Глубокое обучение: что это такое и как оно связано с машинным обучением?

Продолжая пару статей, которые мы сделали, здесь мы поговорим о том, что такое глубокое обучение и его связь с машинным обучением . Оба термина становятся все более важными в обществе, в котором мы живем, и будет полезно узнать, что нас окружает.

Указатель содержания

Что такое глубокое обучение ?

Глубокое обучение - это подмножество методов, которые родились в 2000-х годах в результате машинного обучения . По этой причине мы должны классифицировать его как одну из его ветвей, будучи в свою очередь частью информатики.

Эти системы более автономны, чем их старшие братья и сестры, хотя их структура также значительно сложнее. Это дает им явное преимущество при выполнении различных типов задач, когда они выполняют ту же или лучшую работу, чем другие системы с алгоритмами машинного обучения.

Также есть и другие работы, в которых Deep Learning выделяется на фоне предшественника. Один из самых печально известных случаев - это искусственный интеллект в стиле AlphaGo, интеллект Google, способный победить чемпиона мира по го .

Может быть, это звучит немного по-китайски, но игра Go - очень известная и очень требовательная игра. Чтобы поместить это в контекст, математики решительно утверждают, что это хобби значительно сложнее, чем шахматы.

С другой стороны, глубокое обучение тесно связано с большими данными, поскольку эти замечательные источники информации могут быть использованы для изучения и закрепления опыта. Кроме того, благодаря ситуации, в которой мы находимся, среда для распространения и развития этой технологии идеально подходит для трех ключевых моментов:

1. Большое накопление данных, поскольку с помощью инструментов, которыми мы располагаем сегодня, данные могут быть получены и сохранены практически кем угодно. Степень технологии, в которой мы находимся, поскольку компоненты хороши, чтобы коллективно предлагать значительную мощность. Стремление компаний улучшить свои методологии, поскольку, используя преимущества двух предыдущих пунктов, все больше и больше компаний делают ставку на искусственный интеллект . Если ваша компания хранит данные о тысячах клиентов, а технологии дают вам возможность учиться у них и использовать их, это безопасная ставка.

Структура глубокого обучения

Несмотря на то, что этот набор алгоритмов очень похож на машинное обучение , он обладает некоторыми ядерными отличиями. Наиболее важным, вероятно, является его внутренняя структура, то есть код, составляющий его алгоритм.

Общая идея глубокого обучения

Как вы можете видеть на изображении, Deep Learning тесно связан с нейронными сетями. Эта концепция не нова, но она давно не была у нас, так что вы можете ее не знать.

Чтобы упростить его, мы могли бы определить нейронную сеть как набор алгоритмов (каждый из которых называется слоем), которые обрабатывают и передают информацию. Каждый слой получает входные значения и возвращает выходные, и, когда он проходит через всю сеть, возвращается окончательное результирующее значение. Все это происходит последовательно, обычно, когда каждый слой имеет различный вес, в зависимости от желаемого результата.

Здесь мы покажем вам короткое видео (на английском языке) об искусственном интеллекте, обучающемся играть в Super Mario World :

И вы можете спросить: «Почему весь этот метод такой сложный?» , Конечно, глубокое обучение все еще принадлежит к тому, что мы называем слабым искусственным интеллектом , но, возможно, это первый шаг к сильному.

Эта методология слабо вдохновлена ​​тем, как работает мозг. Подобно тому, что мы видим в «физическом мире» , системы образуют слои, и каждый слой работает аналогично нейрону. Таким образом, слои связаны друг с другом, обмениваются информацией, и самое главное, что все делается автономно.

Очень упрощенная схема работы Deep Learning

Следуя этому правилу, наиболее полные интеллекты , как правило, имеют больше уровней и более сложные алгоритмы.

Как искусственный интеллект работает с этим алгоритмом?

Если вы видели наши предыдущие статьи на эту тему, вы уже видели этот GIF. Здесь вы можете увидеть нашу статью об искусственном интеллекте и здесь вы можете прочитать немного о машинном обучении .

