Preuzeto i prevedeno sa: www.iso.org

ISO vijest na engleskom jeziku možete pročitati ovdje

Ljudski mozak se sastoji od bezbroj elemenata koji svi zajedno rade na kreiranju svijesti, misli i same prirode našeg čovječanstva. Možda izgleda nemoguće vještački reproducirati ovu jedinstvenu i složenu ljepotu, a ipak duboko učenje pravi korake ka budućnosti u kojoj mašine mogu razmišljati i učiti kao ljudski mozak.

Potpolje vještačke inteligencije, duboko učenje je široko priznato kao najrevolucionarnija i najmoćnija tehnologija posljednjih godina. Njegove izvanredne mogućnosti su korijen mnoštva današnjih proizvoda i usluga, kao i tehnologija u nastajanju.

Ali šta je duboko učenje? Koja je njegova funkcija? I zašto se na njega gleda kao na „magični“ element iza mnogih vrhunskih tehnoloških dostignuća? Ovdje ćemo pokušati riješiti misteriju dubokog učenja i objasniti ga jednostavnim riječima.

Sadržaj

·         Šta je duboko učenje?

·         Kako funkcioniše duboko učenje?

·         Duboko učenje nasuprot mašinskom učenju

·         Primjene dubokog učenja

·         Koje su granice dubokog učenja?

·         Okvir za duboko učenje

·         Budućnost dubokog učenja

Šta je duboko učenje?

Također poznato po svojoj skraćenici “DL”, duboko učenje je podskup mašinskog učenja i vještačke inteligencije, odnosno tehnika za obuku kompjutera koja ima za cilj da imitira način na koji neuroni u ljudskom mozgu obrađuju i uče informacije – ono doslovno predstavlja vještačku neuronsku mrežu.

Kroz duboko učenje, mašine obrađuju podatke kako bi simulirali mnoge slojeve našeg mozga kako bi mogli obavljati zadatke koje je ranije mogla ostvariti isključivo ljudska inteligencija. Već postoji mnogo aplikacija i načina upotrebe dubokog učenja, kao što je prepoznavanje slika, prijevod jezika, pa čak i autonomna vožnja. Sve ove aplikacije spadaju u oblast naprednih računarskih mogućnosti. U suštini, duboko učenje je moćan alat za iskorištavanje složenih informacija skrivenih u velikim količinama podataka.

Kako funkcioniše duboko učenje?

Ljudski mozak se sastoji od miliona međusobno povezanih neurona. Algoritmi dubokog učenja oponašaju ovu prirodnu konfiguraciju ljudskog mozga koristeći vještačke neuronske mreže sastavljene od više slojeva međusobno povezanih čvorova, koji se nazivaju vještački neuroni ili jedinice. Svaki sloj obrađuje informacije iz prethodnog sloja da bi ih prenio na sljedeći sloj, što omogućava finije izdvajanje karakteristika i obrazaca.

Modeli dubokog učenja se obučavaju na velikim količinama označenih podataka, koji se nazivaju skupovi za obuku, da bi naučili kako da prepoznaju i klasificiraju obrasce. To mogu biti jednostavni setovi za obuku, kao što je, recimo, skup podataka „psi i mačke“, gdje kompjuter mora klasificirati fotografije na osnovu toga da li sadrže psa ili mačku. Sofisticiraniji skupovi podataka također mogu pokrivati, naprimjer, poznavanje, odnosno uživanje u vinima ili otkrivanje lažnih informacija u autentičnim izvještajima.

Tokom treninga, parametri i težine neuronske mreže se prilagođavaju kako bi se minimizirala neslaganja između predviđenih i stvarnih izlaza. Tokom višestrukih iteracija, model postaje kvalitetniji sve dok ne bude u stanju da formuliše predviđanja ili izvrši zadatke s visokim nivoom tačnosti i preciznosti.

Pojavili su se i različiti programski jezici za implementaciju algoritama dubokog učenja. U dubokom učenju, najpopularniji je jezik Python zbog svoje jednostavnosti, čitljivosti i velikog broja dostupnih „biblioteka“ (paketi unaprijed napisanog koda koji programerima olakšavaju rješavanje problema). TensorFlow i PyTorch su popularne biblioteke koje nude set moćnih alata i funkcija za izgradnju i obuku modela dubokog učenja.

Duboko učenje nasuprot mašinskom učenju

Duboko učenje je pristup stvaranju bogatih hijerarhijskih reprezentacija kroz obučavanje neuronskih mreža sastavljenih od nekoliko skrivenih slojeva. Ono predstavlja evoluciju mašinskog učenja gdje je potreba za ljudskom intervencijom puno manja. Dok se osnovni modeli mašinskog učenja poboljšavaju u izvršavanju definisanih funkcija u odnosu na podatke koje integrišu, kada daju netačno predviđanje, inženjer mora intervenisati kako bi izvršio prilagođavanja. S druge strane, u slučaju dubokog učenja mašina vrši sopstvena podešavanja i koriguje svoju putanju bez ljudske pomoći.

