Dyb læring: hvad er det, og hvordan er det relateret til maskinlæring?

Fortsætter vi et par artikler, som vi har lavet, vil vi her tale om, hvad Deep Learning er og dens forhold til Machine Learning . Begge udtryk bliver stadig vigtigere i det samfund, vi lever i, og det vil være nyttigt at vide, hvad der omgiver os.

Indholdsindeks

Hvad er dyb læring ?

Deep Learning er en undergruppe af teknikker, der blev født omkring 2000'erne som et resultat af Machine Learning . Af denne grund bør vi klassificere det som en af ​​dets grene og igen være en del af datalogi.

Disse systemer er mere autonome end deres ældre søskende, selvom deres struktur også er betydeligt mere kompleks. Dette giver dem en klar fordel, når de udfører forskellige typer opgaver, hvor de udfører det samme eller bedre arbejde end andre systemer med Machine Learning algoritmer .

Der er også andre værker, hvor Deep Learning skiller sig ud over sin forgænger. Et af de mest berygtede tilfælde er AlphaGo- stil kunstig intelligens , Google 's intelligens, der er i stand til at besejre verdensmesteren i Go .

Det lyder måske lidt kinesisk for dig, men Go er et meget berømt spil og også meget krævende. For at sætte det i en sammenhæng hævder matematikere eftertrykkeligt, at denne hobby er betydeligt mere kompliceret end skak.

På den anden side er Deep Learning tæt knyttet til Big Data, da disse store informationskilder kan bruges til at lære og konsolidere erfaringer. Takket være den situation, vi er i, er miljøet for spredning og udvikling af denne teknologi desuden perfekt til tre nøglepunkter:

1. Den store ophobning af data, da med de værktøjer, vi har i dag, kan data indhentes og gemmes fra næsten enhver. Den grad af teknologi vi befinder os i, da komponenterne er gode til samlet at tilbyde betydelig strøm. Virksomhedernes ønske om at forbedre deres metoder, da flere og flere virksomheder, der drager fordel af de to foregående point, satser på kunstig intelligens . Hvis din virksomhed har gemt data fra tusinder af kunder, og teknologi giver dig muligheden for at lære af dem og bruge dem, er det et sikkert spil.

Strukturen i Deep Learning

På trods af at der er en udvikling, der ligner Machine Learning , har dette sæt algoritmer nogle nukleare forskelle. Det vigtigste er sandsynligvis dens interne struktur, det vil sige den kode, der udgør dens algoritme.

Generel idé om Deep Learning

Som du kan se på billedet, er Deep Learning tæt knyttet til neurale netværk. Dette koncept er ikke nyt, men det har ikke været sammen med os i lang tid, så du ved muligvis ikke det.

For at forenkle det kunne vi definere et neuralt netværk som et sæt algoritmer (hver kaldet et lag), der behandler og transmitterer information. Hvert lag modtager inputværdier og returnerer outputværdier, og når det passerer gennem hele netværket, returneres en endelig resulterende værdi. Alt dette sker sekventielt, normalt, hvor hvert lag har en anden vægt, afhængigt af det ønskede resultat.

Her viser vi dig en kort video (på engelsk) om kunstig intelligens, der lærer at spille Super Mario World :

Og du spekulerer måske på, "Hvorfor er al denne metode så indviklet?" . Bestemt dyb læring hører stadig til det, vi kalder svag kunstig intelligens , men det er muligvis det første skridt mod stærk.

Denne metode er løst inspireret af, hvordan en hjerne fungerer. Ligesom hvad vi ser i den "fysiske verden" , danner systemer lag, og hvert lag fungerer på en lignende måde som en neuron. På denne måde forholder lagene sig til hinanden, deler information, og det vigtigste er, at alt foregår autonomt.

Meget forenklet skema over, hvordan Deep Learning fungerer

Efter denne regel er de mest komplette intelligenser normalt de, der har flere lag og mere sofistikerede algoritmer.

Hvordan fungerer kunstig intelligens med denne algoritme?

Hvis du har set vores tidligere artikler om emnet, vil du allerede have set dette gif. Her kan du se vores artikel om kunstig intelligens, og her kan du læse lidt om maskinlæring .

men vi viser dig en sidste gang.

