Що таке глибоке навчання?

Цікаво, як працює “мозок” ШІ? Ось дуже простий опис глибокого навчання

Тайлер Лакома 16 жовтня 2018 року

Глибоке навчання – це особлива підмножина машинного навчання (механіки штучного інтелекту). Хоча ця галузь програмування може стати дуже складною, вона почалася з дуже простого питання: “Якщо ми хочемо, щоб комп’ютерна система діяла розумно, чому б нам не змоделювати її за зразком людського мозку?”

Ця думка породила багато зусиль в минулі десятиліття по створенню алгоритмів, які імітували б роботу людського мозку і могли б вирішувати проблеми так само, як це робить людина. Ці зусилля привели до появи цінних, дедалі більш компетентних інструментів аналізу, які використовуються в багатьох різних галузях.

Нейронна мережа і її використання

Глибоке навчання отримало свою назву від того, як воно використовується для аналізу “неструктурованих” даних, або даних, які раніше не були позначені іншим джерелом і можуть потребувати визначення. Це вимагає ретельного аналізу того, що являють собою дані, і багаторазового тестування цих даних для отримання остаточного, придатного для використання висновку. Комп’ютери традиційно не дуже добре аналізують такі неструктуровані дані.

• Як сьогодні спостерігати за відльотом космічного корабля SpaceX Dragon з МКС
• Революційний мозковий імплантат зі штучним інтелектом переводить думки в усну мову
• Турбуєтеся про рахунки під час пандемії коронавірусу? Цей ШІ-адвокат може допомогти

Подумайте про це з точки зору письма: Якби десять людей написали одне і те ж слово, воно виглядало б у кожного по-різному: від неохайного до акуратного, від скоропису до друкованого. Людський мозок без проблем зрозуміє, що це одне і те ж слово, тому що він знає, як працюють слова, письмо, папір, чорнило і особисті примхи. Звичайна комп’ютерна система, однак, не має жодного способу дізнатися, що ці слова однакові, тому що всі вони виглядають дуже по-різному.

Це підводить нас до нейронних мереж – алгоритмів, спеціально створених для імітації взаємодії нейронів у мозку. Нейронні мережі намагаються аналізувати дані так, як це може робити розум: Їх мета полягає в тому, щоб мати справу з безладними даними, подібними до письма, і робити корисні висновки, подібні до слів, які намагається показати письмо. Найлегше зрозуміти нейронні мережі, якщо розбити їх на три важливі частини:

Вхідний шар: На вхідному шарі нейронна мережа поглинає всі несекретні дані, які їй надаються. Це означає розбиття інформації на числа і перетворення їх на біти даних “так” або “ні”, або “нейрони”. Якщо ви хочете навчити нейронну мережу розпізнавати слова, то вхідний шар буде математично визначати форму кожної літери, розбиваючи її на цифрову мову, щоб мережа могла почати працювати. Вхідний шар може бути досить простим або неймовірно складним, залежно від того, наскільки легко щось представити математично.

Приховані шари: У центрі нейронної мережі знаходяться приховані шари – від одного до багатьох. Ці шари зроблені з власних цифрових нейронів, які призначені для активації або не активації на основі шару нейронів, який їм передує. Один нейрон – це базова модель “якщо це, то те”, але шари складаються з довгих ланцюжків нейронів, і багато різних шарів можуть впливати один на одного, створюючи дуже складні результати. Мета полягає в тому, щоб дозволити нейронній мережі розпізнавати багато різних особливостей і об’єднувати їх в єдину реалізацію, подібно до того, як дитина вчиться розпізнавати кожну букву, а потім формує їх разом, щоб розпізнати повне слово, навіть якщо це слово написане трохи недбало.

Приховані шари – це також місце, де відбувається багато глибокого навчання. Наприклад, якщо алгоритм не зміг точно розпізнати слово, програмісти посилають назад: “Вибачте, це неправильно”, і алгоритм коригує спосіб зважування даних, поки не знайде правильну відповідь. Повторення цього процесу (програмісти також можуть коригувати ваги вручну) дозволяє нейронній мережі створювати надійні приховані шари, які вміють шукати правильні відповіді за допомогою великої кількості спроб і помилок, а також деяких зовнішніх інструкцій – знову ж таки, подібно до того, як працює людський мозок. Як видно з наведеного вище зображення, приховані шари можуть стати дуже складними!

Вихідний шар: Вихідний шар має відносно мало “нейронів”, оскільки саме тут приймаються остаточні рішення. Тут нейронна мережа застосовує остаточний аналіз, встановлює визначення для даних і робить запрограмовані висновки на основі цих визначень. Наприклад, “Достатньо даних, які вишикувалися в лінію, щоб сказати, що це слово – озеро, а не провулок”. В кінцевому підсумку всі дані, які проходять через мережу, звужуються до конкретних нейронів у вихідному шарі. Оскільки саме тут реалізуються цілі, це часто одна з перших частин створюваної мережі.

Застосування

Якщо ви користуєтеся сучасними технологіями, велика ймовірність того, що алгоритми глибокого навчання працюють навколо вас, кожен день. Як ви думаєте, як Alexa або Google Assistant розуміють ваші голосові команди? Вони використовують нейронні мережі, які були створені для розуміння мови. Як Google дізнається, що ви шукаєте, ще до того, як ви закінчите друкувати? Більш глибоке навчання на роботі. Як ваша камера безпеки ігнорує домашніх тварин, але розпізнає рух людини? Знову поглиблене навчання.

Кожного разу, коли програмне забезпечення розпізнає людський фактор, від розпізнавання обличчя до голосових помічників, глибоке навчання, ймовірно, працює десь під ним. Проте ця галузь також має багато інших корисних застосувань. Особливо багатообіцяючою сферою є медицина, де просунуте глибоке навчання використовується для аналізу ДНК на наявність дефектів або молекулярних сполук на предмет потенційної користі для здоров’я. На більш фізичному фронті глибоке навчання використовується в зростаючій кількості машин і транспортних засобів для прогнозування того, коли обладнання потребує технічного обслуговування, перш ніж щось піде серйозно не так.

Майбутнє глибокого навчання

Майбутнє глибокого навчання особливо яскраве! Чудова річ про нейронну мережу полягає в тому, що вона чудово справляється з величезною кількістю розрізнених даних (подумайте про все, з чим наш мозок має справу постійно). Це особливо актуально в нашу еру просунутих розумних датчиків, які можуть збирати неймовірну кількість інформації. Традиційні комп’ютерні рішення починають відчувати труднощі з сортуванням, маркуванням та формуванням висновків з такої кількості даних.

Глибинне навчання, з іншого боку, може мати справу з цифровими горами даних, які ми збираємо. Насправді, чим більший обсяг даних, тим ефективнішим стає глибоке навчання в порівнянні з іншими методами аналізу. Ось чому такі організації, як Google, так багато інвестують в алгоритми глибокого навчання, і чому вони, ймовірно, стануть більш поширеними в майбутньому.

І, звичайно ж, роботи. Давайте ніколи не забувати про роботів.

Рекомендації редакції

• NASA керує марсоходом Curiosity з домашніх офісів працівників
• Знайомтеся: науково-фантастичний стартап створює комп’ютерні чіпи зі справжніми біологічними нейронами
• Штучний інтелект може допомогти виявити ознаки коронавірусу на рентгенівських знімках легенів
• Оскільки 2020 рік недостатньо божевільний, рот робота співає молитви ШІ в Парижі
• АІ з глибоким навчанням допомагає археологам перекладати стародавні таблички

Source: digitaltrends.com