Deep learning: wat is het en hoe verhoudt het zich tot machine learning?

Als we een aantal artikelen voortzetten die we hebben gedaan, zullen we hier praten over wat Deep Learning is en de relatie met Machine Learning . Beide termen worden steeds belangrijker in de samenleving waarin we leven en het zal nuttig zijn om te weten wat ons omringt.

Inhoudsindex

Wat is diep leren ?

Deep Learning is een subset van technieken die rond de jaren 2000 zijn ontstaan ​​als gevolg van Machine Learning . Om deze reden moeten we het als een van zijn takken classificeren , omdat het op zijn beurt deel uitmaakt van de informatica.

Deze systemen zijn autonomer dan hun oudere broers en zussen, hoewel hun structuur ook aanzienlijk complexer is. Dit geeft hen een duidelijk voordeel bij het uitvoeren van verschillende soorten taken waarbij ze hetzelfde of beter werk uitvoeren dan andere systemen met Machine Learning- algoritmen .

Er zijn ook andere werken waarin Deep Learning zich onderscheidt van zijn voorganger. Een van de meest beruchte gevallen is AlphaGo- stijl Artificial Intelligence , de intelligentie van Google die de wereldkampioen van Go kan verslaan.

Misschien klinkt het een beetje Chinees voor je, maar Go is een heel beroemd spel en ook erg veeleisend. Om het in context te plaatsen, beweren wiskundigen nadrukkelijk dat deze hobby aanzienlijk complexer is dan schaken.

Aan de andere kant is Deep Learning nauw verwant aan Big Data, omdat deze geweldige informatiebronnen kunnen worden gebruikt om ervaringen te leren en te consolideren. Dankzij de situatie waarin we ons bevinden, is de omgeving voor de verspreiding en ontwikkeling van deze technologie perfect voor drie belangrijke punten:

1. De grote opeenstapeling van gegevens, aangezien met de tools die we tegenwoordig hebben, gegevens van bijna iedereen kunnen worden verkregen en opgeslagen. De mate van technologie waarin we ons bevinden, omdat de componenten goed zijn om gezamenlijk aanzienlijk vermogen te bieden. De wens van bedrijven om hun methodologie te verbeteren, aangezien steeds meer bedrijven inzetten op kunstmatige intelligentie , gebruikmakend van de twee voorgaande punten. Als uw bedrijf gegevens van duizenden klanten heeft opgeslagen en technologie u de kans geeft om van hen te leren en deze te gebruiken, is dit een veilige gok.

De structuur van Deep Learning

Ondanks een ontwikkeling die sterk lijkt op Machine Learning , heeft deze set algoritmen enkele nucleaire verschillen. Het belangrijkste is waarschijnlijk de interne structuur, dat wil zeggen de code waaruit het algoritme bestaat.

Algemeen idee over diep leren

Zoals je op de afbeelding kunt zien, is Deep Learning nauw verwant aan neurale netwerken. Dit concept is niet nieuw, maar het is al lang niet bij ons, dus u weet het misschien niet.

Om het te vereenvoudigen, zouden we een neuraal netwerk kunnen definiëren als een set algoritmen (elk een laag genoemd) die informatie behandelen en verzenden. Elke laag ontvangt invoerwaarden en geeft uitvoerwaarden terug, en terwijl deze door het hele netwerk gaat, wordt een uiteindelijke resulterende waarde geretourneerd. Dit alles gebeurt normaal gesproken opeenvolgend, waarbij elke laag een ander gewicht heeft, afhankelijk van het gewenste resultaat.

Hier laten we je een korte video zien (in het Engels) over kunstmatige intelligentie die Super Mario World leert spelen:

En je vraagt ​​je misschien af: 'Waarom is al deze methode zo ingewikkeld?' . Zeker behoort Deep Learning nog steeds tot wat we Zwakke Kunstmatige Intelligentie noemen, maar het is mogelijk de eerste stap naar sterk.

Deze methodologie is losjes geïnspireerd door hoe een brein werkt. Net als bij wat we in de 'fysieke wereld' zien , vormen systemen lagen en werkt elke laag op dezelfde manier als een neuron. Op deze manier verhouden de lagen zich tot elkaar, delen ze informatie en het allerbelangrijkste is dat alles autonoom gebeurt.

Zeer vereenvoudigd schema van hoe Deep Learning werkt

Volgens deze regel zijn de meest complete intelligenties normaal gesproken die met meer lagen en meer geavanceerde algoritmen.

Hoe werkt kunstmatige intelligentie met dit algoritme?

Als je onze eerdere artikelen over het onderwerp hebt gezien, heb je deze gif al gezien. Hier kun je ons artikel over kunstmatige intelligentie bekijken en hier kun je wat meer lezen over machine learning .

maar we zullen je nog een laatste keer laten zien.

