Framtiden för djupt lärande

Deep learning (DL) blev en "stjärna" över en natt när en robotspelare slog en mänsklig spelare i det berömda spelet AlphaGo. Träning och inlärningsmetoder för djupinlärning har blivit allmänt erkända för att "humanisera" maskiner. Många av de avancerade automationsfunktionerna som nu finns i företags AI-plattformar beror på den snabba tillväxten av maskininlärning (ML) och djupinlärning teknik.

Denna jämförande inlägg om AI, ML och DL diskuterar den "alltäende" närvaron av DL i många aspekter av AI - oavsett om det är NLP eller datorseende applikationer. Gradvis penetrerar AI- och DL-aktiverade automatiserade system, verktyg och lösningar och tar över alla affärssektorer – från marknadsföring till kundupplevelse, från virtuell verklighet till naturlig språkbehandling (NLP) – och den digitala effekten finns överallt.

Facebook-forskare plågades av sekretessdilemma

Här är en titta tillbaka på 2018 års kontrovers över allmänhetens krav på absolut integritet för personuppgifter. Denna konsumentefterfrågan står i direkt konflikt med Facebooks nuvarande AI-forskning. AI-forskarna på Facebook behöver "massskörda" personlig data för att träna inlärningsalgoritmer.

Facebook inser att det utopiska konceptet med end-to-end-kryptering verkligen var en myt i en forskarvärld som söker svar från högar av personlig data. För framtida ansträngningar överväger forskare nu på allvar att träna algoritmer på "död data" på enskilda enheter snarare än att massskörda personlig data. I så fall kommer Facebooks ingenjörer att installera algoritmer för innehållsmoderering direkt på användarnas telefoner för att kringgå kränkningar av dataintegritet.

I ett AI flera I artikeln beskriver författaren flera unika DL-metoder som självövervakad inlärning, FLS och GAB-baserad dataförstärkning, som kan överleva kontroverserna kring hållbarhetstiden för många metoder för djupinlärning.

Annan
starkt begränsande kännetecknande för DL-aktiverade lösningar är att lärandet
algoritmer kan fortfarande inte ge detaljerade skäl för sina val, vilket kan
provocera användare att blint acceptera beslut från AI-verktyg och sedan hitta på
"falska" förklaringar för alla avvisade svar. Det är inte särskilt uppmuntrande för
beslutsstödjande lösningar!

Demokratisering av djupinlärning på fem till tio år

AI-branschens insiders har i många år föreslagit det hela ML-miljön bör demokratiseras. DL-verktyg kommer att bli en standarddel av utvecklarens verktygslåda. Återanvändbara DL-komponenter, inbyggda i standard DL-bibliotek, kommer att bära träningsegenskaperna hos sina tidigare modeller för att påskynda inlärningen. När automatiseringen av verktyg för djupinlärning fortsätter, finns det en inneboende risk att tekniken kommer att utvecklas till något så komplext att den genomsnittliga utvecklaren kommer att finna sig helt okunnig.

Nya förutsägelser om djupinlärning

Ut ur topp 10 förutsägelser gjorda om djup lutning 2022, här är några värda att titta på i år:

• Integrerade hybridmodeller
• Användning av DL i neurovetenskap
• General adversarial networks (GAN)
• Användning av edge Intelligence
• NLP på nästa nivå

Deep Learning-applikationer för nutid och framtid

Google var pionjären i att förfölja djupinlärning inom marknadsföring. Googles förvärv av DeepMind Technologies skakade affärsvärlden. Googles uppdrag är att göra DL till en seriös lösning för sökmarknadsförare som bryr sig om SEO. 

Den mest anmärkningsvärda applikationstrenden i den verkliga världen av ML-tekniker och -verktyg är att de börjar förvandla ett företag åt gången "från chatbotar och digitala agenter i CRM till virtuell verklighet (VR)-drivna demos på verkstadsgolvet." De framtida ML-teknologierna, som inkluderar DL, måste visa lärande från begränsat utbildningsmaterial och överföra lärande mellan sammanhang, kontinuerligt lärande och anpassningsförmåga för att förbli användbar.

Deep learnings kraftfulla teknologi har använts många gånger om i populära applikationer som tal- och ansiktsigenkänning eller bildklassificering. De nyare applikationerna och användningsfallen inkluderar upptäckt av falska nyheter, prediktiva modeller för hälsovård och automatisk bild- och handskriftsgenerering.

Framtida trender i ett nötskal

Några av de primära trenderna som flyttar djupinlärning in i framtiden
är:

• Den nuvarande tillväxten av DL-forskning och industritillämpningar visar dess "allomstädes närvarande" närvaro i alla aspekter av AI - oavsett om det är NLP eller datorseende applikationer.
• Med tid och forskningsmöjligheter kan oövervakade inlärningsmetoder leverera modeller som nära efterliknar mänskligt beteende.
• Den uppenbara konflikten mellan lagar om konsumentdataskydd och forskningsbehov för stora mängder konsumentdata kommer att fortsätta.
• Deep learning-teknikens begränsningar i att kunna "resonera" är ett hinder för automatiserade beslutsstödjande verktyg.
• Googles förvärv av DeepMind Technologies lovar globala marknadsförare.
• Framtida ML- och DL-teknologier måste visa lärande från begränsat utbildningsmaterial och överföra lärande mellan sammanhang, kontinuerligt lärande och anpassningsförmåga för att förbli användbar.
• Om forskning om djupinlärning fortskrider i den nuvarande takten kan utvecklare snart finna sig överträffade och kommer att tvingas ta intensiv utbildning.

Intresserad av en karriär inom Deep Learning?

Beroende på om du är helt nybörjare eller redan har erfarenhet av andra datavetenskapsområden, kanske du är bekant med några av dessa användbara tips för att starta en karriär inom djupinlärning:

• Utforska det breda fältet för djupinlärning och begränsa ditt fokusområde.
• Med ett specifikt fokusområde i åtanke är nästa steg att odla relevanta programmeringsspråk. Till exempel, om ditt fokusområde är ML-algoritmer, kommer det att vara till hjälp att utveckla Python-språkkunskaper.
• Det är lika viktigt att hela tiden fräscha upp dina analytiska färdigheter. För detta kan du behöva granska utbildningsplatser och prova deras övningar.
• Slutligen, genom att granska faktiska arbetsbeskrivningar på arbetsplatser kan du förbättra din kunskap om djupinlärningsroller och -ansvar.

Bilden används under licens från Shutterstock.com

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
• Källa: https://www.dataversity.net/the-future-of-deep-learning/