הדרכות

למידה עמוקה: מה זה ואיך זה קשור ללמידה מכונה?

תוכן עניינים:

Anonim

המשך מספר מאמרים שעשינו, כאן נדבר על מהי למידה עמוקה ועל הקשר שלה עם למידת מכונה . שני המונחים חשובים יותר ויותר בחברה בה אנו חיים ועזר יהיה לדעת מה מקיף אותנו.

מדד התוכן

מהי למידה עמוקה ?

למידה עמוקה היא תת-קבוצה של טכניקות שנולדו בסביבות שנות האלפיים כתוצאה מלימוד מכונות . מסיבה זו, עלינו לסווג אותה כאחד מענפיו, ולהיות בתור חלק ממדעי המחשב.

מערכות אלה אוטונומיות יותר מאחיהן הגדולות, אם כי גם המבנה שלהן מורכב במידה ניכרת. זה נותן להם יתרון ברור בעת ביצוע סוגים שונים של משימות שבהם הם מבצעים את אותה עבודה או טובה יותר מאשר מערכות אחרות עם אלגוריתמים של Machine Learning.

כמו כן, ישנן עבודות אחרות בהן עמוק למידה בולט על פני קודמתה. אחד המקרים הידועים לשמצה ביותר הוא בינה מלאכותית בסגנון AlphaGo, האינטיליגנציה של גוגל המסוגלת להביס את אלופת העולם בגו .

אולי זה נשמע לכם קצת סיני, אבל גו הוא משחק מפורסם מאוד וגם, מאוד תובעני. בכדי לשים את זה בהקשר, מתמטיקאים טוענים בנחרצות כי התחביב הזה מורכב משמעותית משחמט.

מצד שני, למידה עמוקה קשורה קשר הדוק לביג דאטה, שכן ניתן להשתמש במקורות מידע מעולים אלה כדי ללמוד ולגבש חוויה. יתר על כן, הודות למצב בו אנו נמצאים, הסביבה להתפשטות ופיתוח טכנולוגיה זו מושלמת לשלוש נקודות מפתח:

  1. הצטברות הנתונים הגדולה, מכיוון שעם הכלים שיש לנו כיום, ניתן להשיג ולאחסן נתונים כמעט מכל אחד אחר. מידת הטכנולוגיה בה אנו נמצאים, מכיוון שהמרכיבים טובים להציע ביחד כוח רב. הרצון של חברות לשפר את המתודולוגיות שלהן, שכן, תוך ניצול שתי הנקודות הקודמות, יותר ויותר חברות מהמרות על בינה מלאכותית . אם החברה שלך שמרה נתונים מאלפי לקוחות והטכנולוגיה נותנת לך את האפשרות ללמוד מהם ולהשתמש בהם, זה הימור בטוח.

מבנה הלמידה העמוקה

למרות התפתחות דומה למדי למידת מכונה , בקבוצת האלגוריתמים הזו יש כמה הבדלים גרעיניים. החשוב ביותר הוא ככל הנראה המבנה הפנימי שלו, כלומר הקוד שמרכיב את האלגוריתם שלו.

רעיון כללי על למידה עמוקה

כפי שניתן לראות בתמונה, למידה עמוקה קשורה קשר הדוק לרשתות עצביות. מושג זה אינו חדש, אך הוא לא היה איתנו הרבה זמן, כך שאולי אינך יודע זאת.

כדי לפשט אותה נוכל להגדיר רשת עצבית כמערכת אלגוריתמים (כל אחד נקרא שכבה) המטפלים ומעבירים מידע. כל שכבה מקבלת ערכי קלט ומחזירה ערכי פלט, וכשזו עוברת דרך הרשת כולה, מוחזר ערך סופי שנוצר. כל זה, קורה ברצף, בדרך כלל, כאשר לכל שכבה יש משקל שונה, תלוי בתוצאה הרצויה.