но мы покажем вам в последний раз.

Это изображение хорошо и очень просто отражает, как будет работать интеллект с использованием нейронных сетей. Как видите, его работа проста: классифицировать изображения и научиться обнаруживать собак на разных фотографиях, которые ему передают.

Каждое изображение начинается с ввода входного канала, то есть входного слоя, где уже начнутся первые вычисления. Полученные результаты будут переданы второму слою или нейрону, и, очевидно, сообщается, какой нейрон произвел этот расчет. Этот процесс повторяется столько раз, сколько слоев в нашей системе, пока мы не достигнем последнего.

Последний нейрон называется выходным слоем и в этом примере показывает результат. В других случаях выходной слой выполняет вычисленное действие. Кроме того, если мы введем в формулу необходимость действовать максимально быстро (как в видеоиграх) , результат должен быть почти мгновенным. Однако благодаря технологической точке, в которой мы находимся, это уже возможно.

Одним из ярких примеров этого является AlphaStar Artificial Intelligence, еще одно творение самого Google .

Google Deepmind Искусственный интеллект

Мы рассказали вам об AlphaGo , ИИ, способном сражаться с лучшими игроками Го в мире. Однако, у этого есть младшие родные братья, способные достигнуть некоторых довольно внушительных вех.

AlphaZero

Этот интеллект всего за 24 часа усвоил сверхчеловеческий уровень шахмат, сёдзи и го, благодаря которому он выиграл несколько известных игроков. Кроме того, в списке побежденных противников он также указал на версию AlphaGo Zero с 3 днями опыта, что-то действительно невероятное. Здесь скорость изучения этого искусственного интеллекта выходит .

Самое впечатляющее, что у команды не было доступа к учебным книгам или базам данных, поэтому все их тактики были изучены с практикой.

В другой своей встрече он столкнулся с Stockfish , ветераном автоматической программы с открытым исходным кодом, которая играет в шахматы. Однако всего за четыре часа в нем доминировал AlphaZero.

Следует отметить, что, хотя в этом первом вычисляется около 70 миллионов движений, AlphaZero в шахматах учитывает только 80 тысяч различных выходов. Разница в прогнозах была компенсирована гораздо лучшим суждением о том, что будет многообещающим.

С такими демонстрациями силы мы можем увидеть силу нового искусственного интеллекта .

AlphaStar

С другой стороны, AlphaStar - это ИИ, который сегодня способен играть в RTS Starcraft II (стратегия в реальном времени, на испанском языке).

Во время демонстрации AlphaStar сражался с несколькими профессиональными игроками в середине, выиграв десять игр подряд и проиграв только последнюю.

В отличие от шахмат или го, Starcraft II - это матч в режиме реального времени, поэтому каждую секунду вы должны что-то делать. Благодаря этому мы можем заметить, что современные технологии способны поддерживать эти неистовые ритмы расчетов и принятия решений.

Что касается подготовки Интеллекта , то к датам живого теста у него было около 200 лет опыта тренировок только с протосами (одна из доступных рас) . Его также тренировали так, чтобы он мог выполнять действия только в том случае, если на нем физически находилась камера, что в большей степени соответствовало тому, как будет играть человек.

Тем не менее, несмотря на наличие этих недостатков, AlphaStar удалось победить большую часть своих встреч, используя заброшенную тактику в конкурентной части игры. Следует отметить, что AlphaStar обычно поддерживает низкие значения APM (число действий в минуту) , поэтому его решения очень эффективны.

Среднее количество действий в минуту, выполняемых ИИ и профессиональным игроком

Однако, когда ситуация требует этого, он демонстрирует сверхчеловеческий контроль над подразделениями буквально, легко ломая прилавок.

Здесь вы можете увидеть одно из его демо в полном объеме:

Будущее искусственного интеллекта

Мы уже говорили на эту тему, поэтому мы не будем повторять один и тот же разговор слишком много. Что следует подчеркнуть, так это возможные варианты будущего глубокого обучения .

