Fremtiden for dyb læring

Deep learning (DL) blev en "stjerne" fra den ene dag til den anden, da en robotspiller slog en menneskelig spiller i det berømte spil AlphaGo. Deep learning træning og læringsmetoder er blevet bredt anerkendt for at "humanisere" maskiner. Mange af de avancerede automatiseringsfunktioner, der nu findes i virksomheders AI-platforme, skyldes den hurtige vækst i maskinlæring (ML) og deep learning .

Denne sammenlignende indlæg om AI, ML og DL diskuterer den "allestedsnærværende" tilstedeværelse af DL i mange facetter af AI - det være sig NLP eller computervisionsapplikationer. Gradvist trænger AI- og DL-aktiverede automatiserede systemer, værktøjer og løsninger ind og overtager alle forretningssektorer – fra marketing til kundeoplevelse, fra virtual reality til naturlig sprogbehandling (NLP) – og den digitale effekt er overalt.

Facebook-forskere plaget af privatlivsdilemma

Her er en se tilbage på 2018-kontroversen over offentligt krav om absolut fortrolighed af personlige data. Denne forbrugerefterspørgsel er i direkte modstrid med Facebooks aktuelle AI-forskningsbestræbelser. AI-forskerne på Facebook skal "massehøste" personlige data for at træne læringsalgoritmer.

Facebook indser, at det utopiske koncept med end-to-end-kryptering faktisk var en myte i en forskningsverden, der søger svar fra bunker af personlige data. For fremtidige bestræbelser overvejer forskere nu seriøst at træne algoritmer på "døde data" på individuelle enheder i stedet for at massehøste personlige data. I så fald vil Facebooks ingeniører installere indholdsmodereringsalgoritmer direkte på brugernes telefoner for at omgå krænkelser af databeskyttelse.

I en AI Multiple artiklen beskriver forfatteren adskillige unikke DL-metoder såsom selvovervåget læring, FLS og GAB-baseret dataforøgelse, som kan overleve kontroverserne omkring holdbarheden af ​​mange deep learning-metoder.

En anden
severely limiting characteristic of DL-enabled solutions is that the learning
algorithms still cannot provide detailed reasons for their choices, which can
provoke users to accept decisions provided by AI tools blindly and then concoct
“fake” explanations for any rejected answer. That is not very encouraging for
decision-support solutions!

Demokratisering af Deep Learning om fem til 10 år

Det har AI-industriens insidere i mange år foreslået hele ML-miljøet skal demokratiseres. DL-værktøjer bliver en standarddel af udviklerens værktøjssæt. Genanvendelige DL-komponenter, indbygget i standard DL-biblioteker, vil bære træningsegenskaberne fra sine tidligere modeller for at fremskynde indlæringen. Efterhånden som automatiseringen af ​​deep learning-værktøjer fortsætter, er der en iboende risiko for, at teknologien udvikler sig til noget så komplekst, at den gennemsnitlige udvikler vil finde sig selv totalt uvidende.

Nye forudsigelser om dyb læring

Ud af det top 10 forudsigelser lavet om deep leaning i 2022, her er nogle værd at se i år:

• Integrerede hybridmodeller
• Brug af DL i neurovidenskab
• General adversarial networks (GAN)
• Brug af Edge Intelligence
• NLP på næste niveau

Nutidens og fremtidens Deep Learning-applikationer

Google var pioneren i at forfølge dyb læring i markedsføring. Googles opkøb af DeepMind Technologies rystede forretningsverdenen. Googles mission er at gøre DL til en seriøs løsning for søgemarketingfolk, der interesserer sig for SEO. 

Den mest bemærkelsesværdige applikationstrend i den virkelige verden af ​​ML-teknologier og -værktøjer er, at de begynder at transformere én virksomhed ad gangen "fra chatbots og digitale agenter i CRM til virtual reality (VR)-drevne butiksgulvdemoer." De fremtidige ML-teknologier, som inkluderer DL, skal demonstrere læring fra begrænset træningsmateriale og overføre læring mellem kontekster, kontinuerlig læring og tilpasningsevner for at forblive nyttig.

Deep learnings kraftfulde teknologi er blevet brugt mange gange i populære applikationer som tale- og ansigtsgenkendelse eller billedklassificering. De nyere applikationer og anvendelsessager inkluderer opdagelse af falske nyheder, forudsigende modeller for sundhedspleje og automatisk billed- og håndskriftsgenerering.

Fremtidige trends i en nøddeskal

Some of the primary trends that are moving deep learning into the future
er:

• Den nuværende vækst af DL-forskning og industriapplikationer demonstrerer dens "allestedsnærværende" tilstedeværelse i alle facetter af AI - det være sig NLP eller computersynsapplikationer.
• Med tid og forskningsmuligheder kan uovervågede læringsmetoder levere modeller, der tæt efterligner menneskelig adfærd.
• Den tilsyneladende konflikt mellem lovgivning om forbrugerdatabeskyttelse og forskningsbehov for store mængder forbrugerdata vil fortsætte.
• Deep learning-teknologiens begrænsninger i at kunne "ræsonnere" er en hindring for automatiserede, beslutningsstøttende værktøjer.
• Googles opkøb af DeepMind Technologies lover globale marketingfolk.
• Fremtidens ML- og DL-teknologier skal demonstrere læring fra begrænset træningsmateriale og overføre læring mellem kontekster, kontinuerlig læring og tilpasningsevner for at forblive nyttig.
• Hvis forskningen i deep learning-teknologi skrider frem i det nuværende tempo, kan udviklere snart finde sig selv overhalet og vil blive tvunget til at tage intensiv træning.

Interesseret i en karriere inden for Deep Learning?

Afhængigt af om du er helt nybegynder eller allerede erfaren inden for andre datavidenskabsområder, kan du være bekendt med nogle af disse nyttige tips til at starte en karriere inden for deep learning:

• Udforsk det brede felt af dyb læring og indsnæv dit fokusområde.
• Med et specifikt fokusområde in mente er næste skridt at dyrke relevante programmeringssprog. For eksempel, hvis dit fokusområde er ML-algoritmer, vil det være nyttigt at udvikle Python-sprogfærdigheder.
• Det er lige så vigtigt at opfriske dine analytiske evner løbende. Til dette skal du muligvis gennemgå træningssteder og prøve deres øvelser.
• Endelig kan gennemgang af faktiske jobbeskrivelser på jobsites forbedre din viden om dybtlærende jobroller og -ansvar.

Billede brugt under licens fra Shutterstock.com

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
• Kilde: https://www.dataversity.net/the-future-of-deep-learning/