インデックス
深層学習 工場、倉庫、オフィス、家庭で現在人間が行っていることを機械が学習するあらゆる可能性について、会話の中で何度も出てくる用語です。 テクノロジーは(私たちの恐怖と興奮とともに)急速に進化していますが、 inteligência人工、機械学習、 深層学習 (ディープラーニング、ポルトガル語で)はあなたを困惑させるかもしれません。
この記事では、 深層学習 そして、このタイプのテクノロジーの現在の使用法を明確にする 8 つの実用的な例を示します。
ディープラーニングとは
人工知能の分野は、人間の知性を必要とするタスクを機械がいつ実行できるようになるかということに要約されます。 人工知能には、以下を含むいくつかの技術が含まれます。 機械学習 (機械学習、英語) では、人間が関与することなく機械が経験から学習し、スキルを習得できます。
機械学習は、構造化されたデータをフィードすることにより、人間の介入なしに自分自身を変更して目的の出力を生成できるアルゴリズムの作成に直接関与しています。
すでに 深層学習 これは、人工ニューラル ネットワーク (人間の脳に着想を得たアルゴリズム) が大量のデータから学習する機械学習のサブセットです。 経験から学んだように、深層学習アルゴリズムはタスクを何度も実行し、そのたびに結果を改善するために微調整を行います。
ニューラル ネットワークには学習を可能にする複数の (深い) レイヤーがあるため、「ディープ ラーニング」と呼びます。 理解するために「思考」を必要とする問題は、ディープ ラーニングが学習して解決できる問題です。
私たちが毎日生成するデータの量は驚異的であり、現在は 2,6 京バイトと推定されており、ディープ ラーニングを可能にするリソースです。 ディープ ラーニング アルゴリズムは学習するために大量のデータを必要とするため、このデータ作成の増加は、ディープ ラーニング機能が近年成長している理由の XNUMX つです。
より多くのデータ作成に加えて、ディープ ラーニング アルゴリズムは、現在利用可能なより強力なコンピューティング能力と、サービスとしての人工知能 (AI) の普及から恩恵を受けています。 ザ サービスとしての AI これにより、小規模な組織は、多額の先行投資を行うことなく、人工知能技術、特にディープ ラーニングに必要な AI アルゴリズムにアクセスできるようになりました。
ディープ ラーニングにより、非常に多様で構造化されておらず、相互接続されたデータセットを使用する場合でも、マシンは複雑な問題を解決できます。 より深い学習アルゴリズムが学習するほど、動作が改善され、さまざまな種類のシナリオやニーズに適応できるようになります。
ディープラーニングと機械学習
深層学習がどのように機能し、日常生活で使用されているかを確認する前に、深層学習と機械学習の違いを明確にする必要があります。 特定の定義があるにもかかわらず、人工知能のこれら XNUMX つのサブセットは混同されることがよくあります。
実際には、ディープ ラーニングは機械学習のサブセットにすぎません。 実際、ディープ ラーニングは技術的には機械学習であり、同様の方法で機能します (したがって、用語が大まかに交換されることがあります)。 ただし、それらの機能は異なります。
基本的な機械学習モデルはあらゆる役割で徐々に改善されていますが、まだいくつかのガイダンスが必要です。 AI アルゴリズムが不正確な予測を返した場合、エンジニアが介入して調整を行う必要があります。 ディープ ラーニング モデルを使用すると、アルゴリズムは独自のニューラル ネットワークを通じて予測が正確かどうかを判断できます。
懐中電灯の例に戻りましょう。懐中電灯は、誰かが「暗い」という言葉を発する合図を認識したときに点灯するようにプログラムできます。 学習を続けると、最終的にその単語を含む文をアクティブにすることができます。
懐中電灯にディープ ラーニング モデルがあれば、おそらく光センサーと組み合わせて、「見えない」または「ライト スイッチが機能しない」合図で点灯するはずです。 深層学習モデルは、独自のコンピューティング手法 (独自の脳を持っているかのように見せる手法) によって学習できます。
ディープラーニングはどのように機能しますか?