Dit beeld geeft goed en heel eenvoudig weer hoe een intelligentie die neurale netwerken gebruikt zou werken. Zoals u kunt zien, is zijn taak eenvoudig: classificeer afbeeldingen en leer honden te detecteren op de verschillende foto's die aan hem zijn doorgegeven.

Elke afbeelding begint met het invoeren van de invoerfeed, dat wil zeggen de invoerlaag waar de eerste berekeningen al zouden beginnen. De verkregen resultaten worden gedeeld met de tweede laag of het neuron en er wordt duidelijk geïnformeerd welk neuron deze berekening heeft gemaakt. Dit proces wordt net zo vaak herhaald als de lagen van ons systeem totdat we de laatste hebben bereikt.

Het laatste neuron wordt de Output Layer genoemd en is het resultaat dat in dit voorbeeld het resultaat laat zien. In andere gevallen voert de outputlaag de berekende actie uit. Als we de formule gebruiken om zo snel mogelijk te handelen (zoals in videogames) , zou het resultaat bijna onmiddellijk moeten zijn. Dankzij het technologische punt waar we ons nu in bevinden, is dit al mogelijk.

Een van de duidelijkste voorbeelden hiervan is AlphaStar Artificial Intelligence, een andere creatie van Google zelf.

Google Deepmind Artificial Intelligence

We hebben je verteld over AlphaGo , een AI die kan vechten tegen de beste Go- spelers ter wereld. Deze heeft echter jongere broers en zussen die een aantal behoorlijk indrukwekkende mijlpalen kunnen bereiken .

AlphaZero

Deze intelligentie leerde in slechts 24 uur een bovenmenselijk niveau van schaken, shoji en go waarmee hij verschillende beroemde spelers won . Ook wees hij in de lijst van verslagen tegenstanders ook op de AlphaGo Zero- versie van 3 dagen ervaring, iets echt ongelooflijks. Hier komt de snelheid van het leren van deze kunstmatige intelligentie naar voren .

Het meest indrukwekkende van alles was dat het team geen toegang had tot leerboeken of databases, dus al hun tactieken werden met oefening geleerd.

In een van zijn ontmoetingen stond hij tegenover Stockfish , een veteraan geautomatiseerd open source programma dat schaakt. In slechts vier uur tijd werd het echter gedomineerd door AlphaZero.

Opgemerkt moet worden dat, hoewel dit voor het eerst ongeveer 70 miljoen bewegingen berekent, AlphaZero bij schaken slechts rekening houdt met 80 duizend verschillende uitgangen. Het verschil in voorspellingen werd gecompenseerd door een veel beter oordeel over wat veelbelovende toneelstukken zouden zijn.

Met dergelijke demonstraties van kracht kunnen we de kracht van de nieuwe kunstmatige intelligentie zien .

AlphaStar

Aan de andere kant is AlphaStar een AI die tegenwoordig RTS Starcraft II (Real Time Strategy, in het Spaans) kan spelen.

Ten tijde van de demo vocht AlphaStar tegen verschillende professionele spelers in het midden, won tien wedstrijden op rij en verloor alleen de laatste.

In tegenstelling tot schaken of gaan, is Starcraft II een realtime matchup, dus elke seconde moet je dingen doen. Hierdoor kunnen we een glimp opvangen dat de huidige technologie in staat is om deze hectische berekenings- en beslissingsritmes in stand te houden.

Wat betreft de voorbereiding van de Intelligence , voor de data van de live test had hij ongeveer 200 jaar ervaring met alleen trainen met protos (een van de beschikbare races) . Het was ook getraind, zodat het alleen acties kon uitvoeren als de camera fysiek op het apparaat was geplaatst, waardoor het meer overeenkwam met hoe een persoon zou spelen.

Ondanks deze handicaps slaagde AlphaStar er echter in om de meeste van hun ontmoetingen te verslaan met een verlaten tactiek aan de competitieve kant van het spel. Een punt om op te merken is dat AlphaStar APM's (Actions Per Minute) meestal laag houdt, dus zijn beslissingen zijn zeer efficiënt.

Gemiddelde acties per minuut uitgevoerd door de AI en door een professionele speler

Wanneer de situatie er echter om vraagt, demonstreert hij bovenmenselijke controle over eenheden letterlijk door gemakkelijk de teller te breken.

Hier kunt u een van zijn demo's volledig zien:

De toekomst van kunstmatige intelligentie

We hebben het al over dit onderwerp gehad, dus we zullen hetzelfde gesprek niet te veel herhalen. Wat moet worden benadrukt, zijn de mogelijke toekomsten die wachten op Deep Learning .

