Люди учатся на собственном опыте. Чем богаче наш опыт, тем больше мы можем учиться. В дисциплине искусственного интеллекта (ИИ), известной как глубокое обучение, то же самое можно сказать о машинах, работающих на аппаратном и программном обеспечении. Опыт, с помощью которого машины могут учиться, определяется данными, которые они получают, а количество и качество данных определяют, насколько они могут учиться.
Глубокое обучение является отраслью машинного обучения. В отличие от традиционных алгоритмов машинного обучения, многие из которых имеют ограниченную способность учиться независимо от того, сколько данных они получают, системы глубокого обучения могут повысить свою производительность за счет доступа к большему количеству данных: машинная версия – больше опыта. После того, как машины приобрели достаточный опыт благодаря глубокому обучению, их можно использовать для выполнения конкретных задач, таких как вождение автомобиля, обнаружение сорняков в поле, обнаружение заболеваний, проверка оборудования для выявления неисправностей и т.д.
Как работает глубокое обучение?
Сети глубокого обучения учатся, обнаруживая сложные структуры данных, с которыми они сталкиваются. Создавая вычислительные модели, состоящие из нескольких уровней обработки, сети могут создавать несколько уровней абстракции для представления данных.
Например, модель глубокого обучения, известная как сверточная нейронная сеть, может быть обучена с использованием большого количества (как в миллионах) изображений, например, содержащих кошек. Этот тип нейронной сети обычно учится на пикселях, содержащихся в изображениях, которые он получает. Он может классифицировать группы пикселей, которые представляют признаки кошки, с группами элементов, такими как когти, уши и глаза, указывающими присутствие кошки на изображении.
Глубокое обучение в корне отличается от обычного машинного обучения. В этом примере специалисту потребуется потратить значительное время на разработку обычной системы машинного обучения, чтобы обнаружить признаки, которые представляют кошку. При глубоком обучении все, что нужно, – это снабдить систему очень большим количеством изображений кошек, и система сможет автономно изучать функции, которые представляют кошку.
Для многих задач, таких как компьютерное зрение, распознавание речи, машинный перевод и робототехника, производительность систем глубокого обучения намного превосходит производительность традиционных систем машинного обучения. Нельзя сказать, что создание систем глубокого обучения относительно легко по сравнению с обычными системами машинного обучения. Хотя распознавание признаков является автономным при глубоком обучении, тысячи параметров должны быть настроены, чтобы модель глубокого обучения стала эффективной.
Почему важно глубокое обучение?
Мы живем во времена беспрецедентных возможностей, и технологии глубокого обучения могут помочь нам достичь новых прорывов. Глубокое обучение способствовало открытию новых лекарств, а также обнаружению заболеваний и субатомных частиц.
Мы также живем вовремя, когда мы сталкиваемся с неослабевающими проблемами. Изменение климата угрожает производству продуктов питания и может однажды привести к войнам из-за ограниченных ресурсов. Проблема изменения окружающей среды будет усугубляться постоянно растущим населением, которое, как ожидается, достигнет девяти миллиардов к 2050 году. Масштабы этих проблем требуют нового уровня интеллекта, ставшего возможным благодаря глубокому обучению.