Co to jest deep learning i jak możemy go wykorzystać?

Co to jest deep learning i jak możemy go wykorzystać?

W 2014 roku Google zapłacił ponad 400 milionów dolarów za firmę Deep Mind Technologies – londyński startup skupiający się na badaniach nad głębokim uczeniem. Firma pracowała nad stworzeniem technologii umożliwiającej rozpoznawanie twarzy na podstawie przesłanego wideo, oraz – analogicznie – tekstu z pliku dźwiękowego.

Co takiego jest w deep learningu, że technologiczny gigant wykupuje startupy za tak duże sumy pieniędzy? Deep learning – uczenie głębokie, to jeden z najszybciej rozwijających się gałęzi sztucznej inteligencji. Polega na tworzeniu sieci neuronowych, czyli takich systemów informatycznych, których budowa i funkcjonowanie przypomina pracę ludzkiego mózgu.

Sieci neuronowe

Sieć neuronowa to ogromna ilość połączonych ze sobą i działających w tym samy czasie procesorów. Każdy z nich posiada dostęp do pamięci lokalnej, i jest zasilany dużą ilością danych oraz informacją na temat związków między danymi. Żeby sieć neuronowa dobrze się “uczyła”, program musi jej pokazać, jak ma się zachować w odpowiedzi na konkretne bodźce z zewnątrz (czyli na przykład wprowadzenie danych przez użytkownika komputera).

Technologia deep learning, a raczej idea sieci neuronowych istnieje już od pięćdziesięciu lat, ale mniej więcej do końca lat dziewięćdziesiątych nie cieszyła się popularnością z powodu braku wystarczającej ilości dostępnych danych. Co sprawiło, że sytuacja zmieniła się w niespełna dwie dekady? Po pierwsze mamy o wiele więcej danych potrzebnych do zbudowania wielowarstwowej sieci neuronowej, a po drugie, dzięki najnowszym technologiom, dysponujemy teraz maszynami o dużo większej mocy obliczeniowej.

Ludzki mózg zawiera przeciętnie około sto miliardów neuronów, a każdy z nich połączony jest z kolejnymi dziesięcioma tysiącami neuronów, więc liczba połączeń między neuronami – czyli synaps – wynosi…od 100 bilionów do 1000 bilionów. Sporo. Na tyle, że nie jesteśmy (póki co) w stanie zbudować sieci neuronowej tego rozmiaru i o tak dużej mocy obliczeniowej (choć Google pracuje nad tworzeniem sztucznych sieci neuronowych porównywalnych z mózgami myszy laboratoryjnych).

W celu jak najlepszej imitacji ludzkiego mózgu, badacze tworzą skomplikowane sieci neuronowe, rozłożone na wiele warstw, i to właśnie ta ich wielopoziomowość prowadzi do głębszego uczenia się. Warto zaznaczyć, że uczenie głębokie przypomina raczej uczenie małego dziecka, bardziej niż tradycyjne programowanie, bo opiera się na kognitywnym przetwarzaniu danych. Pozwala to maszynom “zrozumieć” ludzkie sygnały i “odpowiadać” w sposób zrozumiały dla człowieka.

Uczenie głębokie opiera się na mechanizmie pracy ludzkiego mózgu – połączenia sieciowe tworzą poplątane na wielu płaszczyznach warstwy. Uczenie systemu polega na “aktualizacji” połączeń po każdym nowym bodźcu. Maszyna oparta na deep learning ma odwzorowywać zachowanie przypisane ludziom –  imitować głos, identyfikować obrazy, czy prognozować.

Uczenie głębokie vs. uczenie maszynowe

Artykułów na temat sztucznej inteligencji i tego, że powinniśmy poważnie zastanowić się nad jej potencjałem, jest w sieci mnóstwo. Każdy z nas trafił też pewnie na informacje zarówno o uczeniu maszynowym, jak i uczeniu głębokim. Niuanse między tymi trzema technologiami są oczywiste dla ekspertów. Co z całą resztą? Jakie są największe różnice między machine learning a deep learning i czy można powiedzieć o którejś z nich, że ma przewagę nad drugą?

Zacznijmy od słabości uczenia maszynowego:

  • wymaga obecności człowieka, który wprowadzając tysiące przykładów, uczy maszynę, jak czerpać z nich wiedzę
  • wszystkie błędy muszą być poprawiane ręcznie
  • sam proces uczenia jest bardzo czasochłonny
  • maszyna jest w pełni zależna od człowieka, więc ciężko określić jej poziom inteligencji

Uczenie głębokie zachodzi raczej bez nadzoru i kontroli człowieka. Piszę “raczej”, bo znane są przypadki, gdy deep learning wymaga ludzkiej obecności. Jednak w przeważającej większości, deep learning to tworzenie sieci neuronowych umożliwiające komputerowi samodzielne myślenie (bez udziału człowieka).

Moc modelu deep learning pochodzi z danych. Potrzebuje on ponad dziesięciu tysięcy przypadków danych, aby osiągnąć dobry efekt. Oczywiście ta liczba nie jest jedynym wymogiem, bo dane muszą obejmować wiele wariacji, żeby model mógł zrozumieć, że zmiana nie jest skorelowana z klasą.

Sztuczna Inteligencja jest jak parasol, który przykrywa zarówno głębokie uczenie, jak i uczenie maszynowe. Gdybyśmy mieli narysować diagram kołowy ilustrujący zależność między Artificial Intelligence, Machine Learning i Deep Learning, wtedy największe koło będzie zarezerwowane dla sztucznej inteligencji, w jej środku znajduje się “działka” dla uczenia maszynowego, a w samym jej centrum – dla głębokiego uczenia.

Deep learning w e-commerce

Wydaje Wam się, że głębokie uczenie to wciąż technologia powszechnie nieznana? Otóż nie. Translator Google’a korzysta właśnie z technologii deep learningu. Co więcej – dwa lata temu Microsoft stworzył algorytm uczenia głębokiego, który jest dokładniejszy niż człowiek. Podczas testu sklasyfikował bezbłędnie ponad trzysta tysięcy zdjęć do jednej z trzystu kategorii opisowych.

A jakie korzyści może czerpać z deep learning e-commerce? Przede wszystkim dużo łatwiejsze będzie pozyskiwanie jeszcze dokładniejszych danych demograficznych, bo komputery są cały czas “uczone”, by rozróżniać wiek i inne wskaźniki. Dodatkowo analiza ruchu w sklepie może być bardziej szczegółowa, bo dysponujemy większą wiedzą, jakie czynności podejmuje potencjalny kupujący w sklepie, kim jest, i jaka jest jego aktywność na stronie.

Katarzyna Gądek

view all post

By Daniele Zedda • 18 February

← PREV POST

By Daniele Zedda • 18 February

NEXT POST → 34
Share on