Dette billede reflekterer godt og meget enkelt, hvordan en intelligens, der bruger neurale netværk, ville fungere. Som du kan se, er hans job enkel: klassificere billeder og lær at opdage hunde på de forskellige fotos, der sendes til ham.

Hvert billede begynder med at indtaste inputfeeden, det vil sige inputlaget, hvor de første beregninger allerede ville begynde. De opnåede resultater vil blive delt til det andet lag eller neuron, og det informeres åbenbart, hvilken neuron der har foretaget denne beregning. Denne proces gentages så mange gange som lag, som vores system har, indtil vi når den sidste.

Den sidste neuron navngives som outputlaget og er den, der i dette eksempel viser resultatet. I andre tilfælde ender outputlaget med at udføre den beregnede handling. Hvis vi sætter formlen i at skulle handle så hurtigt som muligt (som i videospil) , skal resultatet være næsten øjeblikkeligt. Takket være det teknologiske punkt, vi er ved, er dette imidlertid allerede muligt.

Et af de klareste eksempler på dette er AlphaStar kunstig intelligens, en anden oprettelse af Google selv.

Google Deepmind kunstig intelligens

Vi har fortalt dig om AlphaGo , en AI, der er i stand til at kæmpe imod de bedste Go- spillere i verden. Denne har dog yngre søskende, der er i stand til at opnå nogle ret imponerende milepæle.

AlphaZero

Denne intelligens lærte på kun 24 timer et overmenneskeligt niveau af skak, shoji og gå, som han vandt adskillige berømte spillere med. På listen over besejrede modstandere pegede han også på AlphaGo Zero- versionen af ​​3 dages oplevelse, noget virkelig utroligt. Her kommer hastigheden i at lære denne kunstige intelligens ud .

Mest imponerende af alt havde holdet ikke adgang til at lære bøger eller databaser, så alle deres taktikker blev lært med praksis.

I et andet af sine møder stod han overfor Stockfish , et veteran-automatiseret open source-program, der spiller skak. På kun fire timer blev det domineret af AlphaZero.

Det skal bemærkes, at selvom dette først beregner ca. 70 millioner bevægelser, tager AlphaZero i skak kun højde for 80.000 forskellige udgange. Forskellen i forudsigelser blev opvejet af meget bedre vurdering af, hvad der ville være lovende skuespil.

Med demonstrationer af kraft som denne kan vi se kraften i den nye kunstige intelligens .

AlphaStar

På den anden side er AlphaStar en AI, der i dag er i stand til at spille RTS Starcraft II (Real Time Strategy, på spansk).

På tidspunktet for sin demo kæmpede AlphaStar adskillige professionelle spillere i de midterste vinder ti kampe i træk og tabte kun den sidste.

I modsætning til skak eller gå, er Starcraft II en matchup i realtid, så hvert sekund skal du gøre ting. På grund af dette kan vi se, at den nuværende teknologi er i stand til at opretholde disse frenetiske rytmer til beregning og beslutning.

Hvad angår forberedelsen af intelligensen , havde han for datoer for live-testen omkring 200 års erfaring med at træne kun med protos (et af de tilgængelige løb) . Det blev også trænet, så det kun kunne udføre handlinger, hvis det havde kameraet fysisk på enheden, og således assimilerede mere til, hvordan en person ville spille.

På trods af at have disse handicap lykkedes det AlphaStar at slå de fleste af deres møder ved hjælp af en forladt taktik på den konkurrencedygtige side af spillet. Et punkt at bemærke er, at AlphaStar normalt holder APM'er (handlinger pr. Minut) lave, så dens beslutninger er meget effektive.

Gennemsnitlige handlinger pr. Minut udført af AI og af en professionel spiller

Når situationen kræver det, demonstrerer han imidlertid overmenneskelig kontrol over enheder bogstaveligt talt ved let at bryde disken.

Her kan du se en af ​​hans demonstrationer fuldt ud:

Kunstig intelligens fremtid

Vi har allerede talt om dette emne, så vi vil ikke gentage den samme tale for meget. Hvad der skal fremhæves er de mulige fremtider, der venter Deep Learning .

