העתיד של למידה עמוקה

למידה עמוקה (DL) הפכה ל"כוכב" בן לילה כאשר שחקן רובוט ניצח שחקן אנושי במשחק המפורסם של AlphaGo. אימון ושיטות למידה עמוקות זכו להכרה נרחבת עבור מכונות "הומאניות". רבות מיכולות האוטומציה המתקדמות שנמצאות כעת בפלטפורמות AI ארגוניות נובעות מהצמיחה המהירה של למידת מכונה (ML) ולמידה עמוקה טכנולוגיות.

זֶה פוסט השוואתי על AI, ML ו-DL דנים בנוכחות ה"נמצאת בכל מקום" של DL בהיבטים רבים של AI - בין אם זה NLP או יישומי ראייה ממוחשבת. בהדרגה, מערכות, כלים ופתרונות אוטומטיים התומכים ב-AI ו-DL חודרים ומשתלטים על כל המגזרים העסקיים – משיווק ועד חווית לקוח, ממציאות מדומה ועד לעיבוד שפה טבעית (NLP) – וההשפעה הדיגיטלית נמצאת בכל מקום.

חוקרי פייסבוק מוטלים בדילמת פרטיות

הנה הוא להסתכל אחורה על המחלוקת של 2018 על דרישה ציבורית לפרטיות מוחלטת של נתונים אישיים. דרישת צרכנים זו עומדת בסתירה ישירה למאמצי המחקר הנוכחיים של פייסבוק בינה מלאכותית. חוקרי הבינה המלאכותית בפייסבוק צריכים "לקצור המון" נתונים אישיים כדי לאמן אלגוריתמי למידה.

פייסבוק מבינה שהתפיסה האוטופית של הצפנה מקצה לקצה אכן הייתה מיתוס בעולם מחקר המחפש תשובות מערימות של נתונים אישיים. עבור מאמצים עתידיים, חוקרים שוקלים כעת ברצינות אימון אלגוריתמים על "נתונים מתים" במכשירים בודדים במקום לקצור נתונים אישיים. במקרה כזה, מהנדסי פייסבוק יתקינו אלגוריתמים לניהול תוכן ישירות בטלפונים של המשתמשים כדי לעקוף הפרות של פרטיות הנתונים.

ב AI מרובה במאמר, המחבר מפרט מספר שיטות DL ייחודיות כגון למידה בפיקוח עצמי, FLS והגדלת נתונים מבוססת GAB, אשר עשויות לשרוד את המחלוקות סביב חיי המדף של מתודולוגיות רבות של למידה עמוקה.

אחר
מאפיין מגביל מאוד של פתרונות התומכים ב-DL הוא שהלמידה
אלגוריתמים עדיין לא יכולים לספק סיבות מפורטות לבחירות שלהם, מה שכן
לעורר את המשתמשים לקבל החלטות שסופקו על ידי כלי בינה מלאכותית באופן עיוור ואז לרקוח
הסברים "מזוייפים" לכל תשובה שנדחתה. זה לא מאוד מעודד עבור
פתרונות תומכי החלטות!

דמוקרטיזציה של למידה עמוקה תוך חמש עד 10 שנים

אנשי תעשיית הבינה המלאכותית הציעו זאת במשך שנים רבות סביבת ML כולה צריך להיות דמוקרטי. כלי DL יהפכו לחלק סטנדרטי בערכת הכלים של המפתחים. רכיבי DL לשימוש חוזר, המשולבים בספריות DL סטנדרטיות, ישאו את מאפייני ההדרכה של הדגמים הקודמים שלה כדי להאיץ את הלמידה. ככל שהאוטומציה של כלי למידה עמוקה נמשכת, קיים סיכון מובנה שהטכנולוגיה תתפתח למשהו כל כך מורכב שהמפתח הממוצע ימצא את עצמו בור לחלוטין.

