Çfarë ju duhet të dini rreth evolucionit të inteligjencës artificiale
Të mësuarit e thellë është një formë e fuqishme e të mësuarit të makinës (ML) që ndërton struktura komplekse matematikore të quajtura rrjete nervore duke përdorur sasi të mëdha të të dhënave (informacion).
Përkufizimi i Defektit të Mësimit
Të mësuarit e thellë është një mënyrë për të zbatuar ML duke përdorur shtresa të shumëfishta të rrjeteve nervore për të përpunuar lloje më komplekse të të dhënave. Nganjëherë quhet mësim hierarkik, të mësuarit e thellë përdor lloje të ndryshme të rrjeteve nervore për të mësuar karakteristika (të quajtura edhe përfaqësime) dhe për t'i gjetur ato në grupe të mëdha të të dhënave të papërpunuara, të pa-shënuara (të dhëna të pastrukturuara). Një nga demonstratat e para të mësimit të thellë ishte një program që zgjodhi me sukses imazhet e macëve nga grupet e videos në YouTube.
Shembuj të mësuar të thellë në jetën e përditshme
Të mësuarit e thellë nuk përdoret vetëm në njohjen e imazhit, por edhe në përkthimin e gjuhës, në zbulimin e mashtrimit dhe në analizimin e të dhënave të mbledhura nga kompanitë për klientët e tyre. Për shembull, Netflix përdor të mësuarit e thellë për të analizuar zakonet tuaja të shikimit dhe për të parashikuar cilat shfaqje dhe filmat që preferoni të shikoni. Kjo është mënyra se si Netflix e di për të vënë filma të veprimit dhe dokumentarë të natyrës në radhën e sugjerimit tuaj. Amazon përdor të mësuarit e thellë për të analizuar blerjet dhe artikujt e kohëve të fundit që keni kërkuar për të krijuar sugjerime për albumet e reja muzikore të vendit ku mund të jeni të interesuar dhe që jeni në treg për një palë tenisi gri dhe të verdhë këpucë. Ndërsa të mësuarit e thellë siguron gjithnjë e më shumë njohuri nga të dhënat e strukturuara dhe të papërpunuara, korporatat mund të parashikojnë më mirë nevojat e klientëve të tyre derisa ju, klienti individual merr më shumë shërbime të personalizuara të klientëve.
Rrjetet artificiale nervore dhe të mësuarit e thellë
Për të kuptuar më mirë të mësuarit e thellë, le të rishikojmë krahasimin tonë të një rrjeti artificial nervor (ANN). Për të mësuarit e thellë, imagjinoni se ndërtesa e zyrave tona prej 15 katësh zë një bllok qyteti me pesë ndërtesa të tjera të zyrave. Ka tre ndërtesa në çdo anë të rrugës. Ndërtesa jonë po ndërton një A dhe ndan të njëjtën anë të rrugës si ndërtesat B dhe C. Nëpër rrugë nga ndërtesa A është ndërtesa 1, dhe në anën tjetër nga ndërtesa B po ndërton 2, dhe kështu me radhë. Çdo ndërtesë ka një numër të ndryshëm katesh, është bërë nga materiale të ndryshme dhe ka një stil të ndryshëm arkitekturor nga të tjerët. Sidoqoftë, çdo ndërtesë është e rregulluar ende në kate të veçanta (shtresa) të zyrave (nyjeve) -se secila ndërtesë është një ANN-un.
Imagjinoni që një paketë dixhitale të arrijë në ndërtimin e A, që përmban shumë lloje të ndryshme të informacionit nga burime të shumta, si të dhëna me tekst, video streams, transmetime audio, telefonata, valë radio dhe fotografi. Megjithatë, ai arrin në një grumbull të madh dhe nuk është etiketuar apo renditur në asnjë mënyrë logjike (të dhënat e pastrukturuara). Informacioni është dërguar përmes secilës kat në mënyrë që nga 1 deri në 15 për përpunim. Pas grumbullimit të informacionit arrin në katin e 15-të (dalje), ajo dergohet në katin e parë (hyrje) të ndërtesës 3 së bashku me rezultatin përfundimtar të përpunimit nga ndërtesa A. Ndërtesa 3 mëson nga dhe përfshin rezultatin e dërguar nga ndërtesa A dhe pastaj përpunon grumbullimin e informacionit nëpër çdo kat në të njëjtën mënyrë. Kur informacioni arrin në katin e fundit të ndërtesës 3, ajo dërgohet nga atje me rezultatet e ndërtesës në ndërtim 1. Ndërtesa 1 mëson nga dhe përfshin rezultatet e ndërtesës 3 përpara se të përpunojë atë nga dyshemeja. Ndërtesa 1 kalon informacionin dhe rezultatet në të njëjtën mënyrë për ndërtimin e C, i cili përpunon dhe dërgon në ndërtimin 2, i cili përpunon dhe dërgon në ndërtesën B.
Çdo ANN (ndërtesë) në shembullin tonë kërkon për një veçori të ndryshme në të dhënat e pastrukturuara (grumbull i informacionit) dhe i kalon rezultatet ndërtesës së ardhshme. Ndërtesa tjetër përfshin (mëson) rezultatet (rezultatet) nga ajo e mëparshme. Pasi që të dhënat përpunohen nga çdo ANN (ndërtesë), ajo organizohet dhe etiketohet (klasifikohet) nga një veçori e veçantë, kështu që kur të dhënat arrijnë në përfundimin (katin e fundit) të ANN (ndërtesës) të fundit, ai klasifikohet dhe etiketohet (më të strukturuar).
Inteligjencës Artificiale, Mësimit të Makinerisë dhe Mësimit të Defektuar
Si lidhet mësuari i thellë në pamjen e përgjithshme të inteligjencës artificiale (AI) dhe ML? Mësimi i thellë rrit fuqinë e ML dhe rrit gamën e detyrave që AI është i aftë të kryejë. Për shkak se mësimi i thellë mbështetet në përdorimin e rrjetave nervore dhe njohjen e karakteristikave brenda grupeve të të dhënave në vend të algoritmeve më të thjeshta të detyrës, mund të gjejë dhe përdorë detaje nga të dhënat e pastrukturuara pa pasur nevojë që një programues ta etiketojë atë manualisht - -consuming detyrë që mund të futë gabime. Të mësuarit e thellë po i ndihmon kompjuterët të përmirësohen më mirë dhe të përdorin të dhëna për të ndihmuar korporatat dhe individët.