Les joueurs professionnels de haut niveau a battu AlphaGo de Google Go, enfin conquis le symbole humain de la machine, mais l'évolution de l'apprentissage en profondeur (apprentissage en profondeur) la technologie et ne se terminera pas avec la fin du jeu, comme le taux de reconnaissance vocale Baidu a augmenté de 89% à 99 De plus, le nombre d'emplois liés aux technologies d'apprentissage en profondeur était presque nul en 2014 et s'élève maintenant à environ 41 000.
Deep Learning se trouve actuellement dans Peak of Gonflé Expects (Figure 1) dans le cycle de Hype de Gartner (Figure 1) .L'une des cinq principales prédictions de Gartner pour 2017 est que Deep Learning bougera du bord La technologie évolue vers l'un des éléments clés de la technologie analytique.
Figure 1 Gartner cycle de développement de la technologie émergente, la profondeur de l'apprentissage est actuellement dans la période d'expansion attendue.
L'apprentissage en profondeur est un changement dans l'apprentissage automatique, c'est-à-dire la résolution de problèmes d'entreprise par la recherche de données, Deep Learning recherche la représentation intermédiaire, ce qui permet d'exploiter davantage les techniques standard d'apprentissage automatique. Des problèmes plus complexes peuvent également être utilisés pour résoudre d'autres problèmes, non seulement avec une plus grande précision, moins d'observations, moins de tâches fastidieuses de réglage manuel fastidieux.
Grâce à l'apprentissage en profondeur, les modèles informatiques peuvent enrichir une multitude de données complexes telles que les images, la parole et le texte, etc. Par exemple, les algorithmes d'apprentissage profonds peuvent analyser les résultats de l'analyse rétinienne et "comprendre" Et montre le nom d'une maladie particulière.) Cette "compréhension" du processus doit s'appuyer sur l'informatique haute performance par force brute, et dans une certaine mesure, elle peut éliminer la préparation manuelle périmée de données fonctionnelles telles que monotone Travail
La figure 2 illustre comment améliorer l'abstraction visuelle de la recherche automatique lorsque la reconnaissance faciale est basée sur des techniques d'apprentissage en profondeur.
La catégorie la plus courante est la profondeur de l'apprentissage profondeur du réseau de neurones à action directe (anticipatrice réseau profond Neural), qui est l'utilisation de nombreuses couches d'unités de traitement reliées entre elles, à partir des données d'entrée d'origine dans la « Recherche » un code intermédiaire approprié. Profondeur fournit un réseau de neurones architecture puissante, peut être appliquée à un large éventail de problèmes d'affaires.
Pour former un réseau neuronal profond avec des milliers ou même des millions de paramètres, il doit y avoir un programme hautement itératif et intensif en calcul qui tire parti des concepts "heuristiques" de "Gradient Descent" et de "Backpropagation" techniques d'optimisation numérique. ces dernières années, l'architecture processeur graphique haute performance (GPU) pour réaliser une percée, ces techniques d'optimisation ne sont désormais en mesure de réaliser une si grande échelle dans le cas.
Récemment, l'apprentissage en profondeur a conduit à de nombreuses percées scientifiques majeures et est considéré comme l'un des acteurs clés de l'intelligence artificielle, la plupart des industries pouvant avoir un impact dramatique dans les trois à cinq prochaines années. Avantages techniques et défis
L'apprentissage en profondeur hérite de tous les avantages de l'apprentissage automatique et son plus grand potentiel réside dans la capacité d'apprendre les codes de médiation dans un domaine particulier pour améliorer l'efficacité de la solution résultante. Risque accru en raison de données inappropriées, manque de transparence dans le modèle, manque de compétences pertinentes en matière de science et de programmation des données, besoin d'infrastructures informatiques de haute performance et soutien administratif incertain ou incohérent.
Heureusement, la plupart des fonctionnalités d'apprentissage en profondeur seront introduites dans l'organisation de l'entreprise sous une forme conviviale grâce aux interfaces de programmation d'applications (API) ou au logiciel en tant que service (SaaS), ainsi qu'aux applications packagées.
