Hvad er detaljeret læring?
Detaljeret læring er en type maskinel indlæring, der bruger kunstige neurale netværk til at gøre det muligt for digitale systemer at lære og træffe beslutninger på baggrund af ustrukturerede og ikke-mærkede data.
Generelt kan AI-systemer bruge maskinel indlæring til at lære af erhvervede oplevelser med data, genkende mønstre, komme med anbefalinger og tilpasse sig. I modsætning til at reagere på regelsæt opbygger digitale systemer – med detaljeret læring – viden ud fra eksempler og bruger derefter denne viden til at reagere og agere på samme måde som mennesker.
Hvorfor detaljeret læring er vigtig
Dataeksperter og udviklere bruger software til detaljeret læring til at træne computere til at analysere store og komplekse datasæt, udføre komplicerede og ikke-lineære opgaver og reagere på tekst, stemmer eller billeder ofte hurtigere og mere nøjagtigt end mennesker. Disse funktioner kan bruges på mange forskellige måder og har gjort mange moderne innovationer mulige. Detaljeret læring bruges f.eks. af førerløse biler til at behandle billeder og skelne fodgængere fra andre genstande på vejen eller af dine intelligente enheder i hjemmet til at forstå dine stemmekommandoer.
Detaljeret læring gør en forskel, fordi at i takt med at mængden af data stiger, og beregningskapaciteten bliver mere effektiv og billigere, investerer virksomheder på tværs af detail, sundhedsvæsen, transport, produktion, teknologi og andre sektorer i detaljeret læring for at fremme innovation, åbne op for flere muligheder og forblive relevante.
Sådan fungerer detaljeret læring
Detaljeret læring fungerer ved at bruge neurale netværksarkitekturer i flere lag, højtydende behandlingsenheder til behandling af grafik, der er udrullet i et cloudmiljø eller i klynger, og store mængder mærkede data til at opnå meget høje niveauer af tekst-, tale- og billedgenkendelse. Alt dette kan hjælpe dine udviklere med at oprette digitale systemer med noget, der minder om den menneskelige intelligens og strømline time to value ved at fremskynde modeloplæringen fra uger til timer.
En model til førerløse biler kan f.eks. kræve tusindvis af videotimer og millioner af billeder for at kunne oplæres. Uden detaljeret læring kunne dette oplæringsniveau ikke udføres i stor skala.
Hvad er en struktur til detaljeret læring?
Hvis udviklere vil gøre det nemmere at implementere komplekse modeller til maskinel indlæring, kan de bruge strukturer til detaljeret læring så som TensorFlow eller PyTorch. Disse strukturer hjælper med at strømline processen med at indsamle data, som derefter kan bruges til at oplære neurale netværk. Derudover kan acceleratorer som ONNX Runtime bruges sammen med disse strukturer til at fremskynde oplæringen af og fornuftslutningen for modeller.
Oplæring af detaljerede læringsmodeller
Der findes forskellige strategier og metoder til oplæring af modeller til detaljeret læring. Lad os se nærmere på nogle af dem.
Overvåget læring
Med overvåget læring oplæres en algoritme i de datasæt, der er mærket. Det betyder, at når algoritmen træffer en beslutning om en oplysning, kan den bruge de mærkater, der er inkluderet i dataene, til at kontrollere, om bestemmelsen er korrekt. Med overvåget læring skal de data, som modellerne oplæres på baggrund af, leveres af mennesker, som mærker dataene, før de bruges til at oplære algoritmen.
Ikke-overvåget læring
Med ikke-overvåget læring oplæres algoritmer med data, der ikke indeholder mærkater eller oplysninger, som algoritmen kan bruge til at kontrollere dens bestemmelser. Systemet sorterer og klassificerer i stedet dataene på baggrund af de mønstre, som systemet selv genkender.
Styrket læring
Med forstærket læring løser et system opgaver ved at prøve sig frem og træffe en række beslutninger i rækkefølge og opnå et tilsigtet resultat, selv i et komplekst miljø. Med forstærket læring bruger algoritmen ikke datasæt til at træffe bestemmelser, men oplysninger der indsamles fra et miljø.
