Дубоко учење: Неколико слојева дубоког машинског учења

• Аутор:
• ime аутора

  Куантумрун Форесигх
• Септембар 9, 2022

Сажетак увида

Дубоко учење (ДЛ), врста машинског учења (МЛ), побољшава апликације вештачке интелигенције (АИ) учењем из података на начин сличан функционисању људског мозга. Налази се у употреби у различитим областима, од побољшања аутономних возила и здравствених дијагноза до покретања цхатботова и побољшања мера сајбер безбедности. Способност технологије да се носи са сложеним задацима, анализира огромне скупове података и даје информисана предвиђања обликује индустрије и покреће етичке дебате, посебно око коришћења података и приватности.

Контекст дубоког учења

Дубоко учење је облик МЛ који је основа за многе АИ апликације. ДЛ може помоћи у задацима класификације директно са слика, текста или звука. Може да спроводи анализу података и повезивање уређаја, помаже са аутономним роботима и аутомобилима који се сами возе и спроводи научна истраживања. ДЛ може помоћи да се идентификују обрасци и трендови и да се произведу тачнија предвиђања. Ова технологија такође може да се повеже са технолошким уређајима, као што су паметни телефони и уређаји Интернета ствари (ИоТ). 

ДЛ користи вештачке неуронске мреже да помогне у задацима сличним обради природног језика (НЛП) или компјутерском виду и препознавању говора. Неуронске мреже такође могу да дају препоруке садржаја сличне онима које се налазе у претраживачима и сајтовима за е-трговину. 

Постоје четири главна приступа дубоком учењу:

• Учење под надзором (означени подаци).
• Полу-надгледано учење (полу-означени скупови података).
• Учење без надзора (нису потребне ознаке).
• Учење са појачањем (алгоритми су у интеракцији са окружењем, а не само са узорком података).

У ова четири приступа, дубоко учење користи неуронске мреже на неколико нивоа за итеративно учење из података, што је корисно када се траже обрасци у неструктурираним информацијама. 

Неуронске мреже у дубоком учењу опонашају како је људски мозак структуриран, са различитим неуронима и чворовима који повезују и деле информације. У дубоком учењу, што је проблем сложенији, више ће бити скривених слојева у моделу. Овај облик МЛ може издвојити функције високог нивоа из великих количина необрађених података (велики подаци). 

ДЛ може помоћи у ситуацијама када је проблем превише сложен за људско резоновање (нпр. анализа осећања, израчунавање ранга веб страница) или питања која захтевају детаљна решења (нпр. персонализација, биометрија). 

Ометајући утицај

Дубоко учење је моћан алат за организације које желе да користе податке за доношење одлука на основу информација. На пример, неуронске мреже могу побољшати дијагнозе у здравству проучавањем обимних база података о постојећим болестима и њиховим третманима, побољшавајући управљање бригом о пацијентима и исходе. Остале пословне апликације укључују компјутерски вид, преводе језика, оптичко препознавање знакова и конверзацијски кориснички интерфејс (УИ) као што су цхатботови и виртуелни асистенти.

Широко усвајање дигиталне трансформације и миграције облака од стране организација представља нове изазове сајбер безбедности, где ДЛ технологије могу да играју кључну улогу у идентификовању и ублажавању потенцијалних претњи. Како предузећа све више усвајају мулти-цлоуд и хибридне стратегије за постизање својих дигиталних циљева, сложеност ИТ имања, која обухвата колективна средства информационе технологије организација или појединаца, значајно је ескалирала. Ова растућа сложеност захтева напредна решења за ефикасно управљање, обезбеђење и оптимизацију ових разноврсних и сложених ИТ окружења.

Раст ИТ имања и континуирани организациони развој обезбеђују агилност и исплативост потребне да би остали конкурентни, али и стварају тежи позадински део за ефикасно управљање и заштиту. ДЛ може помоћи у идентификацији абнормалних или неправилних образаца који могу бити знак покушаја хаковања. Ова функција може заштитити критичну инфраструктуру од инфилтрације.

Импликације дубоког учења

Шире импликације ДЛ могу укључивати: 

• Аутономна возила која користе дубоко учење да боље реагују на услове околине, побољшају тачност, безбедност и ефикасност.
• Етичке дебате о томе како Биг Тецх прикупља и чува биометријске податке (нпр. црте лица, структуре ока, ДНК, обрасци отисака прстију).
• Побољшање природних интеракција између људи и машина (нпр. коришћење паметних уређаја и носивих уређаја).
• Компаније за сајбер безбедност користе дубоко учење да идентификују слабе тачке у ИТ инфраструктурама.
• Компаније које примењују широк спектар предиктивне аналитике да побољшају производе и услуге и понуде хипер-прилагођена решења клијентима.
• Владе обрађују јавне базе података ради оптимизације пружања јавних услуга, посебно међу општинским јурисдикцијама.

Питања која треба размотрити

• Како иначе дубоко учење може помоћи компанијама и владама да проактивно делују у различитим ситуацијама?
• Који су други потенцијални ризици или предности коришћења дубоког учења?