El que necessites saber sobre l'evolució de la intel·ligència artificial
L'aprenentatge profund és una poderosa forma d' aprenentatge automàtic (ML) que construeix estructures matemàtiques complexes anomenades xarxes neuronals utilitzant quantitats grans de dades (informació).
Definició d'aprenentatge profund
L'aprenentatge profund és una manera d'implementar ML utilitzant múltiples capes de xarxes neuronals per processar tipus de dades més complexos. De vegades anomenat aprenentatge jeràrquic, l'aprenentatge profund utilitza diferents tipus de xarxes neuronals per aprendre funcions (també anomenades representacions) i trobar-les en grans conjunts de dades sense marcar i sense escriure (dades no estructurades). Una de les primeres demostracions avançades de l'aprenentatge profund va ser un programa que va triar amb èxit imatges de gats de grups de videos de YouTube.
Exemples d'aprenentatge profund en la vida quotidiana
L'aprenentatge profund no només s'utilitza en el reconeixement d'imatges, sinó també en la traducció d'idiomes, la detecció de fraus i l'anàlisi de les dades recollides per les empreses sobre els seus clients. Per exemple, Netflix utilitza l'aprenentatge profund per analitzar els hàbits de visualització i predir els espectacles i les pel·lícules que prefereix veure. Així és com Netflix sap posar pel·lícules d'acció i documentals de la natura en la seva cua de suggeriments. Amazon utilitza un aprenentatge profund per analitzar les vostres compres i articles recents que heu cercat recentment per crear suggeriments sobre els nous àlbums de música del país que probablement us interessi i que us trobeu al mercat per un parell de tennis gris i groc sabates. Atès que l'aprenentatge profund proporciona cada vegada més informació sobre dades no estructurades i sense processar, les empreses poden anticipar-se millor a les necessitats dels seus clients, mentre que el client individual obté un servei personalitzat més personalitzat.
Xarxes neuronals artificials i aprenentatge profund
Per fer que l'aprenentatge profund sigui més fàcil d'entendre, revisem la nostra comparació d'una xarxa neuronal artificial (ANN). Per a l'aprenentatge profund, imagineu que el nostre edifici d'oficines de 15 pisos ocupa un bloc de la ciutat amb cinc edificis d'oficines més. Hi ha tres edificis a cada costat del carrer. El nostre edifici està construint A i comparteix el mateix costat del carrer que els edificis B i C. Al llarg del carrer des de l'edifici A es troba l'edifici 1 i, al costat de l'edifici B, s'està construint 2, i així successivament. Cada edifici té un nombre diferent de pisos, està fet de diferents materials i té un estil arquitectònic diferent dels altres. No obstant això, cada edifici encara està disposat en pisos separats (capes) d'oficines (nodes), ja que cada edifici és un ANN únic.
Imagineu que un paquet digital arriba a la construcció A, que conté molts tipus diferents d'informació de diverses fonts, com ara dades basades en text, fluxos de vídeo, fluxes d'àudio, trucades telefòniques, ones de ràdio i fotografies, però, arriba a un gran embolic i no està etiquetat ni ordenat de cap manera lògica (dades no estructurades). La informació s'envia a través de cada planta, d'1 a 15, per a la seva tramitació. Una vegada que el desbloqueig d'informació arriba al 15 º pis (sortida), s'envia al pis 1er (entrada) de l'edifici 3 juntament amb el resultat final de processament de l'edifici A. L'edifici 3 aprèn i incorpora el resultat enviat per la construcció A i a continuació, processa la informació confusa a cada pis de la mateixa manera. Quan la informació arriba al pis superior de l'edifici 3, s'envia des d'allà amb els resultats de l'edifici a la construcció 1. L'edifici 1 aprèn i incorpora els resultats de la construcció 3 abans de processar-los a terra. Building 1 passa la informació i els resultats de la mateixa manera a la construcció de C, que processa i envia a la construcció 2, que processa i envia a la construcció B.
Cada ANN (edifici) en el nostre exemple busca una característica diferent a les dades no estructurades (barreja d'informació) i passa els resultats al següent edifici. El següent edifici incorpora (aprèn) la sortida (resultats) de l'anterior. A mesura que les dades són processades per cada ANN (edifici), es organitza i marca (classifica) una característica particular, de manera que quan les dades arriben a la sortida final (últim pis) de l'última ANN (edifici), es classifica i s'anomena (més estructurat).
Intel·ligència Artificial, Aprenentatge en Màquina i Aprenentatge Profund
Com s'aplica l'aprenentatge profund en la imatge general de la intel·ligència artificial (AI) i ML? L'aprenentatge profund augmenta el poder de ML i augmenta el rang de tasques que AI pot realitzar. Atès que l'aprenentatge profund es basa en l'ús de xarxes neuronals i en el reconeixement de funcions dins dels conjunts de dades en comptes d' algoritmes específics de tasques més simples, pot trobar i utilitzar detalls a partir de dades no estructurades sense necessitat d'un programador per etiquetar-lo primer -compte de consum que pot introduir errors. L'aprenentatge profund és ajudar els ordinadors a millorar i millorar l'ús de dades per ajudar tant a les empreses com a les persones.