Компьютеры, ноутбуки, комплектующие, периферия и аксессуары, выгодные цены Каталог товаров
Спілкуємося українською?
Залишити російську
Компьютеры Artline Компьютеры Artline 0 1 2 3 4 5 6 7 0 1 2 3 4 0 0 1 2 3 4 5 6 7 8 0 1 2 3 4 0 1 2 3 4 5 6 3D устройства и аксессуары 3D устройства и аксессуары 3D принтеры Филаменты и смолы Запасные части 3D сканеры Одноплатные компьютеры Дополнительное оборудование Граверы Ноутбуки Ноутбуки 0 1 2 3 4 5 0 1 2 3 4 Мониторы Комплектующие Комплектующие Видеокарты Процессоры Материнские платы Оперативная память Системы охлаждения Корпуса QUBE Блоки питания SSD накопители HDD накопители Звуковые карты Контроллеры Дополнительные аксессуары Компьютерная периферия Компьютерная периферия ИБП, стабилизаторы, батареи Клавиатуры Мышки Коврики для мышки Наушники и гарнитуры Кресло для геймера Компьютерный стол Крепление для монитора (кронштейны) Веб-камеры Игровые контроллеры Акустические системы Сетевые фильтры Принтеры и МФУ Оборудование для проведения конференций Графические планшеты Презентеры Аксессуары для клавиатур и мышек Расходные материалы USB флешки Переходники и адаптеры Командная панель для ПК Шредеры Сетевое оборудование Сетевое оборудование Маршрутизаторы Коммутаторы Точки доступа / Ретрансляторы Wi-Fi адаптеры Bluetooth адаптеры Сетевые карты и адаптеры IP телефоны Сетевые хранилища (NAS) LAN-кабеля (патч корды) PoE адаптеры Powerline адаптеры Медиаконвертеры Усилители связи Модемы Трансиверы KVM-Переключатели Коммутационные шкафы Стойки Патч-панели Блоки розеток Серверы Artline Электрогенерация Электрогенерация Системы хранения энергии Энергостанции Зарядные станции Генераторы Инверторы Аккумуляторные батареи Повербанки Солнечные панели Пуско-зарядные устройства Батарейки и аккумуляторы Аксессуары электрогенерация Электроника, ТВ, мобильные гаджеты Электроника, ТВ, мобильные гаджеты Аксессуары Смартфоны Планшеты Электронные книги Кнопочные телефоны Автомобильные насосы Смарт-часы Карты памяти Телевизоры Фотоаппараты Освещение Автомобильные пылесосы Игровые консоли Умный дом и безопасность Умный дом и безопасность Сигнализации Камеры видеонаблюдения Видеорегистраторы Панели вызова Аксессуары для видеонаблюдения Умные розетки Смарт приставки Программное обеспечение Программное обеспечение Операционные системы Офисные программы Игры Бытовая техника Бытовая техника Кондиционеры Увлажнители воздуха Роботы пылесосы Весы Обогреватели Чайники Электрогрили Мойки высокого давления Активный отдых и туризм Активный отдых и туризм Очки для управления дронами Пульты управления для дронов Приемники и передатчики для дронов Квадрокоптеры (дроны) Автохолодильники Канистры Фонарики Туристическая посуда Туристические горелки Гамаки Электротранспорт Электротранспорт Электровелосипеды Электросамокаты Электроскутеры
#tekhnologii

Машинное обучение – основа современного искусственного интеллекта

Сравнить машинное обучение и глубокое обучение для искусственного интеллекта

Искусственный интеллект (ИИ) – термин, который используют для всех форм компьютерного интеллекта. Условно его можно применить к любой системе, которая имитирует характерные для человека процессы обучения и принятия решений в ответ на входные данные. Этот термин может быть использован к любой системе, которая анализирует данные, распознает шаблоны или разрабатывает стратегии. Понятия машинного обучения (МО) и глубинного обучения (ГО) более точно описывают современные интеллектуальные вычислительные системы и проблемы разработчиков и пользователей, которые они могут решать.

