Ღრმა სწავლა: მანქანით სწავლისას მისი სრულყოფილი

რა უნდა იცოდეთ ხელოვნური ინტელექტის ევოლუციის შესახებ?

ღრმა სწავლება არის ძლიერი სწავლების მანქანა სწავლის (ML), რომელიც აშენებს კომპლექსურ მათემატიკურ სტრუქტურებს მოუწოდა ნერვული ქსელების გამოყენებით დიდი რაოდენობით მონაცემები (ინფორმაცია).

ღრმა სწავლის განმარტება

ღრმა სწავლება არის ML- ის ქსელების მრავალჯერადი ფენების გამოყენებით ML- ის დანერგვის მეთოდი უფრო რთული ტიპის მონაცემთა დამუშავების მიზნით. ზოგჯერ მოუწოდა იერარქიული სწავლება, ღრმა სწავლება იყენებს სხვადასხვა ტიპის ნერვულ ქსელებს, რათა ისწავლონ ფუნქციები (ასევე მოუწოდა წარმომადგენლობებს) და იპოვონ ისინი ნედლეულ, არალეგალური მონაცემებით (unstructured data). ღრმა სწავლის ერთ-ერთი პირველი გარღვევა იყო პროგრამა, რომელიც წარმატებით აიღო კატების გამოსახულებები YouTube ვიდეოებისგან.

ღრმა სწავლის მაგალითები ყოველდღიურ ცხოვრებაში

ღრმა სწავლება არა მარტო გამოსახულების აღიარებაში გამოიყენება, არამედ ასევე თარგმანის, თაღლითობის გამოვლენისა და კომპანიების მიერ შეგროვებული მონაცემების ანალიზი. მაგალითად, Netflix იყენებს ღრმა სწავლებას, რათა გაანალიზოთ თქვენი ნახვის ჩვევები და პროგნოზირება, თუ რომელი გვიჩვენებს და ფილმებს უთმობთ უყუროთ. ასე რომ, Netflix იცის სამოქმედო ფილმები და ბუნება დოკუმენტური თქვენს წინადადება მდგომ. Amazon იყენებს ღრმა სწავლას, რათა გაანალიზდეს თქვენი ბოლო შესყიდვები და ნივთები, რომლებიც ახლახან ეძებდნენ ახალი ქვეყნის მუსიკის ალბომების შემოთავაზებების შესაქმნელად, თქვენ სავარაუდოდ იყავით დაინტერესებული და რომ თქვენ ხართ ბაზარზე წყვილი რუხი და ყვითელი ჩოგბურთი ფეხსაცმელი. როგორც ღრმა სწავლება უზრუნველყოფს უფრო და უფრო ინოვაციურ და ნედლეულ მონაცემებს, კორპორაციებმა შეძლებენ უკეთესად შეაფასონ თავიანთი კლიენტების მოთხოვნები, ხოლო ინდივიდუალური აბონენტი უფრო პერსონალურ მომსახურებას მიიღებს.

ხელოვნური ნერვული ქსელები და ღრმა სწავლება

იმისათვის, რომ გაიგოთ ღრმა სწავლა უფრო ადვილად გასაგები, დავუბრუნდეთ ჩვენი ხელოვნების ნერვულ ქსელს (ANN) შედარებას . ღრმა სწავლისთვის წარმოიდგინეთ, რომ ჩვენი 15-სართულიანი საოფისე შენობა ქალაქის 5 კორპუსს უკავია. ქუჩის თითოეულ მხარეს სამი შენობაა. ჩვენი შენობა ააშენებს და ატრიალებს ქუჩაში იმავე მხარეს, როგორც შენობები B და C. კორპუსთან A კორპუსიდან 1 აშენდება, ხოლო B- ის შენობაში 2 აშენებს და ა.შ. თითოეული შენობა სხვადასხვა სართულებისგან შედგება, დამზადებულია სხვადასხვა მასალისგან და სხვა არქიტექტურული სტილისგან განსხვავებით. თუმცა, თითოეული შენობა ჯერ კიდევ მოწყობილია ოფისების (კვანძების) ცალკე სართულებში (თითოეული).