По словам Эндрю Яна-Так Нга, известного специалиста в области искусственного интеллекта, глубокое обучение является хорошим шагом на пути к интеллекту будущего. В отличие от других методов обучения, этот метод значительно эффективнее, поскольку мы увеличиваем выборку данных.

МЫ РЕКОМЕНДУЕМ ВАМ BABAHU X1: зубная щетка AI теперь доступна

Следующий слайд относится к его презентации «Что должны знать ученые о глубоком обучении». Если вы заинтересованы, вы можете увидеть его по этой ссылке.

Не зря развитие технологий не остановилось. Каждый год мы будем иметь все более мощные компоненты, поэтому у нас будет все больше и больше патио для тестирования. Как и в случае со старым ИИ и машинным обучением, появятся новые алгоритмы, методологии и системы, которые заменят современное инновационное глубокое обучение .

Также, как вы можете себе представить, будущее решается с помощью полуинтеллектуальных машин.

Как мы указывали в других статьях, большинство электронных устройств будет иметь (некоторые уже включают их) поддержку разведки . Очень примечательный случай - Интеллект, который помогает делать фотографии лучшего качества.

Однако точкой, где эта технология может процветать для большинства пользователей, является Интернет вещей (на испанском языке).

Интернет вещей

Этот термин приобретает все больший вес на конференциях, посвященных технологиям и вычислительной технике, и стремится объединить теперь, когда у нас есть средства.

Идея заключается в том, что бытовые приборы, электроприборы и другие являются идентифицируемыми объектами, они могут связываться друг с другом и, кроме того, управляться с помощью устройства. Таким образом, мы можем подсчитать, какие объекты существуют в месте, где они находятся, взаимодействовать с ними и все это с мобильного телефона. Аналогично, объекты могут также взаимодействовать друг с другом, и, если, например, срок годности пищи истекает, возможно, холодильник сможет сообщить вам, когда вы ее откроете.

С другой стороны, искусственный интеллект должен иметь возможность контролировать состояние и производительность бытовой техники. При этом вы можете составить план электричества и оптимизировать используемую энергию.

Тем не менее, важным моментом, который нам еще предстоит улучшить, будет безопасность в Интернете . Это то, что , похоже, до сих пор не подвергается сильным преследованиям, но мы все знаем, что будет важно, если мы хотим, чтобы это было безопасное обслуживание.

Это несколько абстрактная идея, но, поскольку она вторгается в нашу жизнь, вы станете знакомыми.

Важность новых технологий и глубокого обучения

Невозможно думать, что вычисления и искусственный интеллект определят большую часть будущего, которое нас ожидает. Поэтому важно всегда быть наполовину осведомленным о том, что происходит в мире, управляемом битами.

Помня об этом, мы уже можем видеть, как появляются различные степени, курсы и степени, которые углубленно преподают эти темы. Например, появились некоторые инженерные данные, другие степени в области больших данных и, конечно же, курсы по глубокому обучению и искусственному интеллекту .

По этой же причине мы призываем вас исследовать эту тему. Интернет с его плюсами и минусами еще не автономен, не совершенен и не безопасен, но является практически неограниченным источником знаний. Если повезет, вы найдете место для изучения, и вы можете начать новый язык, или, скорее, новый мир.

Поскольку машинное обучение - немного более легкая дисциплина , существуют программы, которые позволяют вам немного возиться с данными. Если вы заинтересованы в том, чтобы узнать немного больше об этом предмете и проверить себя / ограничения этой технологии, вы можете посетить IBM Watson Developer Cloud или Amazon Machine Learning. Мы предупреждаем вас: вам придется создать учетную запись, и это будет непростой способ обучения, но, возможно, однажды это поможет вам достичь больших целей.

Вне здесь мир идей, так что все в ваших руках. А что вы думаете о новых технологиях, связанных с искусственным интеллектом? Какие еще приложения глубокого обучения вы знаете или хотели бы увидеть? Поделитесь своими идеями в поле ниже.

Исходный бизнес-блог Think BigXatakaMachine Learning Mastery