구글의 AlphaGo 결국 기계의 인간의 상징을 정복 최고의 프로 바둑 선수를 이길하지만, 게임을 종료하지 않습니다 깊은 학습 (깊은 학습) 기술의 발전 바이두 음성 인식 속도와 같은 99로 89 % 증가했다 종료 %는.뿐만 아니라, 학습 기술의 깊이와 관련된 게시물의 수는 거의 제로 2014 년, 그리고 지금은 이미 약 41,000로 증가.
Deep Learning은 현재 Gartner의 Hype Cycle (그림 1)에서 Peak of Inflated Expects (그림 1)에 있습니다. 2017 년에 대한 Gartner의 다섯 가지 주요 예상 중 하나는 Deep Learning이 가장자리에서 이동한다는 것입니다 기술은 분석 기술의 핵심 요소 중 하나로 발전합니다.
그림 1 가트너 신흥 기술 개발 사이클에서, 심화 학습은 현재 예상되는 확장 기간에 있습니다.
딥 학습은 기계 학습의 변화, 즉 데이터 검색을 통해 비즈니스 문제를 해결하는 것입니다. 딥 학습은 표준 기계 학습 기술을 더욱 악용 할 수있는 중급 표현을 검색합니다. 보다 복잡한 문제는 다른 문제를 해결하는 데에도 사용될 수 있습니다. 정확도가 높고 관측 횟수가 적으며 수동 미세 조정 작업이 줄어 듭니다.
깊은 학습을 통해, 컴퓨터 모델은 예를 들어 등 비디오, 음성 및 텍스트, 복잡한 많은 양의 데이터를 공급할 수, 학습 알고리즘의 깊이는 (패턴이 건강하거나 아픈 망막을 대표하는 자신의 "이해"에 망막 검사, 분석 할 수 있습니다 질병의 특정 이름) 고성능 컴퓨팅 브 루트 포스 (무차별)에 의존해야하지만, 어느 정도, 그것은 또한 단조로운 오래된 수동 데이터 준비 기능을 제거 할 수 있습니다 "이해"의.이 과정을 표시 일.
그림 2는 얼굴 인식 기술은 시각적 추상화 자동 검색의 정도를 개선하는 방법, 배울 수있는 깊이를 보여줍니다.
가장 일반적인 종류 적절한 중간 코드 '검색'에 원래의 입력 데이터로부터, 상호 연결 프로세싱 유닛의 다수의 층을 사용하는 것이다 피드 포워드 신경망 깊이 (피드 포워드 깊은 신경망)를, 학습의 깊이이다. 심도 신경망을 제공 광범위한 비즈니스 문제에 대한 강력한 아키텍처.
수천 또는 깊이의 신경 네트워크 매개 변수의 수백만과 훈련, 고도의 반복적 인 계산 집약적 인 프로그램이 있어야한다 등 엄지 식의 규칙의 사용 "기울기 하강 (그라데이션 하강)"와 "역 전파 (역 전파)", (휴리스틱) 수치 최적화 기술. 최근 몇 년 동안 고성능 그래픽 프로세서 돌파구를 달성하기 위해 (GPU) 아키텍처는 이러한 최적화 기술은 이제 경우에 이러한 대규모을 수행 할 수 있습니다.
최근 깊이 연구는 주요 과학 기술 혁신의 숫자를 주도하고있다, 그것은 인공 지능 (AI)의 주요 발기인 중 하나를 고려, 다음 3-5년 크게 대부분의 산업에 영향을 미칠 것입니다. 따라서, 담당 데이터와 분석은 현재 관련을 이해하고, 조치를 취해야합니다 기술적 우위와 도전.
깊이 연구 기계 학습의 모든 장점을 계승, 가장 큰 잠재력은 중간 생성 성능 솔루션을 향상 특정 필드에 대한 코드 수에있다. 그러나, 학습 기술의 응용 프로그램이 구현 위험의 큰 깊이를 가지고 있고, 의지 잘못된 데이터로 인해, 모델 투명성의 부족, 관련 과학적인 데이터와 프로그래밍 기술, 고성능 컴퓨팅 인프라 수요의 부족뿐만 아니라 불확실하거나 일관성이 증가 된 위험의 관리를 지원합니다.
다행히, 학습의 깊이의 대부분은, 서비스 (SaaS는) 및 패키지 애플리케이션, 사용하기 쉬운 형태로 수입 조직 같은 응용 프로그램 프로그래밍 인터페이스 (API) 또는 소프트웨어를 통해 될 것입니다.
