This is the Trace Id: 2eb99dad79323a4417dbc806d6c20d9c
Przejdź do głównej zawartości
Azure

Co to jest uczenie głębokie?

Dowiedz się, jak uczenie głębokie korzysta ze sztucznych sieci neuronowych, dlaczego uczenie głębokie jest ważne, oraz poznaj różne typy modeli uczenia głębokiego.
Wprowadzenie do platformy Azure Dowiedz się więcej

Definicja uczenia głębokiego

Uczenie głębokie jest rodzajem uczenia maszynowego , który używa sztucznych sieci neuronowych, aby umożliwić systemom cyfrowym uczenie się i podejmowanie decyzji na podstawie nieustrukturyzowanych, nieoznakowanych danych.

Uczenie maszynowe trenuje systemy AI, aby uczyły się na podstawie zdobytych doświadczeń z danymi, rozpoznawały wzorce, tworzyły rekomendacje i dostosowywały się. Zamiast reagować tylko na zestawy reguł, systemy uczenia głębokiego gromadzą wiedzę na podstawie przykładów, a następnie korzystają z niej, aby reagować, zachowywać się i działać jak ludzie.

Kluczowe wnioski

  • Uczenie głębokie to rodzaj uczenia maszynowego, który ułatwia uczenie się i podejmowanie decyzji w systemach cyfrowych.
  • Uczenie głębokie opiera się na architekturach sieci neuronowych, które naśladują funkcje ludzkiego mózgu.
  • Aby ułatwić wdrażanie złożonych modeli uczenia maszynowego, deweloperzy korzystają z platform uczenia głębokiego, takich jak TensorFlow lub PyTorch.
  • Przemysł korzysta z uczenia głębokiego na wiele różnych sposobów. Czatboty, samochody autonomiczne i asystenci cyfrowi to przykłady technologii korzystających z uczenia głębokiego.
  • Firmy z różnych branż inwestują w uczenie głębokie, aby wspierać innowacje, odkrywać nowe możliwości i ujawniać szczegółowe informacje w oparciu o ogromne zbiory danych.

Dlaczego uczenie głębokie jest ważne

Badacze danych i deweloperzy używają oprogramowania uczenia głębokiego do trenowania komputerów pod kątem analizowania dużych i złożonych zestawów danych, wykonywania skomplikowanych i nieliniowych zadań oraz reagowania na tekst, głos lub obrazy, często szybciej i dokładniej niż ludzie. Te możliwości mają wiele praktycznych zastosowań i umożliwiły wprowadzenie wielu nowoczesnych innowacji. Na przykład to właśnie za pomocą uczenia głębokiego samochody autonomiczne przetwarzają obrazy i odróżniają pieszych od innych obiektów na drodze, a inteligentne urządzenia domowe interpretują polecenia głosowe.

Uczenie głębokie jest istotne, ponieważ wraz ze zwiększoną ilością danych oraz rosnącą wydajnością obliczeniową i jej przystępnością cenową, firmy z branż sprzedaży detalicznej, opieki zdrowotnej, transportu, produkcji, technologii i innych sektorów inwestują w uczenie głębokie, aby wspierać innowacje i utrzymać pozycję na rynku.

Jak działa uczenie głębokie

Uczenie głębokie bazuje na architekturach sieci neuronowych w wielu warstwach, wysokowydajnych jednostkach przetwarzania grafiki wdrożonych w chmurze lub w klastrach oraz dużych ilościach danych oznakowanych etykietami, aby osiągać bardzo wysoki poziom dokładności rozpoznawania tekstu, mowy i obrazu. To wszystko może pomóc deweloperom w tworzeniu systemów cyfrowych, które naśladują ludzką inteligencję i skracają czas oczekiwania na uzyskanie korzyści przez przyspieszenie trenowania modeli z tygodni do godzin.

