Dərin öyrənmə nədir?

Dərin öyrənmə, inkişaf etmiş süni intellekt texnikaları, bol məlumatlar və hesablama gücünün artması sayəsində son illərdə getdikcə populyarlaşır. Bu, hər gün istifadə etdiyimiz bir çox proqramın, o cümlədən onlayn dildə tərcümə və sosial mediada avtomatik üz etiketi əsas texnologiyadır.

Bu texnologiyanın səhiyyə sahəsində də faydalı olduğu göstərilmişdir: Bu ilin əvvəlində Massaçusets Texnologiya İnstitutunun (MIT) kompüter alimləri məmə xərçəngini aşkar etmək üçün yeni kompüter proqramları yaratmaq üçün dərin öyrənmədən istifadə etdilər.

Klassik model mühəndislərdən xərçəng xəstəliyinin aşkarlanması üçün qaydaları və məntiqləri əl ilə müəyyənləşdirmələrini tələb edir, lakin bu yeni model üçün alimlər 60.000 xəstənin 90.000 tam qətnaməli mamografi taramalarının dərin öyrənmə alqoritmini təqdim edir və ümumi nümunələri aşkar etməyə imkan verirlər. xəstə taramaları arasında. məmə xərçəngi ilə bitənlər və olmayanlar. Sonrakı beş il ərzində məmə xərçəngi, əvvəlki risk proqnozu modelləri ilə müqayisədə əhəmiyyətli bir inkişaf proqnozlaşdıra bildi.

Maşın öyrənməsi tam olaraq nədir?

Dərin öyrənmə maşın öyrənməsinin alt hissəsidir, kompüterləri təcrübə vasitəsilə tapşırıqları yerinə yetirmək üçün konfiqurasiya edən süni intellektin bir qoludur. Klassikanın əksinə sistema Qaydalara əsaslanan süni intellekt üçün maşın öyrənmə alqoritmləri "təlim" adlanan bir şərh yazılmış nümunələri emal edərək davranışlarını inkişaf etdirir.

Məsələn, fırıldaqçılıq aşkarlanması proqramı yaratmaq üçün, bank əməliyyatlarının siyahısı və son nəticəsi (qanuni və ya saxta) olan bir maşın öyrənmə alqoritmini öyrədin. Maşın öyrənmə modeli nümunələri araşdırır və qanuni və saxta əməliyyatlar arasında ümumi xüsusiyyətlərin statistik təsvirlərini inkişaf etdirir. Bundan sonra, alqoritmi yeni bank əməliyyatı məlumatları ilə təmin etdiyiniz zaman, alqoritm təlim nümunəsindən alınan nümunəyə əsasən etibarlı və ya saxta kimi təsnif edəcəkdir.

Bir qayda olaraq, daha keyfiyyətli məlumat verdiyiniz təqdirdə, maşın öyrənmə alqoritmi işini yerinə yetirərkən daha dəqiq olur.

Dəzgahda təlim qaydaların düzgün müəyyənləşdirilmədiyi və fərqli əmrlərdə kodlanmadığı problemlərin həlli üçün çox faydalıdır. Müxtəlif vəzifələrdə fərqli alqoritm növləri vurğulanır.

Dərin öyrənmə və süni neyron şəbəkələri

Klassik maşın öyrənmə alqoritmləri qayda əsaslı proqramlar tərəfindən irəli sürülən bir çox problemi həll etsə də, şəkillər, videolar, səsli fayllar və qurulmamış mətn kimi yumşaq məlumatlarla işləməkdə pisdirlər.

Məsələn, klassik maşın öyrənmə yanaşmasından istifadə edərək döş xərçəngi proqnozu modelini yaratmaq, tədqiqatçı və məlumat alimi Jeremy Howardın dediyinə görə, onlarla domen mütəxəssislərinin, kompüter proqramçılarının və riyaziyyatçıların səylərini tələb edəcəkdir. Tədqiqatçılar bir çox mühəndislik funksiyasını yerinə yetirməlidirlər, kompüterləri rentgen və MR skanerlərində məlum nümunələri tapmaq üçün proqramlaşdıran çətin bir prosesdir. Bundan sonra mühəndislər hasil olunan xüsusiyyətləri öyrənmək üçün maşın istifadə edirlər. Buna bənzər bir AI modelinin yaradılması illər tələb edir.

