Cos'è l'apprendimento profondo?

L'apprendimento approfondito è un sottogruppo particolare di apprendimento automatico (la meccanica dell'intelligenza artificiale). Mentre questo ramo della programmazione può diventare molto complesso, è iniziato con una semplice domanda: "Se vogliamo che un sistema informatico agisca in modo intelligente, perché non lo modelliamo dopo il cervello umano?"

Quell'unico pensiero ha generato molti sforzi negli ultimi decenni per creare algoritmi che imitassero il modo in cui il cervello umano ha funzionato e che potrebbe risolvere i problemi come facevano gli umani. Questi sforzi hanno prodotto strumenti di analisi preziosi e sempre più competenti che vengono utilizzati in molti campi diversi.

La rete neurale e come viene utilizzata

Diagramma di rete neurale
via Wikipedia

L'apprendimento approfondito prende il nome dal modo in cui viene utilizzato per analizzare i dati "non strutturati" oi dati che non sono stati precedentemente etichettati da un'altra fonte e potrebbero aver bisogno di essere definiti. Ciò richiede un'attenta analisi di ciò che i dati sono, e ripetuti test di quei dati per finire con una conclusione finale utilizzabile. I computer non sono tradizionalmente bravi nell'analizzare dati non strutturati come questo.

Pensaci in termini di scrittura: se tu avessi dieci persone a scrivere la stessa parola, quella parola apparirebbe molto diversa da ogni persona, da sciatta a ordinata, e da corsiva a stampa. Il cervello umano non ha problemi a capire che è la stessa parola, perché sa come funzionano le parole, la scrittura, la carta, l'inchiostro e le stranezze personali. Un normale sistema informatico, tuttavia, non avrebbe modo di sapere che quelle parole sono le stesse, perché sembrano tutte così diverse.

Questo ci porta attraverso le reti neurali , gli algoritmi creati appositamente per imitare il modo in cui i neuroni nel cervello interagiscono. Le reti neurali tentano di analizzare i dati nel modo in cui una mente può: il loro obiettivo è gestire dati disordinati, come la scrittura, e trarre conclusioni utili, come le parole che la scrittura sta tentando di mostrare. È più facile capire le reti neurali se le suddividiamo in tre parti importanti:

Il livello di input : al livello di input, la rete neurale assorbe tutti i dati non classificati che viene fornito. Ciò significa scomporre le informazioni in numeri e trasformarle in bit di dati sì o no, o "neuroni". Se si desidera insegnare a una rete neurale a riconoscere le parole, il livello di input definisce matematicamente la forma di ciascuna lettera, suddividendola in un linguaggio digitale in modo che la rete possa iniziare a funzionare. Il livello di input può essere piuttosto semplice o incredibilmente complesso, a seconda di quanto sia facile rappresentare qualcosa matematicamente.

Rete neurale complessa
via Wikimedia

I livelli nascosti : al centro della rete neurale ci sono strati nascosti, ovunque da uno a molti. Questi strati sono fatti di propri neuroni digitali, che sono progettati per attivarsi o non attivarsi in base allo strato di neuroni che li precede. Un singolo neurone è un modello base "se questo, poi quello " , ma gli strati sono fatti di lunghe catene di neuroni, e molti diversi strati possono influenzarsi a vicenda, creando risultati molto complessi. L'obiettivo è di consentire alla rete neurale di riconoscere molte caratteristiche diverse e combinarle in un'unica realizzazione, come un bambino che impara a riconoscere ogni lettera e poi a formarle insieme per riconoscere una parola completa, anche se quella parola è scritta un po 'sciatta.

Gli strati nascosti sono anche i luoghi in cui si svolge un sacco di formazione per l'apprendimento profondo. Ad esempio, se l'algoritmo non riesce a riconoscere con precisione una parola, i programmatori restituiscono "Scusa, non è corretto" e l'algoritmo regola come ha pesato i dati finché non ha trovato le risposte corrette. La ripetizione di questo processo (i programmatori possono anche regolare manualmente i pesi) consente alla rete neurale di costruire robusti livelli nascosti che sono abili nel cercare le giuste risposte attraverso molte prove ed errori più, alcune istruzioni esterne – di nuovo, molto simili a come l'umano il cervello funziona Come mostra l'immagine sopra, i livelli nascosti possono diventare molto complessi!

Il livello di output : il livello di output ha relativamente pochi "neuroni" perché è dove vengono prese le decisioni finali. Qui la rete neurale applica l'analisi finale, stabilisce le definizioni per i dati e disegna le conclusioni programmate sulla base di tali definizioni. Ad esempio, "Basta con le linee dati per dire che questa parola è lago , non corsia ". In definitiva tutti i dati che passano attraverso la rete sono ristretti a specifici neuroni nel livello di output. Poiché è qui che gli obiettivi vengono realizzati, è spesso una delle prime parti della rete creata.

applicazioni

Eye Scan Army

Se si utilizza la tecnologia moderna, è probabile che gli algoritmi di deep learning siano all'opera intorno a te, ogni giorno. Come pensi che Alexa o l'Assistente Google capiscano i tuoi comandi vocali? Usano reti neurali che sono state costruite per capire il parlato. In che modo Google sa cosa stai cercando prima di aver terminato la digitazione? Più apprendimento profondo sul lavoro. In che modo la tua videocamera di sicurezza ignora gli animali domestici ma riconosce il movimento umano? Approfondimento dell'apprendimento ancora una volta.

Ogni volta che il software riconosce gli input umani, dal riconoscimento facciale agli assistenti vocali, l'apprendimento profondo è probabilmente al lavoro da qualche parte sotto. Tuttavia, il campo ha anche molte altre utili applicazioni. La medicina è un campo particolarmente promettente, dove l'apprendimento avanzato avanzato viene utilizzato per analizzare il DNA per difetti o composti molecolari per potenziali benefici per la salute. Su un fronte più fisico, l'apprendimento approfondito viene utilizzato in un numero crescente di macchine e veicoli per prevedere quando le attrezzature necessitano di manutenzione prima che qualcosa vada seriamente male.

Il futuro dell'apprendimento profondo

Storia del nome AI

Il futuro dell'apprendimento profondo è particolarmente brillante! La cosa bella di una rete neurale è che eccelle nel trattare con una grande quantità di dati disparati (pensa a tutto ciò che il nostro cervello ha a che fare, sempre). Ciò è particolarmente rilevante nella nostra era di sensori intelligenti avanzati, che possono raccogliere un'incredibile quantità
di informazioni. Le soluzioni informatiche tradizionali stanno cominciando a lottare con lo smistamento, l'etichettatura e traendo conclusioni da così tanti dati.

L'apprendimento approfondito, d'altra parte, può gestire le montagne digitali di dati che stiamo raccogliendo. Infatti, maggiore è la quantità di dati, più l'apprendimento approfondito efficiente viene confrontato con altri metodi di analisi. Questo è il motivo per cui organizzazioni come Google investono così tanto in algoritmi di deep learning e perché potrebbero diventare più comuni in futuro.

E, naturalmente, i robot. Non dimentichiamoci mai dei robot.

( Fonte )