כאן אנו מראים לכם סרטון קצר (באנגלית) על בינה מלאכותית ללימוד משחק סופר מריו וורלד :

ואתה אולי תוהה, "מדוע כל השיטה הזו כל כך מורכבת?" . בהחלט שלמידה עמוקה עדיין שייכת למה שאנו מכנים בינה מלאכותית חלשה , אך יתכן שזה הצעד הראשון לקראת חזקה.

מתודולוגיה זו מעוררת השראה באופן רופף מהאופן בו מוח עובד. בדומה למה שאנו רואים ב"עולם הגופני " , מערכות מהוות שכבות וכל שכבה עובדת באופן דומה לנוירון. באופן זה, השכבות קשורות זו לזו, חולקות מידע והדבר החשוב ביותר הוא שהכל נעשה באופן אוטונומי.

סכמה מאוד מפוענחת של אופן הפעולה של למידה עמוקה

בעקבות כלל זה, האינטליגנציות השלמות ביותר הן, בדרך כלל, כאלו שיש בהן יותר רבדים ואלגוריתמים מתוחכמים יותר.

כיצד בינה מלאכותית עובדת עם האלגוריתם הזה?

אם ראית את המאמרים הקודמים שלנו בנושא, אתה כבר ראית את ה- GIF הזה. כאן תוכלו לראות את המאמר שלנו בנושא בינה מלאכותית וכאן תוכלו לקרוא מעט על למידת מכונה .

אבל נראה לך פעם אחרונה.

תמונה זו משקפת היטב ובפשטות רבה כיצד אינטליגנציה המשתמשת ברשתות עצביות תעבוד. כפי שאתה יכול לראות, תפקידו פשוט: לסווג תמונות ולמד לזהות כלבים בתמונות השונות המועברות אליו.

כל תמונה מתחילה בכניסה להזנת ההזנה, כלומר שכבת הקלט בה כבר התחילו החישובים הראשונים. התוצאות שהתקבלו ישותפו לשכבה השנייה או לנוירון, וככל הנראה, נודע לאיזה נוירון ביצע חישוב זה. תהליך זה חוזר על עצמו פעמים רבות ככל ששכבות יש למערכת שלנו עד שנגיע לתוצאה האחרונה.

הנוירון האחרון נקרא כשכבת הפלט והוא זה שבדוגמה זו מראה את התוצאה. במקרים אחרים, שכבת הפלט בסופו של דבר מבצעת את הפעולה המחושבת. כמו כן, אם נכניס לנוסחה את הצורך לפעול מהר ככל האפשר (כמו במשחקי וידאו) , התוצאה צריכה להיות כמעט מיידית. עם זאת, בזכות הנקודה הטכנולוגית בה אנו נמצאים, הדבר כבר אפשרי.

אחת הדוגמאות המובהקות לכך היא בינה מלאכותית AlphaStar, יצירה אחרת של גוגל עצמה.

בינה מלאכותית של Google Deepmind

סיפרנו לכם על AlphaGo , AI המסוגל להילחם נגד שחקני הגו הטובים בעולם. עם זאת, יש לאחים אחים צעירים יותר המסוגלים להשיג כמה אבני דרך מרשימות למדי.

AlphaZero

האינטליגנציה הזו למדה תוך 24 שעות בלבד רמת על-אנושית של שחמט, שוג'י והליכה איתם זכה במספר שחקנים מפורסמים. כמו כן, ברשימת המתנגדים המובסים הוא הצביע גם על גרסת ה- AlphaGo Zero של 3 ימי ניסיון, משהו ממש מדהים. כאן יוצא מהירות הלמידה של בינה מלאכותית זו.

המרשים מכולם, לצוות לא הייתה גישה לספרי לימוד או מסדי נתונים, ולכן כל הטקטיקות שלהם נלמדו בתרגול.

באחר מפגישותיו התמודד עם סטוקפיש , תוכנית קוד פתוח אוטומטית ותיקה שמשחקת שחמט. עם זאת, תוך ארבע שעות בלבד נשלטה על ידי AlphaZero.

