Abstract art - green with circle overlays

Deep Learning

Czym jest i jakie ma znaczenie?

Deep learning to proces, w którym komputer uczy się wykonywania zadań naturalnych dla ludzkiego mózgu, takich jak rozpoznawanie mowy, identyfikowanie obrazów lub tworzenie prognoz. Zamiast organizować dane i wykonywać szereg zdefiniowanych równań, w przypadku deep learning komputer zbiera podstawowe parametry dotyczące danych i przygotowuje się do samodzielnego uczenia, poprzez rozpoznawanie wzorców z zastosowaniem wielu warstw przetwarzania.

Dlaczego technologia deep learning jest dziś tak ważna?

Deep learning to jedna z podstaw kognitywnego przetwarzania danych (cognitive computing). Obecne zainteresowanie tą technologią wynika z rosnącej popularności kognitywnego przetwarzania danych, pozwalającego aplikacjom rozumieć tzw. ludzkie sygnały wejściowe i odpowiadać w formie zrozumiałej dla człowieka. Technologia deep learning znacznie poprawiła zdolność komputerów do klasyfikowania, rozpoznawania, wykrywania i opisywania danych czyli - jednym słowem - zdolność ich rozumienia. Deep learning znajduje szerokie zastosowanie w dziedzinach, które wymagają działań na danych nienumerycznych, na przykład w klasyfikacji obrazów, rozpoznawaniu mowy, wykrywaniu obiektów i opisywaniu zawartości takich zbiorów danych. Systemy, takie jak Siri i Cortana, działają częściowo w oparciu o kognitywne przetwarzanie danych i wykorzystują głębokie uczenie maszynowe.

Dzięki nowym odkryciom i technologiom, deep learning jest obecnie w fazie szybkiego rozwoju. Postęp w dziedzinie algorytmów przyczynił się do zwiększenia skuteczności metod deep learning, a rosnąca dokładność metod uczenia maszynowego przynosi ogromną wartość biznesową. Opracowywane są nowe klasy sieci neuronowych, które znajdują zastosowanie w dziedzinach, takich jak tłumaczenie tekstów czy klasyfikacja obrazów. Sieci neuronowe istnieją już od prawie 50 lat. Do późnych lat dziewięćdziesiątych nie cieszyły się popularnością z powodu braku wystarczającej ilości dostępnych danych, niezbędnych do uzyskania wysokiej dokładności. W ciągu ostatniej dekady nastąpiły jednak dwie istotne zmiany:

  1. Mamy obecnie o wiele więcej danych niezbędnych do budowy sieci neuronowych z wieloma głębokimi warstwami dzięki dostępowi do strumieniowego przetwarzania danych Internet of Things, treści z mediów społecznościowych, notatek lekarzy czy protokołów śledczych.
  2. Dzięki rozwojowi technologii rozproszonego przetwarzania danych w chmurze i przetwarzania z wykorzystaniem kart graficznych (GPU) dysponujemy obecnie niewiarygodną mocą obliczeniową. Jest to poziom niezbędny do działania głębokich algorytmów uczących.

Jednocześnie ewolucji uległy również interfejsy człowiek-maszyna. Mysz i klawiatura zastępowane są stopniowo gestami, przesuwaniem, dotykiem i naturalnym językiem, wzbudzając tym samym zainteresowanie komputerem kognitywnym.


Możliwości i zastosowania deep learning

Ze względu na iteracyjny charakter algorytmów głębokiego uczenia, ich złożoność rośnie wraz z większą liczbą warstw oraz dużymi ilościami danych niezbędnych do uczenia sieci. W związku z tym, rozwiązywanie problemów z pomocą deep learning wymaga bardzo dużej mocy obliczeniowej.

Tradycyjne metody modelowania są dobrze rozpoznane, a zawarte w nich metody predykcji są zwykle łatwo interpretowalne i możliwe do przetłumaczenia na język reguł biznesowych. Natomiast, działanie metod deep learning nie jest trywialne i bardziej przypomina model czarnej skrzynki (ang. black-box). Poprawność działania takich metod można, co prawda, potwierdzić, testując je na nowych danych, ale ze względu na nieliniowy charakter modeli deep learning trudno wytłumaczyć osobom decyzyjnym, dlaczego osiągnięto dany wynik. Może być to przyczyną pewnej niechęci wobec wdrożenia technik, zwłaszcza w silnie regulowanych branżach.