Deep Learning continuera à évoluer et est actuellement la technologie la plus préférée dans le domaine de l'analyse prédictive pour gérer les types de données précédemment considérées comme non traçables ou pouvant être apprises à la machine comme la vidéo, la voix et la vidéo, La fusion de données, elle est également plus précise que d'autres techniques, et en raison de ses capacités de fusion de données par rapport à d'autres méthodes d'apprentissage automatique, Gartner prédit qu'en 2022, l'apprentissage en profondeur dominera l'analyse de données volumineuses.
Le monde de l'analyse de données semble avoir un immense potentiel, mais l'intégration des données reste un défi: l'apprentissage en profondeur, les outils automatisés tels que la génération en langage naturel (NLG) fonctionnent avec les bonnes données pour fonctionner de manière transparente. Les données ne sont pas faciles à intégrer, vous avez besoin d'une intégration professionnelle des données et de scientifiques, afin d'utiliser efficacement ces nouveaux outils.
Peter Krensky Gartner analyste principal de recherche, a déclaré: « le rôle futur de la combinaison de l'intégration de données professionnelles et de données scientifiques qui semblent technologies appropriées pour améliorer l'efficacité, mais aussi il y a un petit groupe de données citoyens scientifiques et du personnel civil d'intégration de données, formelle ou semi rôle formel. analyse des données et directeur technique devraient être permis aux équipes multi-fonctionnelles et utiliser le bac à sable (sandbox), pour réduire les risques de difficultés techniques rencontrent moins d'employés qualifiés ".
Apprendre l'analyse de prédiction profonde Apprendre la technologie
D'ici 2018, 80% des spécialistes des données incluront l'apprentissage en profondeur (réseaux neuronaux profonds) comme l'un des outils standard, et un apprentissage plus approfondi gagne en popularité tant au niveau du projet que de l'embauche. L'évolution rapide est due en partie à la recherche liée aux investissements dans de grands laboratoires de recherche tels que Facebook et IBM, où environ 30% des fournisseurs de plates-formes de science des données ont introduit des produits utilisant la première version de la technologie d'apprentissage en profondeur.
Cependant, l'apprentissage en profondeur n'est pas une technologie indépendante: c'est en fait l'une des techniques d'analyse de troisième vague développées par apprentissage automatique, les entreprises devraient considérer l'apprentissage automatique comme un projet de service potentiel et ses applications possibles. Y compris la détection d'anomalies, le contrôle vocal et la requête, l'analyse des émotions et la reconnaissance faciale.
Au cours des prochaines années, la profondeur de l'apprentissage aura un impact significatif sur les outils d'analyse et les pratiques d'exploitation. Chez les utilisateurs de téléphones intelligents actuels peuvent déjà clairement sentir le changement, comme Apple (Apple) Siri et Google Voice fonction de reconnaissance vocale, en utilisant l'étude approfondie de la nouvelle technologie devenir une réalité dans les fonctions de tous les jours, et divers domaines de la reconnaissance d'image, text-to-speech, la traduction automatique, presque chaque semaine il y a aussi une nouvelle percée.
Gartner estime qu'actuellement il y a plus de deux milliers d'entreprises ont commencé à offrir des outils d'apprentissage en profondeur, les services de cloud computing, l'interface de programmation d'applications, des applications packagées et des services de consultation, la taille des nouvelles entreprises aux géants de la technologie ont donc presque toutes les industries où une organisation a bonne étude approfondie des centaines de produits à choisir. les données et le directeur analyse a également reçu une occasion rare, d'un point de vue pratique d'évaluer la façon dont l'apprentissage en profondeur contribuera à faire du commerce numérique. Gartner prédit que d'ici 2019, la profondeur de l'apprentissage devenir le meilleur en classe prédiction de l'échec (best-in-class), l'un des principaux promoteurs des techniques de prévision de la demande et de prévision de la fraude.
