Mga malalalim na neural network: Ang susi sa susunod na antas ng mga teknolohiya ng AI

• May-akda:
• pangalan Author

  Quantumrun Foresight
• Nobyembre 14, 2022

Ang mga sistema ng artificial intelligence (AI) na batay sa mga deep neural network (DNN) ay nakakita ng tagumpay sa iba't ibang mga aplikasyon, lalo na sa computer vision at Natural Language Processing (NLP). Ang mga malalim na neural network ay nagpapagana ng maraming nalalaman algorithm na sabay-sabay na nagpoproseso ng iba't ibang modalidad (hal., wika, paningin, at pandama), na nagreresulta sa mas matalinong paggawa ng desisyon.

Malalim na konteksto ng neural network

Ang mga deep neural network, na kilala rin bilang deep nets, ay mga mahalagang bahagi ng machine learning (ML) na gumagamit ng kumplikadong mathematical modeling. Ginagaya ng mga neural network na ito ang daan-daang node sa utak ng tao na nag-aalok sa mga tao ng lohika, pangangatwiran, at kakayahang sumangguni sa nauugnay na impormasyon. Katulad nito, pinapayagan ng mga DNN ang mga mathematical na modelo na magkaroon ng ilang layer ng output na maaari nilang i-refer para sa mas tumpak at lohikal na pag-uuri. Ang prosesong ito ay kilala bilang malalim na pag-aaral (DL), kung saan ang mga algorithm ay nagbabago nang higit pa sa mga pangunahing protocol ng input/output. 

Mayroong tatlong uri ng mga DNN, lahat ay sumusuporta sa iba't ibang mga function. 

1. Ang mga artificial neural network (ANN) ay maaaring matuto ng mga non-linear na function at kumplikadong ugnayan sa pagitan ng mga input at output. 
2. Pangunahing ginagamit ang mga convolution neural network (CNN) sa pagproseso ng video at imahe. Ang mga network na ito ay responsable para sa paglaganap ng kontrobersyal na deepfake na nilalaman. 
3. Panghuli, nalulutas ng mga paulit-ulit na neural network (RNN) ang mga problema sa data ng audio, text, at time-series. 

Ang pinakakaraniwang mga kaso ng paggamit ng mga DNN ay ang computer vision, speech recognition, paglikha ng mga virtual na kapaligiran, at medikal na diagnosis. Gayunpaman, bagama't ang tradisyunal na pagsasanay ng mga DNN ay karaniwang nasa isang modality lamang (hal., paningin o pagsasalita), ang ilang mga tech na kumpanya ay bumubuo ng maraming nalalaman na multimodal net na mas may kakayahang maunawaan ang mga relasyon sa mga kumplikadong dataset.

Nakakagambalang epekto

Ang self-supervised na pag-aaral sa pamamagitan ng mga DNN, kung saan natututo ang mga computer sa pamamagitan ng direktang pagsusuri sa mundo sa halip na turuan sa pamamagitan ng may label na mga larawan, text, audio, at iba pang pinagmumulan ng data, ay nagpasigla sa maraming makabuluhang pag-unlad ng AI. Noong 2022, inanunsyo ng Meta ang bago nitong self-supervised na multimodal algorithm na tinatawag na data2ve. Ang algorithm ay gumagana nang hiwalay sa pagsasalita, mga larawan, at teksto, na higit na gumaganap ng iba pang mga single-purpose na computer vision at speech algorithm. Ayon sa kumpanya, ang pagsubaybay sa sarili ay nagpapahintulot sa mga computer na malaman ang tungkol sa mundo sa pamamagitan lamang ng panonood nito at pagkatapos ay pagtukoy sa imahe, pananalita, o mga istruktura ng teksto. Ang mga makina na hindi kailangang tahasang ituro upang tukuyin ang mga larawan o maunawaan ang sinasalitang wika ay mas nasusukat. Umaasa ang Meta na ang ganitong uri ng malalim na pag-aaral ay magbibigay-daan para sa mas madaling ibagay na AI.

Sa partikular, ang lubos na nagbagong mga kakayahan sa pag-compute ng mga DNN ay sinusuri upang mahulaan ang mga potensyal na pag-atake ng terorista. Ang paggamit ng mga pamamaraan ng ML sa pag-aaral ng terorismo ay nagiging mas karaniwan dahil ang napakalaking dami ng may label na data ay magagamit. Bukod pa rito, ang mga pagpapahusay sa computer hardware ay nagbigay-daan sa mga DNN na lumikha ng mas malakas na mga sistema ng computing na may kakayahang magsagawa ng mga kinakailangang kalkulasyon. Maaaring suriin ng malalim na neural network ang ilang bahagi ng pag-atake ng terorista. Halimbawa, maaaring uriin ng modelo ang mga pangkalahatang uri ng armas na ginamit, ang target na rehiyon, at ang uri ng pag-atake (hal., mga suicide bomber at pampublikong pamamaril). Ang mga hulang ito ay mahalaga para sa kontra-terorismo. Ang malalim na pag-aaral ay maaaring mabilis na makabuo ng mga hulang ito, na nagpapahintulot sa mga puwersa ng pulisya na gumawa ng mga pamamaraan upang maiwasan ang pagkawala ng buhay at imprastraktura ng tao, kabilang ang mga mahahalagang serbisyo.

Mga implikasyon ng malalim na neural network

Maaaring kabilang sa mas malawak na implikasyon ng mga DNN ang: 

• Ang industriya ng sasakyan na gumagamit ng mga DNN upang pahusayin ang teknolohiya sa pagmamaneho sa sarili upang iproseso ang iba't ibang mga stimuli nang sabay-sabay, tulad ng mga ingay at mga sagabal.
• Pagpaparami ng matatalinong chatbot at digital assistant na maaaring magsagawa ng tumpak na pagsusuri ng sentimento.
• Ang kakayahang maghula ng mas mahusay para sa matinding lagay ng panahon at mga sakuna. Ang kakayahang ito ay maaaring makatulong na balaan ang mga tao sa mga potensyal na bagyo, bagyo, at sunog sa kagubatan.
• Paggawa ng mas sopistikadong deepfake na content para sa propaganda at paggawa ng disinformation na maaaring magpapataas ng mga pandaigdigang kawalang-katatagan sa pulitika.
• Ang mga malalim na neural network ay ginamit upang hubugin at subukan ang mga diskarte sa militar, tulad ng pag-brainstorming ng iba't ibang mga sitwasyon at paghula ng kanilang indibidwal na posibilidad ng tagumpay. 

Mga tanong na ikokomento

• Ano ang iba pang potensyal na kaso ng paggamit ng mga DNN?
• Paano maaaring maabuso ang mga DNN sa pang-araw-araw na aplikasyon?