Na przykład wytrenowanie modelu samochodu autonomicznego może wymagać tysięcy godzin filmów i milionów obrazów. Bez uczenia głębokiego trenowanie na takim poziomie na dużą skalę byłoby niemożliwe.

Co to jest platforma uczenia głębokiego?

Aby ułatwić wdrażanie złożonych modeli uczenia maszynowego, deweloperzy korzystają z platform uczenia głębokiego, takich jak TensorFlow lub PyTorch. Te platformy pomagają usprawnić proces zbierania danych, których można następnie użyć do trenowania sieci neuronowych. Ponadto z tymi platformami można stosować akceleratory, takie jak środowisko uruchomieniowe ONNX, które przyspieszają trenowanie i wnioskowanie modeli.

Trenowanie modeli uczenia głębokiego

Istnieją różne strategie i metody trenowania modeli uczenia głębokiego. Przyjrzyjmy się bliżej kilku z nich.

Uczenie nadzorowane

W przypadku uczenia nadzorowanego algorytm jest trenowany na podstawie zestawów danych oznaczonych etykietami. Oznacza to, że gdy algorytm dokonuje ustalenia dotyczącego wycinka informacji, może użyć etykiet dołączonych do danych, aby sprawdzić, czy to ustalenie jest poprawne. W przypadku uczenia nadzorowanego dane, na których trenowane są modele, muszą być dostarczane przez ludzi, którzy etykietują dane przed użyciem ich do trenowania algorytmu.

Uczenie nienadzorowane

W przypadku uczenia nienadzorowanego algorytmy są trenowane na danych bez etykiet czy informacji, których algorytm może użyć do weryfikacji swoich ustaleń. Zamiast tego system sortuje i klasyfikuje dane na podstawie wzorców, które samodzielnie rozpoznaje.

Uczenie przez wzmacnianie

W przypadku uczenia przez wzmacnianie system rozwiązuje zadania metodą prób i błędów, aby podejmować szereg decyzji w kolejności i osiągnąć zamierzony wynik nawet w niełatwym środowisku. W przypadku uczenia przez wzmacnianie algorytm nie używa zestawów danych do dokonywania ustaleń, ale korzysta z informacji zbieranych ze środowiska.

Uczenie głębokie przez wzmacnianie

Połączenie technik uczenia głębokiego i uczenia przez wzmacnianie daje typ uczenia maszynowego nazywanego uczeniem głębokim przez wzmacnianie. Uczenie głębokie przez wzmacnianie korzysta z tego samego procesu podejmowania decyzji metodą prób i błędów oraz osiągania złożonych celów co uczenie przez wzmacnianie, ale opiera się również na możliwościach uczenia głębokiego w celu przetwarzania i interpretowania dużych ilości danych bez struktury.

Do czego służy uczenie głębokie?

Uczenie głębokie jest używane w firmach z różnych branż i dla wielu różnych przypadków użycia. Poniżej przedstawiono kilka przykładów typowych zastosowań uczenia głębokiego:

Rozpoznawanie obrazów, mowy i emocji

Oprogramowanie do uczenia głębokiego służy do zwiększania dokładności rozpoznawania obrazów, mowy i emocji. Umożliwia też działanie wyszukiwania zdjęć, osobistych asystentów cyfrowych, pojazdów autonomicznych, bezpieczeństwa publicznego i cyfrowego oraz innych inteligentnych technologi.

Czatboty

Świadome firmy używają uczenia głębokiego do obsługi czatbotów online aktywowanych głosem lub tekstem na potrzeby często zadawanych pytań, rutynowych transakcji, a w szczególności obsługi klienta. Zastępują one zespoły agentów ds. obsługi i eliminują kolejki oczekujących klientów dzięki zautomatyzowanym, kontekstowo odpowiednim i przydatnym odpowiedziom.

Pojazdy autonomiczne

Samochody autonomiczne używają algorytmów uczenia głębokiego, aby przetwarzać wiele dynamicznych źródeł danych w ułamku sekundy i reagować na nieoczekiwane sytuacje szybciej niż prawdziwy kierowca.

