Wie AI Fortschritte in "Deep Learning" sind Robot Butlers am Horizont? (Op-Ed)

Ahmed Banafa ist Fakultätsmitglied der Kaplan University für die Schule für Informationstechnologie Mit Erfahrung in IT-Betrieb und -Management und einer Forschung Hintergrund verwandten Techniken und Analysen. Er ist ein zertifizierter Microsoft Office Specialist und hat als Rezensent und technischer Mitarbeiter für die Veröffentlichung mehrerer geschäftlicher und technischer Bücher beigetragen. Er hat diesen Artikel zu Live Science beigetragen Experten-Stimmen: Op-Ed & Insights.

Deep Learning, ein aufstrebendes Thema der Künstlichen Intelligenz (KI), entwickelt sich schnell zu einem der gefragtesten Gebiete der Informatik. Eine Unterkategorie des maschinellen Lernens, Deep Learning, befasst sich mit der Verwendung von neuronalen Netzen zur Verbesserung von Dingen wie Spracherkennung, Computer Vision und Verarbeitung natürlicher Sprache. In den letzten Jahren hat Deep Learning dazu beigetragen, Fortschritte in so unterschiedlichen Bereichen wie der Objektwahrnehmung, der maschinellen Übersetzung und der Spracherkennung zu erzielen - alle Forschungsthemen, die für KI-Forscher seit langem schwierig zu knacken sind.

Neuronale Netze

In der Informationstechnologie ist ein neuronales Netzwerk ein System von Programmen und Datenstrukturen, das die Operation des menschlichen Gehirns approximiert. Ein neuronales Netzwerk beinhaltet normalerweise eine große Anzahl von Prozessoren, die parallel arbeiten, jeder mit seiner eigenen kleinen Wissenssphäre und Zugriff auf Daten in seinem lokalen Speicher.

Typischerweise wird ein neuronales Netzwerk anfänglich "trainiert" oder ernährt große Mengen von Daten und Regeln über Datenbeziehungen (zum Beispiel "Ein Großvater ist älter als der Vater einer Person"). Ein Programm kann dann dem Netzwerk mitteilen, wie es sich als Reaktion auf einen externen Stimulus verhalten soll (z. B. zur Eingabe von einem Computerbenutzer, der mit dem Netzwerk interagiert) oder kann selbst Aktivitäten initiieren (innerhalb der Grenzen seines Zugriffs auf das externe) Welt).

Tiefes Lernen gegen Maschinelles lernen

Um zu verstehen, was tiefes Lernen ist, ist es zunächst wichtig, es von anderen Disziplinen im Bereich der KI zu unterscheiden.

Ein Auswuchs von KI war maschinelles Lernen, bei dem der Computer Wissen durch überwachte Erfahrung extrahiert. Dies beinhaltete typischerweise einen menschlichen Bediener, der der Maschine beim Lernen half, indem er ihm Hunderte oder Tausende von Trainingsbeispielen gab und seine Fehler manuell korrigierte.

Während das maschinelle Lernen im Bereich der KI dominierend geworden ist, hat es seine Probleme. Zum einen ist es sehr zeitaufwendig. Zum anderen ist es immer noch kein wirkliches Maß für die maschinelle Intelligenz, da es auf menschlichem Einfallsreichtum beruht, um mit den Abstraktionen zu experimentieren, die ein Computer lernen kann.

Im Gegensatz zum maschinellen Lernen ist Deep Learning meist unbeaufsichtigt. Dazu gehört beispielsweise die Schaffung großflächiger neuronaler Netze, die es dem Computer ermöglichen, selbständig zu lernen und zu "denken" - ohne direkte menschliche Intervention.

Deep Learning "sieht wirklich nicht wie ein Computerprogramm aus", sagte Gary Marcus, ein Psychologe und KI-Experte an der New York University, kürzlich in einem Interview mit NPR. Gewöhnlicher Computercode ist in sehr strengen logischen Schritten geschrieben, er sagte: "Aber was du beim tiefen Lernen sehen wirst, ist etwas anderes; du hast nicht viele Anweisungen, die sagen: 'Wenn eine Sache wahr ist, tu diese andere Sache . "

Anstelle von linearer Logik basiert Deep Learning auf Theorien, wie das menschliche Gehirn funktioniert. Das Programm besteht aus verworrenen Schichten miteinander verbundener Knoten. Es lernt durch Neuanordnung von Verbindungen zwischen Knoten nach jeder neuen Erfahrung.

Deep Learning hat Potenzial als Grundlage für Software gezeigt, die die im Text beschriebenen Emotionen oder Ereignisse ausarbeiten kann (auch wenn sie nicht explizit referenziert werden), Objekte in Fotos erkennen und differenzierte Vorhersagen über das zukünftige Verhalten von Menschen treffen.

Das Deep Learning-Spiel

Im Jahr 2011 startete Google das Google Brainproject, das ein mit Deep-Learning-Algorithmen trainiertes neuronales Netzwerk schuf, das bekanntermaßen High-Level-Konzepte erkennen konnte.

Letztes Jahr hat Facebook seine KI-Forschungseinheit gegründet, die mithilfe von Deep-Learning-Lösungen Lösungen entwickelt, mit denen Gesichter und Objekte in den 350 Millionen Fotos und Videos, die täglich auf Facebook hochgeladen werden, besser identifiziert werden können.

Ein weiteres Beispiel für tiefgreifendes Lernen in Aktion ist die Spracherkennung wie Google Now und Apples Siri.

Die Zukunft

Deep Learning ist vielversprechend - und es wird selbstfahrende Autos und Roboter-Butler zu einer echten Möglichkeit machen. Sie werden immer noch begrenzt sein, aber was für ein solches System ist vor ein paar Jahren noch undenkbar gewesen und es schreitet in beispiellosem Tempo voran. Die Fähigkeit, massive Datensätze zu analysieren und tiefes Lernen in Computersystemen zu nutzen, die sich an die Erfahrung anpassen können, anstatt von einem menschlichen Programmierer abhängig zu sein, wird zu Durchbrüchen führen. Diese reichen von der Entdeckung neuer Wirkstoffe über die Entwicklung neuer Materialien bis hin zu Robotern mit einem größeren Bewusstsein für die Welt um sie herum.

Lassen Sie Ihren Kommentar