Sejak Mac 2016, minat terhadap AlphaGo dan kecerdasan buatan telah meningkat, dan kemajuan dalam teknologi kecerdasan buatan, termasuk konsep pembelajaran mendalam dan pembelajaran mesin, telah menjadi perhatian. Pembelajaran mendalam adalah berdasarkan rangkaian saraf tiruan untuk memproses data, dan Rangkaian Deep Q Deep Mind ialah contoh utama penggunaannya. Dengan pembangunan AI datang keperluan untuk memikirkan isu sosial dan etika.

Pada Mac 2016, melainkan anda tinggal di tengah-tengah, terputus dari seluruh dunia, anda mungkin pernah mendengar tentang AlphaGo dan kecerdasan buatan sekurang-kurangnya sekali. Anda mungkin telah mencari istilah pembelajaran mendalam, pembelajaran mesin dan pembelajaran mesin, tertanya-tanya mengapa ia begitu terkenal. Tetapi berapa ramai di antara kita yang tahu walaupun sedikit tentang mereka? Kebanyakan kita tahu nama beberapa perkataan seperti data besar, tetapi tidak lebih daripada itu. Dalam artikel ini, kita akan melihat sejarah dan asas teori teknikal "pembelajaran mendalam", salah satu topik paling hangat dalam kecerdasan buatan sekarang, dan bercakap secara ringkas tentang "Rangkaian Deep Q," hasil cetusan idea mendalam. fikiran di belakang AlphaGo.

Gambaran keseluruhan dan sejarah pembelajaran mendalam

Sebelum kita bercakap tentang pembelajaran mendalam, mari kita bercakap tentang "pembelajaran": pembelajaran mesin. Menurut saintis komputer Amerika Tom M. Mitchell, pembelajaran mesin boleh ditakrifkan sebagai "penggunaan pengalaman dengan tugas untuk meningkatkan prestasi atau hasil tugas itu". Menjadi lebih baik dengan pengalaman berulang adalah maksud pembelajaran mesin. Sama seperti manusia menjadi lebih baik dengan latihan, pembelajaran mesin direka bentuk untuk meniru cara manusia "belajar".
Pembelajaran mendalam ialah sejenis pembelajaran mesin berdasarkan teknologi rangkaian saraf tiruan. Rangkaian saraf tiruan ialah model dalam bidang kecerdasan buatan yang meniru rangkaian saraf yang terdiri daripada sebilangan besar neuron dalam otak, setiap satunya menghantar dan menerima isyarat melalui sinaps, dan pembelajaran mendalam direka dengan berbilang lapisan dalam hierarki. struktur rangkaian saraf tiruan. Lapisan inilah yang menjadikan pembelajaran mendalam berbeza daripada pembelajaran mesin tradisional. Walaupun pembelajaran mesin tradisional memerlukan pengekstrakan ciri asas terlebih dahulu untuk belajar daripada data input untuk hasil yang diingini, pembelajaran mendalam boleh berfungsi dengan data yang sangat asas (seperti piksel dalam kes imej) untuk menghasilkan output tanpa mengekstrak ciri.

