Дълбоко обучение: Няколко дълбоки слоя на машинно обучение

• Автор:
• име Автор

  Quantumrun Foresigh
• Септември 9, 2022

Резюме на прозрението

Дълбокото обучение (DL), вид машинно обучение (ML), подобрява приложенията с изкуствен интелект (AI), като се учи от данни по начини, подобни на функцията на човешкия мозък. Той намира приложение в различни области, от подобряване на автономните превозни средства и здравни диагнози до захранване на чатботове и подобряване на мерките за киберсигурност. Способността на технологията да се справя със сложни задачи, да анализира огромни масиви от данни и да прави информирани прогнози оформя индустриите и поражда етични дебати, особено около използването на данни и поверителността.

Дълбок контекст на обучение

Дълбокото обучение е форма на машинно обучение, която е в основата на много AI приложения. DL може да помогне при задачи за класификация директно от изображения, текст или звук. Той може да извършва анализ на данни и интерфейс на устройства, да помага с автономни роботи и самоуправляващи се автомобили и да извършва научни изследвания. DL може да помогне за идентифициране на модели и тенденции и да създаде по-точни прогнози. Тази технология може също така да се свързва с технологични устройства, като смартфони и устройства за интернет на нещата (IoT). 

DL използва изкуствени невронни мрежи за подпомагане на задачи, подобни на обработка на естествен език (NLP) или компютърно зрение и разпознаване на реч. Невронните мрежи могат също така да предоставят препоръки за съдържание, подобни на тези в търсачките и сайтовете за електронна търговия. 

Има четири основни подхода към задълбочено обучение:

• Обучение под наблюдение (маркирани данни).
• Полуконтролирано обучение (полумаркирани набори от данни).
• Неконтролирано обучение (не са необходими етикети).
• Обучение с подсилване (алгоритмите взаимодействат с околната среда, не само с примерните данни).

В тези четири подхода дълбокото обучение използва невронни мрежи на няколко нива, за да се учи итеративно от данни, което е полезно, когато се търсят модели в неструктурирана информация. 

Невронните мрежи в дълбокото обучение имитират как е структуриран човешкият мозък, с различни неврони и възли, които се свързват и споделят информация. При дълбокото обучение, колкото по-сложен е проблемът, толкова повече скрити слоеве ще има в модела. Тази форма на ML може да извлича функции на високо ниво от големи количества необработени данни (големи данни). 

DL може да помогне в ситуации, в които проблемът е твърде сложен за човешко разсъждение (напр. анализ на настроението, изчисляване на ранга на уеб страницата) или проблеми, които изискват подробни решения (напр. персонализиране, биометрия). 

Разрушително въздействие

Дълбокото обучение е мощен инструмент за организации, които искат да използват данни, за да вземат по-информирани решения. Например, невронните мрежи могат да подобрят диагнозите в здравеопазването чрез изучаване на обширни бази данни за съществуващи заболявания и техните лечения, подобряване на управлението на грижите за пациентите и резултатите. Други корпоративни приложения включват компютърно зрение, езикови преводи, оптично разпознаване на символи и разговорни потребителски интерфейси (UI) като chatbots и виртуални асистенти.

Широкото възприемане на дигиталната трансформация и миграцията в облака от организациите поставя нови предизвикателства пред киберсигурността, където DL технологиите могат да играят решаваща роля при идентифицирането и смекчаването на потенциални заплахи. Тъй като предприятията все повече възприемат мулти-облачни и хибридни стратегии за постигане на своите цифрови цели, сложността на ИТ имотите, обхващащи колективните информационни технологични активи на организации или лица, ескалира значително. Тази нарастваща сложност изисква усъвършенствани решения за ефективно управление, защита и оптимизиране на тези разнообразни и сложни ИТ среди.

Растежът на ИТ имотите и непрекъснатото организационно развитие осигуряват гъвкавостта и рентабилността, необходими за поддържане на конкурентоспособността, но също така създават по-труден бекенд за ефективно управление и защита. DL може да помогне при идентифицирането на необичайни или хаотични модели, които може да са знак за опити за хакване. Тази функция може да защити критичните инфраструктури от проникване.

Последици от дълбокото обучение

По-широките последици от DL могат да включват: 

• Автономни превозни средства, използващи дълбоко обучение, за да реагират по-добре на условията на околната среда, да подобрят точността, безопасността и ефективността.
• Етични дебати за това как биометричните данни (напр. черти на лицето, структура на очите, ДНК, модели на пръстови отпечатъци) се събират и съхраняват от Big Tech.
• Подобряване на естествените взаимодействия между хората и машините (напр. използване на смарт устройства и носими устройства).
• Компаниите за киберсигурност използват дълбоко обучение за идентифициране на слаби места в ИТ инфраструктурите.
• Компании, прилагащи широка гама от предсказуеми анализи за подобряване на продуктите и услугите и предлагане на хиперперсонализирани решения на клиентите.
• Правителствата обработват публични бази данни, за да оптимизират предоставянето на обществени услуги, особено сред общинските юрисдикции.

Въпроси за разглеждане

• Как иначе дълбокото обучение може да помогне на компаниите и правителствата да действат проактивно в различни ситуации?
• Какви са другите потенциални рискове или ползи от използването на дълбоко обучение?