ディープ ラーニング モデルは、人間が結論を導き出す方法と同様の論理構造でデータを継続的に分析するように設計されています。 これを実現するために、ディープ ラーニング アプリケーションは、人工ニューラル ネットワークと呼ばれるアルゴリズムの階層構造を使用します。 人工ニューラル ネットワークの設計は、人間の脳の生物学的ニューラル ネットワークに着想を得ており、標準的な機械学習モデルよりもはるかに優れた学習プロセスを実現します。
ディープ ラーニング モデルが誤った結論を導き出さないようにするのは難しい見通しです。他の AI の例と同様に、学習プロセスを修正するには多くのトレーニングが必要です。 しかし、意図したとおりに機能する場合、関数型ディープ ラーニングは、多くの人が真の人工知能のバックボーンと見なす科学的驚異として称賛されることがよくあります。
深層学習の良い例は、 アルファゴー グーグルの。 グーグルは、鋭い知性と直感を必要とすることで知られる囲碁と呼ばれる抽象的なボードゲームをプレイすることを学習する、独自のニューラルネットワークを備えたコンピュータープログラムを作成しました。
プロの囲碁プレイヤーと対戦するとき、AlphaGo の深層学習モデルは、人工知能では見られなかったレベルでゲームを学習し、(標準の機械学習モデルが必要とするように) 特定の動きをいつ行うべきかを知らされることなく学習しました。.
AlphaGo によって引き起こされた最大の話題は、世界的に有名な数人のゲームの「達人」を打ち負かしたときでした。機械は、ゲームの複雑なテクニックと抽象的な側面を理解できるようになっただけでなく、最も優れたプレイヤーの XNUMX 人になりつつありました。
深層学習の実践例
人間の介入なしに機械が複雑な問題を解決することを学習できるようになった今、機械が直面している問題とは正確には何なのでしょうか? ここに示したのは、ディープ ラーニングが現在サポートしているタスクのほんの一部です。アルゴリズムがデータ注入を通じて学習を続けるにつれて、リストは増え続けます。
仮想アシスタント
ある アレクサ, シリ ou コルタナ、オンライン サービス プロバイダーの仮想アシスタントは、ディープ ラーニングを使用して、対話時に人間が使用する音声と言語を理解するのに役立ちます。
翻訳
同様に、深層学習アルゴリズムは、多くの種類の言語を自動的に翻訳できます。 これは、迅速かつ効率的な翻訳を必要とする旅行者、ビジネスマン、および政府関係者にとって強力です。
無人配送トラック、ドローン、自動運転車のビジョン
自律走行車が道路の現実を理解し、それが一時停止の標識であれ、路上のボールであれ、別の車両であれ、それらにどのように反応するかは、ディープ ラーニング アルゴリズムを介して行われます。 これらのアルゴリズムが受信するデータが多ければ多いほど、情報処理において人間のように振る舞うことができるようになります。
チャットボットとサービスボット
チャットボット 多くの企業に顧客サービスを提供するサービス ロボットは、ディープ ラーニングのおかげで、増え続ける音声やテキストの質問にインテリジェントかつ有益に応答することができます。
画像の色付け
白黒の画像をカラー化する作業は、人の手による細心の注意を払って行われました。 今日、深層学習アルゴリズムは、画像内のコンテキストとオブジェクトを使用して色を付け、基本的に白黒画像をカラーで再現することができます。 結果は印象的で正確です。
顔認識
ディープラーニングは、セキュリティ上の理由だけでなく、Facebook の投稿で人をタグ付けするために顔認識にも使用されています。 Facebook 近い将来、顔だけで商品の支払いができるようになるかもしれません。 顔認識のためのディープ ラーニング アルゴリズムの課題は、髪型を変えたり、髭を伸ばしたり剃ったりした場合や、照明が不十分であったり障害物が原因でキャプチャされた画像が鮮明でなかったりした場合でも、同一人物であることを認識することです。
医学と医薬品
病気や腫瘍の診断から、個人のゲノムに合わせて特別に作成された個別化医療まで、医療分野のディープ ラーニングは多くの大手製薬会社や医療会社の注目を集めています。
パーソナライズされたショッピングとエンターテイメント
Netflix が次に見るべき作品をどのように提案するのか疑問に思ったことはありませんか? または、Amazon が次に購入すべきものについてのアイデアを思いつき、それらの提案はまさにあなたが必要としているものの、これまで知らなかったものでしょうか? はい、それは深層学習アルゴリズムが働いています。
深層学習アルゴリズムは、経験を積むほど、より優れたものになります。 技術が成熟し続けているので、それは並外れた数年になるに違いありません。
Showmetech について詳しく知る
最新ニュースを電子メールで受け取るには登録してください。