Przyszłość głębokiego uczenia się

Głębokie uczenie się (DL) stało się z dnia na dzień „gwiazdą”, kiedy robot-gracz pokonał gracza-człowieka w słynnej grze AlphaGo. Szkolenia i metody uczenia głębokiego zostały powszechnie uznane za „humanizację” maszyn. Wiele zaawansowanych możliwości automatyzacji dostępnych obecnie na korporacyjnych platformach sztucznej inteligencji wynika z szybkiego rozwoju uczenia maszynowego (ML) i uczenia głębokiego technologie.

To zdjęcie wpis porównawczy on AI, ML i DL omawia „wszechobecną” obecność DL w wielu aspektach AI – czy to w NLP, czy w aplikacjach widzenia komputerowego. Stopniowo zautomatyzowane systemy, narzędzia i rozwiązania obsługujące sztuczną inteligencję i DL przenikają i przejmują wszystkie sektory biznesowe — od marketingu po obsługę klienta, od rzeczywistości wirtualnej po przetwarzanie języka naturalnego (NLP) — a wpływ cyfrowy jest wszędzie.

Badacze Facebooka nękani dylematem dotyczącym prywatności

Oto spójrz wstecz na kontrowersje z 2018 roku nad publicznym żądaniem całkowitej prywatności danych osobowych. To zapotrzebowanie konsumentów jest w bezpośrednim konflikcie z obecnymi badaniami Facebooka nad sztuczną inteligencją. Naukowcy zajmujący się sztuczną inteligencją na Facebooku muszą „masowo zbierać” dane osobowe, aby trenować algorytmy uczenia się.

Facebook zdaje sobie sprawę, że utopijna koncepcja kompleksowego szyfrowania była rzeczywiście mitem w świecie badawczym poszukującym odpowiedzi na stosach danych osobowych. Jeśli chodzi o przyszłe wysiłki, naukowcy poważnie rozważają teraz algorytmy szkoleniowe na „martwych danych” na poszczególnych urządzeniach, zamiast masowego zbierania danych osobowych. W takim przypadku inżynierowie Facebooka zainstalują algorytmy moderowania treści bezpośrednio na telefonach użytkowników, aby ominąć naruszenia prywatności danych.

W Wielokrotna sztuczna inteligencja W artykule autor wyszczególnia kilka unikalnych metod DL, takich jak uczenie się samonadzorowane, FLS i powiększanie danych oparte na GAB, które mogą przetrwać kontrowersje dotyczące okresu przydatności do spożycia wielu metodologii głębokiego uczenia się.

Inne
poważnie ograniczającą cechą rozwiązań obsługujących DL jest to, że się uczą
algorytmy nadal nie mogą szczegółowo uzasadnić swoich wyborów, co może
prowokować użytkowników do ślepego akceptowania decyzji dostarczanych przez narzędzia AI, a następnie wymyślać
„fałszywe” wyjaśnienia każdej odrzuconej odpowiedzi. To nie jest zbyt zachęcające dla
rozwiązania wspomagające podejmowanie decyzji!

Demokratyzacja głębokiego uczenia się za pięć do dziesięciu lat

Znawcy branży sztucznej inteligencji sugerowali to od wielu lat całe środowisko ML należy zdemokratyzować. Narzędzia DL staną się standardową częścią zestawu narzędzi programisty. Komponenty DL wielokrotnego użytku, włączone do standardowych bibliotek DL, będą miały cechy szkoleniowe poprzednich modeli, aby przyspieszyć naukę. W miarę postępującej automatyzacji narzędzi do głębokiego uczenia istnieje nieodłączne ryzyko, że technologia rozwinie się w coś tak złożonego, że przeciętny programista okaże się całkowitym ignorantem.

