În ultimul timp se vorbește tot mai multe despre inteligența artificială, capacitatea acesteia de a învăța și așa-numita „învățare profundă”. În acest ghid vom detalia ce înseamnă deep learning.
Ce este învățarea profundă
Învățarea profundă („deep learning” în engleză) reprezintă un subset al învățării automate („machine learning”), în care rețelele neuronale artificiale (algoritmi modelați pentru a funcționa precum creierul uman) învață pe baza unor volume mari de date, se arată într-o definiție oferită de compania Oracle.
Deep learning mai poate fi definită ca un subset al învățării automate care le permite computerelor să rezolve probleme mai complexe deoarece modelele de învățare profundă sunt capabile să creeze noi caracteristici pe cont propriu, fără intervenție umană.
Ce înseamnă deep learning – definiție
După cum se arată și într-o definiție oferită de Wikipedia.org, învățarea profundă este o clasă de algoritmi de învățare automată care utilizează mai multe straturi pentru a extrage progresiv caracteristici de nivel superior din datele brute de intrare (input).
De pildă, în procesarea imaginilor, straturile inferioare pot identifica marginile lucrurilor reprezentate, în vreme ce straturile superioare pot identifica fețele, cifrele sau literele.
Potrivit unui ghid al IBM, învățarea profundă este un subset al învățării automate, care este în esență o rețea neuronală cu 3 sau mai multe straturi. Aceste rețele neuronale încearcă să simuleze comportamentul creierului uman, permițându-i să învețe din volume mari de date.
Cum funcționează deep learning
Învățarea profundă este alimentată de mai multe straturi de rețele neuronale. După cum arătam mai sus, aceste rețele neuronale artificiale sunt algoritmi modelați pe felul în care funcționează creierul uman.
Neuronii din rețeaua neuronală artificială sunt configurați de antrenamentul pe baza unor volume mari de date. Astfel rezultă un model de învățare profundă care, odată antrenat, poate prelucra date noi.
Ce înseamnă deep learning și cum funcționează algoritmii
Pentru a înțelege datele observaționale, ca de exemplu fotografiile sau datele audio, rețelele neuronale transmit date prin straturi de noduri interconectate, precizează ghidul Oracle. Când informația trece printr-un strat, fiecare nod din stratul în cauză efectuează operații simple asupra datelor și transmite selectiv rezultatele către alte noduri. Apoi, fiecare strat următor se concentrează pe o caracteristică de nivel mai înalt decât precedentul, până când rețeaua generează rezultatul.
În vreme ce o rețea neuronală de bază poate avea unul sau două straturi între cel de input și cel de output, o rețea de deep learning poate avea zeci sau chiar sute de straturi. Creșterea numărului de noduri și de straturi poate crește precizia unei rețele, însă poate însemna și că modelul va necesita mai mulți parametri și resurse de calcul.
Modelele de învățare profundă preiau informații din surse multiple de date și analizează datele respective în timp real, fără să aibă nevoie de intervenție umană.
Ce înseamnă învățare profundă – exemplu
Înțelegem mai bine ce înseamnă deep learning dintr-un exemplu oferit de Oracle, în care o rețea neuronală este antrenată să recunoască imagini cu păsări. Mai multe straturi duc la rezultate mai precise, ca de exemplu deosebirea unei ciori de un corb (nu doar a unei ciori de o găină).
Rețelele neuronale profunde, care se află în spatele algoritmilor de deep learning, au mai multe straturi între nodurile de intrare (input) și ieșire (output), ceea ce înseamnă că ele sunt capabile să realizeze clasificări mai complexe.
Un algoritm de învățare profundă trebuie antrenat cu seturi mari de date și, cu cât primește mai multe date, cu atât va fi mai precis. În exemplu nostru, el va trebui să primească mii de imagini cu păsări înainte de a fi capabil să clasifice noi imagini cu păsări.
Ce înseamnă deep learning – exemple de aplicații
În ziua de astăzi, majoritatea oamenilor intră în contact cu învățarea profundă în fiecare zi atunci când navighează pe internet sau când își folosesc telefoanele mobile. Însă, în majoritatea cazurilor, aplicațiile de învățare profundă sunt atât de bine integrate în produse și servicii încât utilizatorii nu sunt conștienți de procesarea complexă a datelor care are loc în background, mai notează IBM.
