อนาคตของการเรียนรู้เชิงลึก

การเรียนรู้เชิงลึก (DL) กลายเป็น "ดาวเด่น" ในชั่วข้ามคืน เมื่อผู้เล่นหุ่นยนต์เอาชนะผู้เล่นที่เป็นมนุษย์ในเกม AlphaGo อันเลื่องชื่อ การฝึกอบรมการเรียนรู้เชิงลึกและวิธีการเรียนรู้ได้รับการยอมรับอย่างกว้างขวางสำหรับเครื่องจักร "มนุษย์" ความสามารถด้านระบบอัตโนมัติขั้นสูงจำนวนมากที่พบในแพลตฟอร์ม AI ขององค์กรในขณะนี้ เกิดจากการเติบโตอย่างรวดเร็วของแมชชีนเลิร์นนิง (ML) และการเรียนรู้เชิงลึก เทคโนโลยี.

 โพสต์เปรียบเทียบ ใน AI, ML และ DL กล่าวถึงการมีอยู่ของ DL "แพร่หลาย" ในหลายแง่มุมของ AI ไม่ว่าจะเป็น NLP หรือแอปพลิเคชันการมองเห็นด้วยคอมพิวเตอร์ ระบบ เครื่องมือ และโซลูชันอัตโนมัติที่เปิดใช้งาน AI และ DL ค่อยๆ แทรกซึมและเข้าครอบครองภาคส่วนธุรกิจทั้งหมด ตั้งแต่การตลาดจนถึงประสบการณ์ของลูกค้า จากความจริงเสมือนไปจนถึงการประมวลผลภาษาธรรมชาติ (NLP) และผลกระทบทางดิจิทัลมีอยู่ทุกที่

นักวิจัย Facebook มีปัญหากับภาวะที่กลืนไม่เข้าคายไม่ออกด้านความเป็นส่วนตัว

ที่นี่คือ ย้อนดูความขัดแย้งปี 2018 เหนือความต้องการของสาธารณะในความเป็นส่วนตัวของข้อมูลส่วนบุคคล ความต้องการของผู้บริโภคนี้ขัดแย้งโดยตรงกับความพยายามในการวิจัย AI ในปัจจุบันของ Facebook นักวิจัย AI ที่ Facebook จำเป็นต้อง "เก็บเกี่ยวข้อมูลจำนวนมาก" ส่วนบุคคลเพื่อฝึกฝนอัลกอริทึมการเรียนรู้

Facebook ตระหนักดีว่าแนวคิดยูโทเปียของการเข้ารหัสแบบ end-to-end นั้นเป็นตำนานในโลกการวิจัยที่แสวงหาคำตอบจากกองข้อมูลส่วนบุคคล สำหรับความพยายามในอนาคต นักวิจัยกำลังพิจารณาอย่างจริงจังเกี่ยวกับการฝึกอบรมอัลกอริทึมเกี่ยวกับ “ข้อมูลที่ตายแล้ว” บนอุปกรณ์แต่ละเครื่อง แทนที่จะเก็บข้อมูลส่วนบุคคลเป็นจำนวนมาก ในกรณีดังกล่าว วิศวกรของ Facebook จะติดตั้งอัลกอริธึมการกลั่นกรองเนื้อหาโดยตรงบนโทรศัพท์ของผู้ใช้เพื่อหลีกเลี่ยงการละเมิดความเป็นส่วนตัวของข้อมูล

ใน AI ทวีคูณ ในบทความนี้ ผู้เขียนได้ให้รายละเอียดเกี่ยวกับวิธีการ DL ที่ไม่เหมือนใครหลายอย่าง เช่น การเรียนรู้ด้วยตนเอง, FLS และการเพิ่มข้อมูลตาม GAB ซึ่งอาจรอดพ้นจากการโต้เถียงเกี่ยวกับอายุการเก็บรักษาของวิธีการเรียนรู้เชิงลึกจำนวนมาก

อื่น
ลักษณะเฉพาะที่จำกัดอย่างมากของโซลูชันที่เปิดใช้งาน DL คือการเรียนรู้
อัลกอริทึมยังไม่สามารถให้เหตุผลโดยละเอียดสำหรับทางเลือกของพวกเขาได้ ซึ่งสามารถทำได้
กระตุ้นให้ผู้ใช้ยอมรับการตัดสินใจจากเครื่องมือ AI สุ่มสี่สุ่มห้าแล้วปรุง
คำอธิบาย "ปลอม" สำหรับคำตอบที่ถูกปฏิเสธ ที่ไม่เป็นกำลังใจอย่างมากสำหรับ
โซลูชั่นสนับสนุนการตัดสินใจ!

