Ono što treba znati o evoluciji veštačke inteligencije
Duboko učenje je moćan oblik mašinskog učenja (ML) koji gradi složene matematičke strukture koje se zovu neuronske mreže koje koriste ogromne količine podataka (informacija).
Definicija dubokog učenja
Duboko učenje je način implementacije ML koristeći više slojeva neuronskih mreža za obradu složenijih tipova podataka. Ponekad se naziva hijerarhijsko učenje, duboko učenje koristi različite vrste neuronskih mreža za učenje funkcija (takođe nazvanih reprezentacija) i pronađe ih u velikim skupovima sirovih, neobeleženih podataka (nestrukturiranih podataka). Jedna od prvih probnih demonstracija dubokog učenja bila je program koji je uspešno odabrao slike mačaka iz skupova YouTube video snimaka.
Primeri dubokog učenja u svakodnevnom životu
Duboko učenje se ne koristi samo u prepoznavanju slike, već i na prevođenju jezika, otkrivanju prevare i analizi podataka koje kompanije prikupljaju o svojim kupcima. Na primer, Netflix koristi duboko učenje da analizira vaše navike gledanja i predvidi koje emisije i filmove želite da gledate. Tako Netflix zna da stavlja akcijske filmove i dokumente o prirodu u vaš red čula. Amazon koristi duboko učenje za analizu nedavnih kupovina i predmeta koje ste nedavno tražili da biste kreirali predloge za nove muzičke albume u zemlji za koje ćete verovatno biti zainteresovani i da ste na tržištu za par sivih i žutih tenisa cipele. Kako duboko učenje pruža sve više uvida iz nestrukturiranih i neobrađenih podataka, korporacije mogu bolje predvidjeti potrebe svojih kupaca dok vi, pojedini kupci dobijaju osobniji servis za kupce.
Veštačke neuronske mreže i dubinsko učenje
Da bismo lakše razumjeli duboko učenje, hajde da ponovo uporedimo našu poređenje veštačke neuronske mreže (ANN). Za duboko učenje zamislite našu poslovnu zgradu od 15 sprata zauzima gradski blok sa pet drugih poslovnih zgrada. Na svakoj strani ulice nalaze se tri zgrade. Naša zgrada gradi A i deli istu stranu ulice kao zgrade B i C. U ulici od zgrade A gradi se 1, a preko puta zgrade B se gradi 2 i tako dalje. Svaka zgrada ima različit broj spratova, napravljena je od različitih materijala i ima drugačiji arhitektonski stil od ostalih. Međutim, svaka zgrada je još uvijek uređena na zasebnim podovima (slojevima) kancelarija (čvorova) -da je svaka zgrada jedinstvena ANN.
Zamislite da digitalni paket stigne u zgradu A, koji sadrži mnoštvo različitih vrsta informacija iz više izvora kao što su tekstualni podaci, video streamovi, audio streamovi, telefonski pozivi, radio talasi i fotografije - međutim, dolazi u jednom velikom skokljujućem i nije etiketiran ili sortiran na bilo koji logičan način (nestrukturirani podaci). Informacije se šalju na svakom spratu od 1. do 15. godine za obradu. Nakon što informativni skok dođe do 15. sprata (izlaz), on se šalje na 1. sprat (ulaz) zgrade 3 zajedno sa završnim rezultatom obrade iz zgrade A. Zgrada 3 saznaje i uključuje rezultat poslao objekta A i zatim obrađuje informacioni skok kroz svaki sprat na isti način. Kada informacija dođe do gornjeg sprata zgrade 3, upućuje se odatle sa rezultatima te zgrade u zgradu 1. Zgrada 1 saznaje i uključuje rezultate iz zgrade 3 pre nego što ih obradi podnim putem. Zgrada 1 prenosi informacije i rezultate na isti način izgradnje C, koja obrađuje i šalje zgradu 2, koja obrađuje i šalje objekat B.
Svaki ANN (izgradnja) u našem primjeru traži drugačiju osobinu u nestrukturiranim podacima (skakanje informacija) i dodaje rezultate u sljedeću zgradu. Sledeća zgrada uključuje (uči) izlaz (rezultate) iz prethodnog. S obzirom da se podaci obrađuju od strane svakog ANN-a (zgrade), organizuje se i obilježava (klasifikuje) određenom osobinom tako da kada podaci dostignu završni rezultat (gornji sprat) poslednjeg ANN-a (zgrade), taj je klasifikovan i označen (više struktuiran).
Veštačka inteligencija, mašinsko učenje i dubinsko učenje
Kako se duboko učenje uklapa u ukupnu sliku veštačke inteligencije (AI) i ML? Duboko učenje povećava snagu ML i povećava niz zadataka AI je sposoban da izvodi. Zbog toga što se duboko učenje oslanja na korišćenje mrežnih mreža i prepoznaje karakteristike unutar skupova podataka umesto jednostavnih algoritama specifičnih za zadatke, može pronaći i koristiti detalje iz nestrukturiranih (sirovih) podataka bez potrebe programera da ga ručno etikuje prvi put zadatak koji može dovesti do grešaka. Duboko učenje pomaže računarima da se bolje i bolje koriste podatke kako bi pomogli korporacijama i pojedincima.