Мы постоянно слышим и читаем в популярных СМИ об искусственном интеллекте (ИИ). У нас есть фильмы о них. Мы слышим, как Илон Маск и Стивен Хокинг предупреждают нас об апокалиптических последствиях ИИ. Мы слышим от Всемирного экономического форума о влиянии ИИ на сокращение наших рабочих мест. Мы слышим о том, насколько разрушительным будет ИИ для бизнеса. Однако, когда мы слышим, как об этом говорят эксперты, они используют совершенно другую фразу: «Глубокое обучение».
Глубокое обучение, два простых слова, которые мы все можем понять, но все же в контексте искусственного интеллекта, когда эти слова объединяются, они становятся непостижимыми для неосведомленных. На самом деле, даже для осведомленных это непостижимо. Это потому, что статистическая подготовка за десятилетия превратилась в препятствие для понимания того, что это значит.
Вот 10 пунктов, которые вам нужно понять, чтобы понять Deep Learning. Это просто, нужно просто понять, чего нет, и понять, что это такое.
- Глубокое обучение - это не старый добрый искусственный интеллект (GOFAI)
Экспертные системы, семантическая сеть и системы дедуктивной логики являются примерами систем, основанных на символической логике. Эти системы обычно связаны с ИИ. Все они работают, но у них есть один недостаток: они не могут эффективно учиться на данных.
2. Глубокое обучение радикально отличается от машинного обучения
Машинное обучение в самом простом виде - это «подгонка кривой». То есть, если у вас есть алгоритм, который может найти наилучшее соответствие вашей математической модели с наблюдаемыми данными, то это машинное обучение. DL в своем более раннем воплощении была связана с «подгонкой кривой», однако в последние годы она далеко продвинулась вперед. Мета-обучение с глубоким обучением должно быть большим индикатором для всех, что это действительно совсем другое.
3. Глубокое обучение не имитирует биологический мозг
Архитектура DL не имеет ничего общего по структуре с биологическим нейроном. Даже в поведении они разные. Биологические нейроны работают на импульсном поведении, система DL работает в непрерывной динамической системе. Некоторые системы DL используют искусственные нейронные сети, но это просто историческая терминология, которая существует и по сей день. Любой, кто объясняет DL с точки зрения биологических нейронов, на самом деле не понимает, о чем они говорят. DL не предназначен для «имитации» биологии, DL просто представляет собой вычислительную архитектуру, которая на удивление хорошо обучается.
4. Глубокое обучение - это не общий искусственный интеллект
DL может делать такие фантастические вещи, как перекрестный перевод между разными человеческими языками и зачитывать подписи к изображениям. Однако интеллект действительно узкий и специализированный. Конечно, DL может водить автомобили, но это далеко не возможности AGI.
5. Глубокое обучение - это не просто математика
В Wired была статья под названием Глубокое обучение - это не опасный джинн, это просто математика. Это действительно самое бессмысленное заявление, которое я слышал! Это все равно, что сказать, что компьютеры - это просто логические схемы, или мозг состоит из нейронов, или DL состоит из слоев, которые описываются с помощью математических функций. Он не объясняет возникающее сложное поведение, которое вы обнаруживаете в компьютерах, мозге и системах DL.
6. Глубокое обучение - это не статистика
Классическая статистика - это анализ данных с использованием агрегированных показателей. Однако системы DL работают в области, к которой статистические методы не применяются. Это многомерные данные с высоким уровнем взаимной информации между переменными. Упрощение i.i.d. (т.е. Независимые и одинаково распределенные) допущения просто не применимы.
7. Глубокое обучение - это не большие данные
Большие данные - это технология, основанная на идее, что если вы можете хранить и вычислять большие объемы данных, обычно размещенных на сотнях или тысячах стандартных компьютеров, то вы можете получить представление. DL - это алгоритм, который может работать на одной машине и может постепенно, особенно постепенно, обрабатывать ваши данные, чтобы извлекать уроки из них. Большие данные могут обрабатывать огромные объемы данных, но только то, что вы можете обрабатывать большой объем данных, не означает, что вы можете получить представление о них или учиться на них. И последнее: в отличие от больших данных, DL не нуждается в большом количестве данных, чтобы быть полезным.
8. Специалисты по анализу данных не понимают глубокое обучение
Специалисты по работе с данными обучены моделированию данных, проектированию функций и анализу данных. DL просто делает то, что делает Data Scientist, но без участия человека. На самом деле это немного преувеличение. Реальность такова, что большинство специалистов по анализу данных, обученных другим методам, не освоили технику DL.
9. Глубокое обучение - это не только искусственные нейронные сети или многоуровневые персептроны
ИНС или MLP были разработаны еще в 1950-х годах. Системы DL возникли в результате этой более ранней работы, однако в последние годы они превратились в новые типы моделей, такие как сети свертки, долговременная память, остаточные сети и т.д. Высшая школа.
10. Глубокое обучение - причина нынешнего ажиотажа в области искусственного интеллекта
Наконец, именно здесь существует наибольшая путаница. Ежедневно пресса продолжает сообщать об удивительном прогрессе ИИ. Кроме того, вы слышите о таких компаниях, как Google и Microsoft, которые полностью меняют ДНК своего программного обеспечения, чтобы перейти на ИИ. Причина такой массовой миграции - глубокое обучение. Большая проблема для большинства читателей заключается в том, что сама фраза «Глубокое обучение» слишком сложна для понимания.
Я надеюсь, что это дает вам ориентир, местность, набросок того, где именно глубокое обучение не подходит. Вы все еще можете быть озадачены, прочитав это, учитывая, что я еще не дал определения Deep Learning полностью! Приношу свои извинения, но, к сожалению, это сложная тема, однако более подробную информацию можно найти в Шаблоны проектирования для глубокого обучения или начать разговор на FaceBook или LinkedIn.
Однако, если у вас мало времени и вам нужно одно предложение, чтобы описать глубокое обучение, это просто Неравновесная информационная динамика.
