Меню Закрити

Короткий вступ до штучного інтелекту та машинного навчання

Vector Design by www.Vecteezy.com

Те, що було колись просто вигадкою в науково-фантастичних творах, — штучний інтелект (artificial intelligence, AI) — тепер поширена технологія в нашому повсякденному житті, яка використовується в додатках для розпізнавання зображень та голосу, мовних перекладів, чат-ботів і прогнозного аналізу даних.

У цій статті ми розглянемо AI, а також пов’язані з ним поняття машинного навчання (machine learning) та глибинного навчання (deep learning). Після прочитання статті ви їх зрозумієте, а також збагнете, як узагалі працюють ці речі.

Штучний інтелект (AI) — це моделювання людського інтелекту комп’ютерами.

Машинне навчання є галуззю AI, де алгоритми використовуються з метою вивчення даних для ухвалення майбутніх рішень або прогнозів.

Глибинне навчання — це специфічна підмножина машинного навчання з використанням штучних нейронних мереж (ANN), які є багатошаровими структурами, що певною мірою імітують людський мозок.

Наведена нижче схема більш чітко показує, як AI, машинне навчання й глибинне навчання пов’язані між собою.

Останнім часом було досяглнуто значних зрушень у машинному навчанні, а точніше — у глибинному навчанні. Ці досягнення зумовлені своєчасним збігом кількох факторів, зокрема й наявністю величезних обсягів даних, збільшенням обчислювальної потужності та появою ефективних алгоритмів.

Отже, як працюють машинне та глибинне навчання? Уявіть, що у вас є модель із визначеними вхідними даними (INPUT), які можуть бути зображеннями, аудіо, цифрами або текстом. Модель продукуватиме певні вихідні дані (OUTPUT), наприклад, класифікацію зображень, виявлений об’єкт і таке інше, залежно від отриманих вхідних даних.

Щоб змусити систему працювати, ви “годуєте” модель величезною кількістю вибіркових даних, аби “навчити” її. Маючи достатню кількість даних, модель зможе точно “передбачити” вихідні дані для будь-яких майбутніх вхідних. Існує багато відомих моделей, які використовують для різних завдань, наприклад,  Inception — поширена модель розпізнавання зображень, YOLO використовують для виявлення об’єктів, FaceNet — для розпізнавання людей, TextCNN — для аналізу тональності текстів тощо.

Звучить досить просто, чи не так? Проте це оманливе враження: машинне навчання, можливо, і не космічна наука, але воно точно не просте. Наприклад, вищезгадана модель Inception має таку внутрішню архітектуру:

Існує багато методичних експериментів, потрібних для визначення відповідної архітектури, а також є потреба в достатньому обсязі даних для навчання та перевірки. Не просто будь-які дані, а відповідні дані, вибрані та структуровані належно.

Існує кілька інструментів і платформ, які покликані спростити навчання моделі AI за допомогою автоматизованих або візуальних інструментів (наприклад, Google Cloud AutoMLMicrosoft Azure ML StudioIBM Watson StudioLobe.ai тощо), але гірка правда в тому, що пошук і навчання моделі, яка працює для конкретної проблеми, вимагає фахівців з обробки та аналізу даних і фахівців з машинного навчання, або принаймні тих, хто прагне такими стати. Дізнатися більш детально про машинне навчання можна на багатьох доступних онлайн-курсах, зокрема високо оціненому курсі машинного навчання від Andrew Ng зі Стенфордського університету.

У статті про машинне навчання не можна оминути найпопулярнішу бібліотеку для роботи з ним.

TensorFlow є провідною open sourse бібліотекою для машинного навчання. Побудований компанією Google, TensorFlow призначений для впровадження, навчання, тестування та розгортання нейронних мереж глибинного навчання. Спочатку розроблений дослідниками та інженерами, які працюють у команді Google Brain для внутрішнього використання, TensorFlow був випущений як проект із відкритим кодом у 2015 році. TensorFlow надає API для Python, C, C ++, Go, Java, JavaScript та Swift. Сайт TensorFlow надає низку посібників для початку роботи.

Підсумки

Із плином часу у ХХІ столітті штучний інтелект, безсумнівно, відіграватиме все важливішу роль у нашому майбутньому, тож добре мати хоча б загальне уявлення про те, як він працює. У цій статті ми розглянули AI, машинне навчання, глибинне навчання й те, як вони пов’язані між собою.

Якщо ви знайшли помилку, будь ласка, виділіть фрагмент тексту та натисніть Ctrl+Enter.

1+

Повідомити про помилку

Текст, який буде надіслано нашим редакторам: