Gilus mokymasis: kas tai yra ir kaip jis susijęs su mašininiu mokymu?

Tęsdami porą straipsnių, kuriuos jau padarėme, čia kalbėsime apie tai, kas yra giluminis mokymasis ir jo santykis su mašininiu mokymu . Abu terminai tampa vis svarbesni visuomenėje, kurioje gyvename, ir bus naudinga žinoti, kas mus supa.

Turinio rodyklė

Kas yra gilus mokymasis ?

Giluminis mokymasis yra technikos pogrupis, kuris gimė apie 2000-uosius metus dėl mašininio mokymosi . Dėl šios priežasties turėtume klasifikuoti ją kaip vieną iš jos šakų, savo ruožtu tapdami informatikos dalimi.

Šios sistemos yra autonomiškesnės nei vyresni broliai ir seserys, nors jų struktūra taip pat yra žymiai sudėtingesnė. Tai suteikia jiems aiškų pranašumą atliekant įvairaus tipo užduotis, kai jie atlieka tą patį ar geresnį darbą nei kitos sistemos su mašininio mokymosi algoritmais .

Taip pat yra ir kitų kūrinių, kuriuose „ Deep Learning“ išsiskiria iš savo pirmtako. Vienas garsiausių atvejų yra „ AlphaGo-“ stiliaus dirbtinis intelektas , „ Google “ intelektas , galintis nugalėti pasaulio čempioną Go .

Gal jums tai skamba šiek tiek kiniškai, bet „ Go“ yra labai garsus žaidimas ir, be to, labai reiklus. Žvelgiant į kontekstą, matematikai pabrėžia, kad šis hobis yra daug sudėtingesnis nei šachmatai.

Kita vertus, giluminis mokymasis yra glaudžiai susijęs su „ Big Data“, nes šie puikūs informacijos šaltiniai gali būti naudojami norint išmokti ir įtvirtinti patirtį. Be to, dėl esamos padėties, šios technologijos plitimo ir tobulėjimo aplinka puikiai tinka trims pagrindiniams dalykams:

1. Puikus duomenų kaupimas, nes naudojant įrankius, kuriuos turime šiandien, duomenis galime gauti ir saugoti iš beveik visų. Technologijos laipsnis, kuriame mes esame, nes komponentai yra geri, kad visi kartu pasiūlytų didelę galią. Įmonių noras patobulinti savo metodiką, nes pasinaudodamos dviem ankstesniais punktais, vis daugiau ir daugiau bendrovių lažinasi dėl dirbtinio intelekto . Jei jūsų įmonė kaupė tūkstančių klientų duomenis, o technologijos suteikia jums galimybę mokytis iš jų ir jais naudotis, tai yra saugus pasirinkimas.

Giluminio mokymosi struktūra

Nepaisant to, kad šis vystymasis yra gana panašus į mašinų mokymąsi , šis algoritmų rinkinys turi tam tikrų branduolinių skirtumų. Svarbiausia turbūt yra jo vidinė struktūra, tai yra kodas, kuris sudaro jo algoritmą.

Bendroji mintis apie gilųjį mokymąsi

Kaip matote paveikslėlyje, giluminis mokymasis yra glaudžiai susijęs su neuroniniais tinklais. Ši koncepcija nėra nauja, tačiau jos nebuvo su mumis ilgą laiką, todėl galbūt to nežinote.

Norėdami tai supaprastinti, neuroninį tinklą galėtume apibrėžti kaip algoritmų (kiekvienas vadinamas sluoksniu), kurie apdoroja ir perduoda informaciją, rinkinį . Kiekvienas sluoksnis gauna įvesties reikšmes ir grąžina išvestines vertes, o kai jis praeina per visą tinklą, grąžinama galutinė gauta vertė. Visa tai paprastai vyksta iš eilės, kai kiekvienas sluoksnis turi skirtingą svorį, atsižvelgiant į norimą rezultatą.