Evolusi pembelajaran mendalam dan kepentingan modennya

Konsep pembelajaran mendalam, atau rangkaian saraf tiruan, telah dibincangkan lebih daripada 30 tahun lalu. Ia biasanya dianggap telah bermula dengan Perceptron Frank Rosenblatt pada pertengahan 1950-an, yang merupakan rangkaian neural satu lapisan yang berfungsi untuk model linear tetapi bukan untuk model bukan linear, dan perkakasan pada masa itu tidak dapat bersaing dengan pengiraan. Walau bagaimanapun, kemudiannya ditunjukkan bahawa rangkaian saraf dalam dengan pelbagai lapisan, seperti pembelajaran mendalam, boleh menganalisis model tak linear dan menyelesaikan masalah seperti latihan berlebihan, yang membawa kepada kebangkitan semula minat.
Dalam era moden, pembelajaran mendalam telah menjadi salah satu bidang yang paling pesat berkembang, dengan kemajuan ketara dalam perkakasan dan data besar. Ini telah membawa kepada inovasi dalam pelbagai aplikasi, termasuk kereta pandu sendiri, pengecaman pertuturan, pengecaman imej dan banyak lagi. Sebagai contoh, kereta pandu sendiri menggunakan pembelajaran mendalam untuk menganalisis keadaan jalan dalam masa nyata untuk menentukan laluan pemanduan yang selamat. Teknologi pengecaman pertuturan juga menggunakan pembelajaran mendalam untuk mengenali dan memahami pertuturan manusia dengan lebih tepat. Teknologi ini mengubah kehidupan seharian kita, dan kesannya dijangka terus berkembang.

Rangkaian Deep Q Deep Mind

Deep Mind, yang lebih dikenali oleh kebanyakan kita sebagai AlphaGo, menggunakan algoritma yang dipanggil Deep Q Network (DQN) dalam kecerdasan buatannya. DQN ialah gabungan rangkaian saraf dalam dan pembelajaran pengukuhan. Teori pembelajaran pengukuhan adalah sama dengan teori utiliti dalam ekonomi, yang menyatakan bahawa tingkah laku rasional adalah untuk mengira utiliti setiap objek dan memilih yang mempunyai nilai utiliti tertinggi. Walau bagaimanapun, apabila tingkah laku berubah akibat pembelajaran, ia bermakna nilai utiliti berubah. Teori pembelajaran pengukuhan ialah teori yang menjelaskan bagaimana nilai utiliti berubah mengikut pengalaman. Ia hanya menukar terminologi daripada utiliti kepada fungsi nilai.
Keindahan DQN ialah ia boleh melakukan dengan maklumat yang sangat mudah, dan ia berfungsi dengan baik dalam tugas yang paling kompetitif atau mencabar. Deep Mind menunjukkan ini dengan menerapkannya pada permainan klasik pada Atari 2600: dalam kes permainan pecah blok, satu-satunya maklumat yang diberikan ialah skor dan skrin. Pada mulanya, mesin itu tidak begitu baik dalam permainan, tetapi ia mula mendapat markah yang lebih baik dan lebih baik dan akhirnya belajar untuk mendapatkan markah yang lebih baik dengan sendirinya.

Masa depan pembelajaran mendalam dan peranan kita

Setakat ini, kami telah membincangkan sejarah pembelajaran mendalam, asas teorinya, dan Rangkaian Deep Q Deep Mind. Hakikat bahawa lebih mudah untuk memasukkan data daripada mana-mana pembelajaran mesin lain pada masa lalu dan masih menghasilkan hasil yang hebat adalah perkara yang menjadikan pembelajaran mendalam begitu menarik sekarang. Sesetengah orang melihat dalam pembelajaran mendalam potensi untuk "kecerdasan buatan yang kuat," yang merupakan satu langkah daripada keadaan kecerdasan buatan semasa dan mengatasi manusia dalam segala hal. Malah, ia telah pun mengatasi manusia di beberapa kawasan.
Era AI tidak jauh lagi. Pada masa seperti ini, adalah lebih penting daripada sebelumnya untuk belajar tentang AI dan bertanya kepada diri sendiri apa yang perlu anda lakukan dalam era ini. Dengan AI yang memberi kesan kepada kehidupan harian dan industri kita secara menyeluruh, kita perlu mengikuti perkembangan teknologi, tetapi juga memikirkan secara mendalam tentang isu etika dan sosial yang ditimbulkannya. Sebagai contoh, terdapat kebimbangan bahawa kemajuan dalam AI boleh menyebabkan kehilangan pekerjaan. Cabaran bagi kami adalah untuk memikirkan cara menangani perkara ini dan mencari cara untuk wujud bersama AI.