წარმოიდგინეთ, რომ ციფრული პაკეტი ჩამოდის მშენებლობაში A, რომელიც შეიცავს სხვადასხვა სახის ინფორმაციას სხვადასხვა წყაროებიდან, როგორიცაა ტექსტური დაფუძნებული მონაცემები, ვიდეო ნაკადები, აუდიო ნაკადები, სატელეფონო ზარები, რადიო ტალღები და ფოტო-ფოტოები, არ არის დალაგებული ან დახარისხებული ნებისმიერი ლოგიკური გზა (unstructured data). ინფორმაცია იგზავნება თითოეული სართულის მეშვეობით, რათა დამუშავდეს 1-დან 15 წლამდე. ინფორმაციის ჩამორთმევის შემდეგ მე -15 სართული (გამომავალი) აღწევს, გადაეცემა შენობის 1 სართულზე (შეყვანა) 3 საბოლოო დამუშავების შედეგად ა. შენობა 3 სწავლობს და აერთიანებს მშენებლობას A და შემდეგ იწყება ინფორმაცია ყოველგვარი იატაკის მეშვეობით იმავე გზით. როდესაც ინფორმაცია შენობის ზედა სართულზე 3-ს მიაღწევს, იქიდან გამოდის შენობა-ნაგებობების მშენებლობასთან 1. შენობა 1 სწავლობს და სწავლის შედეგებს აერთიანებს 3 სართულზე დამონტაჟებამდე. შენობა 1 გადადის ინფორმაციას და შედეგებს C მშენებლობაში, რაც აწარმოებს და აგზავნის შენობაში 2, რომელიც აწარმოებს და აგზავნის ბ.

თითოეული ANN (შენობა) ჩვენს მაგალითში ეძებს სხვადასხვა ფუნქციის უნიკალურ მონაცემებს (ინფორმაციის მერყეობა) და შედეგებს გადასცემს მომდევნო შენობაში. მომდევნო შენობა აერთიანებს (გაიგებს) გამომავალი (შედეგები) წინა. მონაცემების დამუშავება ხდება ყოველი ANN- ის მიერ, იგი იღებს ორგანიზებას და იარლიყს (კლასიფიცირებული) კონკრეტული ფუნქციით, როდესაც მონაცემები ბოლო ANN (კორპუსში) საბოლოო შედეგს (ზედა სართულზე) მიაღწევს, კლასიფიცირებულია და იარლიყება (უფრო სტრუქტურირებული).

ხელოვნური ინტელექტი, მანქანათმცოდნეობა და ღრმა სწავლა

როგორ მოქმედებს ღრმა სწავლა ხელოვნური ინტელექტის (AI) და ML- ის საერთო სურათზე? ღრმა სწავლება ხელს უწყობს ML- ს ძალაუფლებას და აძლიერებს AI- ს ამოცანებს. იმის გამო, რომ ღრმა სწავლება დამოკიდებულია ნერვული ბადეების გამოყენებისა და მონაცემების ამოცნობის შესახებ მონაცემთა ნაკრებში, მარტივი ამოცანა-სპეციფიკური ალგორითმების ნაცვლად, შეგიძლიათ იპოვოთ და გამოიყენოს დეტალები შეუსაბამო (ნედლეულის) მონაცემების გარეშე პროგრამისტის საჭიროების გარეშე ხელით წარწერა -გამომუშავებელი ამოცანა, რომელიც შეიძლება შეიცავდეს შეცდომებს. ღრმა სწავლება ეხმარება კომპიუტერებს უკეთესად და უკეთესად მონაცემთა გამოყენებით, როგორც კორპორაციებსა და კერძო პირების დასახმარებლად.