Ano ang kailangan mong malaman tungkol sa ebolusyon ng artificial intelligence
Ang malalim na pag-aaral ay isang makapangyarihang anyo ng pag- aaral sa makina (ML) na nagtatayo ng mga kumplikadong mathematical na istruktura na tinatawag na mga neural network gamit ang malawak na dami ng data (impormasyon).
Kahulugan ng Deep Learning
Ang malalim na pag-aaral ay isang paraan ng pagpapatupad ng ML gamit ang maraming layers ng mga neural network upang maproseso ang mas kumplikadong uri ng data. Minsan tinatawag na hierarchical learning, ang malalim na pag-aaral ay gumagamit ng iba't ibang uri ng mga neural network upang matuto ng mga tampok (tinatawag din na mga representasyon) at makita ang mga ito sa mga malalaking hanay ng mga hilaw, walang label na data (hindi natukoy na data). Ang isa sa mga unang demonstration ng malalim na pag-aaral ay isang programa na matagumpay na pinili ang mga larawan ng mga pusa sa labas ng mga hanay ng mga video sa YouTube.
Malalim na Mga Halimbawa sa Pag-aaral sa Pang-araw-araw na Buhay
Ang malalim na pag-aaral ay hindi lamang ginagamit sa pagkilala ng imahe, kundi pati na rin sa pagsasalin ng wika, pagtuklas ng pandaraya, at pag-aralan ang data na nakolekta ng mga kumpanya tungkol sa kanilang mga customer. Halimbawa, ginagamit ng Netflix ang malalim na pag-aaral upang pag-aralan ang iyong mga gawi sa panonood at hulaan ang nagpapakita at mga pelikula na gusto mong panoorin. Iyan ay kung paano alam ng Netflix na maglagay ng mga pelikulang aksyon at mga dokumentaryo ng kalikasan sa iyong queue ng payo. Ginagamit ng Amazon ang malalim na pag-aaral upang pag-aralan ang iyong kamakailang mga pagbili at mga item na iyong hinanap kamakailan upang lumikha ng mga mungkahi para sa mga bagong music album ng bansa na malamang na interesado ka at na nasa merkado ka para sa isang pares ng kulay-abo at dilaw na tennis sapatos. Tulad ng malalim na pag-aaral ay nagbibigay ng higit pa at higit na pananaw mula sa unstructured at raw na data, ang mga korporasyon ay maaaring mas mahusay na mauna ang mga pangangailangan ng kanilang mga customer habang ikaw, ang indibidwal na customer ay nakakakuha ng mas personalized na serbisyo sa customer.
Artipisyal na Neural Network at Deep Learning
Upang mas madaling maunawaan ang malalim na pag-aaral, muling bisitahin ang aming paghahambing ng isang artipisyal na neural network (ANN). Para sa malalim na pag-aaral, isipin na ang aming 15-story office building ay sumasakop sa isang bloke ng lungsod na may limang iba pang mga gusali ng opisina. May tatlong mga gusali sa bawat panig ng kalye. Ang aming gusali ay ang gusali A at namamahagi ng parehong gilid ng kalye bilang mga gusali B at C. Sa kabila ng kalye mula sa gusali A ay gusali 1, at mula sa gusali B ay gusali 2, at iba pa. Ang bawat gusali ay may iba't ibang bilang ng sahig, ay ginawa mula sa iba't ibang mga materyales at may iba't ibang estilo ng arkitektura mula sa iba. Gayunpaman, ang bawat gusali ay nakaayos pa rin sa magkakahiwalay na sahig (mga patong) ng mga tanggapan (mga node) -ang bawat gusali ay isang natatanging ANN.
Isipin na ang isang digital na pakete ay dumating sa gusali A, na naglalaman ng maraming iba't ibang uri ng impormasyon mula sa maraming mga mapagkukunan tulad ng data na batay sa teksto, mga stream ng video, mga stream ng audio, mga tawag sa telepono, mga radio wave at mga litrato-gayunpaman, dumating ito sa isang malaking paghalu-haluin at ay hindi na-label o pinagsunod-sunod sa anumang lohikal na paraan (unstructured data). Ang impormasyon ay ipinapadala sa bawat palapag sa pagkakasunud-sunod mula 1 st hanggang ika- 15 para sa pagproseso. Matapos maabot ang impormasyong impormasyon sa ika- 15 palapag (output), ipapadala ito sa 1 st floor (input) ng gusali 3 kasama ang panghuling resulta sa pagpoproseso mula sa gusali A. Ang Building 3 ay natututo mula sa at isinasama ang resulta na ipinadala sa pamamagitan ng pagbuo ng A at pagkatapos ay pinoproseso ang paghuhukay ng impormasyon sa bawat sahig sa parehong paraan. Kapag naabot ng impormasyon ang pinakamataas na palapag ng gusali 3, ipinadala ito mula doon sa mga resulta ng gusali na iyon sa pagbuo 1. Ang Building 1 ay natututo mula sa at isinasama ang mga resulta mula sa pagbuo 3 bago pagproseso nito sa sahig. Ang Building 1 ay nagpapasa sa impormasyon at nagreresulta sa parehong paraan sa pagtatayo ng C, na nagpoproseso at nagpapadala sa gusali 2, na nagproseso at nagpapadala sa gusali B.
Ang bawat ANN (gusali) sa aming halimbawa ay naghahanap ng ibang tampok sa unstructured data (paghalu-haluin ng impormasyon) at ipinapasa ang mga resulta sa susunod na gusali. Ang susunod na gusali ay nagsasama (natututunan) ang output (mga resulta) mula sa naunang isa. Habang ang data ay naproseso ng bawat ANN (gusali), ito ay makakakuha ng organisado at may label na (naiuri) sa pamamagitan ng isang partikular na tampok upang kapag ang data ay umabot sa huling output (itaas na palapag) ng huling ANN (gusali), ito ay inuri at may label na (mas nakabalangkas).
Artipisyal na Katalinuhan, Pag-aaral ng Machine, at Malalim na Pag-aaral
Paano gumagana ang malalim na pag-aaral sa pangkalahatang larawan ng artipisyal na katalinuhan (AI) at ML? Ang malalim na pag-aaral ay nagpapalakas sa lakas ng ML at pinatataas ang hanay ng mga gawain na maaaring gumaganap ng AI. Dahil ang malalim na pag-aaral ay nakasalalay sa paggamit ng mga neural nets at pagkilala ng mga tampok sa loob ng mga hanay ng data sa halip ng mas simpleng mga algorithm na tukoy sa gawain, maaari itong makahanap at gumamit ng mga detalye mula sa hindi naka-unstructured (hilaw na) data nang hindi nangangailangan ng isang programmer na manu-manong i-label ito muna-isang oras -Ang pagsasagawa ng gawain na maaaring magpakilala ng mga error. Ang malalim na pag-aaral ay tumutulong sa mga computer na maging mas mahusay at mas mahusay sa paggamit ng data upang makatulong sa parehong mga korporasyon at mga indibidwal.