Dostosowane środowisko

Usługi przesyłania strumieniowego, odsprzedawcy na platformach handlu elektronicznego i inne firmy używają modeli uczenia głębokiego, aby tworzyć zautomatyzowane rekomendacje produktów, filmów, muzyki lub innych usług i aby doskonalić środowisko klienta na podstawie historii zakupów, wcześniejszych zachowań i innych danych.

Osobiści asystenci cyfrowi

Aktywowani głosem osobiści asystenci cyfrowi używają uczenia głębokiego, aby rozumieć mowę, odpowiednio reagować na zapytania i polecenia w języku naturalnym, a nawet okazjonalnie wygłosić sarkastyczną uwagę.

Zrozumienie sieci neuronowych

Sieci neuronowe to cyfrowe architektury zaprojektowane w celu naśladowania aktywności ludzkiego mózgu. Składają się z połączonych węzłów, które przetwarzają dane i uczą się na ich podstawie, umożliwiając zadania takie jak rozpoznawanie wzorców i podejmowanie decyzji w uczeniu maszynowym. Firmy i inne instytucje polegają na tych modelach na potrzeby prognozowania finansowego, strategii sprzedaży i innych decyzji biznesowych.

Co to są sieci neuronowe?

Sztuczna sieć neuronowa to architektura cyfrowa, która naśladuje ludzkie procesy poznawcze, aby modelować złożone wzorce, opracowywać przewidywania i odpowiednio reagować na bodźce zewnętrzne. Wiele typów uczenia maszynowego wymaga danych ustrukturyzowanych. Sieci neuronowe potrafią natomiast interpretować zdarzenia w otaczającym świecie jako dane, które mogą być przetwarzane.

Za każdym razem, gdy czytasz raport, oglądasz film, jedziesz samochodem lub wąchasz kwiat, miliardy neuronów w Twoim mózgu przetwarzają informacje za pośrednictwem niewielkich sygnałów elektrycznych. Każdy neuron przetwarza dane wejściowe, a wyniki są wyprowadzane do następnego neuronu w celu dalszego przetwarzania. Ostatecznym i natychmiastowym skutkiem jest analiza biznesowa, śmiech, noga na hamulcu lub odrobina przyjemności. W uczeniu maszynowym sieci neuronowe umożliwiają systemom cyfrowym interpretowanie sytuacji i reagowanie na nie w podobny sposób.

Sztuczna sieć neuronowa jest jak mózg pełen cyfrowych neuronów. Chociaż większość z nich jest podstawowymi imitacjami prawdziwego mózgu, nadal mogą one przetwarzać duże ilości danych nieliniowych, aby rozwiązywać złożone problemy, które w przeciwnym razie mogłyby wymagać interwencji człowieka. Na przykład analitycy bankowi mogą używać sztucznych sieci neuronowych do przetwarzania wniosków kredytowych i przewidywania prawdopodobieństwa niewywiązania się z umowy przez wnioskodawcę.

Co można robić z sieciami neuronowymi

W przypadku uczenia maszynowego sieci neuronowe są używane do uczenia i modelowania złożonych, nietrwałych danych wejściowych i wyjściowych, wnioskowania niewidocznych relacji i przewidywania bez ograniczeń związanych z dystrybucją danych. Modele sieci neuronowych są podstawą dla wielu zastosowań uczenia głębokiego, takich jak przetwarzanie obrazów i języka naturalnego, które mogą pomóc w ochronie przed oszustwami, rozpoznawaniu twarzy lub działaniu pojazdów autonomicznych.