깊이 연구 개발을 계속할 것이다. 그것은 현재 예상되는 기술의 가장 유망한 분야에서 분석 (예측 분석), 이미지, 음성 및 비디오로, 추적 또는 기계 학습에 사용할 수없는 데이터 처리의 종류 과거에 고려 될 수있다. 복잡한 만남 데이터 융합 문제는, 그 정확성 때문에 다른 기계 학습 방법에 뛰어난 데이터 통합 기능의 다른 기술보다도 높은 경우, 가트너는 2022 학습의 깊이가 큰 데이터 (빅 데이터) 분석을 지배 할 것으로 예측했다.
세계 데이터 분석은 엄청난 잠재력을 가지고 나타납니다,하지만 데이터의 통합은 중요한 과제로 남아. 깊이 학습, 자연 언어 생성 (자연 언어 세대, NLG) 및 기타 자동화 된 도구는 정확한 데이터, 가까운 협력으로 서로 협력하지만, 경우 수 데이터 통합이 쉽지 않고 이러한 새로운 도구를 효과적으로 사용하려면 전문적인 데이터 통합과 과학자가 필요합니다.
피터 크렌스키 가트너 수석 리서치 애널리스트는 "관련 기술을 나타납니다 전문 데이터 통합 및 데이터 과학자의 조합의 미래 역할은 효율성을 향상뿐만 아니라, 공식 또는 반으로, 시민 데이터 과학자와 시민 인사 데이터 통합의 작은 그룹이하는 공식적인 역할. 데이터 분석 및 기술 감독은 다기능 팀을 활성화하고 덜 숙련 된 직원 발생할 기술적 인 문제의 위험을 줄이기 위해, 샌드 박스 (샌드 박스)를 사용한다. "
뛰어 깊은 예측 분석을 학습의 기술 학교 학습
2018 년까지 데이터 과학자의 80 %는 표준 툴킷 중 하나 인 심층 학습 (심 신경 네트워크)을 포함하게되며 프로젝트 및 채용 수준 모두에서 심화 학습이 인기를 얻고 있습니다. 급속한 진화는 부분적으로 페이스 북이나 IBM과 같은 대형 연구소의 투자 관련 연구에 기인합니다. 여기에는 데이터 과학 플랫폼 공급 업체의 약 30 %가 심층 학습 기술의 첫 번째 버전을 사용하여 제품을 도입했습니다.
그러나 심층 학습은 독립적 인 기술이 아니며 기계 학습을 통해 개발 된 세 번째 웨이브 분석 기술 중 하나입니다. 기업은 기계 학습을 잠재적 인 서비스 프로젝트로 고려해야하며 가능한 응용 프로그램 이상 탐지, 음성 제어 및 쿼리, 감정 분석 및 얼굴 인식 기능을 포함합니다.
향후 몇 년 동안, 학습의 깊이는 크게 분석 도구 및 운영 관행에 영향을 미칠 것입니다. 현재 스마트 폰 사용자에서 이미 명확하게 애플 (애플) 시리와 구글 보이스 음성 인식 기능과 변화를 느낄 수있는, 새로운 기술의 깊이 연구를 사용하여 일상 생활에 가까운 실제 기능으로 자리 잡았으며 이미지 인식, 음성 녹음, 기계 번역 등 다양한 분야에서 거의 매주 새로운 획기적인 기술이 개발되었습니다.
가트너는 현재 신생 기업에서 기술 거인에 이르기까지 심층적 인 학습 도구, 클라우드 서비스, 애플리케이션 인터페이스, 패키지 애플리케이션 및 컨설팅 서비스를 제공하기 시작한 2,000 개 이상의 공급 업체가 있다고 추정하므로 업계의 거의 모든 조직이 선택할 수있는 심층 학습 제품은 수백 가지가 있으며, 데이터 및 분석 임원은 디지털 비즈니스가 실제 비즈니스 관점에서 얼마나 깊이 학습 할 수 있는지 평가할 수있는 독특한 기회를 얻습니다. 가트너는 2019 년까지 깊은 학습이 동급 최강의 고장 예측, 수요 예측 및 사기 예측을위한 최고의 핸들러 중 하나가 되십시오.
최근 몇 년간 심층적 인 학습을 통해인지 분야의 몇 가지 획기적인 성과를 거두었습니다.
