Những gì bạn cần biết về sự tiến hóa của trí tuệ nhân tạo
Học tập sâu là một hình thức học tập máy mạnh mẽ (ML) giúp xây dựng các cấu trúc toán học phức tạp được gọi là mạng nơron sử dụng số lượng lớn dữ liệu (thông tin).
Định nghĩa học tập sâu
Học tập sâu là một cách để triển khai ML sử dụng nhiều lớp mạng thần kinh để xử lý các loại dữ liệu phức tạp hơn. Đôi khi được gọi là học tập phân cấp, học tập sâu sử dụng các loại mạng nơron khác nhau để tìm hiểu các tính năng (còn được gọi là các biểu diễn) và tìm chúng trong các bộ dữ liệu thô, không có nhãn (dữ liệu phi cấu trúc). Một trong những cuộc biểu tình đột phá đầu tiên về học tập sâu là một chương trình đã chọn thành công hình ảnh mèo trong số các video YouTube.
Ví dụ học tập sâu sắc trong cuộc sống hàng ngày
Học tập sâu sắc không chỉ được sử dụng trong nhận dạng hình ảnh, mà còn là bản dịch ngôn ngữ, phát hiện gian lận và phân tích dữ liệu được thu thập bởi các công ty về khách hàng của họ. Ví dụ: Netflix sử dụng học tập sâu để phân tích thói quen xem của bạn và dự đoán chương trình và phim bạn muốn xem. Đó là cách Netflix biết đặt phim hành động và phim tài liệu tự nhiên vào hàng đợi đề xuất của bạn. Amazon sử dụng kiến thức sâu để phân tích các giao dịch mua gần đây và các mặt hàng bạn đã tìm kiếm gần đây để tạo đề xuất cho album nhạc country mới mà bạn có thể quan tâm và bạn đang ở trong thị trường cho một cặp quần vợt màu xám và màu vàng giày. Khi học tập sâu cung cấp cái nhìn sâu sắc hơn và nhiều hơn từ dữ liệu phi cấu trúc và thô, các tập đoàn có thể dự đoán tốt hơn nhu cầu của khách hàng của họ trong khi bạn, khách hàng cá nhân nhận được dịch vụ khách hàng cá nhân hóa hơn.
Mạng nơron nhân tạo và học tập sâu
Để làm cho việc học sâu hơn dễ hiểu hơn, hãy xem xét lại so sánh của chúng ta về mạng nơron nhân tạo (ANN). Để học sâu, hãy tưởng tượng tòa nhà văn phòng 15 tầng của chúng tôi chiếm một khu phố với năm tòa nhà văn phòng khác. Có ba tòa nhà ở mỗi bên đường. Tòa nhà của chúng tôi đang xây dựng A và chia sẻ cùng một bên của đường phố như các tòa nhà B và C. Bên kia đường từ tòa nhà A là tòa nhà 1, và đối diện tòa nhà B là tòa nhà 2, v.v. Mỗi tòa nhà có một số tầng khác nhau, được làm từ các vật liệu khác nhau và có một phong cách kiến trúc khác nhau từ những người khác. Tuy nhiên, mỗi tòa nhà vẫn được bố trí trong các tầng riêng biệt (tầng) của văn phòng (nút) - mỗi tòa nhà là một ANN duy nhất.
Hãy tưởng tượng rằng gói kỹ thuật số đến tòa nhà A, chứa nhiều loại thông tin khác nhau từ nhiều nguồn như dữ liệu văn bản, luồng video, luồng âm thanh, cuộc gọi điện thoại, sóng radio và ảnh - tuy nhiên, không được gắn nhãn hoặc sắp xếp theo bất kỳ cách logic nào (dữ liệu phi cấu trúc). Thông tin được gửi qua mỗi tầng theo thứ tự từ ngày 1 đến ngày 15 để xử lý. Sau khi thông tin vấp ngã đến tầng thứ 15 (đầu ra), nó được gửi đến tầng 1 (đầu vào) của tòa nhà 3 cùng với kết quả xử lý cuối cùng từ tòa nhà A. Xây dựng 3 học từ và kết hợp kết quả được gửi bởi tòa nhà A và sau đó xử lý thông tin lộn xộn qua mỗi tầng theo cách tương tự. Khi thông tin đến tầng trên cùng của tòa nhà 3, nó được gửi từ đó với kết quả của tòa nhà đó để xây dựng 1. Tòa nhà 1 học hỏi và kết hợp các kết quả từ tòa nhà 3 trước khi xử lý nó từng tầng. Tòa nhà 1 chuyển thông tin và kết quả theo cách tương tự để xây dựng C, quy trình và gửi tới tòa nhà 2, xử lý và gửi tới tòa nhà B.
Mỗi ANN (tòa nhà) trong ví dụ của chúng tôi tìm kiếm một tính năng khác trong dữ liệu phi cấu trúc (vấp ngã thông tin) và chuyển kết quả đến tòa nhà tiếp theo. Toà nhà kế tiếp kết hợp (tìm hiểu) kết quả đầu ra (kết quả) từ kết quả trước đó. Vì dữ liệu được xử lý bởi mỗi ANN (tòa nhà), dữ liệu được sắp xếp và gắn nhãn (được phân loại) bởi một tính năng cụ thể để khi dữ liệu đạt đến đầu ra cuối cùng (tầng trên) của ANN cuối cùng (tòa nhà), nó được phân loại và gắn nhãn (có cấu trúc hơn).
Trí tuệ nhân tạo, học máy và học sâu
Làm thế nào để học tập sâu phù hợp với bức tranh tổng thể về trí tuệ nhân tạo (AI) và ML? Học tập sâu làm tăng sức mạnh của ML và tăng phạm vi nhiệm vụ AI có khả năng thực hiện. Bởi vì việc học sâu dựa vào việc sử dụng lưới thần kinh và nhận biết các tính năng bên trong các tập dữ liệu thay vì các thuật toán đặc nhiệm đơn giản hơn, nó có thể tìm và sử dụng các chi tiết từ dữ liệu không có cấu trúc mà không cần một lập trình viên tự nhãn nó lần đầu tiên nhiệm vụ -consuming có thể giới thiệu lỗi. Học tập sâu sắc là giúp máy tính ngày càng sử dụng dữ liệu tốt hơn để giúp cả doanh nghiệp và cá nhân.