Większość firm korzysta z prognozowania, aby informować o decyzjach biznesowych, strategiach sprzedaży, zasadach finansowych i wykorzystaniu zasobów. Jednak ograniczenia tradycyjnego prognozowania często utrudniają przewidywanie złożonych, dynamicznych procesów z licznymi i często ukrytymi czynnikami bazowymi, takimi jak ceny rynkowe. Modele sieci neuronowych uczenia głębokiego ułatwiają uwidocznienie złożonych nieliniowych relacji i niewidocznych czynników, dzięki czemu firmy mogą opracowywać dokładniejsze prognozy.

Typowe sieci neuronowe

Istnieje kilkadziesiąt różnych typów sieci neuronowych AI, a każda z nich nadaje się do różnych zastosowań uczenia głębokiego. Użyj sieci neuronowej AI, która jest odpowiednia dla Twoich wymagań biznesowych i technologicznych. Oto kilka przykładów typowych sieci neuronowych sztucznej inteligencji:

Konwolucyjna sieć neuronowa
Programiści używają konwolucyjnej sieci neuronowej, aby ułatwić systemom AI przekształcanie obrazów w cyfrowe macierze. Sieci CNN, używane przede wszystkim do klasyfikacji obrazów i rozpoznawania obiektów, są odpowiednie do rozpoznawania twarzy, wykrywania tematów i analizy tonacji.

Dekonwolucyjna sieć neuronowa (DNN, Deconvolutional Neural Network)
Jeśli sygnały złożonych sieci lub sieci o dużym natężeniu ruchu zostaną utracone lub splecione z innymi sygnałami, dekonwolucyjna sieć neuronowa ułatwi ich znalezienie. Dekonwolucyjne sieci neuronowe są przydatne w przypadku przetwarzania obrazów o wysokiej rozdzielczości i szacowania przepływu optycznego.

Generatywna sieć przeciwstawna
Inżynierowie używają generatywnych sieci przeciwstawnych, aby trenować modele do generowania nowych informacji lub materiałów, które naśladują konkretne właściwości danych treningowych. Generatywne sieci przeciwstawne pomagają modelom rozróżniać subtelne różnice między oryginałami i kopiami, aby tworzyć bardziej autentyczne kopie. Zastosowania generatywnych sieci przeciwstawnych obejmują generowanie wysokiej jakości obrazów i wideo, zaawansowane rozpoznawanie twarzy i doskonałą rozdzielczość.

Rekurencyjna sieć neuronowa
Rekurencyjna sieć neuronowa wprowadza dane do ukrytych warstw z określonymi opóźnieniami czasowymi. Przetwarzanie w sieci odwołuje się do informacji historycznych w bieżącym stanie, a większa ilość danych wejściowych nie zmienia rozmiaru modelu. Rekurencyjne sieci neuronowe są dobrym wyborem w przypadku rozpoznawania mowy, zaawansowanego prognozowania, robotyki i innych złożonych obciążeń uczenia głębokiego.

Transformatory
Transformatory są przeznaczone do obsługi sekwencyjnych danych wejściowych. Nie są jednak ograniczone do przetwarzania tych danych w kolejności sekwencyjnej. Zamiast tego transformatory używają uwagi — techniki, która umożliwia modelom przypisywanie różnych poziomów wpływu do różnych fragmentów danych wejściowych i identyfikowanie kontekstu dla poszczególnych fragmentów danych w sekwencji wejściowej. Pozwala to na wyższy poziom przetwarzania równoległego, co może skrócić czas trenowania modelu.

Uczenie maszynowe a sieci neuronowe

Mimo że sieci neuronowe są traktowane jako podzestaw uczenia maszynowego, istnieją pewne znaczące różnice między sieciami neuronowymi i zwykłymi modelami uczenia maszynowego.

Po pierwsze sieci neuronowe są zwykle bardziej złożone i mogą działać bardziej niezależnie od zwykłych modeli uczenia maszynowego. Na przykład sieć neuronowa może samodzielnie określić, czy jej przewidywania i wyniki są dokładne, podczas gdy model uczenia maszynowego wymaga podania danych przez inżyniera, aby dokonać tego rozróżnienia.

