Τι πρέπει να γνωρίζετε για την εξέλιξη της τεχνητής νοημοσύνης
Η βαθιά εκμάθηση είναι μια ισχυρή μορφή μηχανικής μάθησης (ML) που κατασκευάζει πολύπλοκες μαθηματικές δομές που ονομάζονται νευρωνικά δίκτυα χρησιμοποιώντας τεράστιες ποσότητες δεδομένων (πληροφοριών).
Deep Learning Definition
Η βαθιά εκμάθηση είναι ένας τρόπος εφαρμογής ML που χρησιμοποιεί πολλαπλά στρώματα νευρωνικών δικτύων για να επεξεργάζεται πιο σύνθετους τύπους δεδομένων. Μερικές φορές ονομάζεται ιεραρχική μάθηση, η βαθιά εκμάθηση χρησιμοποιεί διαφορετικούς τύπους νευρωνικών δικτύων για να μάθει χαρακτηριστικά (επίσης αποκαλούμενες αναπαραστάσεις) και να τα βρει σε μεγάλες σειρές πρώτων, μη επισημασμένων δεδομένων (μη δομημένα δεδομένα). Μια από τις πρώτες σημαντικές επιδείξεις της βαθιάς μάθησης ήταν ένα πρόγραμμα που επέλεξε με επιτυχία εικόνες από γάτες από σύνολα βίντεο του YouTube.
Παραδείγματα βαθιάς εκμάθησης στην καθημερινή ζωή
Η βαθιά εκμάθηση δεν χρησιμοποιείται μόνο στην αναγνώριση εικόνων, αλλά και στη μετάφραση των γλωσσών, στην ανίχνευση απάτης και στην ανάλυση δεδομένων που συλλέγονται από εταιρείες σχετικά με τους πελάτες τους. Για παράδειγμα, το Netflix χρησιμοποιεί βαθιά εκμάθηση για να αναλύσει τις συνήθειες προβολής και να προβλέψει τις εκπομπές και τις ταινίες που προτιμάτε να παρακολουθήσετε. Αυτός είναι ο τρόπος με τον οποίο η Netflix ξέρει να τοποθετεί ταινίες δράσης και ντοκιμαντέρ φύσης στην ουρά προτάσεων σας. Η Amazon χρησιμοποιεί βαθιά εκμάθηση για να αναλύσει τις πρόσφατες αγορές σας και τα αντικείμενα που αναζητήσατε πρόσφατα για να δημιουργήσετε προτάσεις για τα νέα λευκώματα μουσικής χώρας που πιθανότατα θα σας ενδιαφέρει και ότι είστε στην αγορά για ένα ζευγάρι γκρι και κίτρινο τένις παπούτσια. Δεδομένου ότι η βαθιά μάθηση παρέχει όλο και περισσότερη εικόνα από αδόμητα και ανεπεξέργαστα δεδομένα, οι εταιρίες μπορούν να προβλέψουν καλύτερα τις ανάγκες των πελατών τους, ενώ εσείς, ο πελάτης σας, παίρνει πιο εξατομικευμένη εξυπηρέτηση πελατών.
Τεχνητά νευρικά δίκτυα και βαθιά μάθηση
Για να γίνει ευκολότερη η κατανόηση της βαθιάς μάθησης, επανεξετάζουμε τη σύγκριση ενός τεχνητού νευρικού δικτύου (ANN). Για βαθιά εκμάθηση, φανταστείτε ότι το κτίριο γραφείων μας των 15 ιστοριών καταλαμβάνει ένα αστικό συγκρότημα με πέντε άλλα κτίρια γραφείων. Υπάρχουν τρία κτίρια σε κάθε πλευρά του δρόμου. Το κτίριο μας είναι κτίριο Α και μοιράζεται την ίδια πλευρά του δρόμου με τα κτίρια Β και Γ. Απέναντι από το κτίριο Α είναι κτίριο 1 και απέναντι από το κτίριο Β κτίζεται 2 κ.ο.κ. Κάθε κτίριο έχει διαφορετικό αριθμό ορόφων, είναι κατασκευασμένο από διαφορετικά υλικά και έχει διαφορετικό αρχιτεκτονικό στυλ από τους άλλους. Ωστόσο, κάθε κτίριο είναι ακόμη διατεταγμένο σε ξεχωριστούς ορόφους (στρώματα) γραφείων (κόμβων) -όπως κάθε κτίριο είναι ένα μοναδικό ANN.
