Publicerad av Djupinlärning är en delmängd av maskininlärning (ML), där artificiella neurala nätverk – algoritmer som är modellerade för att fungera som den mänskliga hjärnan – lär sig från stora mängder data.
Hur fungerar djupinlärning?
Djupinlärning drivs av lager av neurala nätverk, som är algoritmer som är löst modellerade efter hur den mänskliga hjärnan fungerar. Träning med stora mängder data är det som konfigurerar neuronerna i det neurala nätverket.
Resultatet är en djup inlärningsmodell som, när den väl har tränats, bearbetar nya data. Djupinlärningsmodeller tar in information från flera datakällor och analyserar dessa data i realtid, utan att människan behöver ingripa.
Vid djupinlärning är grafikprocessorer (GPU) optimerade för att träna modeller eftersom de kan bearbeta flera beräkningar samtidigt.
Driver många Tekniker inom AI
Djupinlärning är det som driver många tekniker för artificiell intelligens (AI) som kan förbättra automatisering och analytiska uppgifter. De flesta människor möter djupinlärning varje dag när de surfar på internet eller använder sina mobiltelefoner.
Bland otaliga andra tillämpningar används djupinlärning för att generera bildtexter till YouTube-videor, utföra taligenkänning på telefoner och smarta högtalare, ge ansiktsigenkänning för fotografier och möjliggöra självkörande bilar.
Och i takt med att datavetare och forskare tar sig an alltmer komplexa projekt för djupinlärning – med hjälp av ramverk för djupinlärning – kommer denna typ av artificiell intelligens bara att bli en större del av vårt dagliga liv.
Vad är skillnaden mellan djupinlärning och neurala nätverk?
Djupinlärning vs. neurala nätverk
Enkelt uttryckt är djupinlärning ett namn för neurala nätverk med många lager.
För att förstå observationsdata, till exempel foton eller ljud, skickar neurala nätverk data genom sammankopplade lager av noder. När information passerar genom ett lager utför varje nod i det lagret enkla operationer på data och vidarebefordrar selektivt resultaten till andra noder. Varje efterföljande lager fokuserar på en funktion på högre nivå än det föregående, tills nätverket skapar resultatet.
Mellan inmatningsskiktet och utmatningsskiktet finns dolda skikt. Det är här som skillnaden mellan neurala nätverk och djupinlärning kommer in: Ett grundläggande neuralt nätverk kan ha ett eller två dolda lager, medan ett djupgående nätverk kan ha dussintals – eller till och med hundratals – lager. Om man ökar antalet olika lager och noder kan man öka noggrannheten hos ett nätverk. Fler lager kan dock också innebära att en modell kräver fler parametrar och beräkningsresurser.
Djupinlärning Klassificerar Information
Djupinlärning klassificerar information genom lager av neurala nätverk, som har en uppsättning ingångar som tar emot rådata. Om ett neuralt nätverk till exempel tränas med bilder av fåglar kan det användas för att känna igen bilder av fåglar. Fler lager möjliggör mer exakta resultat, till exempel att skilja en kråka från en korp jämfört med att skilja en kråka från en kyckling.
Djupa neurala nätverk, som ligger bakom algoritmer för djupinlärning, har flera dolda lager mellan ingångs- och utgångsnoderna – vilket innebär att de kan utföra mer komplexa dataklassificeringar. En djupinlärningsalgoritm måste tränas med stora datamängder, och ju mer data den får, desto noggrannare blir den; den måste matas med tusentals bilder av fåglar innan den kan klassificera nya bilder av fåglar på ett korrekt sätt.
När det gäller neurala nätverk är det mycket resurskrävande att träna den djupa inlärningsmodellen. Detta är när det neurala nätverket tar emot inmatningar, som bearbetas i dolda lager med hjälp av vikter (parametrar som representerar styrkan i kopplingen mellan inmatningarna) som justeras under träningen, och modellen ger sedan ut en förutsägelse.
Vikterna justeras på grundval av träningsingångarna för att göra bättre förutsägelser. Djupinlärningsmodeller lägger ner mycket tid på att träna stora mängder data, vilket är anledningen till att högpresterande datorer är så viktiga.
GPU:er är optimerade för databeräkningar och är utformade för snabb prestanda för storskaliga matrisberäkningar. GPU:er är bäst lämpade för parallell exekvering för storskaliga problem med maskininlärning (ML) och djup inlärning. Detta leder till att ML-tillämpningar som utför ett stort antal beräkningar på stora mängder strukturerade eller ostrukturerade data – t.ex. bilder, text och video – har god prestanda.
De 5 främsta skälen till att använda djup inlärning
En stor fördel med djupinlärning är att dess neurala nätverk används för att avslöja dolda insikter och relationer från data som tidigare inte var synliga. Med mer robusta modeller för maskininlärning som kan analysera stora, komplexa data kan företag förbättra upptäckt av bedrägerier, hantering av leveranskedjan och cybersäkerhet genom att utnyttja följande:
Analysera ostrukturerade data
Djupinlärningsalgoritmer kan tränas att titta på textdata genom att analysera inlägg i sociala medier, nyheter och undersökningar för att ge värdefulla affärs- och kundinsikter.
Märkning av data
Djupinlärning kräver märkta data för träning. När den väl har tränats kan den märka nya data och identifiera olika typer av data på egen hand.