Čia parodysime jums trumpą vaizdo įrašą (anglų kalba) apie dirbtinio intelekto mokymąsi žaisti „ Super Mario World“ :

Ir jums gali kilti klausimas: „Kodėl visas šis metodas toks sudėtingas?“ . Be abejo, gilus mokymasis vis dar priklauso tam, ką mes vadiname silpnu dirbtiniu intelektu , tačiau tai galbūt yra pirmasis žingsnis stipriosios pusės link.

Ši metodika menkai įkvėpta to, kaip veikia smegenys. Panašiai, kaip matome „fiziniame pasaulyje“ , sistemos sudaro sluoksnius ir kiekvienas sluoksnis veikia panašiai kaip neuronas. Tokiu būdu sluoksniai yra susiję vienas su kitu, dalijasi informacija ir svarbiausia, kad viskas būtų daroma autonomiškai.

Labai supaprastinta gilaus mokymosi schema

Vadovaujantis šia taisykle, dažniausiai išsamesni intelektai yra tie, kurie turi daugiau sluoksnių ir sudėtingesnius algoritmus.

Kaip dirbtinis intelektas veikia šį algoritmą?

Jei jau esate matę ankstesnius mūsų straipsnius šia tema, jau pamatysite šį gifą. Čia galite pamatyti mūsų straipsnį apie dirbtinį intelektą ir čia galite šiek tiek perskaityti apie mašinų mokymąsi .

bet mes jums parodysime paskutinį kartą.

Šis vaizdas gerai ir labai paprastai atspindi, kaip veiktų žvalgyba naudojant neuroninius tinklus. Kaip matote, jo darbas yra paprastas: klasifikuokite vaizdus ir išmokite aptikti šunis skirtingose ​​nuotraukose, kurios jam perduodamos.

Kiekvienas vaizdas prasideda įvedant įvesties kanalą, tai yra įvesties sluoksnį, kur jau būtų pradėti pirmieji skaičiavimai. Gauti rezultatai bus dalijami su antruoju sluoksniu ar neuronu ir, žinoma, yra žinoma, kuris neuronas atliko šį skaičiavimą. Šis procesas kartojamas tiek kartų, kiek sluoksnių turi mūsų sistema, kol pasieksime paskutinį.

Paskutinis neuronas yra įvardijamas kaip išvesties sluoksnis ir yra tas, kuris šiame pavyzdyje rodo rezultatą. Kitais atvejais išvesties sluoksnis baigia atlikti apskaičiuotą veiksmą. Be to, jei mes įtraukiame į formulę, kad turime veikti kuo greičiau (kaip ir vaizdo žaidimuose) , rezultatas turėtų būti beveik akimirksniu. Tačiau dėl mūsų pasiekto technologinio taško tai jau įmanoma.

Vienas aiškiausių to pavyzdžių yra dirbtinis intelektas „AlphaStar“, dar vienas „ Google“ kūrinys.

„Google Deepmind“ dirbtinis intelektas

Mes jums papasakojome apie „ AlphaGo“ - PG, galinčią kovoti su geriausiais pasaulio „ Go“ žaidėjais. Tačiau šis turi jaunesnius brolius ir seseris, galinčius pasiekti gana įspūdingų gairių.

„AlphaZero“

Šis intelektas per 24 valandas išmoko superžmogiško šachmatų, shoji ir go žaidimo lygį, su kuriuo laimėjo kelis garsius žaidėjus. Be to, nugalėtų priešininkų sąraše jis taip pat atkreipė dėmesį į 3 dienų patirties „ AlphaGo Zero“ versiją, kai ką tikrai neįtikėtino. Čia išryškėja šio dirbtinio intelekto mokymosi greitis.

Visų įspūdingiausia, kad komanda neturėjo galimybės naudotis knygomis ar duomenų bazėmis, todėl visa jų taktika buvo išmokta praktikuojant.

