Deep learning i jego możliwości

Choć znane jest branży IT od prawie pół wieku, dopiero od niedawna przeżywa prawdziwy rozkwit. Co sprawiło, że głębokie uczenie coraz częściej wkracza w nasze życie? Czym jest deep learning? Czym różni się od machine learningu? W jaki sposób deep learning i jego możliwości mogą być przydatne w marketingu, medycynie i kryminalistyce?

Z tego artykułu dowiesz się:

Co to jest deep learning

Czym się różnią deep learning i machine learning?

1. Deep learning w marketingu

2. Deep learning w medycynie

3. Deep learning w kryminalistyce

Co to jest deep learning?

Tłumaczenie deep learning to dosłownie głębokie uczenie. Nazwa ta oznacza zdolność komputerów do przyjmowania informacji i interpretowania ich przy użyciu sieci neuronowych. Sieci neuronowe to całe zespoły komputerów połączonych ze sobą na podobieństwo komórek nerwowych ludzkiego mózgu. Oczywiście na chwilę obecną ludzkość nie jest w stanie powtórzyć struktury ludzkiego mózgu, gdyż wymagałoby to imitacji setek miliardów synaps. Proces uczenia się jest jednak zbliżony, choć wymaga dużej ilości danych dla poprawnego działania oraz wielu przykładów wariacji i wyjątków.

Dlaczego dopiero teraz przeżywa rozkwit?

Choć koncepcja tworzenia komputerów uczących się na wzór ludzkiego mózgu powstała już kilka dziesięcioleci temu, trzeba było na wiele lat odłożyć jej realizację. Dlaczego dopiero teraz deep learning mógł się należycie rozwinąć? Ponieważ znacznie poprawiła się wydajność urządzeń i pojemność dysków, co związane jest z postępem technologicznym. Zwiększyła się także ilość urządzeń oraz danych, którymi zasila się sieć, zatem tworzenie sieci neuronowej mogła następować szybciej i mieć lepsze efekty. Aby móc dokonywać aktualizacji wszystkich połączeń pomiędzy urządzeniami, potrzebna jest ogromna moc obliczeniowa, które jeszcze kilkanaście, kilkadziesiąt lat temu pozostawała poza zasięgiem programistów.

Deep learning a machine learning

Zarówno uczenie maszynowe jak i uczenie głębokie stanowią przejaw sztucznej inteligencji. AI jest w stanie imitować ludzką zdolność do analizy, reakcji na bodźce oraz rozważania możliwych scenariuszy wydarzeń. Może także na podstawie nowych doświadczeń zmieniać swoje „zachowania”. Do tego wszystkiego dąży właśnie machine learning oraz deep learning będący częścią tego pierwszego.

Czym jednak różnią się te dwie technologie? Przede wszystkim ilością danych koniecznych do efektywnej pracy. Deep learning wymaga bardzo dużego wkładu informacji, podczas gdy machine learning może „uczyć się” na mniejszych zbiorach. Zatem wymagania sprzętowe są także różne. Uczenie maszynowe działa na standardowych procesorach (CPU), podczas gdy wersja głęboka, choć również może wykorzystać CPU, wymaga już bardziej wydajnych (dla konkretnych potrzeb deep learning) procesorów graficznych (GPU).

Ważną różnicą pomiędzy deep learning a machine learning jest także konieczność ludzkiej interwencji. Uczenie maszynowe, choć bardzo sprawne w kwestii interpretacji gromadzonych danych, wymaga co jakiś czas pomocy z zewnątrz. Jeśli na przykład podczas procesu uczenia się algorytm wypracuje błędną konkluzję, wkroczyć musi programista w celu „wyprostowania” pomyłki. Uczenie głębokie posiada zdolność samodzielnej oceny prawdziwości, poprawności wniosków. Decyduje, co przyjmie jako element, na podstawie którego można kontynuować dalszą naukę. Wówczas ludzki czynnik jest mniej potrzebny, ponieważ deep learning to technologia o wiele bardziej „samodzielna”.