Utveckling av funktioner
En djupinlärningsalgoritm kan spara tid eftersom den inte kräver att människor manuellt extraherar funktioner från rådata.
Effektivitet
När en djupinlärningsalgoritm är korrekt tränad kan den utföra tusentals uppgifter om och om igen, snabbare än människor.
Utbildning
De neurala nätverk som används vid djup inlärning har förmågan att tillämpas på många olika datatyper och tillämpningar. Dessutom kan en djupinlärningsmodell anpassa sig genom att träna om den med nya data.
Vad är skillnaden mellan AI, maskininlärning och djupinlärning?
AI, maskininlärning och djupinlärning är alla relaterade, men de har olika egenskaper:
Artificiell intelligens (AI)
Artificiell intelligens gör det möjligt för datorer, maskiner eller robotar att efterlikna en människas förmågor, till exempel att fatta beslut, känna igen objekt, lösa problem och förstå språk.
Maskininlärning (ML)
Maskininlärning är en delmängd av artificiell intelligens som är inriktad på att bygga program som kan lära sig av data för att förbättra sin noggrannhet över tiden, utan mänsklig inblandning. Algoritmer för maskininlärning kan tränas för att hitta mönster för att fatta bättre beslut och göra bättre förutsägelser, men detta kräver vanligtvis mänskligt ingripande.
Djupinlärning
Djupinlärning är en delmängd av maskininlärning som gör det möjligt för datorer att lösa mer komplexa problem. Modeller för djupinlärning kan också skapa nya funktioner på egen hand.
5 användningsområden för djupinlärning
Sociala medier
Djupinlärning kan användas för att analysera ett stort antal bilder, vilket kan hjälpa sociala nätverk att ta reda på mer om sina användare. Detta förbättrar riktade annonser och förslag till följning.
Finansiering
Neurala nätverk i djup inlärning kan användas för att förutsäga aktievärden och utveckla handelsstrategier, och kan även upptäcka säkerhetshot och skydda mot bedrägerier.
Hälsovård
Djupinlärning kan spela en central roll inom hälso- och sjukvården genom att analysera trender och beteenden för att förutsäga sjukdomar hos patienter. Hälsovårdspersonal kan också använda algoritmer för djupinlärning för att besluta om optimala tester och behandlingar för sina patienter.
Cybersäkerhet
Djupinlärning kan upptäcka avancerade hot bättre än traditionella lösningar för skadlig kod genom att känna igen nya, misstänkta aktiviteter snarare än att reagera på en databas med kända hot.
Digitala assistenter
Digitala assistenter utgör några av de vanligaste exemplen på djupinlärning. Med hjälp av behandling av naturligt språk (NLP) kan Siri, Cortana, Google och Alexa svara på frågor och anpassa sig till användarens vanor.
Hinder för att tillämpa djup inlärning
Även om nya användningsområden för djupinlärning avslöjas är det fortfarande ett område under utveckling med vissa begränsningar:
Stora datamängder
För att uppnå mer insiktsfulla och abstrakta svar kräver djupinlärning stora mängder data att träna på. I likhet med en mänsklig hjärna behöver en djupinlärningsalgoritm exempel så att den kan lära sig av misstag och förbättra sitt resultat.
Bristande flexibilitet
Maskiner lär sig fortfarande på mycket snäva sätt, vilket kan leda till misstag. Djupinlärningsnätverk behöver data för att lösa ett specifikt problem. Om det ombeds utföra en uppgift utanför detta område kommer det med största sannolikhet att misslyckas.
Bristande öppenhet
Medan det sållar igenom miljontals datapunkter för att hitta mönster kan det vara svårt att förstå hur ett neuralt nätverk kommer fram till sin lösning. Denna brist på insyn i hur de behandlar data gör det svårt att identifiera oönskade bias och förklara förutsägelser.
Trots dessa hinder kommer datavetare allt närmare att bygga mycket exakta djupinlärningsmodeller som kan lära sig utan övervakning – vilket kommer att göra djupinlärningen snabbare och mindre arbetsintensiv.
Produkter och lösningar för djupinlärning
Med den explosionsartade ökningen av företagsdata måste datavetare kunna utforska och bygga djupinlärningsmodeller snabbt och med större flexibilitet än vad traditionell lokal IT-hårdvara kan erbjuda.
Oracle Cloud Infrastructure (OCI) erbjuder den bästa pris-prestanda-datorn för dataintensiva arbetsbelastningar, snabb molnlagring och nätverk med låg latens och hög genomströmning med 100 Gbps RDMA.
OCI erbjuder också GPU-beräkningsinstanser för djupinlärning, bilder som är lätta att distribuera och flexibiliteten att köra en arbetsstation med en enda GPU eller ett kluster av multi-GPU-former.
För att bygga, träna och distribuera modeller för maskininlärning på högpresterande molninfrastruktur, prova Oracle Cloud Infrastructure Data Science. Dataforskare kan bygga och träna djupinlärningsmodeller på mycket kortare tid med hjälp av NVIDIA GPU:er i bärbara sessioner.
De kan också välja den mängd beräknings- och lagringsresurser som de behöver för att ta itu med projekt av alla storlekar utan att behöva oroa sig för tillhandahållande eller underhåll av infrastruktur. Dessutom påskyndar OCI Data Science modellbyggandet genom att effektivisera datavetenskapliga uppgifter, till exempel dataåtkomst, algoritmval och modellförklaring.