Nowe prognozy dotyczące głębokiego uczenia się

Z dala od 10 najlepszych prognoz na temat głębokiego pochylania w 2022 roku, oto kilka wartych obejrzenia w tym roku:

• Zintegrowane modele hybrydowe
• Zastosowanie DL w neuronauce
• Ogólne sieci przeciwników (GAN)
• Wykorzystanie inteligencji brzegowej
• NLP na wyższym poziomie

Zastosowania głębokiego uczenia się teraźniejszości i przyszłości

Google był pionierem w ściganiu głębokie uczenie się w marketingu. Przejęcie DeepMind Technologies przez Google wstrząsnęło światem biznesu. Misją Google jest uczynienie z DL poważnego rozwiązania dla marketerów w wyszukiwarkach, którym zależy na SEO. 

Najbardziej zauważalnym trendem w zastosowaniach w prawdziwym świecie technologii i narzędzi ML jest to, że zaczynają one przekształcać jedną firmę na raz „od chatbotów i agentów cyfrowych w CRM do demonstracji hal produkcyjnych opartych na rzeczywistości wirtualnej (VR). Przyszłe technologie uczenia maszynowego, w tym DL, muszą demonstrować uczenie się z ograniczonych materiałów szkoleniowych i przenosić uczenie się między kontekstami, ciągłe uczenie się i możliwości adaptacyjne, aby pozostały przydatne.

Potężna technologia głębokiego uczenia się była wielokrotnie wykorzystywana w popularnych aplikacjach, takich jak rozpoznawanie mowy i twarzy czy klasyfikacja obrazów. Nowsze zastosowania i przypadki użycia obejmują wykrywanie fałszywych wiadomości, modele predykcyjne dla opieki zdrowotnej oraz automatyczne generowanie obrazów i pisma odręcznego.

Przyszłe trendy w pigułce

Niektóre z głównych trendów, które przenoszą głębokie uczenie się w przyszłość
należą:

• Obecny rozwój zastosowań badawczych i przemysłowych DL pokazuje jego „wszechobecną” obecność w każdym aspekcie sztucznej inteligencji — niezależnie od tego NLP lub komputerowych aplikacji wizyjnych.
• Z czasem i możliwościami badawczymi metody uczenia się bez nadzoru mogą dostarczyć modeli, które będą ściśle naśladować ludzkie zachowanie.
• Pozorny konflikt między przepisami dotyczącymi ochrony danych konsumentów a potrzebami badawczymi dotyczącymi dużych ilości danych konsumentów będzie się utrzymywał.
• Ograniczenia technologii głębokiego uczenia się w możliwości „rozumowania” stanowią przeszkodę dla zautomatyzowanych narzędzi wspomagających podejmowanie decyzji.
• Przejęcie DeepMind Technologies przez Google to obietnica dla globalnych marketerów.
• Przyszłe technologie ML i DL muszą demonstrować uczenie się z ograniczonych materiałów szkoleniowych i przenosić uczenie się między kontekstami, ciągłe uczenie się i możliwości adaptacyjne, aby pozostały przydatne.
• Jeśli badania nad technologią głębokiego uczenia się będą postępowały w obecnym tempie, programiści mogą wkrótce zostać wyprzedzeni i będą zmuszeni do intensywnego szkolenia.

Zainteresowany karierą w Deep Learning?

W zależności od tego, czy jesteś kompletnym nowicjuszem, czy już doświadczonym w innych dziedzinach nauki o danych, niektóre z nich możesz znać przydatne wskazówki dotyczące rozpoczynania kariery w uczeniu głębokim:

• Poznaj szeroką dziedzinę głębokiego uczenia się i zawęź obszar zainteresowania.
• Mając na uwadze konkretny obszar zainteresowania, następnym krokiem jest kultywowanie odpowiednich języków programowania. Na przykład, jeśli Twoim obszarem zainteresowania są algorytmy ML, pomocne będzie rozwijanie umiejętności językowych Pythona.
• Równie ważne jest ciągłe doskonalenie umiejętności analitycznych. W tym celu może być konieczne przejrzenie witryn szkoleniowych i wypróbowanie ich ćwiczeń.
• Wreszcie, przeglądanie rzeczywistych opisów stanowisk w witrynach z ofertami pracy może poszerzyć Twoją wiedzę na temat ról i obowiązków związanych z głębokim uczeniem się.

Obraz używany na licencji Shutterstock.com

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
• Źródło: https://www.dataversity.net/the-future-of-deep-learning/