Kitame savo susitikime jis susidūrė su „ Stockfish“ - automatine veteranų atvirojo kodo programa, žaidžiančia šachmatais. Tačiau vos per keturias valandas jame dominavo „ AlphaZero“.

Reikėtų pažymėti, kad nors tai pirmiausia apskaičiuoja apie 70 milijonų judesių, „ AlphaZero “ šachmatuose atsižvelgia tik į 80 tūkstančių skirtingų išėjimų. Prognozių skirtumą kompensavo kur kas geresnis sprendimas, koks bus perspektyvus spektaklis.

Panašių jėgos demonstracijų dėka galime pamatyti naujojo dirbtinio intelekto galią.

„AlphaStar“

Kita vertus, „ AlphaStar“ yra PG, kuri šiandien gali žaisti „ RTS Starcraft II“ („Real Time Strategy“, ispanų kalba).

Demonstravimo metu „ AlphaStar“ kovojo su keliais profesionaliais žaidėjais, laimėdamas dešimt žaidimų iš eilės ir pralošdamas tik paskutinį.

„ Starcraft II“, skirtingai nei šachmatai ar „go“, yra realaus laiko rungtynės, todėl kiekvieną sekundę turite daryti reikalus. Dėl to galime pastebėti, kad dabartinės technologijos gali išlaikyti šiuos pašėlusius skaičiavimo ir sprendimo ritmus.

Kalbant apie žvalgybos rengimą, jis turėjo apie 200 metų patirtį treniruotis tik su proto (vienos iš galimų lenktynių) dienomis, kai vyko gyvas testas. Jis taip pat buvo išmokytas, kad atlikti veiksmus būtų galima tik tuo atveju, jei kamera būtų fiziškai įrengta , tokiu būdu labiau primenant, kaip žmogus žais.

Nepaisant šių sunkumų, „ AlphaStar“ sugebėjo įveikti didžiąją dalį savo susidūrimų naudodamas apleistą taktiką konkurencinėje žaidimo pusėje. Reikia atkreipti dėmesį į tai, kad „ AlphaStar“ paprastai neleidžia APM (veiksmai per minutę) būti žemi, todėl jos sprendimai yra labai veiksmingi.

Vidutinis per minutę AI ir profesionalių žaidėjų atliekamas veiksmas

Tačiau kai situacija to reikalauja, jis tiesiogine prasme demonstruoja antžmogišką vienetų valdymą, lengvai įveikdamas prekystalį.

Čia galite pamatyti visą jo demonstracinę versiją:

Dirbtinio intelekto ateitis

Mes jau kalbėjome šia tema, todėl to paties pokalbio per daug nekartosime. Reikėtų pabrėžti galimas ateitis, kurios laukia gilus mokymasis .

Anot žinomo dirbtinio intelekto eksperto Andrew Yan-Tak Ng, giluminis mokymasis yra geras žingsnis ateities intelekto link. Skirtingai nuo kitų mokymo metodų, šis yra žymiai efektyvesnis, nes didiname duomenų imtį.

REKOMENDUOJAME JUMS BABAHU X1: dabar yra AI dantų šepetėlis

Kita skaidrė priklauso jo pristatymui „Ką informacijos apie mokslinį gyvenimą turėtų žinoti mokslininkai“. Jei susidomėjote, galite pamatyti šią nuorodą.

Ne veltui technologijos plėtra nesustojo. Kiekvienais metais turėsime galingesnių komponentų, todėl turėsime vis daugiau kiemo išbandyti. Kaip atsitiko su senaisiais AI ir mašininiu mokymu, atsiras nauji algoritmai, metodikos ir sistemos, pakeisiantys šiandienos novatorišką giluminį mokymąsi .

Taip pat, kaip jūs galite įsivaizduoti, ateitį sprendžia pusiau intelektualios mašinos.