Dərin öyrənmə alqoritmi insan beynindən ilhamlanan bir proqram arxitekturasının bir növü olan dərin neyron şəbəkələrindən istifadə edərək eyni problemi həll edir (neyron şəbəkələri bioloji neyronlardan fərqli olsa da). Sinir şəbəkələri, öyrətdikləri məlumatların xüsusiyyətlərinə uyğun dəyişənlərin təbəqələrindəki təbəqələrdir və şəkillərin təsnif edilməsi və nitqin mətnə ​​çevrilməsi kimi vəzifələri yerinə yetirə bilər.

süni sinir şəbəkələri - Vikipediya

Süni sinir şəbəkəsi (mənbə: Wikipedia)

Sinir şəbəkələri qurulmamış məlumatlarda ümumi nümunələri müstəqil olaraq kəşf etməkdə çox yaxşıdır. Məsələn, fərqli bir obyektin görüntüsündə dərin bir sinir şəbəkəsini yetişdirdiyiniz zaman, o görüntüdən xüsusiyyətləri çıxarmaq üçün bir yol tapırsınız. Sinir şəbəkəsinin hər bir təbəqəsi kənarları, bucaqları, üzü, göz kölgələri və s. Kimi xüsusiyyətləri müəyyən edir.

neyron şəbəkə qatı - arxiv.org

Neyron şəbəkəsinin yuxarı təbəqəsi ümumi xüsusiyyətləri aşkar edir. Dərin təbəqələr həqiqi əşyaları aşkarlayır (mənbə: arxiv.org)

Sinir şəbəkəsini istifadə edərək, dərin öyrənmə alqoritmi mühəndislik funksiyalarına ehtiyacı aradan qaldırır. MIT döş xərçəngi proqnozu modeli vəziyyətində, dərin bir araşdırma sayəsində bu layihə kompüter alimləri və domen mütəxəssisləri tərəfindən daha az səy tələb edir və inkişaf üçün daha az vaxt tələb edir. Bundan əlavə, bu model insan analitiklərinin keçdiyi mamoqrafiya taramasında xüsusiyyətləri və nümunələri tapa bilər.

Sinir şəbəkələri 1950-ci illərdən bəri mövcuddur (ən azı konseptual olaraq). Lakin bu günə qədər AI cəmiyyəti böyük miqdarda məlumat və hesablama gücünə ehtiyac duyduqları üçün onları çox rədd etdi. Son illərdə hesablama, məlumat və saxlama mənbələrinin mövcudluğu və əlverişliliyi neyron şəbəkələrini süni intellektdə yeniliklərin ön plana çıxardı.

Nəyi öyrənirsən?

Dərin öyrənmə kompüterlərə əvvəllər həll edilə bilməyən problemləri həll etməyə kömək edən bir neçə sahə var.

Kompüter görmə qabiliyyəti: Kompüter görmə, şəkillərin və videoların məzmununu başa düşmək üçün proqramdan istifadə etmək elmidir. Bu dərin öyrənmənin uzun bir yol keçdiyi bir sahədir. Döş xərçənginə əlavə olaraq, dərin öyrənmə görüntüsünün işlənməsi alqoritmləri digər xərçəngləri aşkar edərək digər xəstəliklərin diaqnozuna kömək edə bilər.

Dərin öyrənmə eyni zamanda hər gün istifadə etdiyiniz bir çox tətbiqdə qurulur. AppleID Üz, Google Fotoşəkilləri obyekt və səhnə axtarışı və görüntünün düzəldilməsi kimi müxtəlif funksiyalar üçün dərin öyrənmədən istifadə etdiyi kimi dərin öyrənmədən istifadə edir. Facebook Yüklədiyiniz şəkillərdəki insanları avtomatik etiketləmək üçün dərin öyrənmədən istifadə edin.

Dərin öyrənmə sosial media şirkətlərinə şiddət və çılpaqlıq kimi şübhəli məzmunu avtomatik olaraq müəyyənləşdirməyə və blok etməyə kömək edir. Və nəhayət, dərin öyrənmə muxtar avtomobillərin ətraflarını başa düşmələri üçün böyük rol oynayır.

Nitq və nitqin tanınması: Sifariş deyəndə Amazon Ağıllı natiq və ya dərin öyrənmə alqoritmi əks etdirir Google Assistant səsinizi mətn əmrinə çevirin. Bəzi onlayn tətbiqlər səs və video fayllarını kopyalamaq üçün dərin öyrənmədən istifadə edirlər. Google bu yaxınlarda danışarkən yazmağı dərindən öyrənən cihazlarda Gboard səs transkripsiyası tətbiqetməsini istifadəyə verdi.

