Dərin öyrənmə: maşın öyrənməsinin bir neçə qat dərinliyi

• Author:
• Author adı

  Quantumrun Foresigh
• Sentyabr 9, 2022

Anlayış xülasəsi

Maşın öyrənməsinin (ML) bir növü olan Dərin öyrənmə (DL), insan beyninin funksiyasına bənzər üsullarla məlumatlardan öyrənərək süni intellekt (AI) tətbiqlərini təkmilləşdirir. O, avtonom nəqliyyat vasitələri və səhiyyə diaqnozlarının təkmilləşdirilməsindən tutmuş chatbotların gücləndirilməsinə və kibertəhlükəsizlik tədbirlərinin təkmilləşdirilməsinə qədər müxtəlif sahələrdə istifadə edir. Texnologiyanın mürəkkəb tapşırıqların öhdəsindən gəlmək, geniş məlumat dəstlərini təhlil etmək və məlumatlı proqnozlar vermək qabiliyyəti sənayeləri formalaşdırır və xüsusilə məlumatların istifadəsi və məxfilik ətrafında etik müzakirələri artırır.

Dərin öyrənmə konteksti

Dərin öyrənmə bir çox AI tətbiqləri üçün əsas olan ML formasıdır. DL birbaşa təsvirlərdən, mətndən və ya səsdən təsnifləşdirmə tapşırıqlarında kömək edə bilər. O, məlumat analitikasını və cihaz interfeysini həyata keçirə, avtonom robotlar və özünü idarə edən avtomobillərə kömək edə və elmi araşdırmalar apara bilər. DL nümunələri və meylləri müəyyən etməyə və daha dəqiq proqnozlar verməyə kömək edə bilər. Bu texnologiya həmçinin smartfonlar və Əşyaların İnterneti (IoT) cihazları kimi texnoloji cihazlarla da əlaqə qura bilir. 

DL təbii dil emalına (NLP) və ya kompüter görmə və nitqin tanınmasına bənzər tapşırıqları yerinə yetirmək üçün süni neyron şəbəkələrindən istifadə edir. Neyron şəbəkələri həmçinin axtarış sistemlərində və e-ticarət saytlarında tapılanlara bənzər məzmun tövsiyələri verə bilər. 

Dərin öyrənməyə dörd əsas yanaşma var:

• Nəzarət edilən öyrənmə (etiketli məlumatlar).
• Yarı nəzarətli öyrənmə (yarı etiketli verilənlər dəsti).
• Nəzarətsiz öyrənmə (etiket tələb olunmur).
• Gücləndirici öyrənmə (alqoritmlər yalnız nümunə məlumatları deyil, ətraf mühitlə qarşılıqlı əlaqədə olur).

Bu dörd yanaşmada dərin öyrənmə məlumatlardan iterativ şəkildə öyrənmək üçün bir neçə səviyyədə neyron şəbəkələrindən istifadə edir ki, bu da strukturlaşdırılmamış məlumatda nümunələr axtararkən faydalıdır. 

Dərin öyrənmədə neyron şəbəkələri insan beyninin necə qurulduğunu təqlid edir, müxtəlif neyronlar və qovşaqları birləşdirən və məlumat paylaşır. Dərin öyrənmədə problem nə qədər mürəkkəb olarsa, modeldə bir o qədər çox gizli təbəqələr olacaqdır. ML-nin bu forması böyük miqdarda xam məlumatdan (böyük məlumat) yüksək səviyyəli xüsusiyyətləri çıxara bilər. 

DL problemin insan düşüncəsi üçün çox mürəkkəb olduğu (məsələn, əhval-ruhiyyənin təhlili, veb səhifə sıralarının hesablanması) və ya ətraflı həllər tələb edən məsələlərdə (məsələn, fərdiləşdirmə, biometrik məlumatlar) kömək edə bilər. 

