Fremtiden for dyp læring

Deep learning (DL) ble en "stjerne" over natten da en robotspiller slo en menneskelig spiller i det berømte spillet AlphaGo. Dyplæringstrening og læringsmetoder har blitt anerkjent for å "humanisere" maskiner. Mange av de avanserte automatiseringsmulighetene som nå finnes i enterprise AI-plattformer skyldes den raske veksten av maskinlæring (ML) og dyp læring teknologier.

Dette sammenlignende innlegg på AI, ML og DL diskuterer den "allestedsnærværende" tilstedeværelsen av DL i mange fasetter av AI - det være seg NLP eller datasynsapplikasjoner. Gradvis trenger AI- og DL-aktiverte automatiserte systemer, verktøy og løsninger gjennom og overtar alle forretningssektorer – fra markedsføring til kundeopplevelse, fra virtuell virkelighet til naturlig språkbehandling (NLP) – og den digitale innvirkningen er overalt.

Facebook-forskere plaget med personverndilemma

Her er en se tilbake på 2018-kontroversen over offentlig krav om absolutt personvern for personopplysninger. Dette forbrukerbehovet er i direkte konflikt med Facebooks nåværende AI-forskning. AI-forskerne ved Facebook må "massehøste" personlige data for å trene læringsalgoritmer.

Facebook innser at det utopiske konseptet med ende-til-ende-kryptering faktisk var en myte i en forskningsverden som søker svar fra hauger av personlige data. For fremtidig innsats vurderer forskere nå seriøst å trene algoritmer på "døde data" på individuelle enheter i stedet for å massehøste personopplysninger. I så fall vil Facebook-ingeniører installere innholdsmodereringsalgoritmer direkte på brukernes telefoner for å omgå brudd på personvernet.

I et AI flere artikkel beskriver forfatteren flere unike DL-metoder som selvovervåket læring, FLS og GAB-basert dataforsterkning, som kan overleve kontroversene rundt holdbarheten til mange dyplæringsmetoder.

En annen
sterkt begrensende karakteristisk for DL-aktiverte løsninger er at læringen
Algoritmer kan fortsatt ikke gi detaljerte begrunnelser for sine valg, noe som kan
provosere brukere til å akseptere beslutninger gitt av AI-verktøy blindt og deretter lage
"falske" forklaringer for ethvert avvist svar. Det er ikke særlig oppmuntrende for
beslutningsstøttende løsninger!

Demokratisering av dyp læring på fem til ti år

Innsidere i AI-bransjen har i mange år foreslått det hele ML-miljøet bør demokratiseres. DL-verktøy vil bli en standard del av utviklerens verktøysett. Gjenbrukbare DL-komponenter, integrert i standard DL-biblioteker, vil bære treningsegenskapene til de tidligere modellene for å øke hastigheten på læringen. Ettersom automatisering av dyplæringsverktøy fortsetter, er det en iboende risiko for at teknologien vil utvikle seg til noe så komplekst at den gjennomsnittlige utvikleren vil finne seg selv totalt uvitende.

Nye spådommer om dyp læring

Ut av det topp 10 spådommer laget om dyp lening i 2022, her er noen verdt å se i år:

• Integrerte hybridmodeller
• Bruk av DL i nevrovitenskap
• General adversarial networks (GAN)
• Bruk av edge Intelligence
• NLP på neste nivå

Deep Learning-applikasjoner for nåtid og fremtid

Google var pioneren i å forfølge dyp læring i markedsføring. Googles oppkjøp av DeepMind Technologies rystet forretningsverdenen. Googles oppgave er å gjøre DL til en seriøs løsning for søkemarkedsførere som bryr seg om SEO. 

Den mest bemerkelsesverdige applikasjonstrenden i den virkelige verden av ML-teknologier og -verktøy er at de begynner å forvandle én bedrift om gangen "fra chatboter og digitale agenter i CRM til virtuell virkelighet (VR)-drevne demoer på butikkgulvet." Fremtidige ML-teknologier, som inkluderer DL, må demonstrere læring fra begrenset opplæringsmateriell, og overføre læring mellom kontekster, kontinuerlig læring og tilpasningsevne for å forbli nyttig.

Deep learnings kraftige teknologi har blitt brukt mange ganger i populære applikasjoner som tale- og ansiktsgjenkjenning, eller bildeklassifisering. De nyere applikasjonene og brukssakene inkluderer oppdagelse av falske nyheter, prediktive modeller for helsetjenester og automatisk generering av bilder og håndskrift.

Fremtidige trender i et nøtteskall

Noen av hovedtrendene som flytter dyp læring inn i fremtiden
er:

• Nåværende vekst av DL-forskning og industriapplikasjoner demonstrerer dens "allestedsnærværende" tilstedeværelse i alle fasett av AI - det være seg NLP eller datasynsapplikasjoner.
• Med tid og forskningsmuligheter, kan uovervåkede læringsmetoder levere modeller som tett vil etterligne menneskelig atferd.
• Den tilsynelatende konflikten mellom forbrukerdatabeskyttelseslover og forskningsbehov for store mengder forbrukerdata vil fortsette.
• Dyplæringsteknologiens begrensninger i å kunne "resonnere" er en hindring for automatiserte beslutningsstøttende verktøy.
• Googles oppkjøp av DeepMind Technologies lover globale markedsførere.
• Fremtidens ML- og DL-teknologier må demonstrere læring fra begrenset opplæringsmateriell, og overføre læring mellom kontekster, kontinuerlig læring og tilpasningsevner for å forbli nyttig.
• Hvis forskning på dyp læringsteknologi utvikler seg i det nåværende tempoet, kan utviklere snart finne seg selv forbi og vil bli tvunget til å ta intensiv opplæring.

Interessert i en karriere innen dyp læring?

Avhengig av om du er helt nybegynner eller allerede erfaren innen andre datavitenskapsfelt, kan du være kjent med noen av disse nyttige tips for å starte en karriere innen dyp læring:

• Utforsk det brede feltet av dyp læring og avgrens fokusområdet ditt.
• Med et spesifikt fokusområde i tankene, er neste steg å dyrke relevante programmeringsspråk. For eksempel, hvis fokusområdet ditt er ML-algoritmer, vil det være nyttig å utvikle Python-språkkunnskaper.
• Det er like viktig å friske opp dine analytiske ferdigheter kontinuerlig. For dette kan det hende du må gå gjennom treningssider og prøve øvelsene deres.
• Til slutt, gjennomgang av faktiske stillingsbeskrivelser på jobbsider kan forbedre kunnskapen din om dyplæringsroller og -ansvar.

Bildet brukes under lisens fra Shutterstock.com

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
• kilde: https://www.dataversity.net/the-future-of-deep-learning/