Entendendo porque o aprendizado profundo é importante em 2019.

Anthony Sarkis Blocked Unblock Seguir Seguindo 1º de julho

Os sistemas de aprendizagem profunda são frequentemente referidos como um subconjunto de aprendizado de máquina ou inteligência artificial. Vamos pensar sobre isso de uma perspectiva diferente.

Considere uma analogia de calculadoras para computadores modernos. Embora se possa dizer que o computador é baseado na calculadora, há duas coisas diferentes que se sobrepõem aos princípios teóricos. O que a calculadora é para o computador, é o aprendizado de máquina para o aprendizado profundo.

Diferenças profundas de aprendizagem

  • Os sistemas de aprendizagem profunda representam a primeira vez que os computadores conseguem entender as imagens a um nível útil e a um custo razoável.
  • A maioria dos empregos envolve alguma forma de percepção visual. ou seja, detecção e classificação de informações visuais ( imagens para taquigrafia).
  • O aprendizado profundo requer que especialistas em assuntos não técnicos o “programem”.
  • A aprendizagem profunda ainda precisa ser efetivamente usada por pequenas e médias empresas. Estamos com menos de 1% de penetração da tecnologia.

A diferença de imagem – a primeira vez que os computadores podem entender imagens a um custo razoável

Considere uma imagem de resolução média e um ano de dados de vendas de empresas de médio porte. Qual contém mais dados?

Eles realmente contêm uma quantidade semelhante de dados!

Essa quantidade de dados, para a maioria dos algoritmos anteriores, geralmente era um problema. Onde, quanto aos sistemas de aprendizagem profunda, quanto mais dados, melhor será o desempenho.

Este é o núcleo do avanço e por que os sistemas de aprendizagem profunda são tão poderosos. Embora grandes volumes de dados sejam uma fraqueza para os sistemas clássicos, eles são uma força para os aprendizados profundos.

A maioria dos trabalhos envolve alguma forma de percepção visual

Este gráfico destaca alguns dos maiores setores de emprego nos EUA, juntamente com alguns exemplos de como isso pode mudar com o aprendizado profundo. A auto condução representa apenas 1/5 das áreas mais óbvias que serão afetadas.¹

Da mesma forma que muitos empregos hoje estão relacionados ao uso de computadores, a maioria dos trabalhos se relacionará de alguma forma ao desenvolvimento, uso e manutenção de sistemas de aprendizagem profunda.

A auto condução representa apenas 1/5 das áreas mais óbvias que serão afetadas pelo aprendizado profundo.

O aprendizado profundo requer que especialistas em assuntos não técnicos o “programem”.

UMA O sistema de aprendizado de máquina analisa dados de texto, como uma planilha de vendas, e faz uma previsão dos valores desses dados. Os dados, como informações de vendas ou histórico de reparos, são estáticos. Não há nada para mudar.

Em contraste, um sistema de aprendizado profundo funciona com anotações. Estes são feitos por especialistas no assunto (SME's) ou seja, um médico, engenheiro, advogado, ou qualquer profissional que é um especialista na área, como administrador de empresas, Policiamento, Avaliação de Propriedade, Chef etc.

Isso significa que há um caminho para melhorar continuamente o sistema, continuar adicionando mais dados e melhorando a qualidade das anotações.

Um aparte, Unsupervised e reforço de aprendizagem

Vale a pena entender que o aprendizado “não supervisionado” ainda requer algo chamado de “função de perda” que a função de perda é criada por humanos. ”Eu sou pressionado a ver alguém criando uma função útil de perda não supervisionada sem entender o domínio do problema. o especialista no assunto ainda está envolvido na programação. Embora os métodos supervisionados tenham sido provados do ponto de vista da pesquisa e agora geralmente só exigem comercialização sem supervisão é pelo menos uma ordem de magnitude para trás.

O aprendizado de reforço girou em torno da criação de um “ambiente” e da atribuição de “recompensas” úteis. Novamente ambas as coisas que exigem algum nível de conhecimento especializado. Para resolver essas coisas a um nível que não requer conhecimento especializado seria efetivamente resolver AI. Eu acho que é mais provável que os métodos existentes de aprendizagem profunda e estreita funcionem muito antes de resolvermos a AI de propósito geral e depois comercializá-la. Naturalmente, essas tecnologias mudarão e evoluirão, mas acho que está claro que os especialistas no assunto sempre estarão envolvidos de alguma forma.

A aprendizagem profunda ainda precisa ser efetivamente usada por pequenas e médias empresas.

É provável que o aprendizado profundo seja tão comum em empresas quanto computadores. No entanto, até recentemente, ainda era tão caro construir de forma realista que era usado apenas por empresas que podiam contratar uma equipe de software. E, mesmo assim, normalmente só era aplicado nas configurações mais amplas ou para os casos mais genéricos.

Novas empresas estão reduzindo esse custo a ponto de se tornar acessível para equipes menores implantarem sistemas de aprendizagem profunda, com mais frequência e mais facilidade.

Conclusão

O aprendizado profundo é a primeira vez que os computadores podem perceber o mundo de uma maneira que afetará a maioria dos trabalhos e estamos nos primórdios dessa tecnologia.