Dağıdıcı təsir

Dərin öyrənmə daha məlumatlı qərarlar qəbul etmək üçün məlumatlardan istifadə etmək istəyən təşkilatlar üçün güclü bir vasitədir. Məsələn, neyron şəbəkələr mövcud xəstəliklər və onların müalicələri haqqında geniş məlumat bazalarını öyrənməklə, xəstələrə qulluq idarəçiliyini və nəticələrini təkmilləşdirməklə səhiyyədə diaqnozları təkmilləşdirə bilər. Digər müəssisə proqramlarına kompüter görmə, dil tərcümələri, optik xarakterlərin tanınması və chatbotlar və virtual köməkçilər kimi danışıq istifadəçi interfeysləri (UI) daxildir.

Rəqəmsal transformasiya və bulud miqrasiyasının təşkilatlar tərəfindən geniş şəkildə tətbiqi DL texnologiyalarının potensial təhlükələrin müəyyən edilməsində və azaldılmasında həlledici rol oynaya biləcəyi yeni kibertəhlükəsizlik problemləri təqdim edir. Müəssisələr rəqəmsal məqsədlərinə çatmaq üçün getdikcə çoxlu bulud və hibrid strategiyaları qəbul etdikcə, təşkilatların və ya şəxslərin kollektiv informasiya texnologiyaları aktivlərini əhatə edən İT obyektlərinin mürəkkəbliyi əhəmiyyətli dərəcədə artdı. Bu artan mürəkkəblik bu müxtəlif və mürəkkəb İT mühitlərini səmərəli şəkildə idarə etmək, qorumaq və optimallaşdırmaq üçün qabaqcıl həllər tələb edir.

İT sahələrinin böyüməsi və davamlı təşkilati inkişaf rəqabətədavamlı qalmaq üçün tələb olunan çeviklik və qənaətcilliyi təmin edir, eyni zamanda effektiv idarə etmək və qorumaq üçün daha çətin arxa plan yaradır. DL sındırma cəhdlərinin əlaməti ola biləcək anormal və ya qeyri-sabit nümunələri müəyyən etməyə kömək edə bilər. Bu xüsusiyyət kritik infrastrukturları sızmaqdan qoruya bilər.

Dərin öyrənmənin nəticələri

DL-nin daha geniş təsirləri aşağıdakıları əhatə edə bilər: 

• Ətraf mühit şəraitinə daha yaxşı cavab vermək, dəqiqliyi, təhlükəsizliyi və səmərəliliyi artırmaq üçün dərin öyrənmədən istifadə edən avtonom avtomobillər.
• Biometrik məlumatların (məsələn, üz xüsusiyyətləri, göz strukturları, DNT, barmaq izi nümunələri) Big Tech tərəfindən necə toplandığı və saxlandığı ilə bağlı etik mübahisələr.
• İnsanlar və maşınlar arasında təbii qarşılıqlı əlaqə yaxşılaşır (məsələn, ağıllı cihazlar və geyilə bilən cihazlardan istifadə).
• Kibertəhlükəsizlik şirkətləri İT infrastrukturundakı zəif nöqtələri müəyyən etmək üçün dərin öyrənmə metodundan istifadə edir.
• Məhsul və xidmətləri təkmilləşdirmək və müştərilərə hiper fərdi həllər təklif etmək üçün geniş spektrli proqnozlaşdırıcı analitika tətbiq edən şirkətlər.
• Hökumətlər, xüsusən də bələdiyyə yurisdiksiyaları arasında ictimai xidmətlərin göstərilməsini optimallaşdırmaq üçün ictimai məlumat bazalarını emal edir.

Nəzərə alınmalı suallar

• Dərin öyrənmə şirkətlərə və hökumətlərə müxtəlif vəziyyətlərdə fəal hərəkət etməkdə başqa necə kömək edə bilər?
• Dərin öyrənmənin istifadəsinin digər potensial riskləri və ya faydaları hansılardır?