Что такое метод глубокого обучения (Deep Learning)

Что такое метод глубокого обучения (Deep Learning)

Простыми словами о принципе работы глубокого обучения нейронных сетей, в чем отличие от машинного обучения и как его использовать
4 минуты2591

Термины Deep learning и Machine learning часто мелькают в СМИ или технических публикациях. К сожалению, их нередко путают, считая синонимами. Но это вовсе не так. Deep learning и Machine learning — две самостоятельных области искусственного интеллекта, у них разная суть и предназначение.

Что такое искусственный интеллект

Это академическая дисциплина, которая появилась в середине XX века. Специалисты по ИИ разрабатывают компьютерные системы, которые способны решать задачи, ранее считавшиеся прерогативой человека. Проще говоря, ИИ должен уметь разбирать вопросы, ответы на которые требуют интеллекта.

Приведём классический пример развития искусственного интеллекта — игры. Изначально компьютеру поручали простые вещи, вроде игры в шашки или шахматы. Со временем искусственный интеллект осваивал всё более сложные направления. Недавно ИИ одолел чемпионов мира по игре в го, которая несколько десятков лет считалась недоступной «пониманию» компьютера. Также машины научились побеждать людей и в играх вроде Starcraft II, где необходимо умение анализировать обстановку и просчитывать действия на несколько шагов вперёд. Разумеется, и в других областях искусственный интеллект также преуспевает — экономике, логистике, науке, медицине… На карте ИИ остаётся всё меньше белых пятен.

Что такое машинное обучение (Machine learning)

Машинное обучение — это область искусственного интеллекта, связанная с созданием алгоритмов, способных модифицировать себя практически без вмешательства человека. Методы, разработанные для работы с ИИ на старте развития отрасли, не годились для решения более сложных задач. Например, жёстко заданные алгоритмы не очень хорошо работают с распознаванием изображений, видео, тем более — эмоций или текста.

Понадобились новые методы, которые копируют систему обучения человека. Процесс движется от простого к сложному, как, например, при обучении школьника чтению: сначала буквы, слоги, потом слова, фразы и уже в финале — связные тексты.

Примерно так же и с ИИ: специалисты создают алгоритмы машинного обучения и предоставляют им огромные массивы информации. Алгоритмы анализируют эти данные и делают выводы, на основе которых совершенствуется искусственный интеллект. Так, если «скормить» алгоритму признаки кибермошеннических атак на инфраструктуру банков, ИИ обучится на примерах и сможет выявлять атаки самостоятельно.

От отдельных алгоритмов к нейронным сетям

Но отдельные алгоритмы не в состоянии анализировать речь человека, изображения или рукописный ввод. Чтобы обучить ИИ решать подобные задачи, специалисты создают искусственные нейронные сети. Это математические модели, имитирующие биологический оригинал — мозг человека.

Пока что простые нейросети могут подсчитать, сколько определённых предметов на картине, «узнать» простой объект, например, отличить собаку от кошки и т. п. Но более сложные нейронные сети способны решать комплексные задачи, с которыми машины раньше не справлялись. 

Чтобы система научилась идентифицировать, например, животных, ей нужно предоставлять их размеченные изображения. Чем больше размеченных изображений, тем лучше система научится отличать кошек от собак. Дальше алгоритм сможет повысить точность «узнавания» животных. 

К сожалению, для более сложных задач — распознавание голоса человека в реальном времени, анализ видеопотока и т. п. — этого недостаточно. Специалисты по ИИ пошли дальше и стали работать над глубоким обучением нейросетей.

Что такое глубокое обучение нейросетей (Deep learning)

Глубокое обучение нейронных сетей — это новая стадия развития науки о нейросетях. В ней сети включают множество составных элементов, которые взаимодействуют в рамках более чем одного слоя. Такие системы способны решать очень сложные задачи.

Успехи машин в го, Starcraft и других играх, описанные выше, стали возможны именно благодаря глубокому обучению. Такие глубинные нейронные сети (ГНС) могут работать со сложными изображениями в режиме реального времени. К примеру, обученная многослойная нейросеть может распознавать самолёт в необычном ракурсе и на любом фоне. Нейросеть идентифицирует объект как самолёт, даже если это игрушка и он, например, с глазами и в одежде.

 

Здесь входные данные отправляются разным слоям нейросетей одновременно, и каждый рассматривает изображения со своего ракурса. Нейроны здесь сформированы в три разных типа слоёв: 

  • входной слой; 
  • скрытые слои;
  • выходной слой. 

Вычислениями занимаются скрытые слои.

Важнейшую роль глубокое обучение играет в обработке речи. Например, комплексная многослойная нейросеть сможет решить задачу вроде такой: «Моя родина — Франция, я жил в Англии и Перу, на каком языке я свободно говорю?». Нейросеть определит список наиболее вероятных языков, на которых говорит автор предложения, и выберет французский как наиболее подходящий вариант.

Стоит отметить, что глубокое обучение стало возможно только после появления производительных компьютерных систем. Тот же анализ и распознавание видео невозможны без производительных компьютеров.

Для решения каких задач подходят Machine learning и Deep learning?

При помощи этих дисциплин решаются разные типы задач. Если рассматривать бизнес, то Machine learning подходит, когда:

  • нужно автоматизировать бизнес-операции — идентификацию пользователей, сбор и анализ данных клиентов, — а также обеспечить персональный подход;
  • есть набор проанализированных данных, который нужно структурировать и использовать для обучения алгоритмов.

В случае Deep learning условия иные:

  • огромные массивы данных не проанализированы, и на их основе пока нельзя обучать алгоритмы;
  • нужно решать задачи, которые слишком сложны для машинного обучения. 

Стоит сказать, что без ИИ, машинного и глубокого обучения невозможны ни робомобили, ни распознавание речи, ни даже программы по игре в шахматы. Только эти технологии позволяют научить машины выполнению определённых задач при помощи обработки наборов больших объёмов данных и выявления в них закономерностей и связей.

Исходные данные всегда содержат необходимые специалистам из разных отраслей ответы. Главное — научиться находить эти ответы при помощи технологий искусственного интеллекта. Информация по-прежнему правит миром, а конкурентное преимущество получает тот, у кого наиболее производительные ИИ-системы. 

Сентябрь — отличное время, чтобы построить далеко идущие планы и начать идти к новым целям! Если вы хотите освоить профессию мечты, то с 1 по 11 сентября 2020 г. мы дарим вам скидку 40% почти на все программы обучения GeekBrains. Успехов! :)

 

программированиеdata-science
Нашли ошибку в тексте? Напишите нам.
Спасибо,
что читаете наш блог!
Posts popup