이미지 인식
2015 년 말과 2016 년 초, Microsoft의 ResNet과 Google의 GoogLeNet (V4)은 ImageNet Image Classification 작업에서 인류를 능가하는 놀라운 이미지 인식 시스템을 시연했습니다.
기계 번역
구글은 구글 신경망 번역 (GNMT)을 도입 해 과거에 가장 진보 된 기계 번역을 크게 개선했다고 주장했다.
음성 인식
비슷한 작업을 위해 Baidu의 음성 - 텍스트 서비스의 성능은 인류의 성능을 능가했으며 앞으로 발생할 것으로 예상되는 추가 개발은 심층적 인 학습이 점진적으로 진행되는 비인지 영역에있을 수 있습니다.
사기 탐지
PayPal은 사기 수금을 가로채는 가장 좋은 방법으로 깊은 학습을 사용하기 시작했습니다.
추천 시스템
아마존은 동급 최고의 동급 제품에 대한 심층적 인 학습을 권장합니다.
지금부터 2019 년까지 기업들은 비즈니스 애플리케이션, 어플라이언스 또는 애플리케이션 프로그래밍 인터페이스의 통합 제품군을 통해 소비자 학습에 깊은 학습 기술을 적용 할 것입니다. 데이터 및 분석 임원은 특히 조직에 깊은 학습을 가져올 수있는 기회를 모색해야합니다 분명한 "인식 된 구성 요소"가있는 중요한 비즈니스 문제에는 학계, 연구소 또는 컨설턴트가 참여해야하며 깊이있는 학습에 대해 자세히 알아보고 관련 재능 및 기술을 습득 할 수있는 새로운 신생 기업을 고려해야합니다.
비즈니스 인텔리전스 및 분석은 NLG에 포함됩니다.
2019 년까지 현대 비즈니스 인텔리전스 및 분석 플랫폼의 90 %는 자연어 생성 기능을 표준 기능 중 하나로 포함하게됩니다
데이터 시각화는 현대 비즈니스 인텔리전스 (BI)의 핵심 동력 중 하나 였지만 때로는이 데이터 형식을 완전히 해석하기가 어렵습니다. 자연어 생성은 데이터 연구 결과에 대한 콘텐츠 기반 텍스트 또는 음성 내러티브를 만들 수 있으며, 시각화를 통해 주요 프로젝트에 대한 완벽한 스토리를 제작할 수 있습니다. 오늘날의 BI 팀은 독립형 자연 언어 생성 엔진을 통합하지만 기술이 발전함에 따라 변경 될 것이며, 자연어 생성은 차세대 비즈니스 인텔리전스 및 분석을 가능하게합니다 플랫폼은 정기적으로 볼륨보고와 관련된 시간과 비용을 줄이면서 분석을 위해 청중을 확대하는 주요 결과를 자동으로 찾아 시각화하고 제공합니다.
데이터 및 분석 관리자는 비즈니스 인텔리전스 / 데이터 검색이나 다른 도구를 기존과 자연 언어 생성 기술을 통합하기 시작한다 비즈니스 인텔리전스, 데이터 탐색 및 과학적인 자료뿐만 아니라 새로 그들이 잠재력과 발전이 있는지 모니터링, 신생 신흥 동안 경로.
마지막으로, 가트너는 다음과 같은 분석 및 비즈니스 인텔리전스 현대 데이터 및 분석 이사에 대한 책임 권장 : 우선, 솔루션의 부족에 내재 된 이러한 문제를 다시 검토하지만 여전히 유용한 데이터가 일부 산업에서, 관련 학습의 깊이 알고리즘을 더 잘 알고있는 파일럿 계획은 점차 상승 및 다른 기술을 초과하는 문제가 처음 예상 결과의 측면에서 합의가 있었다 시작하는 것을 권장합니다.
둘째로, 채택하기 쉬운 솔루션, 많은 비즈니스 문제에 대해 "얕은"기계 학습은 여전히 심층적 인 학습 기술의 본질적인 복잡성을 피하는 가장 좋은 방법입니다.
또한 공식적이고 깊이있는 학습 실험을 시작하기 전에 주요 인력 풀을 설정해야하며 재능이 부족한 경우 서비스 제공 업체 또는 학계를 통한 아웃소싱을 고려해야합니다.
마지막으로 깊은 학습 결과를 즉시 확인하고, 공정성, 법률 및 규정 및 윤리 준수를 면밀히 모니터링하지만, 너무 빨리 학습을위한 실험 계획을 포기하지 마십시오.