Φανταστείτε ότι ένα ψηφιακό πακέτο φτάνει στο κτίριο Α, το οποίο περιέχει πολλά διαφορετικά είδη πληροφοριών από πολλαπλές πηγές, όπως δεδομένα κειμένου, ροές βίντεο, ροές ήχου, τηλεφωνικές κλήσεις, ραδιοκύματα και φωτογραφίες - ωστόσο, φτάνει σε ένα μεγάλο μπέρδεμα και δεν έχει επισημανθεί ή ταξινομηθεί με λογικό τρόπο (μη δομημένα δεδομένα). Οι πληροφορίες αποστέλλονται σε κάθε όροφο από 1ης έως 15ης για επεξεργασία. Αφού το μπρελόκ πληροφόρησης φτάσει στον 15ο όροφο (έξοδος), αποστέλλεται στον 1ο όροφο (είσοδος) του κτιρίου 3 μαζί με το τελικό αποτέλεσμα επεξεργασίας από το κτίριο A. Το κτήριο 3 μαθαίνει από και ενσωματώνει το αποτέλεσμα που στέλνεται από το κτίριο Α και τότε επεξεργάζεται το μπέρδεμα πληροφοριών σε κάθε όροφο με τον ίδιο τρόπο. Όταν οι πληροφορίες φτάσουν στον τελευταίο όροφο του κτιρίου 3, αποστέλλονται από εκεί με τα αποτελέσματα του κτιρίου στο κτίριο 1. Το κτίριο 1 μαθαίνει από και ενσωματώνει τα αποτελέσματα από το κτίριο 3 πριν την επεξεργασία του στο πάτωμα. Το κτήριο 1 διαβιβάζει τις πληροφορίες και τα αποτελέσματα με τον ίδιο τρόπο στην κατασκευή του C, το οποίο επεξεργάζεται και στέλνει στο κτήριο 2, το οποίο επεξεργάζεται και στέλνει στο κτίριο B.
Κάθε ANN (κτίριο) στο παράδειγμά μας αναζητά ένα διαφορετικό χαρακτηριστικό στα μη δομημένα δεδομένα (ζόμπι πληροφοριών) και διαβιβάζει τα αποτελέσματα στο επόμενο κτίριο. Το επόμενο κτίριο ενσωματώνει (μαθαίνει) την έξοδο (αποτελέσματα) από την προηγούμενη. Δεδομένου ότι τα δεδομένα επεξεργάζονται από κάθε ANN (κτίριο), γίνεται οργανωμένη και χαρακτηρισμένη (ταξινομημένη) από ένα συγκεκριμένο χαρακτηριστικό, έτσι ώστε όταν τα δεδομένα φθάνουν στην τελική έξοδο (τελευταίο όροφο) του τελευταίου ANN (κτίριο), ταξινομείται και επισημαίνεται (πιο δομημένη).
Τεχνητή Νοημοσύνη, Μηχανική Μάθηση και Βαθιά Μάθηση
Πώς εντάσσεται η βαθιά μάθηση στη συνολική εικόνα της τεχνητής νοημοσύνης (AI) και του ML; Η βαθιά εκμάθηση ενισχύει τη δύναμη του ML και αυξάνει το εύρος των εργασιών που μπορεί να εκτελέσει το AI. Επειδή η βαθιά εκμάθηση βασίζεται στη χρήση νευρωνικών δικτύων και στην αναγνώριση χαρακτηριστικών μέσα σε σύνολα δεδομένων αντί για απλούστερους αλγόριθμους που σχετίζονται με συγκεκριμένες εργασίες, μπορεί να βρει και να χρησιμοποιήσει λεπτομέρειες από αδόμητα δεδομένα χωρίς την ανάγκη ενός προγραμματιστή να επισημάνει με το χέρι την πρώτη φορά -η κατανάλωση ενέργειας που μπορεί να εισάγει σφάλματα. Η βαθιά εκμάθηση βοηθά τους υπολογιστές να βελτιώσουν και να βελτιώσουν τη χρήση των δεδομένων για να βοηθήσουν τόσο τις εταιρείες όσο και τα άτομα.