De toekomst van diep leren

Heruitgegeven door Plato

volgers: 0

Diep leren (DL) werd van de ene op de andere dag een 'ster' toen een robotspeler een menselijke speler versloeg in het beroemde spel AlphaGo. Deep learning-training en leermethoden zijn algemeen erkend voor het 'humaniseren' van machines. Veel van de geavanceerde automatiseringsmogelijkheden die nu in enterprise AI-platforms te vinden zijn, zijn te danken aan de snelle groei van machine learning (ML) en deep learning technologieën.

Deze vergelijkende post over AI, ML en DL bespreekt de "alomtegenwoordige" aanwezigheid van DL in vele facetten van AI - of het nu gaat om NLP of computer vision-toepassingen. Geleidelijk doordringen AI- en DL-gebaseerde geautomatiseerde systemen, tools en oplossingen alle bedrijfssectoren - van marketing tot klantervaring, van virtual reality tot natuurlijke taalverwerking (NLP) - en de digitale impact is overal.

Facebook-onderzoekers geplaagd door privacydilemma

Hier is een kijk terug op de controverse van 2018 over de publieke eis van absolute privacy van persoonlijke gegevens. Deze vraag van de consument is in direct conflict met de huidige AI-onderzoeksinspanningen van Facebook. De AI-onderzoekers van Facebook moeten persoonlijke gegevens "massaal oogsten" om leeralgoritmen te trainen.

Facebook realiseert zich dat het utopische concept van end-to-end encryptie inderdaad een mythe was in een onderzoekswereld die op zoek was naar antwoorden uit stapels persoonlijke gegevens. Voor toekomstige inspanningen overwegen onderzoekers nu serieus om algoritmen te trainen op "dode gegevens" op individuele apparaten in plaats van het massaal verzamelen van persoonlijke gegevens. In dat geval installeren Facebook-technici algoritmen voor het modereren van inhoud rechtstreeks op de telefoons van gebruikers om schendingen van de gegevensprivacy te omzeilen.

In een AI Meerdere artikel beschrijft de auteur verschillende unieke DL-methoden, zoals zelfgestuurd leren, FLS en op GAB gebaseerde gegevensvergroting, die de controverses rond de houdbaarheid van veel deep learning-methodologieën kunnen overleven.

Nog een
ernstig beperkend kenmerk van DL-enabled oplossingen is dat het leren
algoritmen kunnen nog steeds geen gedetailleerde redenen geven voor hun keuzes, wat wel kan
gebruikers provoceren om beslissingen van AI-tools blindelings te accepteren en vervolgens te verzinnen
"nep" verklaringen voor elk afgewezen antwoord. Dat is niet erg bemoedigend voor
beslissingsondersteunende oplossingen!

Democratisering van deep learning in vijf tot tien jaar

Insiders van de AI-industrie hebben dat al vele jaren gesuggereerd volledige ML-omgeving moet worden gedemocratiseerd. DL-tools worden een standaard onderdeel van de toolkit van de ontwikkelaar. Herbruikbare DL-componenten, opgenomen in standaard DL-bibliotheken, zullen de trainingskenmerken van de vorige modellen dragen om het leren te versnellen. Naarmate de automatisering van deep learning-tools doorgaat, bestaat het inherente risico dat de technologie zich ontwikkelt tot iets dat zo complex is dat de gemiddelde ontwikkelaar totaal onwetend zal zijn.

Nieuwe voorspellingen over diep leren

Uit de top 10 voorspellingen gemaakt over diep leunen in 2022, hier zijn er dit jaar enkele die het bekijken waard zijn:

Geïntegreerde hybride modellen
Gebruik van DL in de neurowetenschappen
Algemene tegenstrijdige netwerken (GAN)
Gebruik van edge-intelligentie
NLP op een hoger niveau

Deep Learning-toepassingen van heden en toekomst

Google was de pionier in het nastreven diep leren in marketing. Google's overname van DeepMind Technologies schokte de zakenwereld. De missie van Google is om van DL een serieuze oplossing te maken voor zoekmarketeers die om SEO geven.

De meest opvallende toepassingstrend in de echte wereld van ML-technologieën en -tools is dat ze bedrijf voor bedrijf beginnen te transformeren "van chatbots en digitale agents in CRM tot door virtual reality (VR) aangedreven demo's op de werkvloer." De toekomstige ML-technologieën, waaronder DL, moeten het leren van beperkt trainingsmateriaal demonstreren en het leren tussen contexten, continu leren en adaptieve mogelijkheden overdragen om bruikbaar te blijven.

De krachtige technologie van deep learning is vele malen gebruikt in populaire toepassingen zoals spraak- en gezichtsherkenning of beeldclassificatie. De meer recente toepassingen en use-cases omvatten detectie van nepnieuws, voorspellende modellen voor de gezondheidszorg en het automatisch genereren van afbeeldingen en handschriften.

Toekomstige trends in een notendop

Enkele van de belangrijkste trends die deep learning naar de toekomst brengen
zijn:

De huidige groei van DL-onderzoek en industriële toepassingen tonen zijn "alomtegenwoordige" aanwezigheid aan in elk facet van AI - zij het NLP of computer vision-toepassingen.
Met tijd en onderzoeksmogelijkheden kunnen leermethoden zonder toezicht modellen opleveren die menselijk gedrag nauwkeurig nabootsen.
Het schijnbare conflict tussen wetgeving inzake de bescherming van consumentengegevens en de onderzoeksbehoeften van grote hoeveelheden consumentengegevens zal blijven bestaan.
De beperkingen van deep learning-technologie om te kunnen 'redeneren' vormen een belemmering voor geautomatiseerde, beslissingsondersteunende tools.
De overname van DeepMind Technologies door Google is veelbelovend voor wereldwijde marketeers.
De toekomstige ML- en DL-technologieën moeten het leren van beperkt trainingsmateriaal demonstreren en het leren overdragen tussen contexten, continu leren en adaptieve mogelijkheden om bruikbaar te blijven.
Als het onderzoek naar deep learning-technologie in het huidige tempo voortschrijdt, kunnen ontwikkelaars binnenkort worden overtroffen en zullen ze gedwongen worden om intensieve training te volgen.

Geïnteresseerd in een carrière in diep leren?

Afhankelijk van of je een complete nieuweling bent of al ervaring hebt met andere Data Science-gebieden, ben je misschien bekend met een aantal hiervan handige tips voor het starten van een carrière in deep learning:

Verken het brede veld van deep learning en beperk uw aandachtsgebied.
Met een specifiek aandachtsgebied in gedachten, is de volgende stap het cultiveren van relevante programmeertalen. Als uw aandachtsgebied bijvoorbeeld ML-algoritmen is, dan zal het ontwikkelen van Python-taalvaardigheid nuttig zijn.
Even belangrijk is het om je analytische vaardigheden continu bij te spijkeren. Hiervoor moet u mogelijk trainingssites bekijken en hun oefeningen proberen.
Ten slotte kan het bekijken van actuele functiebeschrijvingen op vacaturesites uw kennis van deep learning-functies en -verantwoordelijkheden vergroten.

Afbeelding gebruikt onder licentie van Shutterstock.com