O que necesitas saber sobre a evolución da intelixencia artificial
A aprendizaxe profunda é unha forma poderosa de aprendizaxe automática (ML) que constrúe estruturas matemáticas complexas chamadas redes neuronais utilizando grandes cantidades de datos (información).
Definición de aprendizaxe profunda
A aprendizaxe profunda é unha forma de implementar ML usando múltiples capas de redes neuronais para procesar datos máis complexos. Ás veces chamado aprendizaxe xerárquica, a aprendizaxe profunda utiliza diferentes tipos de redes neuronais para aprender funcións (tamén chamadas representacións) e atopalos en grandes conxuntos de datos brutos non marcados (datos non estruturados). Unha das primeiras manifestacións innovadoras da aprendizaxe profunda foi un programa que escolleu con éxito imaxes de gatos fóra de series de videos de YouTube.
Exemplos de aprendizaxe profunda na vida cotiá
A aprendizaxe profunda non só se usa no recoñecemento de imaxes, senón tamén na tradución de idiomas, a detección de fraude e para analizar os datos recollidos polas empresas sobre os seus clientes. Por exemplo, Netflix usa aprendizaxe profunda para analizar os seus hábitos de visualización e predecir cales son as películas e as películas que prefire ver. Así é como Netflix sabe poñer películas de acción e documentais de natureza na súa cola de suxestións. Amazon usa aprendizaxe profunda para analizar as compras recentes e os elementos que buscas recentemente para crear suxestións para os novos álbumes de música do país que probabelmente estea interesado e que estea no mercado por un par de tenis gris e amarelo zapatos. Como a aprendizaxe profunda proporciona máis e máis información de datos non estruturados e en bruto, as corporacións poden anticipar mellor as necesidades dos seus clientes mentres ti, o cliente individual recibe un servizo personalizado máis personalizado.
Redes Neurais Artificiais e Aprendizaxe Profundas
Para facilitar a comprensión da aprendizaxe profunda, repasemos a comparación dunha rede neuronal artificial (ANN). Para unha aprendizaxe profunda, imaxina que o noso edificio de oficinas de 15 pisos ocupa un bloque de cidade con cinco edificios de oficinas. Hai tres edificios a cada lado da rúa. O noso edificio está construíndo A e comparte o mesmo lado da rúa que os edificios B e C. Ao cruzar a rúa do edificio A está construíndo 1, e fronte ao edificio B está construíndo 2, e así sucesivamente. Cada edificio ten un número diferente de pisos, está feito de diferentes materiais e ten un estilo arquitectónico diferente dos demais. Non obstante, cada edificio aínda está disposto en pisos separados (capas) de oficinas (nodos), de forma que cada edificio é un ANN único.
Imaxina que un paquete dixital chega á construción A, que contén moitos tipos diferentes de información de varias fontes, como datos baseados en texto, fluxos de vídeo, fluxos de audio, chamadas telefónicas, ondas de radio e fotografías. Non obstante, chega nun gran caos e Non está etiquetado nin ordenado de forma lóxica (datos non estruturais). A información envíase a través de cada andar desde o 1 ata o 15 para o seu procesamento. Despois de que o desbloqueo de información alcance o 15º piso (saída), envíase ao primeiro piso (entrada) do edificio 3 xunto co resultado final de procesamento do edificio A. O edificio 3 aprende e incorpora o resultado enviado pola construción A e entón procesa a información xuntando a cada andar da mesma forma. Cando a información chega ao piso superior do edificio 3, envíase desde alí cos resultados do edificio á construción 1. O edificio 1 aprende e incorpora os resultados do edificio 3 antes de procesalo no piso por andar. O edificio 1 pasa a información e os resultados da mesma forma na construción de C, que se procesa e envía ao edificio 2, que se procesa e envía ao edificio B.
Cada ANN (edificio) no noso exemplo busca un recurso distinto nos datos non estruturados (confusión da información) e pasa os resultados ao próximo edificio. O seguinte edificio incorpora (aprende) a saída (resultados) do anterior. A medida que os datos son procesados por cada ANN (edificio), organízase e rotúlase (clasificado) por unha característica particular, de maneira que cando os datos chegan á produción final (último piso) do último ANN (edificio), clasifícanse e rotulan (máis estructurado).
Intelixencia artificial, aprendizaxe de máquinas e aprendizaxe profunda
Como se axusta a aprendizaxe profunda na imaxe xeral da intelixencia artificial (AI) e ML? A aprendizaxe profunda aumenta o poder de ML e aumenta a gama de tarefas que AI pode realizar. Debido a que a aprendizaxe profunda baséase no uso de redes neuronais e recoñece funcións dentro dos conxuntos de datos en lugar de algoritmos específicos de tarefas máis simples, pode atopar e usar detalles de datos non estruturados (sen procesar) sen necesidade de que un programador o etiquete primeiro tarefa de consumo que pode introducir erros. A aprendizaxe profunda axuda ás computadoras a mellorar e mellorar o uso de datos para axudar tanto ás corporacións como aos individuos.