Primjene dubokog učenja

Primijenjeno u mnogim različitim sektorima, duboko učenje već ima pozitivan uticaj na naše živote. Njegove aplikacije se mogu klasificirati u četiri glavne kategorije:

·         Računarski vid (kompjuterska interpretacija slika i videozapisa)

·         Prepoznavanje govora

·         Obrada prirodnog jezika ili NLP

·         Mehanizam za preporuke

U zdravstvenom sektoru, naprimjer, računarski vid igra ključnu ulogu u analizi medicinskih slika, pomaže u ubrzavanju otkrivanja i dijagnosticiranja bolesti i identifikaciji najefikasnijih tretmana. Softver za prepoznavanje glasa omogućava pravljenje bilješki u realnom vremenu iz audiozapisa s konsultacija između ljekara i pacijenta, što štedi vrijeme potrebno za transkripciju.

Na putevima, recimo, duboko učenje pomaže da se ubrza razvoj autonomnih vozila tako što im omogućava da percipiraju i razumiju okruženje oko sebe i čitaju znakove na putu kako bi sigurno vozili.

U finansijskom sektoru, sposobnost dubokog učenja da analizira složene obrasce čini ga neprocjenjivom tehnologijom za otkrivanje lažnih transakcija i informisanje o investicionim odlukama na osnovu njegovih predviđanja tržišnih trendova. U poslovnom svijetu, analiza detaljnih izvještaja može se sažeti u nekoliko sekundi pomoću NLP-a.

Istovremeno, roboti koji koriste sisteme dubokog učenja mogu se kretati, manipulirati i komunicirati sve više kao ljudi. Tehnologija već doživljava veliki napredak u industrijskoj automatizaciji i saradnji ljudi i robota, što koristi i proizvodnoj i elektronskoj industriji.

Konačno, u svakodnevnom životu, informacije koje dobijamo od mehanizama za preporuke s platformi kao što su Netflix, Amazon i društveni mediji su još relevantnije zahvaljujući analizi naših korisničkih preferencija pomoću dubokog učenja.

Koje su granice dubokog učenja?

Uprkos svojim izuzetnim mogućnostima i ogromnom potencijalu, duboko učenje također ima ograničenja i probleme. Ono zahtijeva mnogo memorije i kapaciteta za skladištenje i količinu korisničkih podataka do te mjere da je ponekad teško dobiti visokokvalitetne, raznovrsne i ispravno označene skupove podataka, posebno u oblastima gdje su oni rjeđi ili skuplji. Također zahtijeva mnogo resursa i energije za obuku i može biti podložno „preopterećenju“, fenomenu koji se javlja kada mašina daje dobre rezultate na osnovu podataka o obuci, ali daje lošije rezultate kada se koriste novi i neobjavljeni podaci.

Kao i većina oblasti vještačke inteligencije, duboko učenje također postavlja etička pitanja u vezi sa sigurnošću podataka i inherentnim ljudskim pristrasnostima i netačnostima koje se mogu pojaviti u njegovom učenju.

Okvir za duboko učenje

Uprkos obimu potencijalnih prednosti koje nudi duboko učenje, uspostavljanje dobrog načina upravljanja ovom tehnologijom je od suštinskog značaja za postizanje svih ovih prednosti. Uspostavljanje odgovarajućeg pravnog i etičkog okvira bit će od suštinskog značaja za izgradnju povjerenja i ublažavanje rizika.

Međunarodni standardi će igrati glavnu ulogu u obezbjeđivanju odgovornog usvajanja dubokog učenja u vještačkoj inteligenciji. ISO je u saradnji sa Međunarodnom elektrotehničkom komisijom (IEC) već objavio niz standarda kroz svoju grupu stručnjaka posvećenih vještačkoj inteligenciji i radi na razvoju okvira smjernica za aplikacije dubokog učenja širom svijeta.  

Preduzeća i kreatori politike već mogu imati koristi od ovih standarda kako bi osigurali bezbjednu i etičku primjenu svojih modela dubokog učenja. Dakle,  usaglašenost s međunarodnim standardima gradi povjerenje među klijentima i kolegama u svim sektorima.

Budućnost dubokog učenja

Očekuje se da će duboko učenje, koje je još uvijek u povojima, eksponencijalno rasti i transformisati društvo. Integracija dubokog učenja sa drugim najsavremenijim tehnologijama, kao što su proširena ili virtuelna stvarnost, mogla bi iz osnova da promijeni način na koji živimo i komuniciramo sa svijetom oko nas. Jednostavna šetnja gradskim ulicama mogla bi biti upotpunjena trenutnim informacijama o okolnim zgradama i spomenicima. Virtuelni svjetovi će postajati sve impresivniji i realističniji.

Također, možemo očekivati da se duboko učenje počne primjenjivati u oblastima kao što su poljoprivreda, energija i proizvodnja, gdje bi moglo optimizirati procese, poboljšati efikasnost i podstaknuti inovacije. I najvažnije od svega, ova tehnologija bi mogla ubrzati razvoj rješenja za probleme s kojima se suočava naša planeta, kao što su klimatske promjene i sigurnost hrane.

Pod vođstvom međunarodnih standarda i podstican ljudskom kreativnošću i genijalnošću, budući pejzaž dubokog učenja je fascinantan, inspirativan i gotovo neograničen.