόμενη διαφάνεια ανήκει στην παρουσίασή του "Τι πρέπει να γνωρίζουν οι επιστήμονες πληροφοριών για βαθιά μάθηση" . Αν σας ενδιαφέρει, μπορείτε να το δείτε σε αυτόν τον σύνδεσμο.

Όχι μάταια, η ανάπτυξη της τεχνολογίας δεν έχει σταματήσει. Κάθε χρόνο θα έχουμε πιο ισχυρά εξαρτήματα, οπότε θα έχουμε όλο και περισσότερο αίθριο για να δοκιμάσουμε. Όπως συνέβη με τα παλιά AIs και Machine Learning, νέοι αλγόριθμοι, μεθοδολογίες και συστήματα θα εμφανιστούν και θα αντικαταστήσουν τη σημερινή καινοτόμο Deep Learning .

Επίσης, όπως μπορείτε να φανταστείτε, το μέλλον αντιμετωπίζεται από ημι-έξυπνες μηχανές.

Όπως επισημάναμε σε άλλα άρθρα, οι περισσότερες ηλεκτρονικές συσκευές θα έχουν (μερικοί ήδη ενσωματωθούν) υποστήριξη πληροφοριών . Μια πολύ σημαντική περίπτωση είναι αυτή των Intelligences που βοηθούν στην λήψη φωτογραφιών καλύτερης ποιότητας.

Ωστόσο, ένα σημείο όπου αυτή η τεχνολογία μπορεί να ευδοκιμήσει για τους περισσότερους χρήστες είναι το IoT (Internet of Things, στα ισπανικά).

Το Διαδίκτυο των πραγμάτων

Αυτός ο όρος έχει όλο και μεγαλύτερη σημασία στα συνέδρια της τεχνολογίας και της πληροφορικής και επιδιώκει να εδραιωθεί τώρα που έχουμε τα μέσα.

Η ιδέα είναι ότι οι οικιακές συσκευές, οι ηλεκτρικές συσκευές και άλλες είναι αναγνωρίσιμα αντικείμενα, μπορούν να επικοινωνούν μεταξύ τους και, επιπλέον, να ελέγχονται με μια συσκευή. Με αυτόν τον τρόπο μπορούμε να μετρήσουμε ποια αντικείμενα υπάρχουν σε ένα μέρος όπου βρίσκονται, αλληλεπιδρούν μαζί τους και όλα αυτά από το κινητό. Ομοίως, τα αντικείμενα θα μπορούσαν επίσης να αλληλεπιδρούν μεταξύ τους και εάν για παράδειγμα λήξει ένα φαγητό, ίσως το ψυγείο θα μπορούσε να σας πει όταν το ανοίξετε.

Από την άλλη πλευρά, η Τεχνητή Νοημοσύνη πρέπει να είναι σε θέση να παρακολουθεί την κατάσταση και τις επιδόσεις των οικιακών συσκευών. Με αυτό, μπορείτε να δημιουργήσετε ένα σχέδιο ηλεκτρικής ενέργειας και να βελτιστοποιήσετε την ενέργεια που χρησιμοποιείται.

Ωστόσο, ένα σημαντικό σημείο που πρέπει να βελτιωθεί, θα είναι η ασφάλεια στο Διαδίκτυο . Είναι κάτι που ακόμα δεν φαίνεται να υποφέρει πολύ από παρενόχληση, αλλά όλοι γνωρίζουμε ότι θα είναι απαραίτητο αν θέλουμε να είναι μια ασφαλής υπηρεσία.

Είναι μια κάπως αφηρημένη ιδέα, αλλά καθώς εισβάλλει τη ζωή μας, θα εξοικειωθείτε.

Η σημασία των νέων τεχνολογιών και της βαθιάς μάθησης

Είναι αναπόφευκτο να πιστεύουμε ότι ο υπολογισμός και η Τεχνητή Νοημοσύνη πρόκειται να διαμορφώσουν ένα μεγάλο μέρος του μέλλοντος που μας περιμένει. Ως εκ τούτου, είναι σημαντικό να γνωρίζετε πάντα το ήμισυ του τι συμβαίνει στον κόσμο που διέπεται από τα κομμάτια.

Με αυτό το πνεύμα, μπορούμε ήδη να δούμε πώς εμφανίζονται διαφορετικοί βαθμοί, μαθήματα και βαθμοί που διδάσκουν αυτά τα θέματα σε βάθος. Για παράδειγμα, έχουν παρουσιαστεί κάποια μηχανήματα δεδομένων, άλλα πτυχία σε Big Data και, προφανώς, μαθήματα σε βαθιά μάθηση και τεχνητή νοημοσύνη .

Για τον ίδιο λόγο σας παροτρύνουμε να διερευνήσετε το θέμα. Το Διαδίκτυο , με τα πλεονεκτήματα και τα μειονεκτήματά του, δεν είναι ακόμη αυτόνομο, ούτε τέλειο ούτε ασφαλές, αλλά είναι σχεδόν απεριόριστη πηγή γνώσης. Με λίγη τύχη, θα βρείτε ένα μέρος για να μάθετε και μπορείτε να ξεκινήσετε μια νέα γλώσσα ή μάλλον έναν νέο κόσμο.

Δεδομένου ότι η μηχανική μάθηση είναι μια ελαφρώς ελαφρύτερη πειθαρχία , υπάρχουν προγράμματα που σας επιτρέπουν να ανακατευτείτε με τα δεδομένα λίγο. Εάν ενδιαφέρεστε να μάθετε λίγο περισσότερο για το θέμα και να ελέγχετε μόνοι σας / τα όρια αυτής της τεχνολογίας, μπορείτε να επισκεφτείτε το IBM Watson Developer Cloud ή την Amazon Machine Learning. Σας προειδοποιούμε: θα πρέπει να δημιουργήσετε ένα λογαριασμό και δεν θα είναι ένας εύκολος τρόπος για να μάθετε, αλλά ίσως μια μέρα θα σας βοηθήσει να επιτύχετε τους μεγάλους στόχους.

Πέρα από εδώ είναι ο κόσμος των ιδεών, οπότε όλα είναι στα χέρια σας. Και σε σας, τι πιστεύετε για τις νέες τεχνολογίες που σχετίζονται με την Τεχνητή Νοημοσύνη; Τι άλλες εφαρμογές βαθιάς εκμάθησης γνωρίζετε ή θέλετε να δείτε; Μοιραστείτε τις ιδέες σας στο παρακάτω πλαίσιο.

Επιχειρηματικό Blog πηγής Σκεφτείτε την Μάθηση Μάθησης BigXatakaMachine