Efekty rozwoju deep learningu

Różnice w efektach uczenia maszynowego i głębokiego jest również mocno zauważalna. To pierwsze bardzo skutecznie wykonuje powierzone obowiązki i udoskonala je. To drugie jednak, wciąż dąży do zwiększenia własnych możliwości w ramach zadanych czynności. Najlepiej zobrazuje to przykład. Jeśli utworzono zadanie polegające na uruchomieniu ogrzewania na komendę „zimno mi”, machine learning będzie udoskonalać rozpoznawanie tej frazy. Będzie wyszukiwać jej brzmienie w całych zdaniach, w trakcie rozmowy oraz wypowiadanych z różnym akcentem.

Deep learning pójdzie jednak o krok dalej. Sieć neuronowa podobna w swoim działaniu do ludzkiego mózgu pozwoli na interpretację słów „zimno mi” oraz powiązania ich znaczenia z zupełnie odmiennymi frazami. Uczenie głębokie skojarzy podobieństwo semantyczne brzmienia wypowiedzi „ogrzewanie jest wyłączone”, „temperatura spadła”, „chcę się ogrzać” i zareaguje w podobny sposób jak w stosunku do słów „zimno mi”. Użytkownik nie będzie musiał zatem wypowiadać jednej konkretnej komendy, żeby urządzenie włączające ogrzewanie wykonało swoje zadanie.

Deep learning i jego możliwości – marketing

Uczenie maszynowe oraz coraz częściej uczenie głębokie znajdują swoje zastosowanie w marketingu oraz obsłudze klienta. Podnoszenie jakości UX wymaga coraz sprawniejszej automatyzacji oraz dostosowania do konkretnych potrzeb użytkownika. Stąd powstawanie zaawansowanych chatbotów oraz wirtualnych konsultantów typu Siri (Apple), Alexa (Amazon) oraz Google Assistant. Sprawność ich działania polega właśnie na umiejętności przyswajania nowych danych i udoskonalania „umiejętności”, głównie w zakresie przetwarzania naturalnej mowy (NLP – Natural Language Processing). Dzięki temu boty są w stanie odpowiadać nawet na mało precyzyjnie zadane pytania i prowadzić coraz bardziej skomplikowane konwersacje. Zadowolenie użytkownika wzrasta, gdyż otrzymuje pomoc o każdej porze i nie musi ograniczać się do tematów pomocy narzuconych przez automat. Obecnie coraz częściej spotkać się można z użyciem sztucznej inteligencji w obsłudze klienta: nawet infolinie bankowe korzystają już z tego typu rozwiązań. Deep learning pozwoli na usprawnienie ich działania.

Przyszłość marketingu

Działania marketingowe często opierają się na obserwacji zachowania użytkowników oraz wyświetlania im treści, którymi byliby potencjalnie zainteresowani. Aby nie bazować jedynie na tekście, który stanowi jedynie część zawartości internetu, konieczne są zaawansowane metody rozpoznawania mowy, twarzy, interpretowania materiałów graficznych i filmowych. To wszystko ma szansę opanować deep learning, przy założeniu, że uzyska dostateczną ilość danych oraz możliwość pracy na odpowiednio wydajnych urządzeniach. Z całą pewnością AI (oraz wchodzące w jej skład uczenie maszynowe i głębokie) stanowią ważny filar przyszłych działań marketingowych. Każda wprowadzana przez internautę dana zmienia całość reakcji bota na użytkowników. Aktualizuje on swoją wiedzę na temat ludzkiego języka, jego reakcji i potrzeb oraz dostosowuje własne prognozy i propozycje marketingowe. To ogromne ułatwienie dla branży, ponieważ „ktoś” cały czas trzyma rękę na pulsie.

