Syvä oppimisen vallankumous: Neljä suurta edistystä

Sisältö

• Mikä on syvällinen oppiminen?
• Kuinka se muuttaa maailmaa
• 1. Kuvien tunnistaminen / luokittelu
• 2. Suurten tietojoukkojen geoprosessointi
• Esimerkkikuvat
• 3. Deepfake Audio / Video Generation
• Videon esimerkkejä
• 4. Videopelien pelaamisen oppiminen

Chris on insinööri, ajattelija ja filosofi, joka nauttii futurististen ideoiden ja tekniikan tutkimisesta.

Mikä on syvällinen oppiminen?

Kun tekniikka paranee jatkuvasti, olemme tulossa lähemmäksi aikaa, jolloin keinotekoisesti älykkäiden koneiden voima ylittää ihmismielen kyvyt. Yksi alue A.I. kehitys, joka näkee valtavia edistysaskeleita, on syvällistä oppimista.

Syväoppiminen on koneoppimisen osa-alue, joka käyttää algoritmeja ja menetelmiä, jotka on rakennettu jäljittelemään ihmisen aivojen rakennetta. Koska tutkijat ja tutkijat luovat lähinnä digitaalisen esityksen aivoista, siksi ohjelmia kutsutaan usein "hermoverkoiksi". Syvällisesti oppivat hermoverkot voivat oppia ja tulkita tietoja ilman nimenomaista ohjelmointia siihen.

Kuinka se muuttaa maailmaa

Kun syvään oppimiseen investoidaan enemmän, kehitetyt algoritmit ovat yhä monimutkaisempia. Tämä on johtanut tietokoneohjelmiin, jotka voivat suorittaa tehtäviä, jotka on kerran varattu vain ihmisille, ja tehdä asioita, jotka olivat aiemmin erittäin vaikeita tai jopa mahdottomia. Mikroprosessorin teho ei ole koskaan ollut suurempi kuin nykyään. Tässä on joitain tapoja, joilla syvä oppiminen mullistaa maailmamme.

1. Kuvien tunnistaminen / luokittelu
2. Suurten tietojoukkojen geoprosessointi
3. Deepfake Audio / Video Generation
4. Videopelien pelaamisen oppiminen

1. Kuvien tunnistaminen / luokittelu

Oppimisen syventäminen A.I. on kehitetty algoritmeja, jotka voivat tarkastella kuvia ja luokitella ne sen perusteella, mitä ne todella ovat. Jos käytät Facebookia, olet todennäköisesti jo jonkin verran perehtynyt tähän tekniikkaan. Googlen YouTube on myös suuri tämän tekniikan käyttäjä. Käyttäjän luomia videoita voidaan merkitä automaattisesti sisällölle ja luokitella sen perusteella, mitä algoritmi näkee. Videot voidaan myös merkitä uusittaviksi, jos algoritmi havaitsee sisältöä, jota ei sallita sivustolla.

Kuvien luokittelu ylittää todellakin vain koirien, kissojen ja kettujen erottamisen. Itse asiassa uudemmat algoritmit luokittelevat kuvat pikselikohtaisesti. Kun algoritmi luokittelee jokaisen pikselin erikseen, tätä prosessia kutsutaan semanttiseksi segmentoinniksi. Toinen lähestymistapa kuvaluokitukseen on nimeltään ilmentymien segmentointi. Tätä menetelmää käyttämällä kuvat voidaan hajottaa helpommin useisiin erillisiin komponentteihin. Esimerkiksi henkilön kuva voidaan jakaa useisiin osiin, mukaan lukien ihmishahmo, tausta, etuosa jne.

2. Suurten tietojoukkojen geoprosessointi

Maantieteellisten tietojärjestelmien (GIS) maailmassa syvällistä oppimista käytetään aineistojen luomisen ja analysoinnin nopeuden ja tarkkuuden parantamiseen suuressa mittakaavassa. Uusia algoritmeja voidaan käyttää tuottamaan monenlaisia ​​maanpeittotietoja yksinkertaisesti analysoimalla ilmakuvia.

Esimerkiksi yhdellä syvällisen oppimisen GIS-työkalulla voidaan tuottaa tietoa, joka kuvaa kasvillisuuden tyyppiä, kasvillisuuden tiheyttä ja elinympäristön elinkelpoisuutta vain korkean resoluution ilmakuvan perusteella. Lisäksi semanttisen tai instanssisegmentoinnin avulla muut ominaisuudet, kuten rakennuksen jalanjäljet ​​ja kivettyjen pintojen rajat, voidaan poimia kuvista ja muuttaa uusiksi aineistoiksi.

Esimerkkikuvat

Harkitse alla olevia kuvia yksinkertaistetusta esimerkistä siitä, mitä voidaan tehdä joillakin syvällisillä perusopetustyökaluilla:

Toinen pitkä tehtävä, johon syvällinen oppiminen pyrkii vastaamaan, on kyky tehdä ennusteita analysoimalla useiden alueellisesti vaihtelevien tietojoukkojen välisiä suhteita. Voit esimerkiksi kehittää mallin ajoneuvojen onnettomuuksien riskien ennustamiseksi aikaisempien onnettomuuksien edustavan pistepilven perusteella. Jos integroit tämän nykyisiin liikennemalleihin ja alueellista kasvua koskeviin tietoihin, voit auttaa ennakoimaan ja suunnittelemaan tulevia ajoneuvotapaturmia.

