“ози сайт използва бисквитки (cookies). јко желаете можете да научите повече тук. –азбрах

Ќовини “ехнологии

“рансферното обучение и »нтернет на нещата Ц комбинаци€ на бъдещето

“ази техника за обучение на изкуствен интелект приближава начина му на функциониране до този на човешка

от , 27 юли 2018 0 1864 прочитани€,

јко знаете нещо за изкуствени€ интелект и »нтернет на нещата, най-веро€тно си давате сметка, че комбинаци€та между възможностите, които тези две технологични разклонени€ дават, би могла да се окаже изключително полезна в много отношени€. — неверо€тен напредък в областта на компютърни€ хардуер, н€кои от съвременните теоритични постановки, които се върт€ т в пространството от години, най-накра€ могат да намер€т практическа реализаци€. — непрекъснато разрастващи€ се пазар на »нтернет на нещата, получаването на висококачествени данни никога не е било толкова лесно, а това дава възможност за разработването на все по-добри и ефективни модели, и по-специално на модели за дълбочинно обучение.

Ќо преди да продължим към анализа на пресечните точки между тези два технологични сегмента, нека първо обърнем внимание на това какво всъщност представл€ва дълбочинното обучение.

ƒълбочинното обучение е съвкупност от техники за обучение на изкуствен интелект, които сто€т в основата на безброй технологични постижени€ през последните години. ¬ъпреки че дълбоките невронни мрежи, както е официалното наименование на технологи€та, съществува от 50-те години на минали€ век, ключовите алгоритмични пробиви са направени чак три десетилети€ по-късно. ≈два наскоро напредъкът на компютърни€ хардуер, подпомогнал развитието на иновативни теории, огромната налична изчислителна мощност и възможностите за съхранение на данни създадоха основа, върху ко€то може да се очаква невронните мрежи да достигнат сво€ пълен потенциал.

ѕрочетете още: DARPA разработва об€снителен изкуствен интелект

јлгоритмите за дълбочинно обучение се характеризират с уникална многослойна архитектура, в ко€то знанието постепенно се “извлича” от суровите данни, които се въвеждат в системата.  огато една дълбока невронна мрежа е обучена да идентифицира изображени€та на даден вид животно от набор от произволни изображени€, т€ започва първо като ги разглежда на пикселно ниво, след което пренас€ това знание на по-високо ниво. ¬ следващи€ етап се идентифицират специфични особености и накра€ се извежда ц€лостната визуализаци€ на обекта.

«абележително е, че нито един изследовател на данни не е програмирал изрично определен компютър, който да изпълн€ва такива задачи. ¬место това, алгоритъмът за учене се подхранва със стотици хил€ди изображени€, докато не се ориентира и научи сам как да разпознава различните обекти.

ƒълбочинно обучение в перифери€та: «ащо това има значение

”споредно с подобрени€та в хардуера, които помогнаха за напредъка в изследвани€та на дълбочинното обучение, б€ха направени и н€кои важни открити€, които позволиха бързото развитие на IoT-устройствата. ѕо-специално, масовото разпространение на микроконтролерните единици (MCU) създава уникална възможност приложени€та на изкуствени€ интелект, особено тези, идващи от дълбочинното обучение, да станат достъпни за потребителите в безпрецедентен мащаб и с невиждана досега скорост.

MCU предлагат забележителни предимства за внедр€ването на приложени€, базирани на дълбочинно обучение, тъй като намал€ват латентността, спест€ват честотна лента и предлагат по-добри гаранции по отношение на неприкосновеността на личните данни.  огато такива приложени€ са инсталирани директно на IoT-устройство, това се нарича разгръщане на изкуствени€ интелект в перифери€та. »зборът дали приложението е най-добре да бъде разположено на сървър, в облак или в перифери€та се свежда до компромис между скоростта (заради латенци€та) и точността (тъй като по-сложните и поради това по-големи модели не могат винаги да се съхран€ват в устройства с ограничена памет).

 акво представл€ва трансферното обучение?

¬ контекста на психологи€та, трансферното обучение се определ€ като изследване на зависимостта на ученето или изпълнението на човека от предварителни€ опит. ’ората не са научени как да изпълн€ват вс€ка възможна задача, за да € овладе€т. ѕо-скоро, когато се сблъскат с нови ситуации, те усп€ват да решават проблемите ад-хок, като екстраполират старото знание в нова среда.  огато едно дете се научи например да използва тенис ракета, то може лесно да модифицира това умение и да го пренесе в тениса на маса или бейзбола. ѕри възрастните това важи и за концептуалното разбиране като прилагането на статистика или друга математическа дисциплина за изчисление на семейни€ бюджет например.

¬ противовес на начина, по който функционират хората, повечето алгоритми за машинно обучение се специализират за даден набор от данни или за конкретна задача. »зследователите на машинното обучение отдават напоследък все по-гол€мо внимание на това как да се даде възможност на компютрите да използват повторно придобитите знани€ и да ги прилагат към нови задачи.

ƒокато дълбочинното обучение може да се използва в неконтролиран контекст, трансферното обикновено се упражн€ва в контролирана среда. “ова означава, че алгоритъмът се учи от примерите, направени от входно-изходни двойки, които след това използва, за да идентифицира шаблони и извлича връзки, с цел да предскаже резултатите от все още непознати за него данни. ƒълбчинното обучение има приложение в безбройни области, но страда от един гол€м недостатък – нужни са му изключително големи масиви от данни, за да се настро€т хил€дите параметри, които са част от архитектурата на невронната мрежа. ќсвен че са нужни големи банки с данни, за да се постигнат добри резултати те също така тр€бва да бъдат предварително етикетирани, което може да бъде скъпо и времеемко начинани. ќт друга страна, често достъпът до качествемни данни е ограничен, а и акуратното им етикетиране може да се окаже истинско предизвикателство.

“ова е м€стото, където трансферното обучение наистина може да помогне. “o позвол€ва моделът, разработен за конкретна задача, да бъде използван отново като отправна точка за реализаци€та на друга. “ова е вълнуващо момент за изследователите на машинното обучение, защото имитира начина, по който хората прехвърл€т знанието си от една специализирана задача в друга. ¬същност това е ключова стратеги€, когато става въпрос за намал€ване на необходими€ размер на набора от данни, без това да се отраз€ва на работоспособността на невронните мрежи.

—помн€те ли си примера, който дадохме в началото, за това, как един модел може да се научи да идентифицира обектите при дълбочинното обучение? “ова са точните знани€, които могат да бъдат трансферирани към друга задача, свързана с компютърното зрение. ѕо този начин модел, който се научи да разпознава обикновени обекти като котки и кучета, може да прехвърли това разбиране към по-сложни мисии като идентифициране на €дра в изображени€ на ракови разсейки например.

 

 

 

 

 ќћ≈Ќ“ј–» ќ“  

ѕолезни страници
    «а нас | јудитори€ | –еклама |  онтакти | ќбщи услови€ | ƒеклараци€ за поверителност | ѕолитика за бисквитки |
    ƒействителни собственици на насто€щото издание са »во √еоргиев ѕрокопиев и “еодор »ванов «ахов