Adaptacyjna natura metod uczenia się – ich zdolność ciągłego doskonalenia się oraz dostosowywania do zmian we wzorcach – daje jednak ogromne możliwości wprowadzania do analityki mniej deterministycznych, a bardziej dynamicznych rozwiązań. Większa personalizacja analityki klienta jest jedną z możliwości.

Dodatkowe możliwości niesie poprawa dokładności i wydajności w aplikacjach, w których sieci neuronowe używane są już od dłuższego czasu. Dzięki lepszym algorytmom i większej mocy obliczeniowej możemy otrzymać głębszy obraz analizowanych danych.

Podczas gdy rynek skupia się obecnie na zastosowaniach technik głębokiego uczenia w kognitywnym przetwarzaniu danych, SAS widzi ogromny potencjał w bardziej tradycyjnych zastosowaniach analitycznych, na przykład w analizie szeregów czasowych (ang. time series analysis).

Inną możliwością jest po prostu usprawnienie i zwiększenie wydajności istniejących procesów analitycznych. Ostatnie działania SAS to eksperymenty z zastosowaniem głębokich sieci neuronowych w problemach związanych z transkrypcją mowy na tekst. W porównaniu ze standardowymi technikami, współczynnik błędów słownych (WER) zmniejszył się o ponad 10 procent przy zastosowaniu głębokich sieci neuronowych. Wyeliminowano także około 10 etapów wstępnego przetwarzania danych, inżynierii cech i samego modelowania. Pod względem obliczeniowym uczenie głębokiej sieci może trwać dłużej w porównaniu z tradycyjnym modelowaniem, ale imponujące wyniki i oszczędność czasu, w porównaniu z „ręczną” inżynierią cech, stanowią prawdziwy przełom.

Jak wykorzystujemy deep learning w dzisiejszym świecie?

Wpływ technologii głębokiego uczenia na świat jest ogromny – a to dopiero początek. Dowiedz się więcej.

 
Interview

Możliwości zastosowania deep learning

Od gry AlphaGo do wykrywania oszustw i nadużyć – głębokie uczenie może być wykorzystane do rozwiązania wielu złożonych problemów. Oliver Schabenberger, wiceprezes SAS ds. badań i rozwoju, podaje przykłady i wyjaśnia, czym deep learning różni się od tradycyjnej analityki.

Przeczytaj wywiad

Webinarium

Zastosowanie głębokiego uczenia w przetwarzaniu języka naturalnego

Dowiedz się, jak techniki deep learning stosowane są do przetwarzania języków naturalnych. James C. Lester, profesor z North Carolina State University, rozmawia z Jamesem A. Coxem, dyrektorem SAS ds. Text Analytics, o normalizacji tekstu i kwestiach z tym związanych.

Obejrzyj webinarium

Blog

Digitalizacja wszystkiego

„Wzrost dostępnej mocy obliczeniowej i nowe odkrycia w dziedzinie sztucznej inteligencji i głębokiego uczenia pozwalają nam nie tylko gromadzić, ale także lepiej rozumieć szczegółowe dane dotyczące lokalizacji, powiązań oraz aktywności, prowadząc do lepszego zrozumienia naszych klientów", mówi Brian Vellmure, ekspert ds. zarządzania.

Dowiedz się więcej

Jakie zastosowania ma głębokie uczenie?

Na pierwszy rzut oka może się wydawać, że naukowcy z dziedziny informatyki i badacze danych nadal testują jego możliwości. Głębokie uczenie ma jednak wiele praktycznych zastosowań, które firmy wykorzystują już dziś, a w przyszłości z pewnością pojawi się wiele innych, które będą wykorzystywane wraz z rozwojem badań. Do popularnych zastosowań należą:

Rozpoznawanie mowy

W biznesie oraz w świecie nauki wykorzystuje się deep learning w rozpoznawaniu mowy. Xbox, Skype, Google Now i Siri firmy Apple® to tylko kilka przykładów marek wykorzystujących technologie głębokiego uczenia w swoich systemach do rozpoznawania ludzkiej mowy i wzorców głosowych.

Rozpoznawanie Obrazu

Jednym z praktycznych zastosowań rozpoznawania obrazów jest automatyczne opisywanie zdjęć i scen. Może to mieć decydujące znaczenie podczas śledztw w celu rozpoznania sprawców przestępstw na podstawie tysięcy zdjęć przesyłanych przez osoby postronne z dowolnego zatłoczonego obszaru, w którym popełniono przestępstwo. Samochody osobowe mogą również korzystać z rozpoznawania obrazu dzięki zastosowaniu technologii kamer z opcją filmowania 360˚.