Ces dernières années, plusieurs avancées ont l'apprentissage en profondeur dans les domaines cognitifs:
· Reconnaissance d'image
À la fin de 2015 et au début de 2016, ResNet de Microsoft et Google GoogLeNet (V4) présentaient un système de reconnaissance d'images étonnant qui surpassait même les humains dans le travail de ImageNet Image Classification.
Traduction automatique
Google a introduit Google Neural Machine Translation (GNMT), affirmant avoir considérablement amélioré la traduction automatique la plus avancée dans le passé.
Reconnaissance vocale
Pour un travail similaire, la performance du service voix-texte de Baidu a surpassé celle de l'humanité, et le développement attendu devrait se situer dans le domaine non-cognitif où l'apprentissage approfondi avance progressivement:
Détection de fraude
PayPal a commencé à utiliser l'apprentissage en profondeur comme la meilleure méthode d'interception des paiements frauduleux.
Système recommandé
Amazon a recommandé un apprentissage en profondeur pour les meilleurs produits de son genre.
D'ici à 2019, les entreprises appliqueront des technologies d'apprentissage en profondeur au monde de la consommation, principalement grâce à une suite intégrée d'applications métier, d'appliances ou d'interfaces de programmation d'applications. Les questions d'affaires importantes avec une «composante perçue» claire devraient impliquer des universitaires, des laboratoires de recherche ou des consultants, en apprendre davantage sur l'apprentissage en profondeur et envisager de nouvelles start-up potentielles pour acquérir des talents et des compétences pertinentes.
Business Intelligence et Analytics seront inclus dans NLG
D'ici 2019, 90% des plateformes modernes d'intelligence d'affaires et d'analyse incluront la génération de langage naturel comme l'une des caractéristiques standard
La visualisation des données a été l'un des principaux moteurs de l'intelligence d'affaires moderne, mais il est parfois difficile d'interpréter pleinement cette forme de données. La génération de langage naturel peut créer un récit textuel ou vocal pour les résultats de la recherche de données, Produire des histoires complètes pour des projets clés grâce à la visualisation.Les équipes de BI d'aujourd'hui intègrent un moteur de génération de langage naturel autonome, mais cela va changer à mesure que la technologie évolue: la génération de langage naturel permettra la business intelligence et l'analyse La plate-forme recherche, visualise et fournit automatiquement les principales conclusions qui élargiront l'audience pour l'analyse tout en réduisant le temps et les coûts associés aux rapports de volume réguliers.
Les données et le superviseur d'analyse devraient commencer à intégrer la technologie de génération de langage naturel avec intelligence entreprise existante / recherche de données ou d'autres outils, alors que pour l'intelligence d'affaires, l'exploration des données et des données scientifiques, ainsi que les nouveaux nouveaux démarrages, le contrôle si elles ont un potentiel et le développement chemin.
Enfin, Gartner recommande ce qui suit responsable de l'analyse et de business intelligence des données modernes et directeur d'analyse: Tout d'abord, réexaminent les problèmes inhérents à l'absence de solutions mais qui ont encore des données utiles, sont plus familiers dans certains secteurs avec des algorithmes, la profondeur liée à l'apprentissage plans pilotes augmentent progressivement et dépassent d'autres techniques ont recommandé que ces problèmes commencent d'abord il y avait un consensus en termes de résultats escomptés.
Deuxièmement, la solution la plus simple à adopter: pour de nombreux problèmes d'entreprise, l'apprentissage automatique «superficiel» sera toujours le meilleur moyen d'éviter les complexités inhérentes à la technologie d'apprentissage en profondeur.
De plus, un bassin important de talents doit être établi avant de commencer une expérience d'apprentissage en profondeur et, en cas de pénurie de talents, envisager l'externalisation par l'entremise des fournisseurs de services ou du milieu universitaire.
Dernier point, mais non des moindres, valider les résultats de l'apprentissage en profondeur immédiatement, surveiller de près l'équité, le respect des lois et règlements et l'éthique, mais ne pas abandonner les plans d'expérimentation pour l'apprentissage en profondeur trop tôt.