Преузето и преведено са: www.iso.org

ISO вијест на енглеском језику можете прочитати овдје

Људски мозак се састоји од безброј елемената који сви заједно раде на креирању свијести, мисли и саме природе нашег човјечанства. Можда изгледа немогуће вјештачки репродуковати ову јединствену и сложену љепоту, а ипак дубоко учење прави кораке ка будућности у којој машине могу да размишљају и уче као људски мозак.

Потпоље вјештачке интелигенције, дубоко учење је широко признато као најреволуционарнија и најмоћнија технологија посљедњих година. Његове изванредне могућности су коријен мноштва данашњих производа и услуга, као и технологија у настајању.

Али шта је дубоко учење? Која је његова функција? И зашто се на њега гледа као на „магични“ елемент иза многих врхунских технолошких достигнућа? Овдје ћемо покушати да ријешимо мистерију дубоког учења и објаснимо га једноставним ријечима.

Садржај

·         Шта је дубоко учење?

·         Како функционише дубоко учење?

·         Дубоко учење насупрот машинском учењу

·         Примјене дубоког учења

·         Које су границе дубоког учења?

·         Оквир за дубоко учење

·         Будућност дубоког учења

Шта је дубоко учење?

Такође познато по својој скраћеници “DL”, дубоко учење је подскуп машинског учења и вјештачке интелигенције, односно техника за обуку компјутера која има за циљ да имитира начин на који неурони у људском мозгу обрађују и уче информације – оно дословно представља вјештачку неуронску мрежу.

Кроз дубоко учење, машине обрађују податке да би симулирали многе слојеве нашег мозга да би могли да обављају задатке које је раније могла да оствари искључиво људска интелигенција. Већ постоји много апликација и начина употребе дубоког учења, као што је препознавање слика, превод језика, па чак и аутономна вожња. Све ове апликације спадају у област напредних рачунарских могућности. У суштини, дубоко учење је моћан алат за искоришћавање сложених информација скривених у великим количинама података.

Како функционише дубоко учење?

Људски мозак се састоји од милиона међусобно повезаних неурона. Алгоритми дубоког учења опонашају ову природну конфигурацију људског мозга користећи вјештачке неуронске мреже састављене од више слојева међусобно повезаних чворова, који се називају вјештачки неурони или јединице. Сваки слој обрађује информације из претходног слоја да би их пренио на сљедећи слој, што омогућава финије издвајање карактеристика и образаца.

Модели дубоког учења се обучавају на великим количинама означених података, који се називају скупови за обуку, да би научили како да препознају и класификују обрасце. То могу бити једноставни сетови за обуку, као што је, рецимо, скуп података „пси и мачке“, гдје компјутер мора да класификује фотографије на основу тога да ли садрже пса или мачку. Софистикованији скупови података такође могу да покривају, на примјер, познавање, односно уживање у винима или откривање лажних информација у аутентичним извјештајима.

Током тренинга, параметри и тежине неуронске мреже се прилагођавају да би се минимизирала неслагања између предвиђених и стварних излаза. Током вишеструких итерација, модел постаје квалитетнији све док не буде у стању да формулише предвиђања или изврши задатке с високим нивоом тачности и прецизности.

Појавили су се и различити програмски језици за имплементацију алгоритама дубоког учења. У дубоком учењу, најпопуларнији је језик Python због своје једноставности, читљивости и великог броја доступних „библиотека“ (пакети унапријед написаног кода који програмерима олакшавају рјешавање проблема). TensorFlow и PyTorch су популарне библиотеке које нуде сет моћних алата и функција за изградњу и обуку модела дубоког учења.

Дубоко учење насупрот машинском учењу

Дубоко учење је приступ стварању богатих хијерархијских репрезентација кроз обучавање неуронских мрежа састављених од неколико скривених слојева. Оно представља еволуцију машинског учења гдје је потреба за људском интервенцијом пуно мања. Док се основни модели машинског учења побољшавају у извршавању дефинисаних функција у односу на податке које интегришу, када дају нетачно предвиђање, инжењер мора да интервенише да би извршио прилагођавања. С друге стране, у случају дубоког учења машина врши сопствена подешавања и коригује своју путању без људске помоћи.

