Dysgu dwfn: Sawl haen yn ddwfn o ddysgu peiriannau

CREDYD DELWEDD:
Credyd Delwedd
iStock

Dysgu dwfn: Sawl haen yn ddwfn o ddysgu peiriannau

Dysgu dwfn: Sawl haen yn ddwfn o ddysgu peiriannau

Testun is-bennawd
Mae dysgu dwfn wedi galluogi amhariadau amrywiol fel awtomeiddio a dadansoddeg data, gan helpu AI i ddod yn ddoethach nag erioed.
    • Awdur:
    • enw awdur
      Quantumrun Foresigh
    • Medi 9, 2022

    Crynodeb mewnwelediad

    Mae dysgu dwfn (DL), math o ddysgu peirianyddol (ML), yn gwella cymwysiadau deallusrwydd artiffisial (AI) trwy ddysgu o ddata mewn ffyrdd tebyg i swyddogaeth yr ymennydd dynol. Mae'n cael ei ddefnyddio mewn amrywiol feysydd, o wella cerbydau ymreolaethol a diagnosis gofal iechyd i bweru chatbots a gwella mesurau seiberddiogelwch. Mae gallu'r dechnoleg i drin tasgau cymhleth, dadansoddi setiau data helaeth, a gwneud rhagfynegiadau gwybodus yn siapio diwydiannau ac yn codi dadleuon moesegol, yn enwedig ynghylch defnydd data a phreifatrwydd.

    Cyd-destun dysgu dwfn

    Mae dysgu dwfn yn fath o ML sy'n sail i lawer o gymwysiadau AI. Gall DL gynorthwyo gyda thasgau dosbarthu yn uniongyrchol o ddelweddau, testun neu sain. Gall gynnal dadansoddeg data a rhyngwynebu dyfeisiau, cynorthwyo gyda robotiaid ymreolaethol a cheir hunan-yrru, a chynnal archwiliad gwyddonol. Gall DL helpu i nodi patrymau a thueddiadau a chynhyrchu rhagfynegiadau mwy cywir. Gall y dechnoleg hon hefyd ryngwynebu â dyfeisiau technolegol, megis ffonau smart a dyfeisiau Rhyngrwyd Pethau (IoT). 

    Mae DL yn defnyddio rhwydweithiau niwral artiffisial i gynorthwyo gyda thasgau tebyg i brosesu iaith naturiol (NLP) neu olwg cyfrifiadurol ac adnabod lleferydd. Gall rhwydweithiau niwral hefyd ddarparu argymhellion cynnwys tebyg i'r rhai a geir mewn peiriannau chwilio a gwefannau e-fasnach. 

    Mae pedwar prif ddull o ddysgu’n ddwfn:

    • Dysgu dan oruchwyliaeth (data wedi'i labelu).
    • Dysgu lled-oruchwyliaeth (setiau data lled-labelu).
    • Dysgu heb oruchwyliaeth (nid oes angen labeli).
    • Dysgu atgyfnerthu (algorithmau'n rhyngweithio â'r amgylchedd, nid y data sampl yn unig).

    Yn y pedwar dull hwn, mae dysgu dwfn yn defnyddio rhwydweithiau niwral ar sawl lefel i ddysgu'n ailadroddol o ddata, sy'n fuddiol wrth chwilio am batrymau mewn gwybodaeth anstrwythuredig. 

    Mae'r rhwydweithiau niwral mewn dysgu dwfn yn dynwared sut mae'r ymennydd dynol wedi'i strwythuro, gyda niwronau a nodau amrywiol yn cysylltu ac yn rhannu gwybodaeth. Mewn dysgu dwfn, po fwyaf cymhleth yw'r broblem, y mwyaf o haenau cudd fydd yn y model. Gall y math hwn o ML dynnu nodweddion lefel uchel o symiau mawr o ddata crai (data mawr). 

    Gall DL gynorthwyo mewn sefyllfaoedd lle mae’r broblem yn rhy gymhleth ar gyfer rhesymu dynol (e.e., dadansoddi teimladau, cyfrifo rhengoedd tudalennau gwe) neu faterion sy’n gofyn am atebion manwl (e.e., personoli, biometreg). 