יש לציין כי בעוד שמחשבים לראשונה כ -70 מיליון תנועות, AlphaZero, בשחמט, לוקח רק בחשבון 80 אלף יציאות שונות. ההבדל בתחזיות קוזז על ידי שיקול דעת טוב בהרבה לגבי מה שיהיה מחזות מבטיחים.

בהפגנות כוח כאלה אנו יכולים לראות את כוחה של הבינה המלאכותית החדשה.

אלפאסטאר

מצד שני, AlphaStar הוא AI שכיום הוא מסוגל לשחק RTS Starcraft II (Real Time Strategy, בספרדית).

בזמן ההדגמה שלה, אלפאסטאר נלחמה בכמה שחקנים מקצועיים באמצע שני ניצחה עשרה משחקים ברציפות ורק הפסידה במשחק האחרון.

בניגוד לשחמט או ללכת, Starcraft II הוא שידוך בזמן אמת, כך שכל שנייה אתה צריך לעשות דברים. בשל כך אנו יכולים להציץ כי הטכנולוגיה הנוכחית מסוגלת לשמור על מקצבי החישוב וההחלטה התזזיתיים הללו.

באשר להכנת המודיעין , למועדי המבחן החי היה לו כ- 200 שנות ניסיון באימונים רק עם פרוטו (אחד המירוצים הזמינים) . היא גם הוכשרה כך שתוכל לבצע פעולות רק אם הייתה המצלמה פיזית על היחידה, ובכך להטמיע יותר כיצד אדם ישחק.

עם זאת, למרות הסובלים ממגבלות אלה, AlphaStar הצליחה לנצח את מרבית המפגשים שלהם באמצעות טקטיקה נטושה בצד התחרותי של המשחק. נקודה אחת שיש לשים לב היא כי AlphaStar בדרך כלל שומרת על מכשירי ה- APM (פעולות לדקה) נמוכים, כך שההחלטות שלה יעילות מאוד.

פעולות ממוצעות לדקה המבוצעות על ידי ה- AI ועל ידי שחקן מקצועי

עם זאת, כאשר המצב קורא לכך, הוא מדגים שליטה על אנושית על יחידות, פשוטו כמשמעו, על ידי שבירת הדלפק בקלות.

כאן תוכלו לראות את אחת ההדגמות שלו במלואן:

העתיד של בינה מלאכותית

כבר דיברנו על נושא זה, ולכן לא נחזור על אותה שיחה יותר מדי. מה שיש להדגיש הם העתידיים האפשריים שמחכים למידה עמוקה .

לדברי אנדרו יאן-טאק נג, מומחה ידוע בתחום הבינה המלאכותית, למידה עמוקה היא צעד טוב לקראת מודיעין העתיד. שלא כמו שיטות הוראה אחרות, זו יעילה באופן משמעותי ככל שאנו מגדילים את מדגם הנתונים.

אנו ממליצים לך BABAHU X1: מברשת השיניים של AI זמינה כעת

השקופית הבאה שייכת למצגת שלו "מה על מדעני מידע לדעת על למידה עמוקה . " אם אתם מעוניינים, תוכלו לראות זאת בקישור זה.

לא לשווא, פיתוח הטכנולוגיה לא נפסק. בכל שנה יהיו לנו רכיבים חזקים יותר, כך שיהיה לנו יותר ויותר פטיו לבדוק. כפי שקרה ב- AIs ולמידה מכונה, אלגוריתמים, מתודולוגיות ומערכות חדשות יופיעו ויחליפו את הלמידה העמוקה החדשנית של ימינו.

כמו כן, כפי שאתה יכול לדמיין, העתיד מתמודד עם מכונות אינטליגנטיות למחצה.

כפי שציינו במאמרים אחרים, לרוב המכשירים האלקטרוניים יהיה (חלקם כבר משלבים אותם) מודיעין תומך . מקרה בולט מאוד הוא זה של האינטליגנציות שעוזרות לצלם תמונות באיכות טובה יותר.

