The Future Of Deep Learning

Újra kiadta Platón

Követő: 0

A Deep learning (DL) egyik napról a másikra „sztárrá” vált, amikor egy robotjátékos legyőzött egy emberi játékost a híres AlphaGo játékban. A mélytanulási tréning és tanulási módszerek széles körben elismertek a gépek „humanizálásában”. A vállalati mesterséges intelligencia platformokon jelenleg megtalálható fejlett automatizálási lehetőségek közül sok a gépi tanulás (ML) és a mély tanulás gyors növekedésének köszönhető. technológia.

Ezt összehasonlító poszt az AI, ML és DL témakörben tárgyalja a DL „mindenütt jelenlévő” jelenlétét az AI számos területén – legyen szó NLP-ről vagy számítógépes látási alkalmazásokról. Az AI- és DL-kompatibilis automatizált rendszerek, eszközök és megoldások fokozatosan behatolnak és átveszik az uralmat minden üzleti szektorban – a marketingtől az ügyfélélményig, a virtuális valóságtól a természetes nyelvi feldolgozásig (NLP) –, és a digitális hatás mindenhol megjelenik.

A Facebook-kutatók adatvédelmi dilemmával küzdenek

Itt van egy tekints vissza a 2018-as vitára a személyes adatok teljes körű védelme iránti nyilvános igény miatt. Ez a fogyasztói igény közvetlen ellentétben áll a Facebook jelenlegi AI-kutatási törekvéseivel. A Facebook AI-kutatóinak „tömegesen be kell gyűjteniük” a személyes adatokat a tanulási algoritmusok képzéséhez.

A Facebook rájön, hogy a végpontok közötti titkosítás utópisztikus koncepciója valóban mítosz volt egy olyan kutatóvilágban, amely személyes adatok halomából kereste a választ. A jövőbeni erőfeszítéseik érdekében a kutatók most komolyan fontolgatják az egyes eszközökön lévő „halott adatok” algoritmusainak betanítását, nem pedig a személyes adatok tömeges begyűjtését. Ebben az esetben a Facebook mérnökei tartalommoderáló algoritmusokat telepítenek közvetlenül a felhasználók telefonjára, hogy megkerüljék az adatvédelmi jogsértéseket.

Egy AI többszörös cikkben a szerző részletez néhány egyedi DL-módszert, mint például az önfelügyelt tanulás, az FLS és a GAB-alapú adatkiegészítés, amelyek túlélhetik a sok mély tanulási módszer eltarthatósági idejét övező vitákat.

Másik
A DL-képes megoldások erősen korlátozó jellemzője, hogy a tanulás
Az algoritmusok továbbra sem tudják részletesen megindokolni választásukat, ami igen
provokálja a felhasználókat, hogy vakon fogadják el az AI-eszközök által biztosított döntéseket, majd kitalálják
„hamis” magyarázatok minden elutasított válaszhoz. Ez azért nem túl biztató
döntéstámogató megoldások!

A mélytanulás demokratizálódása 10-XNUMX év alatt

Az AI-ipar bennfentesei sok éven át ezt sugallják teljes ML környezet demokratizálni kellene. A DL-eszközök a fejlesztői eszköztár standard részévé válnak. A szabványos DL-könyvtárakba beépített újrafelhasználható DL-komponensek a korábbi modellek képzési jellemzőit hordozzák a tanulás felgyorsítása érdekében. Ahogy a mély tanulási eszközök automatizálása folytatódik, fennáll annak a veszélye, hogy a technológia olyan bonyolulttá fejlődik, hogy az átlagos fejlesztők teljesen tudatlanok lesznek.

Új előrejelzések a mélytanulásról

Ki a top 10 jóslat 2022-ben a mélyrehajlásról készült, íme néhány, amit idén érdemes megnézni:

Integrált hibrid modellek
A DL használata az idegtudományban
Általános ellenséges hálózatok (GAN)
Az élintelligencia használata
NLP a következő szinten

A jelen és a jövő mélytanulási alkalmazásai

A Google volt az úttörő az üldözésben mély tanulás a marketingben. A DeepMind Technologies Google általi felvásárlása megrázta az üzleti világot. A Google küldetése, hogy a DL-t komoly megoldássá tegye a keresőoptimalizálással foglalkozó marketingszakemberek számára.

Az ML technológiák és eszközök valós világában a legfigyelemreméltóbb alkalmazási trend az, hogy egy-egy üzletet kezdenek átalakítani „a CRM-ben működő chatbotoktól és digitális ügynököktől a virtuális valóság (VR) által üzemeltetett bolti demókig”. A jövőbeli ML-technológiáknak, amelyek magukban foglalják a DL-t is, be kell mutatniuk a korlátozott képzési anyagokból való tanulást, és át kell adniuk a tanulást a kontextusok között, a folyamatos tanulást és az adaptív képességeket, hogy hasznosak maradjanak.

A Deep learning hatékony technológiáját sokszor használták olyan népszerű alkalmazásokban, mint a beszéd- és arcfelismerés vagy a képosztályozás. Az újabb alkalmazások és használati esetek közé tartozik az álhírek észlelése, az egészségügyi ellátás prediktív modelljei, valamint az automatikus kép- és kézírásgenerálás.

Jövőbeli trendek dióhéjban

Néhány elsődleges trend, amely a mély tanulást a jövőbe viszi
vannak:

A DL-kutatás és az ipari alkalmazások jelenlegi növekedése demonstrálja „mindenütt jelenlévő” jelenlétét az AI minden területén – legyen az NLP vagy számítógépes látási alkalmazások.
Idővel és kutatási lehetőségekkel a felügyelet nélküli tanulási módszerek olyan modelleket hozhatnak létre, amelyek szorosan utánozzák az emberi viselkedést.
A fogyasztói adatvédelmi törvények és a nagy mennyiségű fogyasztói adatokkal kapcsolatos kutatási igények közötti nyilvánvaló konfliktus továbbra is fennáll.
A mély tanulási technológia korlátai az „okoskodás” képességében akadályozzák az automatizált, döntéstámogató eszközöket.
A DeepMind Technologies Google általi felvásárlása ígéretes a globális marketingszakemberek számára.
A jövőbeli ML- és DL-technológiáknak bizonyítaniuk kell a korlátozott képzési anyagokból való tanulást, valamint a kontextusok közötti tanulást, a folyamatos tanulást és az adaptációs képességeket, hogy hasznosak maradjanak.
Ha a mélytanulási technológiai kutatás a jelenlegi ütemben halad, a fejlesztők hamarosan felülmúlhatják magukat, és kénytelenek lesznek intenzív képzésben részt venni.

Érdekel a mélytanulási karrier?

Attól függően, hogy teljesen kezdő vagy-e, vagy már jártas más adattudományi területeken, ezek közül néhányat ismerhet hasznos tippek a mélytanulási karrier elindításához:

Fedezze fel a mély tanulás széles területét, és szűkítse le a fókuszterületet.
Egy konkrét fókuszterületet szem előtt tartva a következő lépés a releváns programozási nyelvek művelése. Például, ha a fókuszterület az ML algoritmusok, akkor hasznos lehet a Python nyelvi készségek fejlesztése.
Ugyanilyen fontos, hogy folyamatosan gyarapítsa elemző készségeit. Ehhez előfordulhat, hogy át kell tekintenie az edzőhelyeket, és meg kell próbálnia a gyakorlatokat.
Végezetül, ha áttekinti a tényleges munkaköri leírásokat a munkaterületeken, elmélyítheti tudását a mélyreható munkaköri szerepekről és felelősségekről.

A kép a Shutterstock.com licence alapján lett felhasználva