Preuzeto i prevedeno s: 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 strojevi mogu razmišljati i učiti kao ljudski mozak.

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

Ali što 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

·         Što je duboko učenje?

·         Kako funkcionira duboko učenje?

·         Duboko učenje nasuprot strojnom učenju

·         Primjene dubokog učenja

·         Koje su granice dubokog učenja?

·         Okvir za duboko učenje

·         Budućnost dubokog učenja

Što je duboko učenje?

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

Kroz duboko učenje, strojevi 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 uporabe dubokog učenja, kao što je prepoznavanje slika, prijevod jezika, pa čak i autonomna vožnja. Sve ove aplikacije spadaju u oblast naprednih računarskih mogućnosti. U biti, duboko učenje moćan je alat za iskorištavanje složenih informacija skrivenih u velikim količinama podataka.

Kako funkcionira duboko učenje?

Ljudski mozak sastoji se od milijuna 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 kako bi ih prenio na sljedeći sloj, što omogućava finije izdvajanje značajki i obrazaca.

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

Tijekom treninga, parametri i težine neuronske mreže prilagođavaju se kako bi se minimizirala neslaganja između predviđenih i stvarnih izlaza. Tijekom višestrukih iteracija, model postaje kvalitetniji sve dok ne bude u stanju formulirati predviđanja ili izvršiti zadatke s visokom razinom točnosti 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 „knjižnica“ (paketi unaprijed napisanog koda koji programerima olakšavaju rješavanje problema). TensorFlow i PyTorch su popularne knjižnice koje nude set moćnih alata i funkcija za izgradnju i obuku modela dubokog učenja.

Duboko učenje nasuprot strojnom učenju

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

Primjene dubokog učenja

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

·         Računarski vid (kompjutorska interpretacija slika i videozapisa)

·         Prepoznavanje govora

·         Obrada prirodnog jezika ili NLP

·         Mehanizam za preporuke

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

Na putovima, recimo, duboko učenje pomaže da se ubrza razvitak autonomnih vozila tako što im omogućava percepciju i razumijevanje okruženja oko sebe i čitanje znakova na putu kako bi sigurno vozili.

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

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

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

Koje su granice dubokog učenja?

Usprkos svojim iznimnim 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, posebice 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 stroj daje dobre rezultate na temelju podataka o obuci, ali daje lošije rezultate kada se koriste novi i neobjavljeni podatci.

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

Okvir za duboko učenje

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

Međunarodni standardi igrat će glavnu ulogu u osiguravanju odgovornog usvajanja dubokog učenja u vještačkoj inteligenciji. ISO je u suradnji s Međunarodnom elektrotehničkom komisijom (IEC) već objavio niz standarda kroz svoju skupinu stručnjaka posvećenih vještačkoj inteligenciji i radi na razvitku okvira smjernica za aplikacije dubokog učenja diljem svijeta.  

Poduzeća i kreatori politike već mogu imati koristi od ovih standarda kako bi osigurali sigurnu i etičku primjenu svojih modela dubokog učenja. Dakle,  usuglašenost 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 transformirati društvo. Integracija dubokog učenja s drugim najsuvremenijim tehnologijama, kao što su proširena ili virtualna stvarnost, mogla bi iz temelja promijeniti način na koji živimo i komuniciramo sa svijetom oko nas. Jednostavna šetnja gradskim ulicama mogla bi biti upotpunjena trenutačnim informacijama o okolnim zgradama i spomenicima. Virtualni svjetovi postajat će 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 učinkovitost i potaknuti inovacije. I najvažnije od svega, ova bi tehnologija mogla ubrzati razvitak rješenja za probleme s kojima se suočava naš planet, kao što su klimatske promjene i sigurnost hrane.

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