Kaip mes atkreipėme dėmesį į kitus straipsnius, dauguma elektroninių prietaisų turės (kai kurie jau juos turi) palaikymo žvalgybą . Ypatingas atvejis yra intelektas , padedantis padaryti geresnės kokybės nuotraukas.

Tačiau taškas, kuriame ši technologija gali klestėti daugumai vartotojų, yra daiktų internetas (daiktų internetas, ispanų kalba).

Daiktų internetas

Šis terminas turi vis daugiau svarbos technologijų ir skaičiavimo konferencijose ir siekia įsitvirtinti dabar, kai turime priemonių.

Idėja yra ta, kad buitiniai prietaisai, elektros prietaisai ir kiti yra atpažįstami objektai, jie gali susisiekti vieni su kitais ir, be to, būti valdomi prietaisu. Tokiu būdu galime suskaičiuoti, kokie objektai egzistuoja toje vietoje, kur jie yra, su jais bendrauti ir visa tai iš mobiliojo telefono. Panašiai, daiktai taip pat gali sąveikauti tarpusavyje ir, pavyzdžiui, pasibaigus maisto produktui, galbūt šaldytuvas galės jums pasakyti, kai atidarote.

Kita vertus, dirbtinis intelektas turėtų sugebėti stebėti buitinių prietaisų būklę ir veikimą. Tokiu būdu galėtumėte sudaryti elektros energijos planą ir optimizuoti sunaudojamą energiją.

Tačiau svarbus aspektas, kurį dar turime patobulinti, būtų interneto sauga. Panašu, kad vis dar nėra daug priekabiaujama, tačiau visi žinome, kad tai bus labai svarbu, jei norime, kad tai būtų saugi paslauga.

Tai šiek tiek abstrakti idėja, tačiau, įsiveržusi į mūsų gyvenimą, tapsite susipažinę.

Naujųjų technologijų ir gilaus mokymosi svarba

Neišvengiama manyti, kad skaičiavimas ir dirbtinis intelektas suformuos didžiąją dalį mūsų laukiančios ateities. Todėl svarbu visada pusiau žinoti, kas vyksta pasaulyje, kurį valdo bitai.

Turėdami omenyje tą dvasią, mes jau galime pamatyti, kaip atsiranda skirtingi laipsniai, kursai ir laipsniai, kurie giliai moko šias temas. Pvz., Atsirado tam tikra duomenų inžinerija, kiti „ Big Data“ laipsniai ir, aišku, giluminio mokymosi ir dirbtinio intelekto kursai.

Dėl tos pačios priežasties mes raginame jus ištirti šį dalyką. Internetas su savo pliusais ir minusais dar nėra autonomiškas, nei tobulas, nei tikrai saugus, tačiau jis yra beveik neribotas žinių šaltinis. Su sėkme rasite vietą mokytis ir galėsite pradėti naują kalbą, tiksliau, naują pasaulį.

Kadangi mašininis mokymasis yra šiek tiek lengvesnė disciplina , yra programų, leidžiančių šiek tiek supainioti su duomenimis. Jei jus domina šiek tiek daugiau sužinoti apie dalyką ir pasitikrinti save / šios technologijos ribas, galite apsilankyti „ IBM Watson Developer Cloud“ arba „ Amazon Machine Learning“. Įspėjame: jūs turėsite susikurti paskyrą ir tai nebus lengvas būdas mokytis, tačiau galbūt vieną dieną tai padės pasiekti didelių tikslų.

Čia yra idėjų pasaulis, taigi viskas yra jūsų rankose. O jums, ką jūs manote apie naujas technologijas, susijusias su dirbtiniu intelektu? Kokias dar gilaus mokymosi programas žinai ar norėtum pamatyti? Pasidalykite savo idėjomis žemiau esančiame laukelyje.

Šaltinis Verslo dienoraštis Pagalvokite apie „BigXatakaMachine“ mokymosi meistriškumą