Volgens Andrew Yan-Tak Ng, een bekende expert op het gebied van kunstmatige intelligentie, is diep leren een goede stap op weg naar de intelligentie van de toekomst. In tegenstelling tot andere lesmethoden is deze aanzienlijk efficiënter omdat we de gegevenssteekproef vergroten.

WIJ RADEN U AAN BABAHU X1: De AI-tandenborstel is nu beschikbaar

De volgende dia hoort bij zijn presentatie "Wat informatie wetenschappers moeten weten over diep leren . " Als je geïnteresseerd bent, kun je het zien via deze link.

Niet voor niets is de ontwikkeling van technologie niet gestopt. Elk jaar zullen we krachtigere componenten hebben, dus we zullen steeds meer patio's hebben om te testen. Net als bij oude AI's en Machine Learning, zullen nieuwe algoritmen, methodologieën en systemen verschijnen en het innovatieve Deep Learning van vandaag vervangen.

Zoals je je kunt voorstellen, wordt de toekomst aangepakt door semi-intelligente machines.

Zoals we in andere artikelen hebben opgemerkt, zullen de meeste elektronische apparaten (sommige bevatten ze al) ondersteuningsinformatie . Een zeer opvallend geval is dat van de intelligenties die helpen om foto's van betere kwaliteit te maken.

Een punt waar deze technologie voor de meeste gebruikers kan floreren, is het IoT (Internet of Things, in het Spaans).

Het internet der dingen

Deze term krijgt steeds meer gewicht in de conferenties van technologie en informatica en probeert zichzelf te consolideren nu we de middelen hebben.

Het idee is dat huishoudelijke apparaten, elektrische apparaten en andere objecten identificeerbaar zijn, met elkaar kunnen communiceren en bovendien met een apparaat kunnen worden bediend. Op deze manier kunnen we tellen welke objecten er op een plaats bestaan, waar ze zijn, ermee communiceren en dit alles vanaf de mobiel. Evenzo kunnen de objecten ook met elkaar in wisselwerking staan en als bijvoorbeeld een levensmiddel vervalt, kan de koelkast u misschien vertellen wanneer u het opent.

Aan de andere kant moet kunstmatige intelligentie de status en prestaties van huishoudelijke apparaten kunnen volgen. Hiermee kunt u een elektriciteitsplan opstellen en de gebruikte energie optimaliseren.

Een relevant punt dat we nog moeten verbeteren, is de internetbeveiliging . Het is iets dat nog steeds niet veel last lijkt te ondervinden, maar we weten allemaal dat het essentieel zal zijn als we willen dat het een veilige dienst is.

Het is een enigszins abstract idee, maar naarmate het ons leven binnendringt, zul je bekend raken.

Het belang van nieuwe technologieën en Deep Learning

Het is onontkoombaar om te denken dat computers en kunstmatige intelligentie een groot deel van de toekomst die ons te wachten staat vorm zullen geven. Daarom is het belangrijk om altijd half bewust te zijn van wat er gebeurt in de wereld die wordt beheerst door bits.

Met die geest in gedachten kunnen we al zien hoe verschillende graden, cursussen en graden verschijnen die deze onderwerpen diepgaand leren. Er is bijvoorbeeld een aantal data-engineering verschenen, andere graden op Big Data en, duidelijk, cursussen in Deep Learning en Artificial Intelligence .

Om dezelfde reden raden wij u aan het onderwerp te onderzoeken. Het internet , met zijn plussen en minnen, is nog niet autonoom, noch perfect, noch echt veilig, maar het is een bijna onbeperkte kennisbron. Met een beetje geluk zul je een plek vinden om te leren en kun je aan een nieuwe taal beginnen, of beter gezegd, een nieuwe wereld.

Omdat Machine Learning een iets lichtere discipline is , zijn er programma's waarmee je een beetje met de gegevens kunt rommelen. Als je geïnteresseerd bent om wat meer over het onderwerp te leren en zelf / de grenzen van deze technologie te onderzoeken, kun je IBM Watson Developer Cloud of Amazon Machine Learning bezoeken. We waarschuwen je: je zult een account moeten aanmaken en het zal geen gemakkelijke manier zijn om te leren, maar misschien zal het je op een dag helpen om geweldige doelen te bereiken.

Hierbuiten is de wereld van ideeën, dus alles ligt in jouw handen. En wat vindt u van de nieuwe technologieën met betrekking tot kunstmatige intelligentie? Welke andere Deep Learning- applicaties ken je of zou je graag willen zien? Deel uw ideeën in het onderstaande vak.

Bron Zakelijke blog Denk aan BigXatakaMachine Learning Mastery