עם זאת, נקודה בה טכנולוגיה זו עשויה לפרוח עבור מרבית המשתמשים היא ה- IoT (Internet of Things, בספרדית).

האינטרנט של הדברים

למונח זה יש יותר ויותר משקל בוועידות הטכנולוגיה והמחשוב והוא מבקש לגבש את עצמו כעת כשיש לנו את האמצעים.

הרעיון הוא שמכשירים ביתיים, מוצרי חשמל ואחרים הם חפצים שניתן לזהות, הם יכולים לתקשר זה עם זה ובנוסף, להיות נשלטים על מכשיר. בדרך זו אנו יכולים לספור מה הם האובייקטים הקיימים במקום, היכן שהם נמצאים, לתקשר איתם וכל זה מהנייד. באופן דומה, החפצים יכולים גם לקיים אינטראקציה אחד עם השני, ואם לדוגמא פג תוקף של אוכל, אולי המקרר יוכל לומר לך מתי תפתח אותו.

מצד שני, בינה מלאכותית אמורה להיות מסוגלת לפקח על מצבם וביצועיהם של מכשירי חשמל ביתיים. בעזרת זה תוכלו לקבוע תוכנית חשמל ולייעל את האנרגיה בה נעשה שימוש.

עם זאת, נקודה רלוונטית שנותרה לנו לשפר היא אבטחת האינטרנט . זה משהו שעדיין לא נראה שהוא סובל מהטרדות רבות, אבל כולנו יודעים שזה יהיה חיוני אם נרצה שזה יהיה שירות בטוח.

זהו רעיון מופשט במקצת, אך ככל שהוא יפלוש לחיינו, תוכלו להכיר.

החשיבות של טכנולוגיות חדשות ולמידה עמוקה

לא ניתן להעלות על הדעת לחשוב כי מחשוב ובינה מלאכותית הולכים לעצב הרבה מהעתיד המצפה לנו. לכן חשוב להיות תמיד מודעים למחצה למתרחש בעולם הנשלט על ידי ביטים.

עם הרוח הזו בראש, אנו כבר יכולים לראות כיצד מופיעים דרגות, קורסים ותארים שונים המלמדים נושאים אלה לעומק. לדוגמה, הופיעו כמה הנדסת נתונים, תארים אחרים בנושא ביג דאטה , וברור, קורסים בלימוד עמוק ובינה מלאכותית .

מאותה סיבה אנו קוראים לך לחקור את הנושא. האינטרנט , על יתרונותיו והמינוסים שלו, עדיין אינו אוטונומי, אינו מושלם, ואינו באמת מאובטח, אך הוא מקור ידע כמעט בלתי מוגבל. עם כל מזל, תוכלו למצוא מקום ללמוד ותוכלו לצאת לשפה חדשה, או ליתר דיוק, עולם חדש.

מכיוון שלמידת מכונה היא תחום מעט קל יותר, יש תוכניות שמאפשרות לך להתעסק קצת עם הנתונים. אם אתם מעוניינים ללמוד קצת יותר על הנושא ולבדוק בעצמכם / את גבולות הטכנולוגיה הזו, תוכלו לבקר ב- IBM Watson Developer Cloud או ב- Amazon Machine Learning. אנו מזהירים אותך: תצטרך ליצור חשבון וזו לא תהיה דרך קלה ללמוד, אך אולי יום אחד זה יעזור לך להשיג יעדים גדולים.

מעבר לכאן יש עולם הרעיונות, אז הכל בידיים שלך. ולכם, מה אתם חושבים על הטכנולוגיות החדשות שקשורות לבינה מלאכותית? אילו יישומים אחרים של Deep Learning מכירים או רוצים לראות? שתף את הרעיונות שלך בתיבה למטה.

מקור בלוג עסקי חושב BigXatakaMachine למידה שליטה

הדרכות

בחירת העורכים

Back to top button