Kion vi bezonas scii pri la evoluo de artefarita inteligenteco
Profunda lernado estas potenca formo de maŝina lernado (ML), kiu konstruas kompleksajn matematikajn strukturojn nomitajn neŭrajn retojn uzante grandajn kvantojn da datumoj (informoj).
Profunda Lernado-Difino
Profunda lernado estas maniero efektivigi ML uzante multoblajn tavolojn de neŭraj retoj por procesi pli kompleksajn tipojn de datumoj. Kelkfoje nomata hierarkia lernado, profunda lernado uzas malsamajn tipojn de neŭlaj retoj por lerni trajtojn (ankaŭ nomitajn reprezentojn) kaj trovi ilin en grandaj aroj de krudaj, neblasitaj datumoj (nestrukturitaj datumoj). Unu el la unuaj progresoj de profunda lernado estis programo, kiu sukcese elektis bildojn de katoj el aroj de YouTube-videoj.
Profunda Lernado Ekzemploj en Ĉiutaga Vivo
Profunda lernado ne nur estas uzata en bildo rekono, sed ankaŭ lingva tradukado, fraŭdo detekto, kaj analizi datumojn kolektitajn de kompanioj pri siaj klientoj. Ekzemple, Netflix uzas profundan lernadon por analizi viajn vidajn kutimojn kaj antaŭdiri, kiujn montras kaj filmoj, kiujn vi preferas rigardi. Tiel kiel Netflix scias meti filmojn kaj naturajn dokumentaĵojn en via sugesto-kosto. Amazono uzas profundan lernadon por analizi viajn lastajn aĉetojn kaj artikolojn, kiujn vi ĵus serĉis krei sugestojn por la novaj muzikaj albumoj, kiujn vi eble interesiĝas kaj ke vi estas en la merkato por paro da griza kaj flava teniso ŝuoj. Kiel profunda lernado provizas pli kaj pli da kompreno de senstruktaj kaj krudaj datumoj, korporacioj povas pli bone anticipi la bezonojn de siaj klientoj dum vi, la individua kliento ricevas pli personecigitan klientan servon.
Artefaritaj Neŭraj Retoj kaj Profunda Lernado
Por profunde lerni pli facile kompreni, ni revizias nian komparon de artefarita neŭra reto (ANN). Por profunda lernado, imagu, ke nia konstruaĵo de 15 etaĝoj okupas urbon-blokon kun kvin aliaj oficejoj. Estas tri konstruaĵoj sur ĉiu flanko de la strato. Nia konstruaĵo konstruas A kaj dividas la saman flankon de la strato kiel konstruaĵoj B kaj C. Tra la strato de konstruado A konstruas 1, kaj trans konstruado B konstruas 2, kaj tiel plu. Ĉiu konstruaĵo havas malsaman numeron de etaĝoj, fariĝas el diversaj materialoj kaj havas malsaman arkitekturan stilon de la aliaj. Tamen, ĉiu konstruaĵo estas ankoraŭ aranĝita en apartaj etaĝoj (tavoloj) de oficejoj (nodoj) -so ĉiu konstruaĵo estas unika ANN.
Imagu, ke cifereca pako alvenas al konstruado A, enhavanta multajn malsamajn specojn de informoj de diversaj fontoj kiel teksto bazitaj en teksto, videoludoj, aŭdovoj, telefonaj alvokoj, radiaj ondoj kaj fotoj - tamen ĝi alvenas en unu grandan ŝercon kaj ne estas etikedita aŭ ordigita laŭ neniu logika maniero (nestrukturita datumo). La informo estas sendita tra ĉiu etaĝo en ordo de 1- a ĝis 15- a por prilaborado. Post kiam la informpaŝado atingas la 15- a etaĝon (eligo), ĝi estas sendita al la 1- a etaĝo (enigo) de konstruado 3 kune kun la fina pretiga rezulto de konstruaĵo A. Konstruaĵo 3 lernas de kaj korpigas la rezulton senditan de konstruado Al kaj tiam procesas la informoj malpurigi tra ĉiu etaĝo de la sama maniero. Kiam la informo atingas la superan etaĝon de konstruaĵo 3, ĝi estas sendita de tie kun la rezultoj de tiu konstruaĵo al konstruado 1. Konstruaĵo 1 lernas de kaj korpigas la rezultojn de konstruado 3 antaŭ prilaborado de etaĝo. Konstruaĵo 1 preterpasas la informojn kaj rezultojn de la sama maniero konstrui C, kiu procesas kaj sendas al konstruado 2, kiu procesas kaj sendas al konstruado B.
Ĉiu ANN (konstruaĵo) en nia ekzemplo serĉas malsaman trajton en la nestrukturita datumo kaj pasas la rezultojn al la sekva konstruaĵo. La sekva konstruaĵo korpigas la eliron (rezultojn) de la antaŭa. Ĉar la datumo estas procesita de ĉiu ANN (konstruaĵo), ĝi estas organizita kaj etikedita (klasifikita) per aparta trajto tiel ke kiam la datumoj atingas la finan eliron (supran etaĝon) de la lasta ANN (konstruaĵo), ĝi estas klasifikita kaj etikedita (pli strukturita).
Artefarita Inteligenteco, Maŝinlernado kaj Profunda Lernado
Kiel profunda lernado taŭgas en la ĝenerala bildo de artefarita inteligenteco (AI) kaj ML? Profunda lernado plibonigas la potencon de ML kaj pliigas la gamon de taskoj AI kapablas plenumi. Ĉar profunda lernado dependas de la uzo de neŭraj retoj kaj agnoskas trajtojn ene de datumaj aroj anstataŭ simplaj taskoj-specifaj algoritmoj , ĝi povas trovi kaj uzi detalojn de nestrukturitaj (krudaj) datumoj sen neceso de programisto por etikedi ĝin unue -konsumanta taskon, kiu povas enkonduki erarojn. Profunda lernado helpas komputilojn plibonigi kaj pli bone uzi datumojn por helpi ambaŭ kompaniojn kaj individuojn.