Pembelajaran mendalam: Beberapa lapisan dalam pembelajaran mesin

• Pengarang
• Nama pengarang

  Quantumrun Foresegh
• September 9, 2022

Ringkasan cerapan

Pembelajaran mendalam (DL), sejenis pembelajaran mesin (ML), meningkatkan aplikasi kecerdasan buatan (AI) dengan belajar daripada data dengan cara yang serupa dengan fungsi otak manusia. Ia digunakan dalam pelbagai bidang, daripada mempertingkatkan kenderaan berautonomi dan diagnosis penjagaan kesihatan kepada kuasa chatbots dan mempertingkatkan langkah keselamatan siber. Keupayaan teknologi untuk mengendalikan tugas yang rumit, menganalisis set data yang luas dan membuat ramalan termaklum sedang membentuk industri dan menimbulkan perdebatan etika, terutamanya mengenai penggunaan data dan privasi.

Konteks pembelajaran yang mendalam

Pembelajaran mendalam ialah satu bentuk ML yang menjadi asas untuk banyak aplikasi AI. DL boleh membantu dengan tugas pengelasan terus daripada imej, teks atau bunyi. Ia boleh menjalankan analisis data dan antara muka peranti, membantu dengan robot autonomi dan kereta pandu sendiri, dan melaksanakan penerokaan saintifik. DL boleh membantu mengenal pasti corak dan arah aliran serta menghasilkan ramalan yang lebih tepat. Teknologi ini juga boleh antara muka dengan peranti teknologi, seperti telefon pintar dan peranti Internet of Things (IoT). 

DL menggunakan rangkaian saraf tiruan untuk membantu dengan tugas yang serupa dengan pemprosesan bahasa semula jadi (NLP) atau penglihatan komputer dan pengecaman pertuturan. Rangkaian saraf juga boleh memberikan cadangan kandungan yang serupa dengan yang terdapat dalam enjin carian dan tapak e-dagang. 

Terdapat empat pendekatan utama untuk pembelajaran mendalam:

• Pembelajaran diselia (data berlabel).
• Pembelajaran separa penyeliaan (set data separa berlabel).
• Pembelajaran tanpa pengawasan (tiada label diperlukan).
• Pembelajaran pengukuhan (algoritma berinteraksi dengan persekitaran, bukan hanya data sampel).

Dalam empat pendekatan ini, pembelajaran mendalam menggunakan rangkaian saraf pada beberapa peringkat untuk belajar secara berulang daripada data, yang bermanfaat apabila mencari corak dalam maklumat tidak berstruktur. 

Rangkaian saraf dalam pembelajaran mendalam meniru cara otak manusia distrukturkan, dengan pelbagai neuron dan nod menghubungkan dan berkongsi maklumat. Dalam pembelajaran mendalam, lebih kompleks masalah, lebih banyak lapisan tersembunyi yang akan ada dalam model. Bentuk ML ini boleh mengekstrak ciri peringkat tinggi daripada sejumlah besar data mentah (data besar). 

DL boleh membantu dalam situasi di mana masalahnya terlalu kompleks untuk penaakulan manusia (cth, analisis sentimen, mengira kedudukan halaman web) atau isu yang memerlukan penyelesaian terperinci (cth, pemperibadian, biometrik). 

Kesan yang mengganggu

Pembelajaran mendalam ialah alat yang berkuasa untuk organisasi yang ingin menggunakan data untuk membuat keputusan yang lebih termaklum. Sebagai contoh, rangkaian saraf boleh meningkatkan diagnosis dalam penjagaan kesihatan dengan mengkaji pangkalan data meluas penyakit sedia ada dan rawatannya, menambah baik pengurusan dan hasil penjagaan pesakit. Aplikasi perusahaan lain termasuk penglihatan komputer, terjemahan bahasa, pengecaman aksara optik dan antara muka pengguna perbualan (UI) seperti chatbots dan pembantu maya.

Penggunaan meluas transformasi digital dan migrasi awan oleh organisasi memberikan cabaran keselamatan siber baharu, di mana teknologi DL boleh memainkan peranan penting dalam mengenal pasti dan mengurangkan potensi ancaman. Memandangkan perniagaan semakin menggunakan strategi berbilang awan dan hibrid untuk mencapai objektif digital mereka, kerumitan ladang IT, merangkumi aset teknologi maklumat kolektif organisasi atau individu, telah meningkat dengan ketara. Kerumitan yang semakin meningkat ini memerlukan penyelesaian termaju untuk mengurus, menjamin dan mengoptimumkan persekitaran IT yang pelbagai dan rumit ini dengan cekap.

Pertumbuhan estet IT dan pembangunan organisasi yang berterusan memberikan ketangkasan dan keberkesanan kos yang diperlukan untuk kekal berdaya saing tetapi juga mewujudkan bahagian belakang yang lebih sukar untuk diurus dan dilindungi dengan berkesan. DL boleh membantu dalam mengenal pasti corak yang tidak normal atau tidak menentu yang mungkin menjadi tanda percubaan penggodaman. Ciri ini boleh melindungi infrastruktur kritikal daripada disusupi.

Implikasi pembelajaran mendalam

Implikasi DL yang lebih luas mungkin termasuk: 

• Kenderaan autonomi menggunakan pembelajaran mendalam untuk bertindak balas dengan lebih baik kepada keadaan persekitaran, meningkatkan ketepatan, keselamatan dan kecekapan.
• Perdebatan etika tentang cara data biometrik (cth, ciri muka, struktur mata, DNA, corak cap jari) dikumpul dan disimpan oleh Big Tech.
• Interaksi semula jadi antara manusia dan mesin bertambah baik (cth, menggunakan peranti pintar dan boleh pakai).
• Syarikat keselamatan siber menggunakan pembelajaran mendalam untuk mengenal pasti titik lemah dalam infrastruktur IT.
• Syarikat yang menggunakan pelbagai analitik ramalan untuk menambah baik produk dan perkhidmatan serta menawarkan penyelesaian tersuai hiper kepada pelanggan.
• Kerajaan memproses pangkalan data awam untuk mengoptimumkan penyampaian perkhidmatan awam, terutamanya di kalangan bidang kuasa perbandaran.

Soalan yang perlu dipertimbangkan

• Bagaimana lagi pembelajaran mendalam boleh membantu syarikat dan kerajaan bertindak secara proaktif terhadap situasi yang berbeza?
• Apakah potensi risiko atau faedah lain menggunakan pembelajaran mendalam?