Ponadto sieci neuronowe są ustrukturyzowane tak, aby sieć neuronowa nadal mogła się uczyć i podejmować inteligentne decyzje samodzielnie. Z drugiej strony modele uczenia maszynowego są ograniczone do podejmowania decyzji tylko na podstawie tego, na czym zostały wytrenowane.
ZASOBY

 Dowiedz się więcej o zaletach uczenia głębokiego

Kobieta w białej koszuli siedząca przy komputerze.
Produkt

Wprowadzenie do uczenia głębokiego na platformie Azure

Obsługuj rozpoznawanie obrazów za pomocą sieci neuronowych lub zoptymalizuj przetwarzanie języka naturalnego za pomocą szybkich, łatwych i dokładnych modeli BERT. Dowiedz się, jak tworzyć, trenować i wdrażać wszystkie typy modeli uczenia głębokiego za pomocą usługi Azure Machine Learning.
Dowiedz się więcej
Mężczyzna z ręką przy twarzy patrzący na laptopa.
Rozwiązanie

Odkrywaj uczenie maszynowe dla badaczy danych

Dowiedz się, jak tworzyć rozwiązania uczenia maszynowego w skali chmury na platformie Azure, i zapoznaj się z narzędziami uczenia maszynowego dla badaczy danych oraz inżynierów uczenia maszynowego.
Przeczytaj więcej
Mężczyzna patrzący na telefon.
Wydarzenia

Wydarzenia i seminaria internetowe dotyczące platformy Azure

Ucz się nowych umiejętności, odkrywaj nowe technologie i nawiązuj kontakty z innymi osobami — cyfrowo lub osobiście.
Dowiedz się więcej

Często zadawane pytania

  • Uczenie maszynowe to podzbiór sztucznej inteligencji. Używa sztucznych sieci neuronowych, które ułatwiają systemom cyfrowym uczenie się i podejmowanie decyzji na podstawie nieustrukturyzowanych, nieoznakowanych danych.
  • Uczenie głębokie to podzbiór uczenia maszynowego. Podstawowa różnica między nimi leży w sposobie uczenia się każdego algorytmu i ilości danych wymaganej przez poszczególne typy algorytmów. Ponieważ uczenie głębokie korzysta z większej ilości danych, przedsiębiorstwa zwykle polegają na nim w przypadku bardziej złożonych zadań.
  • AI, uczenie maszynowe i uczenie głębokie są często używane zamiennie. Jednak najłatwiej jest myśleć o tych trzech technologiach jako o serii systemów AI od największego do najmniejszego, z których każdy obejmuje następny. Sztuczna inteligencja jest systemem nadrzędnym, uczenie maszynowe jest jej podzbiorem, a uczenie głębokie jest podzbiorem uczenia maszynowego.
  • Uczenie głębokie jest wykorzystywane w wielu branżach na wiele różnych sposobów. Na przykład asystenci cyfrowi używają uczenia głębokiego, aby rozumieć mowę i odpowiednio reagować na zapytania i polecenia.
  • Uczenie głębokie jest ważne, ponieważ ujawnia szczegółowe informacje z ogromnych zestawów danych w sposób, który wcześniej nie był możliwy. Firmy z branży handlu detalicznego, opieki zdrowotnej, transportu, produkcji i innych sektorów inwestują w uczenie głębokie, aby wspierać innowacje, odkrywać możliwości i utrzymać konkurencyjność.
  • Platforma Azure korzysta z uczenia głębokiego za pomocą złożonego systemu architektur sieci neuronowych, wysokowydajnych procesorów GPU i dużych ilości danych oznakowanych etykietami. Te usługi umożliwiają deweloperom korzystającym z platformy Azure tworzenie inteligentnych, najnowocześniejszych, gotowych do wprowadzenia na rynek i odpowiedzialnych aplikacji.