Джон Ф. Кеннеди однажды сказал: «Человек по-прежнему является самым необыкновенным компьютером». И пока это несомненно является правдой, возможно ли, чтобы компьютер обучился при помощи информации, которую он получает, для принятия лучших решений, как это делает человек?
Благодаря группе сотрудников Northrop Grumman, занимающихся так называемым «глубоким обучением», данная область искусственного интеллекта постепенно набирает значительные обороты.
Глубокое обучение — это класс алгоритмов машинного обучения, которые изучают функции непосредственно из данных для достижения определенной задачи. (Алгоритмы — это процесс или набор правил, которые должны соблюдаться в вычислениях или других операциях по решению проблем, в большинстве случаев при помощи компьютера).
Кошки и Собаки Глубокого Обучения
В эпоху Больших Данных аналитики и оперативно-тактические управления (войска) имеют доступ к объему данных, поступающих из различных датчиков. Сеть, использующая глубокие технологии обучения, может помочь навести порядок в лавине информации и найти критические вопросы, по которым необходимо принять решение. Это создает условия для быстрого принятия решений или предоставления рекомендации с целью улучшения принятия решений людьми, в тех случаях, когда скорость имеет первостепенное значение.
«К примеру, если я дам глубокие сетевые снимки собак и кошек и объясню сети, где собаки, а где кошки, сеть может изучить особенности, которые отличают кошек от собак», — говорит доктор Уилл Чамберс, инженер-разработчик Northrop Grumman, имеющий опыт работы в области искусственного интеллекта. «Поэтому в следующий раз, когда сеть увидит собаку, она сможет быстро определить, что это собака».
В традиционном подходе вам пришлось бы определить функции, рассказывая алгоритм того, как выглядят собаки и кошки. При таком подходе производительность алгоритма ограничена. «Поэтому, вам нужен алгоритм, который может обобщать за пределами данных, которые вы ему предоставили, как это делает человек», — говорит Чамберс, чья команда основана в г. Ороро, штат Колорадо. Таким образом, основным преимуществом сетей глубокого обучения является их эффективность в обобщении.
Три разновидности глубокого обучения
Существует три типа глубокого (или машинного) обучения:
Контролируемое обучение, в котором вы предоставляете изображения и ярлыки (говорите машине, где собаки, а где кошки).
Неконтролируемое обучение, или алгоритмы кластеризации, в котором вы просто задаете данные — например, изображения собак или кошек, без ярлыков — и позволяете машине рассортировать их.
Обучение с подкреплением, когда вы пытаетесь обучить агента какому-либо действию — привязать наблюдение к действию, предоставив агенту результат.
Чамберс говорит, что включился в глубокое обучение тогда, когда начал видеть результаты. «Эти результаты, с точки зрения проблем классификации с изображениями, свергли все предыдущие традиционные подходы к компьютерному обучению, основанные на человеческих конструктивных особенностях», — говорит он.
«Глубокое обучение начинает принимать форму индустрии, — говорит Чамберс. «Приятно осознавать, что наше клиентское сообщество, наконец, начинает воспринимать его как применимую технологию, хотя пару лет назад оно все еще рассматривалось скептически».
Чарли Паркинсон, программный менеджер Лаборатории автономного интеллекта и робототехники Ороро, говорит, что было бы интересно посмотреть, как мы сможем применять алгоритмы обучения к традиционным радиочастотным пространствам, чтобы в конечном итоге предоставить нашим клиентам более качественные инструменты и интеллект.
«Это открывает новые двери, о которых наши клиенты заинтересованы слышать, — говорит Паркинсон. «Это также была отличная возможность для младших инженеров ускорить внедрение новейших технологий в наши области».