 

 

Искусственный интеллект очень сильно меняет нашу повседневную жизнь. Сегодня нет практически ни одной отрасли, в которой не используется ИИ. Вспомните, как вы, используя моноблок ПК или другое устройство, играли в игры против компьютера – это тоже пример ИИ. Искусственный интеллект способен выполнять монотонную и ручную работу гораздо эффективнее чем человек. Умная видеоаналитика, персонализированные услуги, инновационные интерфейсы автомобилей – всё это заслуга искусственного интеллекта. 

Краткий экскурс для тех, кто не в теме:

  • Нейронная сеть: компьютерная система, построенная по подобию мозга и нервной системы человека. Состоит из различных компьютерных узлов (конечных устройств в более крупной сети) и упорядочена в виде слоев.
  • Глубокая нейронная сеть: многослойная нейронная сеть с большим количеством скрытых слоев, которая может получать доступ к большим и более сложным наборам данных, чем стандартные нейронные сети.
  • Обучение: процесс корректировки и настройки, с помощью которого алгоритм учится выполнять оценку данных с большей скоростью и точностью. Обучение может быть контролируемым (с использованием входных данных от человека) или неконтролируемым (выполнение точной самостоятельной корректировки исключительно на основе необработанных данных).
  • Заключение: выводы на основании новых данных и знаний, накопленных в процессе обучения.
  • Представление: автоматическое определение свойств или параметров классификации на основе необработанных данных, благодаря чему система может как обучаться, так и выполнять определенные задачи.

 

 

Сравнение машинного обучения и глубинного обучения

 

Понятие машинного обучения (МО) применяется к системе, которая может активно обучаться, а не просто пассивно получать информацию для обработки. Такая компьютерная система запрограммирована реагировать на входные данные как человек. Для этого используются алгоритмы анализа данных для поиска шаблонов и структур. Алгоритмы МО разработаны таким образом, что их производительность повышается со временем благодаря получению все большего количества данных.

Чтобы имитировать процесс мгновенного распознавания, в алгоритмах машинного обучения используются нейронные сети. Как и в процессе обучения человека, компьютерная нейронная сеть классифицирует данные (например, огромного сета фотографий) на основании распознанных элементов в изображении. При использовании «экспертной» обратной связи от человека доля успешных попыток классификации может расти со временем. Такая обратная связь помогает системе обучаться и находить правильные решения, отличая их от неправильных, что позволяет повысить точность результатов работы алгоритмов. 

  • Нейронная сеть может определить следующее:
    • Какая-либо форма является повторяющимся элементом.
    • Перечень возможных форм.

 

  • Затем алгоритм применяет полученные знания к данным, выполняя поиск заданных элементов и разбивая их на категории.

 

 

  • Со временем этот процесс может совершенствоваться благодаря обратной связи от человека. Это приводит к более точному сбору данных. Например, если поступила обратная связь от человека «у каждой формы есть несколько вариантов», алгоритм может упорядочить результаты указанным ниже образом.

 

 

 Интересный факт: компания Google нанимала профессиональных фотографов и документалистов, чтобы они выполняли роль экспертов при обучении алгоритма на основе нейронной сети, используемого в интеллектуальной камере Clips этой компании.

Глубинное обучение (ГО) — это подмножество машинного обучения, которое более глубоко решает задачи. Оно работает аналогично тому, как человеческий мозг распознает и вспоминает информацию, и этот процесс выполняется без получения данных от «экспертов». Приложениям ГО необходим доступ к большим объемам данных, на основе которых они обучаются. В алгоритмах ГО используются глубокие нейронные сети, которые получают доступ к огромным сетам информации, изучают и анализируют их. В результате глубокие нейронные сети принимают решения на основании предпочтений конкретного пользователя.

  • Глубокая нейронная сеть ищет данные в огромных сетах информации, предоставленных ей для анализа.

 

 

  • В процессе обработки этой информации глубокая нейронная сеть разрабатывает новые параметры классификации, например, перечисленные ниже.
    1. У форм могут быть разные цвета.
    2. У форм может быть разная толщина.
    3. Существует 1900 различных форм.