Deep learning i jego możliwości – medycyna

Deep learning okazał się bardzo przydatną technologią w diagnostyce medycznej. Główny atut stanowi hierarchiczna ekstrakcja cech. Dokładniej oznacza to podział uzyskiwanych danych na odpowiednie warstwy, które inaczej (lub w innej kolejności) się interpretuje. Stanowi to nieocenioną pomoc wobec potrzeby rozpoznawania symptomów i oceniania ich wagi dla danego przypadku. Na przykład, jeden objaw może być charakterystyczny dla wielu schorzeń, z kolei inny okazuje się szczególny dla jednej choroby. System musi być wstanie analizować wiele przypadków pacjentów oraz na podstawie tej analizy układać symptomy w rodzaj sieci diagnostycznej. Uczenie głębokie pozwala na stałe udoskonalanie metod diagnostycznych dzięki lepszemu działaniu klasyfikatorów, zmniejszaniu lub zwiększaniu ich czułości.

W praktyce pozwoli to na przykład na analizę tysięcy zdjęć wykonywanych podczas diagnostyki, np. obrazów USG, rezonansu magnetycznego, czy po prostu dokumentacji fotograficznej objawów. Zgromadzone przez systemy obrazy zmian nowotworowych będą stanowiły podstawę do wczesnego rozpoznawania ich u kolejnych pacjentów. Informacja o błędnej lub poprawnej diagnozie pozwoli maszynie wyciągnąć wnioski i zmienić swoje metody rozpoznawania i ulepszyć je w przyszłości. Oczywiście zdolności deep learning nie ulepszą jedynie diagnostyki nowotworowej, a będą w stanie wyfiltrować wszelkie podejrzane objawy i dodatkowo zaalarmować lekarza, który „gołym okiem” ich nie dostrzeże.

http://www.ptsk.pl/sites/default/files/articles/str_83-88_kwartalnik_nr27_28.pdf

Deep learning i jego możliwości – kryminalistyka

Tworzenie sieci neuronowych stanowi także niezwykłe ułatwienie w analizowaniu danych gromadzonych przez organy ścigania. Rozpoznawanie osób poszukiwanych – zarówno zaginionych ofiar jak i podejrzanych o przestępstwo – wymaga prześledzenia setek tysięcy zdjęć, nagrań z kamer i innych graficznych materiałów. Bez komputerów byłby to proces niezwykle czasochłonny. Natomiast, by wyszukiwanie miało sens, każda anomalia musi być automatycznie wykrywana przez system. Następnie musi on sam zdecydować o odrzuceniu jej lub wzięciu pod uwagę w dalszych analizach.

Organy ścigania upatrują także w deep learningu szansę na lepsze oznaczanie szczegółów śledztwa jako modus operandi danego przestępcy. Mają nadzieję na wykorzystywanie także plików audio (np. do rozpoznawania typu broni palnej na podstawie dźwięku). Uczenie głębokie w znacznym stopniu przyspieszy także pracę śledczych, gdyż wyeliminuje konieczność ręcznego wprowadzania danych do systemów. Maszyny będą w stanie same rozpoznać z nagrań okoliczności przestępstwa, układ osób, sekwencję zdarzeń itp. Wezmą także pod uwagę i zapiszą najmniejsze szczegóły, które potencjalnie przydadzą się w późniejszych analizach danej sprawy (ale też przyszłych spraw).

Uczenie głębokie

Choć wiele osób obawia się sztucznej inteligencji, sugerując się scenariuszami filmów science-fiction, zalety uczenia maszynowego i głębokiego odczuwamy już teraz. Coraz bardziej zaawansowane user experience, lepsze mechanizmy marketingowe oraz automatyczni doradcy klienta dostępni całą dobę. Choć AI nie miało dotąd wielkiego pola do popisu, zdołało i tak zmienić wiele w komforcie funkcjonowania współczesnego człowieka. Czekamy z niecierpliwością na kolejne wynalazki w sferze deep learning.