Forstærket detaljeret læring
Når detaljeret læring og læringsteknikker til forstærket læring kombineres, skaber de en type maskinel indlæring, som kaldes forstærket detaljeret læring. Forstærket detaljeret læring bruger den samme trial and error-beslutningstagning og komplekse målopnåelse som forstærket læring, men er også afhængig af omfattende læringsfunktioner til at behandle og få store mængder ustrukturerede data til at give mening.
Hvad bruges detaljeret læring til?
Detaljeret læring bruges i virksomheder inden for en række forskellige brancher til mange forskellige ting. Her er nogle eksempler på, hvordan detaljeret læring ofte bruges:
Billede-, tale- og bevægelsesgenkendelse
Software til detaljeret læring bruges til at øge nøjagtigheden af billede-, tale- og bevægelsesgenkendelse og til at aktivere fotosøgninger, personlige digitale assistenter, førerløse biler, offentlig sikkerhed, digital sikkerhed og andre intelligente teknologier.
Skræddersyede oplevelser
Streamingtjenester, e-forhandlere og andre virksomheder bruger modeller til detaljeret læring til at køre automatiserede anbefalinger til produkter, film, musik eller andre tjenester og til at skabe perfekte kundeoplevelser baseret på købshistorikker, tidligere adfærd og andre data.
Chatrobotter
Smarte virksomheder benytter detaljeret læring til tekst- eller stemmeaktiverede online chatbots til ofte stillede spørgsmål, rutinetransaktioner og især til kundesupport. De erstatter kundeserviceteams og køer med ventende kunder med automatiserede, kontekstbaserede og nyttige svar.
Personlige digitale assistenter
Stemmeaktiverede personlige digitale assistenter bruger detaljeret læring til at forstå tale, reagere korrekt på forespørgsler og kommandoer på et naturligt sprog og endda nogle gange komme med løsninger.
Førerløse biler
Den uofficielle repræsentant for AI og detaljeret læring, selvkørende biler, bruger algoritmer til detaljeret læring til at behandle flere dynamiske datafeeds på et splitsekund, behøver aldrig at spørge om vej og reagerer på uventede hændelser – hurtigere end en menneskelig chauffør.
Mange virksomheder bruger software til maskinel indlæring med åben kildekode til at give deres organisationer løsninger, der er baseret på detaljeret læring.
Hvad er neurale netværk?
Et kunstigt neuralt netværk (ANN) er en digital arkitektur, der efterligner menneskelige kognitive processer til at modellere komplekse mønstre, udvikle forudsigelser og reagere korrekt på eksterne stimuli. Strukturerede data er påkrævet til mange typer maskinel indlæring i forhold til neurale netværk, der er i stand til at fortolke hændelser i verden omkring dem som data, der kan behandles.
Når du læser en rapport, ser en film, kører i bil eller dufter til en blomst, bearbejder milliarder af neuroner i din hjerne oplysningerne via små elektriske signaler. Hver eneste neuron behandler input, og resultatet er output til den næste neuron til efterfølgende behandling, hvilket i sidste ende øjeblikkeligt skaber en forretningsindsigt, en kluklatter, en fod på bremsen eller glæde. Inden for maskinel indlæring gør neurale netværk det muligt for digitale systemer at fortolke og reagere på situationer på stort set samme måde.
Et ANN er som en hjerne fuld af digitale neuroner, og selvom de fleste ANN'er er elementære efterligninger af den ægte vare, kan de stadig behandle store mængder ikke-lineære data for at løse komplekse problemer, der ellers ville kræve menneskelig indgriben. Bankanalytikere kan f.eks. bruge et ANN til at behandle låneansøgninger og forudsige ansøgerens sandsynlighed for misligholdelse.
Det kan du bruge neurale netværk til
Inden for maskinel indlæring bruges neurale netværk til oplæring og modellering af komplekst og omskifteligt input og output samt til at udlede ukendte relationer og foretage forudsigelser uden datadistributionsbegrænsninger. Neurale netværksmodeller er grundlaget for mange programmer til detaljeret læring, f.eks. computer vision og behandling af naturligt sprog, som kan hjælpe med at understøtte beskyttelsen mod svindel eller med ansigtsgenkendelse eller førerløse biler.