Примјене дубоког учења

Примијењено у многим различитим секторима, дубоко учење већ има позитиван утицај на наше животе. Његове апликације могу да се класификују у четири главне категорије:

·         Рачунарски вид (компјутерска интерпретација слика и видео-записа)

·         Препознавање говора

·         Обрада природног језика или NLP

·         Механизам за препоруке

У здравственом сектору, на примјер, рачунарски вид игра кључну улогу у анализи медицинских слика, помаже у убрзавању откривања и дијагностификовања болести и идентификацији најефикаснијих третмана. Софтвер за препознавање гласа омогућава прављење биљешки у реалном времену из аудио-записа с консултација између љекара и пацијента, што штеди вријеме потребно за транскрипцију.

На путевима, рецимо, дубоко учење помаже да се убрза развој аутономних возила тако што им омогућава да перципирају и разумију окружење око себе и читају знакове на путу да би безбједно возили.

У финансијском сектору, способност дубоког учења да анализира сложене обрасце чини га непроцјењивом технологијом за откривање лажних трансакција и информисање о инвестиционим одлукама на основу његових предвиђања тржишних трендова. У пословном свијету, анализа детаљних извјештаја може се сажети у неколико секунди помоћу NLP-а.

Истовремено, роботи који користе системе дубоког учења могу да се крећу, манипулишу и комуницирају све више као људи. Технологија већ доживљава велики напредак у индустријској аутоматизацији и сарадњи људи и робота, што користи и производној и електронској индустрији.

Коначно, у свакодневном животу, информације које добијамо од механизама за препоруке с платформи као што су Нетфликс, Амазон и друштвени медији су још релевантније захваљујући анализи наших корисничких преференција помоћу дубоког учења.

Које су границе дубоког учења?

Упркос својим изузетним могућностима и огромном потенцијалу, дубоко учење такође има ограничења и проблеме. Оно захтијева много меморије и капацитета за складиштење и количину корисничких података до те мјере да је понекад тешко добити висококвалитетне, разноврсне и исправно означене скупове података, посебно у областима гдје су они рјеђи или скупљи. Такође захтијева много ресурса и енергије за обуку и може да буде подложно „преоптерећењу“, феномену који се јавља када машина даје добре резултате на основу података о обуци, али даје лошије резултате када се користе нови и необјављени подаци.

Као и већина области вјештачке интелигенције, дубоко учење такође поставља етичка питања у вези са безбједношћу података и инхерентним људским пристрасностима и нетачностима које се могу појавити у његовом учењу.

Оквир за дубоко учење

Упркос обиму потенцијалних предности које нуди дубоко учење, успостављање доброг начина управљања овом технологијом је од суштинског значаја за постизање свих ових предности. Успостављање одговарајућег правног и етичког оквира биће од суштинског значаја за изградњу повјерења и ублажавање ризика.

Међународни стандарди ће играти главну улогу у обезбјеђивању одговорног усвајања дубоког учења у вјештачкој интелигенцији. ISO је у сарадњи са Међународном електротехничком комисијом (IEC) већ објавио низ стандарда кроз своју групу стручњака посвећених вјештачкој интелигенцији и ради на развоју оквира смјерница за апликације дубоког учења широм свијета.  

Предузећа и креатори политике већ могу имати користи од ових стандарда да би обезбиједили безбједну и етичку примјену својих модела дубоког учења. Дакле,  усаглашеност с међународним стандардима гради повјерење међу клијентима и колегама у свим секторима.

Будућност дубоког учења

Очекује се да ће дубоко учење, које је још увијек у повојима, експоненцијално расти и трансформисати друштво. Интеграција дубоког учења са другим најсавременијим технологијама, као што су проширена или виртуелна стварност, могла би из основа да промијени начин на који живимо и комуницирамо са свијетом око нас. Једноставна шетња градским улицама могла би бити употпуњена тренутним информацијама о околним зградама и споменицима. Виртуелни свјетови ће постајати све импресивнији и реалистичнији.

Такође, можемо очекивати да се дубоко учење почне примјењивати у областима као што су пољопривреда, енергија и производња, гдје би могло да оптимизује процесе, побољша ефикасност и подстакне иновације. И најважније од свега, ова технологија би могла да убрза развој рјешења за проблеме с којима се суочава наша планета, као што су климатске промјене и безбједност хране.

Под вођством међународних стандарда и подстицан људском креативношћу и генијалношћу, будући пејзаж дубоког учења је фасцинантан, инспиративан и готово неограничен.