Share

Что такое глубокое обучение?

Глубокое обучение, также известное как глубокое нейронное обучение или глубокая нейронная сеть, представляет собой функцию искусственного интеллекта (ИИ), которая имитирует то, как работает человеческий мозг в процессе обработки данных и создания шаблонов, облегчающих принятие решений. Являясь подмножеством машинного обучения в искусственном интеллекте, глубокое обучение имеет сети, способные учиться "без присмотра" на основе неструктурированных или непомеченных данных.

Глубокое обучение использует для принятия наилучших решений многоуровневый подход, постоянно курируя данные, которые предоставляются. Представьте себе это так: машинное обучение похоже на зубрежку при подготовке к экзамену в колледже путем перечитывания конспектов. Глубокое обучение больше напоминает ребенка, которому постоянно показывают буквы алфавита и который постепенно изучает триллионы способов упорядочить эти буквы в слова. В первом примере интерпретируются ранее идентифицированные данные. Во втором интерпретатор осознает потенциал данных, которые ему дают.

Это важно для бизнеса, поскольку может предоставлять аналитические данные в более широком масштабе и с более высокой точностью для более сложных способов применения.

По мере того как глубокое обучение становится все более изощренным, оно интегрируется в конкретные варианты использования в бизнесе. Глубокое обучение, особенно в области компьютерного зрения, готово к глобальной промышленной стадии.
Компании приравнивают синтаксический анализ данных к решению проблем бизнеса. А благодаря глубокому обучению у них теперь есть интеллектуальные машины для анализа их самых сложных, многомерных данных для получения новой информации.

Области применения, где можно извлечь выгоду из глубокого обучения

Здравоохранение
Глубокое обучение имеет самые непосредственные перспективы в здравоохранении, области, полной данных.

Основным приложением для здравоохранения является компьютерное зрение. Многие дорогостоящие и требующие высокой квалификации процедуры в здравоохранении включают визуализацию. От МРТ до САТ-сканирования и даже простого рентгена врачи используют визуальное наблюдение для определения диагноза по снимку. Но когнитивная нагрузка на врачей слишком велика для человека, чтобы он продолжал оставаться эффективным.

Глубокое обучение, однако, в настоящее время достигло больших успехов в распознавании изображений и может выполнять эту задачу быстрее, чем люди. Показывая программе миллионы, даже миллиарды отсканированных изображений и то, как они коррелируют с диагнозом, глубокое обучение может вывести человека из этого цикла, а врач появится снова уже для представления плана лечения. В будущем даже простые рекомендации по лечению могут быть автоматизированы с помощью программы-помощника по здравоохранению на основе ИИ, освобождая врачей для выполнения работы, которая требует навыков плюс воображения, таких как исследование способов лечения рака.

За пределами онкологии глубокое обучение имеет большие перспективы в разработке новых лекарств. Компании-стартапы сейчас пытаются выяснить, как глубокое обучение может лучше подсказывать оптимальные фармацевтические препараты для борьбы с болезнями на основе их молекулярной структуры, и даже раскрывать новые применения существующих лекарств, которые изначально не подразумевались их создателями.

Производство
Производственные мощности будущего выиграют от конвергенции многих передовых областей, таких как робототехника, облачные вычисления, Интернет вещей (IOT) и аддитивное производство. Многие из этих областей требуют значительной визуальной работы.

Вместо того чтобы всю сборку, выявление брака и тому подобное делали люди, эти задачи передаются через алгоритм глубокого обучения, который использует информацию с датчиков для принятия наилучших решений.

Автомобильная промышленность
Google, Tesla, Volvo и другие автомобильные бренды работают над тем, чтобы вывести на рынок автомобили без водителей. Автоматизированные транспортные средства могут иметь огромные перспективы с точки зрения быстрого и эффективного перемещения товаров с очень незначительным воздействием на окружающую среду.

Применение глубокого обучения к грузовому автотранспорту может увеличить прибыль любой компании, которая полагается на автомобильную логистику.

Розничные сети
Розничная торговля также включает в себя значительное количество визуальной информации. Некоторые компании угадывают, какие типы одежды кто-то хотел бы приобрести, используя свои предыдущие варианты стиля в качестве шаблона для рекомендаций.

Для клиентов, которые уже владеют продуктом, который им нравится, в реальном мире, или видели его, функция обратного поиска изображений может позволить им приобрести именно то платье или рубашку, которую они видят на улице.

В далеком будущем розничные сети смогут предоставлять покупателям ботов-помощников, которые смогут интерпретировать язык человека и предоставлять покупателям персонализированный опыт шоппинга.