Malalim na pag-aaral: Ilang layer ang malalim ng machine learning

CREDIT NG LARAWAN:
Image credit
iStock

Malalim na pag-aaral: Ilang layer ang malalim ng machine learning

Malalim na pag-aaral: Ilang layer ang malalim ng machine learning

Teksto ng subheading
Ang malalim na pag-aaral ay nagbigay-daan sa iba't ibang pagkagambala tulad ng automation at data analytics, na tumutulong sa AI na maging mas matalino kaysa dati.
    • May-akda:
    • pangalan Author
      Quantumrun Foresegh
    • Septiyembre 9, 2022

    Buod ng pananaw

    Ang deep learning (DL), isang uri ng machine learning (ML), ay nagpapahusay sa mga application ng artificial intelligence (AI) sa pamamagitan ng pag-aaral mula sa data sa paraang katulad ng paggana ng utak ng tao. Nakikita nito ang paggamit sa iba't ibang larangan, mula sa pagpapahusay ng mga autonomous na sasakyan at mga pagsusuri sa pangangalagang pangkalusugan hanggang sa pagpapagana ng mga chatbot at pagpapabuti ng mga hakbang sa cybersecurity. Ang kakayahan ng teknolohiya na pangasiwaan ang mga kumplikadong gawain, pag-aralan ang malawak na set ng data, at gumawa ng matalinong mga hula ay humuhubog sa mga industriya at nagpapalaki ng mga debate sa etika, lalo na sa paggamit ng data at privacy.

    Malalim na konteksto ng pag-aaral

    Ang malalim na pag-aaral ay isang anyo ng ML na batayan para sa maraming mga AI application. Maaaring tumulong ang DL sa mga gawain sa pag-uuri nang direkta mula sa mga larawan, teksto, o tunog. Maaari itong magsagawa ng data analytics at pag-interface ng device, tumulong sa mga autonomous na robot at self-driving na sasakyan, at magsagawa ng siyentipikong paggalugad. Makakatulong ang DL na matukoy ang mga pattern at trend at makagawa ng mas tumpak na mga hula. Ang teknolohiyang ito ay maaari ding mag-interface sa mga teknolohikal na device, gaya ng mga smartphone at Internet of Things (IoT) device. 

    Gumagamit ang DL ng mga artificial neural network para tumulong sa mga gawaing katulad ng natural language processing (NLP) o computer vision at speech recognition. Ang mga neural network ay maaari ding magbigay ng mga rekomendasyon sa nilalaman na katulad ng mga matatagpuan sa mga search engine at e-commerce na site. 

    Mayroong apat na pangunahing diskarte sa malalim na pag-aaral:

    • Pinangangasiwaang pag-aaral (may label na data).
    • Semi-supervised learning (mga semi-label na dataset).
    • Unsupervised learning (walang label na kailangan).
    • Reinforcement learning (ang mga algorithm ay nakikipag-ugnayan sa kapaligiran, hindi lamang ang sample na data).

    Sa apat na pamamaraang ito, ang malalim na pag-aaral ay gumagamit ng mga neural network sa ilang antas upang paulit-ulit na matuto mula sa data, na kapaki-pakinabang kapag naghahanap ng mga pattern sa hindi nakaayos na impormasyon. 

    Ang mga neural network sa malalim na pag-aaral ay ginagaya kung paano nakaayos ang utak ng tao, na may iba't ibang neuron at node na nagkokonekta at nagbabahagi ng impormasyon. Sa malalim na pag-aaral, mas kumplikado ang problema, mas maraming mga nakatagong layer ang magkakaroon sa modelo. Ang form na ito ng ML ay maaaring mag-extract ng mga high-level na feature mula sa malalaking halaga ng raw data (malaking data). 

    Maaaring tumulong ang DL sa mga sitwasyon kung saan ang problema ay masyadong kumplikado para sa pangangatuwiran ng tao (hal., pagsusuri ng sentimento, pagkalkula ng mga ranggo ng web page) o mga isyu na nangangailangan ng mga detalyadong solusyon (hal., personalization, biometrics). 