Deep learning are nenumărate aplicații. Ea este folosită pentru:
1. generarea de subtitrări pentru videoclipurile de pe YouTube;
2. recunoașterea vorbirii de către dispozitivele inteligente; astfel, asistenții digitali reprezintă un exemplu deja clasic de învățare profundă: cu ajutorul procesării limbajului natural, Siri sau Alexa pot răspunde la întrebări și se pot adapta la obiceiurile utilizatorilor;
3. recunoaștere facială în cazul fotografiilor;
Ce înseamnă deep learning și ce aplicații are
4. analiza unui număr foarte mare de imagini (astfel, rețelele de socializare pot să afle mai multe informații despre utilizatorii lor, de pildă);
5. mașinile fără șofer;
6. rețelele neuronale cu învățare profundă pot fi folosite pentru a prezice prețul acțiunilor și pentru a dezvolta strategii de tranzacționare la bursele de valori;
7. instituțiile financiare folosesc analiza predictivă pentru a evalua riscurile în cazul acordării de împrumuturi;
Ce înseamnă deep learning – domenii de aplicare
8. în domeniul medical, învățarea profundă poate analiza tendințele și comportamentele oamenilor pentru a prezice bolile pacienților; totodată, medicii pot folosi algoritmi de învățare profundă pentru a decide testele și tratamentele optime pentru pacienții lor;
9. în securitatea cibernetică, învățarea profundă poate detecta amenințările avansate mai bine decât soluțiile malware tradiționale, identificând noi activități suspecte, mai degrabă decât reacționând în momentul în care întâlnește o amenințare cunoscută;
10. algoritmii de învățare profundă pot analiza și învăța din datele privind tranzacțiile financiare pentru a identifica tipare periculoase ce indică o posibilă activitate infracțională;
11. recunoașterea vorbirii, viziunea computerizată și alte aplicații de învățare profundă pot îmbunătăți analiza investigativă a poliției prin extragerea de modele și dovezi din înregistrările video și audio, imagini și documente.
Ce beneficii are deep learning
Învățarea în profunzime are numeroase avantaje. Încheiem discuția despre ce înseamnă deep learning enumerând câteva dintre acestea:
Analiza unor volume mari de date complexe. Algoritmii de învățare profundă pot fi antrenați pentru a analiza datele text din postările de pe rețelele de socializare, din știri sau din sondaje, pentru a oferi informații valoroase despre companii și clienți. În acest fel, companiile pot detecta mai ușor fraudele, pot gestiona mai bine lanțurile de aprovizionare sau securitatea cibernetică, de pildă.
Etichetarea datelor. Algoritmii de deep learning au nevoie de date etichetate, clasificate, pentru a învăța. Odată instruit, un algoritm poate eticheta noi date și poate identifica pe cont propriu diferite tipuri de date.
Economia de timp. Un algoritm de învățare profundă nu are nevoie ca oamenii să extragă manual anumite caracteristici din datele brute.
Eficiență. Când un algortim de învățare profundă este antrenat corespunzător, el poate îndeplini mii de sarcini, mai rapid și mai eficient decât oamenii, mai notează Oracle.
Ce înseamnă deep learning – cerințe de hardware
Învățarea profundă necesită o putere de calcul uriașă, se mai arată în ghidul IBM. Unitățile de procesare grafică (GPU) de înaltă performanță sunt ideale pentru acești algoritmi, deoarece ele pot gestiona un volum mare de calcule în mai multe nuclee. Pe de altă parte, gestionarea mai multor GPU poate crea o cerere foarte mare de resurse interne și poate fi foarte costisitoare.
Foto: xresch / Samdraft / pixabay.com
Dacă acest articol despre ce înseamnă deep learning ți s-a părut util, te-ar putea interesa și:
Ce este machine learning și ce aplicații are. Ghid cu exemple
Ce înseamnă big data. De unde provin și cine le utilizează
Ce este machine vision. 8 aplicații și 3 avantaje
