Глубокое обучение работает как человеческий мозг

Глубокое обучение, по своей сути, учится на примерах - так, как это делает человеческий мозг. Оно имитирует то, как люди приобретают определенные виды знаний. Поскольку глубокое обучение обрабатывает информацию аналогичным образом, его можно использовать для выполнения тех задач, которые могут решать люди - например, научиться водить автомобиль или определить собаку на фотографии.

Глубокое обучение также используется для автоматизации предиктивной аналитики - например, для выявления тенденций и моделей покупок клиентов, чтобы компания могла привлечь больше клиентов и удержать их. Знаете разделы на сайтах розничной торговли, которые показывают товары, "часто покупаемые вместе", когда вы покупаете новую отвертку? Они основаны на предиктивных алгоритмах глубокого обучения, которые учитывают как ваш текущий поиск, так и прошлые модели покупок, чтобы предложить дополнительные товары, которые могут вам понадобиться.

Другие области применения включают множество повседневных встреч и действий, таких как виртуальные помощники, обнаружение мошенничества, перевод языка, чат-боты и сервисные боты, раскрашивание черно-белых изображений, распознавание лиц и диагностика заболеваний.

Простой пример применения нейронной сети - разбор речи. Сеть берет звуки из необработанного аудио, из которых складываются слоги, из которых складываются слова, из которых складываются фразы, побуждающие к действиям. Машина узнает, что этот конкретный звук означает, что она должна узнать баланс кредитной карты, и чем больше раз ее спрашивают об одном и том же, тем точнее она становится.

Глубокое обучение находит применение во всех отраслях

Нейронные сети - не новинка, они существуют с 1940-х годов. В 1943 году два компьютерных ученых представили модели неврологических сетей, воссоздали пороговые переключатели на основе нейронов и показали, что даже простые сети такого рода способны вычислить практически любую логическую или арифметическую функцию.

Первые предшественники компьютеров были разработаны ученым, который устал рассчитывать баллистические траектории вручную. Сегодня, более чем 70 лет спустя, глубокое обучение пережило взрывной рост сложности и использования, в первую очередь благодаря увеличению вычислительной мощности (наряду со значительным снижением стоимости единицы мощности), улучшению моделирования и доступности данных. Глубокое обучение требует огромных объемов данных. В настоящее время, по оценкам, объем данных, которые мы генерируем каждый день, составляет 2,6 квинтиллиона байт. И машины могут анализировать огромные массивы данных гораздо быстрее, чем человек. Машины не страдают от монотонности или усталости.

Существуют ли риски при использовании глубокого обучения?

Давайте ответим на этот вопрос на примере автономных автомобилей. Глубокое обучение дало нам эти самоуправляемые автомобили, но, похоже, они вряд ли смогут устранить все дорожные происшествия, что было бы сродни утопии. На самом деле, в недавнем исследовании Страхового института дорожной безопасности (IIHS) говорится, что автономные автомобили могут предотвратить лишь около трети всех аварий. Тем не менее, это более успешно, чем люди.

Тем не менее, опасения по поводу широкого внедрения могут также включать в себя увеличение количества аварий в первые дни внедрения по мере освоения технологии, моральные решения, оставленные на усмотрение производителей, и трудности с распределением ответственности за аварии. И еще - хакерские атаки, ведь, в конце концов, глубокое обучение - это просто технология, заключенная в автомобиль.