3. Deepfake Audio / Video Generation

Syvä oppiminen voi tehdä paljon enemmän kuin staattisten kuvien analysointi. Tätä tehokasta tekniikkaa on käytetty ääni- ja videodatan analysointiin ja sitten väärennettyjen videoiden luomiseen, jotka näyttävät olevan todellisia. Tämä on melko uskomaton edistysaskel A.I. tekniikka, jonka pitäisi olla kaikkien valmiita alkamaan epäillä kaikkea Internetissä näkemäänsä (jos he eivät ole vielä tehneet niin). Deepfake-tekniikka on jo päässyt otsikoihin useita kertoja viime vuosina.

Vuonna 2019 A.I. syvän oppimisen tekniikkaa käytettiin toimitusjohtajan äänen syventämiseen. Varkaat käyttivät tätä sitten varastamaan yli 243 000 dollaria yrityksestä. Huijarit käyttivät A.I. Ohjelma jäljittelee toimitusjohtajan ääntä ja ohjasi sen jälkeen toimitusjohtajan alaiset siirtämään rahaa tilisiirtoon kolmannen osapuolen tilille. Voit lukea lisää tästä tapahtumasta täältä: Huijari Deepfakesin toimitusjohtajan ääni onnistuneesti varastaa 243 000 dollaria.

Videon esimerkkejä

Vaikka rikolliset ja hakkerit alkavat käyttää tätä tekniikkaa ilkeisiin tarkoituksiin, siihen on silti monia muita käyttötarkoituksia. Esimerkiksi elokuvateollisuus käyttää sitä ihmisten kasvojen liikkeiden kartoittamiseen animaatioihin tai muukalaisiin hahmoihin. Sitä voidaan käyttää myös korvaamaan näyttelijät helposti uusilla vanhassa elokuvassa. Alla on video, joka näyttää joitain leikkeitä elokuvasta Matriisi ikään kuin päähenkilöä Neoa soittaisi Will Smith Keanu Reevesin sijaan. Se on todella hyvä!

Syväväärennetyillä algoritmeilla on varmasti joitain viihdyttäviä käyttötarkoituksia, mutta kehotan teitä miettimään huolellisesti mahdollisia seurauksia, joita tällä tekniikalla voi olla. Esimerkiksi merkittävien poliittisten henkilöiden kuvaa voitiin levittää väärää tietoa helposti. Tällä voi olla kauaskantoisia vaikutuksia poliittiseen prosessiin ja hallintoon yleensä.

Esimerkiksi muutama vuosi sitten Barack Obaman syväfake-hahmo nousi esiin. Video huijasi monia ihmisiä; siitä ei kuitenkaan ollut onneksi suurta haittaa. Katso videon leikkeet alla:

Voimmeko luottaa mihin tahansa, mitä näemme verkossa?

4. Videopelien pelaamisen oppiminen

Suurimmaksi osaksi videopelien pelaaminen ei ole iso juttu. Eli jos olet ihminen. Tietokoneen saaminen oppimaan pelaamaan videopeliä (ja edistymistä sen läpi) on ilmiömäinen saavutus. Sen sijaan, että algoritmi olisi ohjelmoitu pelaamaan tiettyä peliä tai suorittamaan tietty tehtävä, sen sijaan voidaan haastaa syvälliset oppimismenetelmät. Uusien hermoverkkojen avulla tietokoneohjelma opettaa itsensä pelaamaan peliä kokeilemalla ja erehdyksellä. Ajan myötä syvälliset oppimisalgoritmit voivat hallita pelin asteittain selvittämällä, mitkä strategiat toimivat ja mitkä eivät.

Vuonna 2015 Googlen DeepMind pystyi oppimaan pelaamaan useita yksinkertaisia ​​Atari-videopelejä. DeepMindista tuli lopulta niin hyvä näissä peleissä, että se pystyi vastaamaan tai jopa voittamaan ihmiskilpailijoita. Alla olevassa videossa DeepMind oppii pelaamaan peliä nimeltä Atari Breakout:

Vuodesta 2015 lähtien DeepMind on oppinut pelaamaan kymmeniä muita pelejä, mukaan lukien viimeisin esitys StarCraft II. Tuhansien kokeiden kanssa StarCraft II, DeepMind on nyt yksi maailman parhaimmista pelaajista. Jopa kaikkein kokeneimmat ammattilaispelaajat pitävät DeepMindiä erittäin kovana kilpailijana.

Yksi asia on oppia pelaamaan henkilökohtaisia ​​videopelejä; Ajattele kuitenkin, kuinka haastavaa olisi oppia pelaamaan monen pelaajan ensimmäisen persoonan peliä. Keräämisen jälkeen mikä merkitsisi yli 4 vuoden pelikokemusta Järistys III, DeepMind pystyi vihdoin tekemään yhteistyötä tiimin jäsenten kanssa voittaakseen inhimilliset kilpailijansa. Tämä A.I. tekniikka oli niin hyvä pelissä, että se pystyi ylittämään kaikki kategorisesti turnauksessa, jossa oli mukana 40 erittäin hyvää pelaajaa.

Voit lukea lisää tästä läpimurtotekniikasta DeepMind-blogista.