Оно што треба да знате о еволуцији вештачке интелигенције
Дубоко учење је моћан облик машинског учења (МЛ) који гради комплексне математичке структуре које се зову неуронске мреже користећи огромне количине података (информација).
Дефиниција дубоког учења
Дубоко учење је начин примене МЛ користећи више слојева неуронских мрежа за обраду сложенијих типова података. Понекад се зове хијерархијско учење, дубоко учење користи различите типове неуронских мрежа за учење функција (такође названих репрезентација) и пронађе их у великим скуповима сирових, необележених података (неструктурираних података). Једна од првих пробних демонстрација дубоког учења била је програм који је успешно одабрао слике мачака из скупова ИоуТубе видео снимака.
Примери дубоког учења у свакодневном животу
Дубоко учење се не користи само у препознавању слике, већ и на превођењу језика, откривању преваре и анализи података које компаније прикупљају о својим купцима. На пример, Нетфлик користи дубоко учење да анализира своје навике гледања и предвиди које емисије и филмове желите да гледате. Тако Нетфлик зна да ставља акцијске филмове и документарне природе у свој ред за сугестију. Амазон користи дубоко учење за анализирање недавних куповина и предмета које сте недавно тражили да бисте креирали предлоге за нове музичке албуме у земљи за које ћете вероватно бити заинтересовани и да сте на тржишту за пар сивих и жутих тениса ципеле. Како дубоко учење пружа све већи увид из неструктурираних и сирових података, корпорације могу боље предвидјети потребе својих купаца, док ви, поједини купци, добијају особнији кориснички сервис.
Вештачке неуронске мреже и дубинско учење
Да бисмо лакше схватили дубинско учење, хајде да пређемо на наше поређење вештачке неуронске мреже (АНН). За дубоко учење замислите нашу пословну зграду од 15 спратова заузима градски блок са пет других пословних зграда. На свакој страни улице постоје три зграде. Наша зграда гради А и дели исту страну улице као и зграде Б и Ц. Преко пута од зграде А се гради 1, а преко пута зграде Б се гради 2 и тако даље. Свака зграда има различит број спратова, направљена је од различитих материјала и има другачији архитектонски стил од осталих. Међутим, свака зграда је још увек уређена на засебним подовима (слојевима) канцеларија (чворова) -да је свака зграда јединствена АНН.
Замислите да дигитални пакет стигне у зграду А, који садржи много различитих врста информација из више извора, као што су текстуални подаци, видео стреамови, аудио стреамови, телефонски позиви, радио таласи и фотографије - међутим, долази у једном великом скоку и није етикетиран или сортиран на било који логичан начин (неструктурирани подаци). Информације се шаљу на сваком спрату од 1. до 15. године за обраду. Након што информациони скок достигне 15. спрат (излаз), он се шаље на 1. спрат (улаз) зграде 3 заједно са завршним резултатом обраде из зграде А. Зграда 3 сазнаје и укључује резултат послао објекта А и затим обрађује информацију на сваком спрату на исти начин. Када информација достигне горњи спрат зграде 3, упућује се одатле са резултатима те зграде у зграду 1. Зграда 1 сазнаје и укључује резултате из зграде 3 пре него што се обради подним путем. Зграда 1 преноси информације и резултате на исти начин изградње Ц, која обрађује и шаље зграду 2, која обрађује и шаље објекат Б.
Сваки АНН (изградња) у нашем примјеру тражи другачију особину у неструктурираним подацима (скок информација) и додаје резултате у сљедећу зграду. Следећа зграда укључује (учи) излаз (резултате) из претходног. Како се подаци обрађују од стране сваког АНН-а (зграде), он се организује и обележава (класификује) одређеном особином, тако да када подаци достигну завршни резултат (горњи спрат) последњег АНН-а (зграде), тај је класификован и означен (више структуиран).
Вештачка интелигенција, машинско учење и дубинско учење
Како се дубинско учење уклапа у укупну слику вештачке интелигенције (АИ) и МЛ? Дубоко учење повећава снагу МЛ и повећава низ задатака АИ је способан да изводи. Због тога што се дубоко учење ослања на коришћење неуронских мрежа и препознавање функција унутар скупова података уместо једноставних алгоритама специфичних за задатке, може пронаћи и користити детаље из неструктуираних (сирови) података без потребе програмера да га ручно етикује први пут задатак који може довести до грешака. Дубоко учење помаже рачунарима да се боље и боље користе податке како би помогли корпорацијама и појединцима.