תחזיות חדשות על למידה עמוקה

מחוץ ל 10 התחזיות המובילות שנעשו על הישענות עמוקה בשנת 2022, הנה כמה שכדאי לראות השנה:

• דגמים היברידיים משולבים
• שימוש ב-DL במדעי המוח
• רשתות יריבות כלליות (GAN)
• שימוש ב-Edge Intelligence
• NLP ברמה הבאה

יישומי למידה עמוקה של ההווה והעתיד

גוגל הייתה החלוצה במרדף למידה עמוקה בשיווק. רכישת DeepMind Technologies על ידי גוגל זעזעה את עולם העסקים. המשימה של גוגל היא להפוך את DL לפתרון רציני עבור משווקי חיפוש שאכפת להם מ-SEO. 

מגמת היישומים הבולטת ביותר בעולם האמיתי של טכנולוגיות וכלים ML היא שהם מתחילים להפוך עסק אחד בכל פעם "מצ'טבוטים וסוכנים דיגיטליים ב-CRM להדגמות ברצפת חנות המופעלות על ידי מציאות מדומה (VR). טכנולוגיות ה-ML העתידיות, הכוללות DL, חייבות להדגים למידה מחומרי הדרכה מוגבלים, ולהעביר למידה בין הקשרים, למידה מתמשכת ויכולות הסתגלות כדי להישאר שימושיות.

הטכנולוגיה החזקה של למידה עמוקה נוצלה פעמים רבות ביישומים פופולריים כמו דיבור וזיהוי פנים, או סיווג תמונות. היישומים ומקרי השימוש העדכניים יותר כוללים זיהוי חדשות מזויפות, מודלים חזויים עבור שירותי בריאות ויצירת תמונות וכתב יד אוטומטית.

מגמות עתידיות בקצרה

כמה מהמגמות העיקריות שמעבירות למידה עמוקה אל העתיד
הם:

• הצמיחה הנוכחית של יישומי מחקר ויישומי תעשייה של DL מוכיחה את הנוכחות ה"נמצאת בכל מקום" בכל היבט של AI - בין אם זה NLP או יישומי ראייה ממוחשבת.
• עם הזמן והזדמנויות מחקר, שיטות למידה ללא פיקוח עשויות לספק מודלים שיחקו מקרוב התנהגות אנושית.
• ההתנגשות לכאורה בין חוקי הגנת מידע צרכנים וצרכי ​​מחקר של כמויות גדולות של נתוני צרכנים תימשך.
• המגבלות של טכנולוגיית הלמידה העמוקה ביכולת "לנמק" היא מכשול לכלים אוטומטיים תומכי החלטות.
• הרכישה של Google של DeepMind Technologies טומנת בחובה הבטחה למשווקים גלובליים.
• טכנולוגיות ML ו-DL העתידיות חייבות להדגים למידה מחומרי הדרכה מוגבלים, ולהעביר למידה בין הקשרים, למידה מתמשכת ויכולות הסתגלות כדי להישאר שימושיים.
• אם מחקר טכנולוגי למידה עמוקה יתקדם בקצב הנוכחי, מפתחים עלולים למצוא את עצמם בקרוב בקצב מהיר יותר וייאלצו לעבור הכשרה אינטנסיבית.

מעוניין בקריירה בלמידה עמוקה?

תלוי אם אתה חדש לגמרי או כבר מנוסה בתחומים אחרים של מדעי הנתונים, ייתכן שאתה מכיר כמה מאלה עצות שימושיות לפתיחת קריירה בלמידה עמוקה:

• חקור את התחום הרחב של למידה עמוקה וצמצם את אזור המיקוד שלך.
• מתוך מחשבה על אזור מיקוד ספציפי, השלב הבא הוא טיפוח שפות תכנות רלוונטיות. לדוגמה, אם אזור המיקוד שלך הוא אלגוריתמי ML, פיתוח כישורי שפת Python יעזור.
• לא פחות חשוב לרענן את הכישורים האנליטיים שלך ללא הרף. לשם כך, ייתכן שתצטרך לסקור אתרי הדרכה ולנסות את התרגילים שלהם.
• לבסוף, סקירת תיאורי התפקיד בפועל באתרי עבודה עשויה לשפר את הידע שלך על תפקידים ואחריות של למידה עמוקה.

תמונה בשימוש ברישיון מ- Shutterstock.com

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
• מקור: https://www.dataversity.net/the-future-of-deep-learning/