De fleste virksomheder er afhængige af prognoser til forretningsbeslutninger, salgsstrategier, økonomiske politikker og ressourceudnyttelse. Men begrænsningerne i traditionelle prognoser gør det ofte vanskeligt at forudsige komplekse og dynamiske processer med flere og ofte skjulte underliggende faktorer, f.eks. aktiekurser. Neurale netværksmodeller til detaljeret læring hjælper med at vise komplekse ikke-lineære relationer og modellere ukendte faktorer, så virksomhederne kan udvikle præcise prognoser for de fleste forretningsaktiviteter.
Almindelige neurale netværk
Der er mange forskellige typer neurale AI-netværk, og de er hver især velegnede til forskellige programmer til detaljeret læring. Brug et ANN, der passer til din virksomhed og dine teknologikrav. Her er nogle eksempler på almindelige neurale AI-netværk:
CNN (Convolutional Neural Network)
Udviklere bruger et CNN til at hjælpe AI-systemer med at konvertere billeder til digitale matricer. CNN'er bruges primært til billedklassificering og objektgenkendelse og er velegnede til ansigtsgenkendelse, emnedetektering og synspunktsanalyser.
DNN (Deconvolutional Neural Network)
Hvis komplekse netværkssignaler eller netværkssignaler i store mængder går tabt eller indhylles i andre signaler, hjælper et DNN med at finde dem. DNN'er er nyttige til behandling af billeder i høj opløsning og estimater i forbindelse med optiske flow.
GAN (Generative Adversarial Network)
Teknikere bruger et GAN til at oplære modeller i, hvordan de genererer nye oplysninger eller materiale, der efterligner de specifikke egenskaber for oplæringsdataene. GAN'er hjælper modellerne med at skelne mellem små nuanceforskelle på originaler og kopier, så du kan oprette mere autentiske kopier. GAN-programmer omfatter gengivelse af billeder og videoer i høj kvalitet, avanceret ansigtsgenkendelse og superopløsning.
RNN (Recurrent Neural Network)
Et RNN indlæser data til skjulte lag med bestemte tidsforsinkelser. Netværkscomputing står for historiske oplysninger i aktuelle tilstande, og flere indlæsninger ændrer ikke modelstørrelsen. RNN'er er et godt valg til talegenkendelse, avancerede prognoser, robotteknologi og andre komplekse arbejdsbelastninger i forbindelse med detaljeret læring.
Transformere
Transformere er designet til at håndtere sekventielle inputdata. De er dog ikke begrænset til behandling af disse data i sekventiel rækkefølge. Transformere bruger i stedet opmærksomhed – en teknik, der gør det muligt for modeller at tildele forskellige niveauer af indflydelse til forskellige inputdata og identificere konteksten for enkelte datadele i en inputsekvens. Det muliggør et øget niveau af parallelisering, hvilket kan reducere oplæringstider for modeller.
Maskinel indlæring vs. neurale netværk
Selvom neurale netværk betragtes som en delmængde af maskinel indlæring, er der nogle betydelige forskelle mellem neurale netværk og almindelige modeller til maskinel indlæring.
Neurale netværk er f.eks. generelt mere komplekse og i stand til at arbejde mere uafhængigt end almindelige modeller til maskinel indlæring. Et neuralt netværk kan f.eks. selv afgøre, om dets forudsigelser og resultater er nøjagtige, mens en model til maskinel indlæring kræver input fra en menneskelig tekniker for at kunne foretage denne skelnen.
Derudover er neurale netværk strukturerede, så det neurale netværk fortsat kan lære og selv træffe intelligente beslutninger. Modeller til maskinel indlæring er derimod begrænsede til beslutningstagning udelukkende på baggrund af det, modellerne specifikt er blevet oplært med.
Kom i gang med detaljeret læring i Azure
Understøt billedgenkendelse med neurale netværk, eller optimer behandlingen af naturligt sprog med hurtige, nemme og nøjagtige BERT NLP-modeller. Udforsk, hvordan du bygger, oplærer og udruller alle typer modeller til detaljeret læring med Azure Machine Learning.
Udforsk maskinel indlæring til dataloger
Få mere at vide om, hvordan du opretter løsninger til maskinel indlæring i cloudmiljøer i Azure, og udforsk værktøjer til maskinel indlæring til dataloger og teknikere inden for maskinel indlæring.