Ifølge Andrew Yan-Tak Ng, en velkendt ekspert inden for kunstig intelligens, er Deep Learning et godt skridt hen imod fremtidens intelligens . I modsætning til andre undervisningsmetoder er denne en markant mere effektiv, når vi øger dataprøven.

VI ANBEFALER dig BABAHU X1: AI-tandbørsten er nu tilgængelig

Den næste dias hører til hans præsentation "Hvad information forskere skal vide om dyb læring . " Hvis du er interesseret, kan du se det på dette link.

Ikke forgæves, udviklingen af ​​teknologi er ikke stoppet. Hvert år har vi mere kraftfulde komponenter, så vi har mere og mere gårdhave at teste. Som det skete med gamle AI'er og maskinlæring, vises nye algoritmer, metoder og systemer og erstatter nutidens innovative Deep Learning .

Som du kan forestille dig, takkes fremtiden af semi-intelligente maskiner.

Som vi påpegede i andre artikler, vil de fleste elektroniske enheder have (nogle indeholder dem allerede) Support intelligence . En meget bemærkelsesværdig sag er intelligensen, der hjælper med at tage fotos i bedre kvalitet.

Men et punkt, hvor denne teknologi kan blomstre for de fleste brugere, er IoT (Internet of Things, på spansk).

Tingenes Internet

Dette udtryk har mere og mere vægt på konferencerne om teknologi og computing og søger at konsolidere sig selv nu, hvor vi har midlerne.

Ideen er, at husholdningsapparater, elektriske apparater og andre er identificerbare genstande, de kan kommunikere med hinanden og desuden kontrolleres med en enhed. På denne måde kan vi tælle, hvilke objekter der findes et sted, hvor de er, interagere med dem og alt dette fra mobilen. Ligeledes kunne objekterne også interagere med hinanden, og hvis en mad f.eks. Udløber, ville køleskabet måske kunne fortælle dig, når du åbner den.

På den anden side bør kunstig intelligens være i stand til at overvåge husholdningsapparats status og ydeevne. Med dette kunne du oprette en elektricitetsplan og optimere den anvendte energi.

Imidlertid er et relevant punkt, der fortsat er for os at forbedre, Internetsikkerhed . Det er noget, der stadig ikke synes at lide meget chikane, men vi ved alle, at det vil være vigtigt, hvis vi ønsker, at det skal være en sikker service.

Det er en lidt abstrakt idé, men når den invaderer vores liv, vil du blive bekendt.

Betydningen af ​​nye teknologier og Deep Learning

Det er uundgåeligt at tro, at computing og kunstig intelligens vil forme en stor del af fremtiden, der venter os. Derfor er det vigtigt at altid være halvt opmærksom på, hvad der sker i verden, der styres af bits.

Med den ånd i tankerne kan vi allerede se, hvordan forskellige grader, kurser og grader vises, der lærer disse emner i dybden. For eksempel er der vist nogle datateknikker, andre grader på Big Data og, klart, kurser i Deep Learning og kunstig intelligens .

Af samme grund opfordrer vi dig til at undersøge emnet. Internettet med sine plusser og minus er endnu ikke autonomt, heller ikke perfekt eller rigtig sikkert, men det er en næsten ubegrænset kilde til viden. Med enhver held vil du finde et sted at lære, og du kan gå i gang med et nyt sprog eller rettere sagt en ny verden.

Da Machine Learning er en lidt lettere disciplin , er der programmer, der giver dig mulighed for at rod med dataene lidt. Hvis du er interesseret i at lære lidt mere om emnet og kontrollere dig selv / grænserne for denne teknologi, kan du besøge IBM Watson Developer Cloud eller Amazon Machine Learning. Vi advarer dig: Du bliver nødt til at oprette en konto, og det vil ikke være en nem måde at lære, men måske en dag vil det hjælpe dig med at nå store mål.

Herudover er ideenes verden, så alt er i dine hænder. Og hvad synes du om de nye teknologier i forbindelse med kunstig intelligens? Hvilke andre Deep Learning- applikationer kender du eller vil du se? Del dine ideer i boksen nedenfor.

Kilde Forretningsblog Tænk BigXatakaMachine Learning Mastery