การทำให้เป็นประชาธิปไตยของการเรียนรู้เชิงลึกในห้าถึง 10 ปี

คนในวงการ AI ได้แนะนำมาหลายปีแล้ว สภาพแวดล้อม ML ทั้งหมด ควรเป็นประชาธิปไตย เครื่องมือ DL จะกลายเป็นส่วนมาตรฐานของชุดเครื่องมือของผู้พัฒนา คอมโพเนนต์ DL ที่นำกลับมาใช้ใหม่ได้ ซึ่งรวมอยู่ในไลบรารี DL มาตรฐาน จะนำลักษณะการฝึกอบรมของรุ่นก่อนหน้ามาใช้เพื่อเพิ่มความเร็วในการเรียนรู้ ในขณะที่ระบบอัตโนมัติของเครื่องมือการเรียนรู้เชิงลึกยังคงดำเนินต่อไป มีความเสี่ยงโดยธรรมชาติที่เทคโนโลยีจะพัฒนาเป็นสิ่งที่ซับซ้อนจนนักพัฒนาทั่วไปพบว่าตัวเองไม่รู้อะไรเลย

การคาดการณ์ใหม่เกี่ยวกับการเรียนรู้เชิงลึก

ออกจาก คำทำนาย 10 อันดับแรก สร้างขึ้นเกี่ยวกับการเอนลึกในปี 2022 นี่คือบางส่วนที่ควรค่าแก่การดูในปีนี้:

• รุ่นไฮบริดแบบรวม
• การใช้ DL ในประสาทวิทยาศาสตร์
• เครือข่ายฝ่ายตรงข้ามทั่วไป (GAN)
• การใช้หน่วยสืบราชการลับขอบ
• NLP ในระดับต่อไป

การประยุกต์ใช้การเรียนรู้เชิงลึกของปัจจุบันและอนาคต

Google เป็นผู้บุกเบิกในการติดตาม การเรียนรู้อย่างลึกซึ้งในด้านการตลาด. การเข้าซื้อกิจการ DeepMind Technologies ของ Google ทำให้โลกธุรกิจสั่นสะเทือน ภารกิจของ Google คือการทำให้ DL เป็นโซลูชันที่จริงจังสำหรับนักการตลาดการค้นหาที่ใส่ใจเกี่ยวกับ SEO 

แนวโน้มแอปพลิเคชันที่โดดเด่นที่สุดในโลกแห่งความเป็นจริงของเทคโนโลยีและเครื่องมือ ML คือพวกเขากำลังเริ่มเปลี่ยนแปลงธุรกิจทีละอย่าง “จากแชทบอทและตัวแทนดิจิทัลใน CRM ไปสู่การสาธิตบนพื้นร้านค้าที่ขับเคลื่อนด้วยความเป็นจริงเสมือน (VR)” เทคโนโลยี ML ในอนาคต ซึ่งรวมถึง DL จะต้องแสดงการเรียนรู้จากเอกสารการฝึกอบรมที่จำกัด และถ่ายโอนการเรียนรู้ระหว่างบริบท การเรียนรู้อย่างต่อเนื่อง และความสามารถในการปรับตัวเพื่อให้ยังคงมีประโยชน์

เทคโนโลยีอันทรงพลังของ Deep Learning ถูกนำมาใช้หลายครั้งในแอปพลิเคชันยอดนิยม เช่น เสียงพูดและการจดจำใบหน้า หรือการจำแนกรูปภาพ แอปพลิเคชันและกรณีการใช้งานล่าสุด ได้แก่ การตรวจจับข่าวปลอม แบบจำลองการคาดการณ์สำหรับการดูแลสุขภาพ และการสร้างภาพและลายมือโดยอัตโนมัติ