Təbii dil emalı (NLP) və nəsil (NLG): Təbii dil emalı, qurulmamış mətnlərdən məna çıxarmaq elmi, klassik proqram üçün tarixi bir ağrı nöqtəsinə çevrildi. Yazılı dilin bütün fərqli nüanslarını və gizli mənalarını kompüter qaydaları ilə müəyyənləşdirmək demək olar ki, mümkün deyil. Ancaq çox sayda mətn hazırlayan neyron şəbəkələri bir çox NLP vəzifəsini dəqiq yerinə yetirə bilər.

Google-ın tərcümə xidməti şirkətin dərin öyrənməyə başladığı dövrdə bir artım yaşadı. Ağıllı dinamiklər, hava və ya təlimatları tələb edə biləcəyiniz müxtəlif yollar kimi əmrdəki fərqli nüansları başa düşmək üçün NLP dərin öyrənməsindən istifadə edir.

Dərin öyrənmə həm də təbii dil nəsli adlandırılan mənalı mətnlərin hazırlanmasında da çox səmərəlidir. Ağıllı Cavab və Ağıllı Yazılar Gmail, e-poçtunuza və cavablarınızı tamamlamaq üçün təkliflərinizə uyğun cavablar yaratmaq üçün dərin öyrənmədən istifadə edir. Bu ilin əvvəlində OpenAI tərəfindən hazırlanan mətn nəsil modeli ardıcıl mətndən uzun sitatlar yaratdı.

Distant tədrisin məhdudlaşdırılması

Bütün üstünlüklərə əlavə olaraq dərindən öyrənmənin də bir sıra çatışmazlıqları var.

Məlumat asılılığı: Ümumiyyətlə, dərin öyrənmə alqoritmləri tapşırıqlarını dəqiq yerinə yetirmək üçün çoxlu sayda təlim məlumatı tələb edir. Təəssüf ki, bir çox problemə görə, dərin öyrənmə modelini yaratmaq üçün kifayət qədər keyfiyyətli təlim məlumatı yoxdur.

Bunu izah etmək olar: Sinir şəbəkələri davranışlarını çox mürəkkəb şəkildə inkişaf etdirir, hətta yaradıcıları da hərəkətlərini başa düşmək üçün mübarizə aparırlar. Təfsirin olmaması səhv öyrənməyi və dərin öyrənmə alqoritmlərindəki səhvləri düzəltməyi çox çətinləşdirir.

Alqoritm qərəzi: Dərin öyrənmə alqoritmləri tətbiq etdikləri məlumatlar qədər yaxşıdır. Problem ondadır ki, təlim məlumatlarında çox vaxt gizli və ya aşkar qərəzlər olur və alqoritm bu qərəzliliyi miras alır. Məsələn, ilk növbədə ağ şəkillər üzərində məşq edən üz tanıma alqoritmləri ağ olmayan insanlarda daha az dəqiq işləyəcəkdir.

Ümumiləşdirmənin olmaması: Dərin öyrənmə alqoritmləri diqqət yetirilmiş tapşırıqları yerinə yetirməkdə yaxşıdır, ancaq biliklərinizi ümumiləşdirməkdə pisdir. İnsanlardan fərqli olaraq, StarCraftda oynamağa öyrədilən dərin öyrənmə modelləri oxşar oyunları – məsələn WarCraft-ı oynaya bilməyəcəklər. Bundan əlavə, dərin öyrənmə, "sərhəd hadisələri" olaraq da bilinən təlim nümunələrindən yayınan məlumatların işlənməsində çox zəifdir. Səhvlərin ölümcül ola biləcəyi sürücüsiz avtomobillər kimi vəziyyətlərdə təhlükəli ola bilər.

Dərin öyrənmənin gələcəyi

Bu ilin əvvəlində dərin öyrənmə qabaqcılları Nobel mükafatının kompüter ekvivalenti olan Turing mükafatını aldılar. Ancaq dərin öyrənmə və sinir şəbəkələrinin işi bitməmişdir. Dərin öyrənməni inkişaf etdirmək üçün müxtəlif işlər görülür.

Bəzi maraqlı işlərə şərh üçün izah edilə bilən və ya açıla bilən dərin öyrənmə modelləri, daha az təlim məlumatları ilə davranışınızı inkişaf etdirə bilən neyron şəbəkələr və ən müasir AI modelləri, etibar etmədən işinizi edə biləcək dərin öyrənmə alqoritmləri daxildir. ən böyük olan bulud hesablama mənbələri

Dərin öyrənmə hal hazırda ən qabaqcıl süni intellekt texnikası olsa da, AI sənayesinin əsas məqsədi deyil. Dərin öyrənmə və sinir şəbəkələrinin təkamülü bizə tamamilə yeni bir memarlıq qazandıra bilər.