 

  • Это приводит к тому, что система начинает выдавать очень точные результаты, которые со временем будут становиться все точнее и точнее.

 

Основной фактор, отличающий глубокое обучение от машинного обучения – представление данных. Например, для обучения системы Google Clips с помощью машинного обучения были необходимы входные данные от профессиональных фотографов. В системе ГО для точного определения свойств эксперты не требуются. В процессе обучения алгоритм ГО обучается на данных, чтобы повысить точность своих выводов. Ниже перечислены популярные примеры применения ГО.

  • Автономное управление автомобилем: сочетание подробных данных (карт, спутниковых снимков дорожного движения, сообщений о погоде, накопленных сведений о предпочтениях пользователя), входных данных об окружающей среде, поступающих от датчиков в режиме реального времени (олень на дороге или автомобиль, выехавший со своей полосы), и вычислительной мощности для принятия решений (снижение скорости, поворот рулевого колеса).
  • Медицина: исследования в области раковых заболеваний, например, обучение обнаружению меланомы на фотографиях.
  • Смарт хоум: интеллектуальные динамики, использующие интеллектуальных личных помощников и алгоритмы распознавания голоса для понимания уникальных голосовых запросов пользователя и реакции на них.
  • Развлечения: анализ большой библиотеки фильмов и данных телепередач, накопление сведений о вкусах и предпочтениях пользователей.
  • Посещение ресторанов: интуитивные рекомендации ресторанов на основе физического расположения пользователей, обзоров критиков, возможности бронирования столиков, заданных предпочтений и поведения в прошлом.

 

 

Вклад компании AMD в машинное обучение

 

Для интеллектуальных приложений, которые реагируют подобно рефлексам человека, требуются огромные вычислительные мощности. Основной вклад компании AMD в системы МО и ГО заключается в поставке высокопроизводительных вычислительных решений (центральных и графических процессоров) с открытой экосистемой для разработки ПО. Для приложений МО и ГО используется компьютерное оборудование с самыми широкими возможностями обработки данных (скоростью, емкостью и организацией) для одновременного управления сложными наборами данных, поступающими в нескольких входных потоках.

Например, в сценарии автономного управления автомобилем от алгоритма ГО может требоваться распознавать предстоящую смену цветов светофора с зеленого на желтый, перемещение пешеходов вблизи автомобиля и воду на тротуаре, а также другие переменные, и выполнять основные операции по управлению транспортным средством. Алгоритму автономного управления автомобилем необходимо постоянно совершенствоваться, чтобы принимать сложные решения с достаточной скоростью и высокой точностью, а также обеспечивать безопасность пассажиров и окружающих их людей.

Производительность оборудования компании AMD и связанного с ним программного обеспечения дает огромные преимущества при разработке и тестировании систем МО и ГО. Сегодня с помощью вычислительной платформы, созданной с использованием технологий AMD (CPU AMD EPYCTM и GPU Radeon InstinctTM) можно разрабатывать и тестировать новые интеллектуальные приложения за считанные дни или недели, а не за годы, как это было раньше.

С 2013 по 2017 гг. количество патентов в области машинного обучения выросло на 34%. Несмотря на то что в настоящее время в этой области ведется большая работа, отрасль по-прежнему находится в стадии активного развития. Основная цель заключается в разработке алгоритмов более эффективного обучения машин с помощью различных типов данных. Интеллектуальные системы с технологиями машинного обучения и глубокого обучения имеют огромный потенциал и позволяют имитировать процессы воспоминаний, сопоставления шаблонов и данных в человеческом мозгу с высокой скоростью и точностью.

Глубокое обучение и машинное обучение – сложные процессы, которые требуют постоянного вовлечения компетентных специалистов. Эти технологии все еще имеют огромный потенциал для развития, поскольку они абсолютно не совершенны и не способны предоставлять точные результаты в некоторых комплексных сферах. Компания AMD, также, как и Intel, постоянно занимается совершенствованием этих процессов, чтобы увеличить пользу и точность ГО и МО. Совсем скоро мы увидим, как практически совершенный искусственный интеллект выполняет настолько сложные задачи, которые не смог бы выполнить ни один человек на земле.