    Nakakagambalang epekto

    Ang malalim na pag-aaral ay isang mahusay na tool para sa mga organisasyong gustong gumamit ng data para makagawa ng mas matalinong mga desisyon. Halimbawa, maaaring pahusayin ng mga neural network ang mga diagnosis sa pangangalagang pangkalusugan sa pamamagitan ng pag-aaral ng malawak na database ng mga umiiral na sakit at mga paggamot sa mga ito, pagpapabuti ng pamamahala sa pangangalaga sa pasyente at mga resulta. Kasama sa iba pang mga enterprise application ang computer vision, mga pagsasalin ng wika, optical character recognition, at conversational user interface (UI) tulad ng mga chatbot at virtual assistant.

    Ang malawakang paggamit ng digital transformation at cloud migration ng mga organisasyon ay nagpapakita ng mga bagong hamon sa cybersecurity, kung saan ang mga teknolohiya ng DL ay maaaring gumanap ng isang mahalagang papel sa pagtukoy at pagpapagaan ng mga potensyal na banta. Habang ang mga negosyo ay patuloy na gumagamit ng mga multi-cloud at hybrid na diskarte upang makamit ang kanilang mga digital na layunin, ang pagiging kumplikado ng mga IT estate, na sumasaklaw sa mga kolektibong asset ng teknolohiya ng impormasyon ng mga organisasyon o indibidwal, ay tumaas nang malaki. Ang lumalaking kumplikadong ito ay nangangailangan ng mga advanced na solusyon upang mahusay na pamahalaan, secure, at i-optimize ang magkakaibang at masalimuot na IT environment.

    Ang paglago ng mga IT estate at patuloy na pag-unlad ng organisasyon ay nagbibigay ng liksi at cost-effectiveness na kinakailangan upang manatiling mapagkumpitensya ngunit lumikha din ng isang mas mahirap na backend upang pangasiwaan at pangalagaan nang epektibo. Makakatulong ang DL sa pagtukoy ng mga abnormal o mali-mali na pattern na maaaring senyales ng mga pagtatangka sa pag-hack. Mapoprotektahan ng feature na ito ang mga kritikal na imprastraktura mula sa paglusot.

    Mga implikasyon ng malalim na pag-aaral

    Maaaring kabilang sa mas malawak na implikasyon ng DL ang: 

    • Mga autonomous na sasakyan na gumagamit ng malalim na pag-aaral upang mas mahusay na tumugon sa mga kondisyon sa kapaligiran, mapabuti ang katumpakan, kaligtasan, at kahusayan.
    • Mga etikal na debate tungkol sa kung paano kinokolekta at iniimbak ng Big Tech ang biometric data (hal., mga katangian ng mukha, istruktura ng mata, DNA, fingerprint pattern).
    • Pagpapabuti ng likas na pakikipag-ugnayan sa pagitan ng mga tao at mga makina (hal., paggamit ng mga smart device at mga naisusuot).
    • Ang mga kumpanya ng cybersecurity ay gumagamit ng malalim na pag-aaral upang matukoy ang mga mahihinang punto sa mga imprastraktura ng IT.
    • Ang mga kumpanyang nag-aaplay ng malawak na hanay ng predictive analytics upang mapabuti ang mga produkto at serbisyo at nag-aalok ng mga hyper-customized na solusyon sa mga kliyente.
    • Pinoproseso ng mga pamahalaan ang mga pampublikong database upang ma-optimize ang paghahatid ng serbisyo publiko, lalo na sa mga hurisdiksyon ng munisipyo.

    Mga katanungang dapat isaalang-alang

    • Paano pa matutulungan ng malalim na pag-aaral ang mga kumpanya at pamahalaan sa aktibong pagkilos sa iba't ibang sitwasyon?
    • Ano ang iba pang potensyal na panganib o benepisyo ng paggamit ng malalim na pag-aaral?

    Mga sanggunian ng insight

    Ang mga sumusunod na sikat at institusyonal na link ay isinangguni para sa pananaw na ito: