Čo je to hlboké učenie
Hlboké učenie je podoblastou strojového učenia a využíva neurónové siete a veľké objemy dát. Metódy učenia sú založené na fungovaní ľudského mozgu a vedú k schopnosti robiť si vlastné prognózy alebo rozhodnutia.
Takzvané hlboké učenie je špeciálna metóda spracovania informácií. Hlboké učenie je podoblastou strojového učenia a využíva neurónové siete. Na výrobu umelej inteligencie sa používajú tréningové metódy, ktoré využívajú a analyzujú veľké množstvo dát. Spôsob jeho fungovania je v mnohých oblastiach inšpirovaný učením v ľudskom mozgu. Na základe existujúcich informácií a neurónovej siete môže systém opakovane spájať naučené s novým obsahom a učiť sa tak znova. Vďaka tomu je stroj schopný robiť prognózy alebo rozhodnutia a spochybňovať ich. Rozhodnutia sú potvrdené alebo zmenené pri novom pokuse. Ľudia spravidla už nezasahujú do skutočného procesu učenia.
Hlboké učenie je obzvlášť vhodné pre všetky aplikácie, v ktorých je k dispozícii veľké množstvo údajov, z ktorých je možné odvodiť vzory a modely. Umelé neurónové siete, ktoré sú opakovane prepojené počas procesu učenia, slúžia ako technická základňa hlbokého učenia.
Neurónové siete - základ pre hlboké učenie
Neurónová sieť je akýmsi modelom umelej abstrakcie ľudského mozgu a pozostáva z umelých neurónov. Má takzvané vstupné a výstupné neuróny. Medzi nimi je niekoľko vrstiev medziľahlých neurónov. Vstupné neuróny môžu byť spojené s výstupnými neurónmi učením sa rôznymi spôsobmi prostredníctvom medziľahlých neurónov. Čím viac neurónov a vrstiev je, tým zložitejšie problémy je možné zmapovať.
Základný koncept hlbokého učenia
Hlboké učenie učí stroje učiť sa. Stroj je schopný zlepšovať svoje schopnosti nezávisle a bez ľudského zásahu. To sa dosiahne extrakciou a klasifikáciou vzorov z existujúcich údajov a informácií. Získané vedomosti môžu byť následne korelované s údajmi a prepojené v ďalšom kontexte. Nakoniec je stroj schopný robiť rozhodnutia na základe odkazov.
Neustálym spochybňovaním rozhodnutí majú informačné odkazy určitú váhu. Ak sa rozhodnutia potvrdia, ich váha sa zvyšuje; ak sa revidujú, váha sa zníži. Medzi vstupnou vrstvou a výstupnou vrstvou sa vytvára čoraz viac úrovní medzivrstiev a odkazov. Skutočný výstup určuje počet medzivrstiev a ich spojenie.
Diferenciácia hlbokého učenia sa od čisto strojového učenia
Hlboké učenie je podoblastou strojového učenia, ale stále sa dá jasne odlíšiť od čistého strojového učenia. Kľúčový rozdiel je v tom, že pri strojovom učení ľudia zasahujú do analýzy údajov a skutočného rozhodovacieho procesu. Vďaka hlbokému učeniu sa ľudia iba ubezpečujú, že informácie sú k dispozícii na učenie a že procesy sú zdokumentované. Samotnú analýzu a odvodenie prognóz alebo rozhodnutí ponecháva na samotný stroj. Ľudia nemajú žiadny vplyv na výsledky procesu učenia. Pri spätnom pohľade už nie je možné úplne vysledovať presný vzor, na základe ktorého sa stroj konkrétne rozhodol. Rozhodnutia sú navyše neustále spochybňované a pravidlá rozhodovania sú optimalizované nezávisle.
Oblasti využitia pre hlboké vzdelávanie
Hlboké učenie sa hodí všade tam, kde je možné skúmať vzory a modely veľkého množstva údajov. Hlboké učenie sa preto často používa v súvislosti s umelou inteligenciou na rozpoznávanie tváre, predmetu alebo reči. Napríklad s rozpoznávaním reči je vďaka hlbokému učeniu možné, aby si systémy nezávisle rozširovali slovnú zásobu o nové slová alebo frázy. Známym príkladom takéhoto spôsobu práce je inteligentný hlasový asistent Siri od spoločnosti Apple. Ďalšími oblasťami použitia sú preklad hovorených textov, pokročilá umelá inteligencia v počítačových hrách, autonómne riadenie alebo predikcia správania zákazníka na základe údajov zo systému CRM.