Przetwarzanie języka naturalnego

Sieci neuronowe, centralny element głębokiego uczenia, używane są do przetwarzania i analizy tekstu pisanego już od wielu lat. Metody eksploracji tekstu (ang. text mining) pozwalają odkryć wzorce między innymi w reklamacjach przesyłanych przez klientów, oświadczeniach lekarskich lub w innych wiadomościach, a to tylko kilka przykładów.

Systemy rekomendacji

Serwisy Amazon i Netflix spopularyzowały zastosowanie systemów rekomendacji, które pozwalają z dużym prawdopodobieństwem przewidzieć, czym możesz być zainteresowany, opierając się na Twoich wcześniejszych zachowaniach i wyborach. Deep learning może służyć do usprawnienia rekomendacji w złożonych środowiskach, takich jak modelowanie zainteresowań muzycznych lub preferencji odzieżowych na różnych platformach.

 

Hand written data set numbers in different colors

Myśląca maszyna: eksperymenty z głębokim uczeniem

Baza danych MNIST to publiczny zestaw danych, zawierający tysiące zdjęć przedstawiających odręcznie zapisane cyfry. Używana jest jako klasyczny problem w badaniach nad uczeniem maszynowym, który pokazuje, jak skomplikowane może być przetwarzanie i dekodowanie obrazów.

Ale jak ten zestaw danych, wypełniony tysiącami odręcznie zapisanych zer, jedynek, dwójek lub innych pojedynczych cyfr może być wykorzystany do dalszych badań nad technologią deep learning? Sprawdź, co odkrył jeden z naukowców, którzy zastosowali na tych danych głębokie uczenie.

Obejrzyj webinarium


     

yellow and orange abstract art
Data Mining Enterprise Miner

 

Zaawansowana analityka od SAS

Deep learning jest jedną z metod wykorzystywanych przez specjalistów data science. Dowiedz się więcej o innych technikach zaawansowanej analizy danych, takich jak: prognozowanie, analiza tekstu i optymalizacja.

Poznaj rozwiązania analityczne SAS

Jak działa deep learning?

Głębokie uczenie zmienia sposób myślenia o rozwiązywaniu problemów przy użyciu analityki. Następuje istotna zmiana: zamiast mówić komputerowi, jak ma rozwiązać problem, szkolimy go tak, by sam znalazł rozwiązanie.

Tradycyjne podejście polega na wykorzystaniu dostępnych danych w celu opracowania funkcji umożliwiających uzyskanie nowych zmiennych, a następnie wybiera się model analityczny i ostatecznie oszacowuje parametry tego modelu. Te techniki mogą tworzyć systemy predykcyjne, które nie radzą sobie dobrze z generalizacją, ponieważ ich kompletność i poprawność zależy od jakości modelu i wykorzystanych zmiennych. Na przykład, jeśli tworzymy model oszustwa w tradycyjny sposób, zaczynamy ze zbiorem zmiennych i najprawdopodobniej stworzymy model, bazując na operacjach na tych zmiennych. Czasami możemy posiadać 30 tys. zmiennych, na których opiera się nasz model, następnie musimy stworzyć ten model, zbadać, które zmienne tak naprawdę mają znaczenie, które nie etc. Dodanie nowych danych powoduje, że całą pracę musimy wykonać od początku.

Nowe podejście z użyciem deep learning polega na zastąpieniu sformułowania i specyfikacji modelu odpowiednimi hierarchicznymi strukturami (warstwami), które uczą się rozpoznawać ukryte cechy z prawidłowości występujących w danych.

Deep learning pozwala na całkowicie nowe podejście – jest przejściem od inżynierii cech do automatycznego uczenia się reprezentacji na podstawie danych.

Głównym założeniem i jednocześnie nadzieją pokładaną w technikach głębokiego uczenia jest to, że mogą one doprowadzić do powstania systemów predykcyjnych, które dobrze generalizują, dobrze się przystosowują i mogą stale ulepszać się w miarę pojawiania się nowych danych, i są bardziej dynamiczne niż systemy predykcyjne zbudowane na twardych i deterministycznych regułach biznesowych. Teraz analityka nie polega już tylko na dopasowaniu modelu do danych. Tworzymy rozwiązania, które samodzielnie uczą się jak najlepiej rozwiązać konkretne zadania.

Rekomendowane zasoby

Content is loading

Back to Top