Имитируя человеческий мозг, глубокое обучение позволяет быстро распознавать, классифицировать и систематизировать данные, а также делать четкие прогнозы, рассказывают опрошенные порталом InformationWeek эксперты.
Глубокое обучение — это тип машинного обучения, который быстро стал краеугольным камнем многих современных приложений искусственного интеллекта. «Оно обеспечивает значительное повышение точности по сравнению с предыдущими подходами в широком спектре задач ИИ, иногда даже превосходя точность человека, — отмечает доцент MIT Вивьен Сзе. — Это позволило в последние несколько лет практически использовать и широко внедрить ИИ в более широкий спектр приложений». Быстрое распознавание и классификация изображений, распознавание голоса, автономный языковой перевод и рекомендации контента, например, предоставляемые поисковыми системами и сайтами э-коммерции, — вот лишь некоторые из множества мощных приложений глубокого обучения.
Оно использует нейронные сети в последовательных слоях для итеративного обучения на основе данных. «Глубокое обучение особенно полезно, когда вы пытаетесь изучить закономерности неструктурированных данных, — говорит Дэн Кирш, управляющий директор исследовательской компании Techstrong Research. — Хотя оно очень похоже на традиционную нейронную сеть, оно имеет гораздо больше скрытых слоев. Чем сложнее проблема, тем больше скрытых слоев будет в модели».
Мощность и точность глубокого обучения обусловлены его способностью извлекать высокоуровневые характеристики из необработанных сенсорных данных, используя статистическое обучение на большом количестве данных для получения эффективного представления входного пространства. «Это отличается от предыдущих подходов, в которых использовались характеристики, созданные вручную, или правила, разработанные экспертами, — поясняет Сзе. — Другими словами, глубокое обучение может изучать соответствующие характеристики или представления для конкретной задачи непосредственно из данных (например, распознавание принадлежности колес к автомобилю), не требуя от экспертов явного определения этих характеристик».
Данные в действии
Глубокое обучение может применяться в широком спектре приложений ИИ, включая анализ данных для выявления закономерностей, тенденций и составления прогнозов, а также для определения параметров и взаимодействия с устройствами, такими как смартфоны и устройства Интернета вещей (IoT). Технология также может применяться в автономных роботах, самоуправляемых автомобилях, а также в научных исследованиях, таких как сворачивание белков и астрономия, отмечает Сзе.
Преимуществами глубокого обучения может воспользоваться любая организация, имеющая доступ к большим массивам данных и желающая использовать эти данные, чтобы помочь людям или системам принимать лучшие решения, и в определенной степени этим уже пользуются. «Сектор финансовых услуг, а также СМИ, развлекательные и коммуникационные компании — они одними из первых начали применять технологию, — говорит Майкл Скраггс, управляющий директор и руководитель направления прикладного интеллекта Accenture Federal Services. — Организации из государственного сектора, в том числе федеральные агентства, все чаще используют глубокое обучение для повышения вовлеченности граждан, снижения уровня мошенничества и повышения общественной безопасности».
Примечательно то, что технология глубокого обучения уже широко распространена в повседневной жизни, отмечает Кристофер Лири, директор по анализу и данным компании Sogeti: «Каждый раз, когда мы пользуемся виртуальным помощником, разблокируем смартфон с помощью распознавания лица или получаем персонализированные маркетинговые и рекламные предложения, мы взаимодействуем с моделью глубокого обучения».
Решение отраслевых проблем
В каждой отрасли есть проблемы, которые можно решить с помощью приложений глубокого обучения. «Все зависит от типа задач и данных, которые у вас есть», — говорит Кирш.
Уэйн Баттерфилд, директор ISG Automation, считает, что предприятиям, желающим применить глубокое обучение для решения конкретных задач, следует подходить к этой технологии с серьезными средствами, готовностью к экспериментам и здравым смыслом. Он отмечает, что ИТ-лидеры, планирующие проекты подобного типа, всегда должны сначала спросить себя, будет ли конечный результат «лучше, быстрее или дешевле, чем результат от готового продукта или услуги».
Доступ к глубокому обучению уже открыт широкому кругу организаций. Технология, по сути, доступна практически любой организации, которая может подключить обычный ноутбук к крупному поставщику облачных услуг. «Наличие доступа и знание того, какие проблемы нужно решать, или наличие навыков для их решения — вот где кроются проблемы, — предупреждает Баттерфилд. — Для большинства организаций использование решений, которые уже применяют глубокое обучение, вероятно, будет самым безопасным, простым и дешевым способом воспользоваться его преимуществами, особенно на относительно раннем этапе его коммерциализации».
Он предостерегает ИТ-руководителей от попыток продвижения технологии глубокого обучения в бизнес-среду без четких целей: «Вы должны акцентировать внимание на том, какую пользу оно ей принесет. Эксперты по глубокому обучению должны убедиться, что они продают не „змеиное масло“, а решение отраслевых бизнес-проблем».