สรุปแนวโน้มในอนาคต

แนวโน้มหลักบางส่วนที่ขับเคลื่อนการเรียนรู้เชิงลึกสู่อนาคต
คือ:

• การเติบโตของการวิจัย DL และการประยุกต์ใช้ในอุตสาหกรรมในปัจจุบันแสดงให้เห็นถึงการมีอยู่อย่าง "แพร่หลาย" ในทุกแง่มุมของ AI ไม่ว่าจะเป็น NLP หรือโปรแกรมคอมพิวเตอร์วิชั่น
• ด้วยเวลาและโอกาสในการค้นคว้า วิธีการเรียนรู้แบบไม่มีผู้สอนอาจนำเสนอแบบจำลองที่จะเลียนแบบพฤติกรรมมนุษย์ได้อย่างใกล้ชิด
• ความขัดแย้งที่ชัดเจนระหว่างกฎหมายคุ้มครองข้อมูลผู้บริโภคและความต้องการในการวิจัยข้อมูลผู้บริโภคในปริมาณมากจะดำเนินต่อไป
• ข้อจำกัดของเทคโนโลยีการเรียนรู้เชิงลึกในการ "ให้เหตุผล" เป็นอุปสรรคต่อเครื่องมือสนับสนุนการตัดสินใจแบบอัตโนมัติ
• การซื้อกิจการ DeepMind Technologies ของ Google ถือเป็นคำมั่นสัญญาสำหรับนักการตลาดทั่วโลก
• เทคโนโลยี ML และ DL ในอนาคตต้องแสดงให้เห็นถึงการเรียนรู้จากสื่อการฝึกอบรมที่จำกัด และการถ่ายโอนการเรียนรู้ระหว่างบริบท การเรียนรู้อย่างต่อเนื่อง และความสามารถในการปรับตัวเพื่อให้ยังคงมีประโยชน์
• หากการวิจัยเทคโนโลยีการเรียนรู้เชิงลึกดำเนินไปอย่างรวดเร็วในปัจจุบัน นักพัฒนาซอฟต์แวร์อาจพบว่าตัวเองแซงหน้าในไม่ช้าและจะถูกบังคับให้เข้ารับการฝึกอบรมอย่างเข้มข้น

สนใจอาชีพในการเรียนรู้เชิงลึกหรือไม่?

ขึ้นอยู่กับว่าคุณเป็นมือใหม่หรือเคยมีประสบการณ์ในสาขา Data Science มาก่อน คุณอาจคุ้นเคยกับสิ่งเหล่านี้อยู่บ้าง เคล็ดลับที่เป็นประโยชน์สำหรับการเริ่มต้นอาชีพในการเรียนรู้เชิงลึก:

• สำรวจขอบเขตกว้างของการเรียนรู้เชิงลึกและจำกัดพื้นที่โฟกัสของคุณให้แคบลง
• เมื่อคำนึงถึงจุดโฟกัสเฉพาะแล้ว ขั้นตอนต่อไปคือการฝึกฝนภาษาโปรแกรมที่เกี่ยวข้อง ตัวอย่างเช่น หากพื้นที่โฟกัสของคุณคืออัลกอริทึม ML การพัฒนาทักษะภาษา Python จะเป็นประโยชน์
• การฝึกฝนทักษะการวิเคราะห์ของคุณอย่างต่อเนื่องก็มีความสำคัญไม่แพ้กัน สำหรับสิ่งนี้ คุณอาจต้องตรวจสอบไซต์การฝึกอบรมและพยายามออกกำลังกาย
• สุดท้าย การทบทวนรายละเอียดงานจริงในไซต์งานอาจเพิ่มพูนความรู้ของคุณเกี่ยวกับบทบาทและความรับผิดชอบของงานการเรียนรู้เชิงลึก

รูปภาพที่ใช้ภายใต้ลิขสิทธิ์จาก Shutterstock.com

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
• ที่มา: https://www.dataversity.net/the-future-of-deep-learning/