    Effaith aflonyddgar

    Mae dysgu dwfn yn arf pwerus i sefydliadau sy'n dymuno defnyddio data i wneud penderfyniadau mwy gwybodus. Er enghraifft, gall rhwydweithiau niwral wella diagnosis mewn gofal iechyd trwy astudio cronfeydd data helaeth o glefydau presennol a'u triniaethau, gan wella rheolaeth a chanlyniadau gofal cleifion. Mae cymwysiadau menter eraill yn cynnwys gweledigaeth gyfrifiadurol, cyfieithiadau iaith, adnabod nodau optegol, a rhyngwynebau defnyddiwr sgyrsiol (UI) fel chatbots a chynorthwywyr rhithwir.

    Mae mabwysiadu trawsnewid digidol a mudo cwmwl yn eang gan sefydliadau yn cyflwyno heriau seiberddiogelwch newydd, lle gall technolegau DL chwarae rhan hanfodol wrth nodi a lliniaru bygythiadau posibl. Wrth i fusnesau fabwysiadu strategaethau aml-gwmwl a hybrid yn gynyddol i gyflawni eu hamcanion digidol, mae cymhlethdod ystadau TG, sy'n cwmpasu asedau technoleg gwybodaeth cyfunol sefydliadau neu unigolion, wedi cynyddu'n sylweddol. Mae'r cymhlethdod cynyddol hwn yn gofyn am atebion datblygedig i reoli'n effeithlon, sicrhau, a gwneud y gorau o'r amgylcheddau TG amrywiol a chymhleth hyn.

    Mae twf ystadau TG a datblygiad sefydliadol parhaus yn darparu'r ystwythder a chost-effeithiolrwydd sydd eu hangen i aros yn gystadleuol ond hefyd yn creu cefndir anos i'w reoli a'i ddiogelu'n effeithiol. Gall DL gynorthwyo i ganfod patrymau annormal neu anghyson a all fod yn arwydd o ymdrechion hacio. Gall y nodwedd hon amddiffyn seilwaith hanfodol rhag cael ei ymdreiddio.

    Goblygiadau dysgu dwfn

    Gall goblygiadau ehangach DL gynnwys: 

    • Cerbydau ymreolaethol sy'n defnyddio dysgu dwfn i ymateb yn well i amodau amgylcheddol, gwella cywirdeb, diogelwch ac effeithlonrwydd.
    • Dadleuon moesegol ynghylch sut mae data biometrig (ee, nodweddion wyneb, strwythurau llygaid, DNA, patrymau olion bysedd) yn cael eu casglu a'u storio gan Big Tech.
    • Rhyngweithio naturiol rhwng bodau dynol a pheiriannau yn gwella (ee, defnyddio dyfeisiau clyfar a nwyddau gwisgadwy).
    • Cwmnïau seiberddiogelwch yn defnyddio dysgu dwfn i nodi pwyntiau gwan mewn seilweithiau TG.
    • Cwmnïau sy'n defnyddio ystod eang o ddadansoddeg ragfynegol i wella cynhyrchion a gwasanaethau ac yn cynnig atebion wedi'u haddasu'n ormodol i gleientiaid.
    • Llywodraethau sy'n prosesu cronfeydd data cyhoeddus i wneud y gorau o ddarparu gwasanaethau cyhoeddus, yn enwedig ymhlith awdurdodaethau dinesig.

    Cwestiynau i'w hystyried

    • Sut arall y gall dysgu dwfn gynorthwyo cwmnïau a llywodraethau i weithredu'n rhagweithiol i wahanol sefyllfaoedd?
    • Beth yw'r risgiau neu fanteision posibl eraill o ddefnyddio dysgu dwfn?

    Cyfeiriadau mewnwelediad

    Cyfeiriwyd at y cysylltiadau poblogaidd a sefydliadol canlynol ar gyfer y mewnwelediad hwn: