Il futuro dell'apprendimento profondo

Il deep learning (DL) è diventato una "stella" dall'oggi al domani quando un giocatore robot ha battuto un giocatore umano nel famoso gioco di AlphaGo. I metodi di formazione e apprendimento del deep learning sono stati ampiamente riconosciuti per "umanizzare" le macchine. Molte delle funzionalità di automazione avanzate ora presenti nelle piattaforme AI aziendali sono dovute alla rapida crescita del machine learning (ML) e del deep learning tecnologie.

La sezione post comparativo su AI, ML e DL discute la presenza "onnipresente" di DL in molti aspetti dell'IA, che si tratti di NLP o applicazioni di visione artificiale. A poco a poco, i sistemi, gli strumenti e le soluzioni automatizzati abilitati per AI e DL stanno penetrando e conquistando tutti i settori aziendali, dal marketing all'esperienza del cliente, dalla realtà virtuale all'elaborazione del linguaggio naturale (NLP), e l'impatto digitale è ovunque.

Ricercatori di Facebook afflitti dal dilemma sulla privacy

Ecco un guarda indietro alla controversia del 2018 sulla richiesta pubblica di assoluta privacy dei dati personali. Questa domanda dei consumatori è in diretto conflitto con gli attuali sforzi di ricerca sull'intelligenza artificiale di Facebook. I ricercatori di intelligenza artificiale di Facebook devono "raccogliere in massa" dati personali per addestrare algoritmi di apprendimento.

Facebook si rende conto che il concetto utopico della crittografia end-to-end era davvero un mito in un mondo di ricerca che cercava risposte da pile di dati personali. Per gli sforzi futuri, i ricercatori stanno ora prendendo seriamente in considerazione l'addestramento di algoritmi sui "dati morti" su singoli dispositivi piuttosto che la raccolta di massa di dati personali. In tal caso, gli ingegneri di Facebook installeranno algoritmi di moderazione dei contenuti direttamente sui telefoni degli utenti per aggirare le violazioni della privacy dei dati.

In un Multiplo AI articolo, l'autore descrive in dettaglio diversi metodi DL unici come l'apprendimento autosupervisionato, FLS e l'aumento dei dati basato su GAB, che possono sopravvivere alle controversie che circondano la durata di molte metodologie di deep learning.

Un altro
caratteristica fortemente limitante delle soluzioni abilitate DL è che l'apprendimento
gli algoritmi non sono ancora in grado di fornire ragioni dettagliate per le loro scelte, il che può
indurre gli utenti ad accettare ciecamente le decisioni fornite dagli strumenti di intelligenza artificiale e quindi inventare
spiegazioni "false" per qualsiasi risposta respinta. Questo non è molto incoraggiante per
soluzioni di supporto alle decisioni!

Democratizzazione del deep learning tra cinque e dieci anni

Gli addetti ai lavori del settore dell'intelligenza artificiale lo hanno suggerito per molti anni intero ambiente ML dovrebbe essere democratizzato. Gli strumenti DL diventeranno una parte standard del toolkit dello sviluppatore. I componenti DL riutilizzabili, incorporati nelle librerie DL standard, porteranno le caratteristiche di addestramento dei suoi modelli precedenti per accelerare l'apprendimento. Man mano che l'automazione degli strumenti di deep learning continua, c'è un rischio intrinseco che la tecnologia si sviluppi in qualcosa di così complesso che lo sviluppatore medio si ritroverà totalmente ignorante.

Nuove previsioni sul deep learning

Fuori da le prime 10 previsioni fatto sull'inclinazione profonda nel 2022, eccone alcuni che vale la pena guardare quest'anno:

• Modelli ibridi integrati
• Uso di DL nelle neuroscienze
• Reti avversarie generali (GAN)
• Uso dell'intelligenza all'avanguardia
• PNL al livello successivo

Applicazioni di deep learning del presente e del futuro

Google è stato il pioniere nel perseguire apprendimento profondo nel marketing. L'acquisizione di DeepMind Technologies da parte di Google ha scosso il mondo degli affari. La missione di Google è rendere DL una soluzione seria per i marketer di ricerca che si preoccupano del SEO. 

La tendenza applicativa più notevole nel mondo reale delle tecnologie e degli strumenti ML è che stanno iniziando a trasformare un'azienda alla volta "da chatbot e agenti digitali in CRM a demo in officina basate sulla realtà virtuale (VR)". Le future tecnologie ML, che includono il DL, devono dimostrare l'apprendimento da materiali di formazione limitati e trasferire l'apprendimento tra contesti, apprendimento continuo e capacità di adattamento per rimanere utili.

La potente tecnologia del deep learning è stata utilizzata molte volte in applicazioni popolari come il riconoscimento vocale e facciale o la classificazione delle immagini. Le applicazioni e i casi d'uso più recenti includono il rilevamento di notizie false, modelli predittivi per l'assistenza sanitaria e la generazione automatica di immagini e grafia.

Le tendenze future in poche parole

Alcune delle principali tendenze che stanno spostando il deep learning nel futuro
siamo:

• L'attuale crescita della ricerca DL e delle applicazioni industriali dimostra la sua presenza "onnipresente" in ogni aspetto dell'IA, che sia NLP o applicazioni di visione artificiale.
• Con il tempo e le opportunità di ricerca, i metodi di apprendimento senza supervisione possono fornire modelli che imiteranno da vicino il comportamento umano.
• L'apparente conflitto tra le leggi sulla protezione dei dati dei consumatori e le esigenze di ricerca di elevati volumi di dati dei consumatori continuerà.
• I limiti della tecnologia di deep learning nella capacità di "ragionare" sono un ostacolo agli strumenti automatizzati di supporto alle decisioni.
• L'acquisizione di DeepMind Technologies da parte di Google è promettente per i marketer globali.
• Le future tecnologie ML e DL devono dimostrare l'apprendimento da materiali di formazione limitati e trasferire l'apprendimento tra contesti, apprendimento continuo e capacità di adattamento per rimanere utili.
• Se la ricerca sulla tecnologia del deep learning progredisce al ritmo attuale, gli sviluppatori potrebbero presto trovarsi superati e saranno costretti a seguire una formazione intensiva.

Interessato a una carriera nel deep learning?

A seconda che tu sia un principiante assoluto o già esperto in altri campi della scienza dei dati, potresti avere familiarità con alcuni di questi consigli utili per avviare una carriera nel deep learning:

• Esplora l'ampio campo del deep learning e restringi la tua area di interesse.
• Con un'area di interesse specifica in mente, il passo successivo è coltivare linguaggi di programmazione pertinenti. Ad esempio, se la tua area di interesse sono gli algoritmi ML, sarà utile sviluppare le competenze del linguaggio Python.
• È altrettanto importante rispolverare continuamente le tue capacità analitiche. Per questo, potrebbe essere necessario rivedere i siti di allenamento e provare i loro esercizi.
• Infine, la revisione delle descrizioni dei lavori effettivi sui siti di lavoro può migliorare la tua conoscenza dei ruoli e delle responsabilità del lavoro di deep learning.

Immagine utilizzata su licenza di Shutterstock.com

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
• Fonte: https://www.dataversity.net/the-future-of-deep-learning/