Google AlphaGo избили лучших профессиональных игроков, символ машины окончательно покорил человека, но технология глубокого обучения (Deep Learning) не заканчивается этой игрой, например, скорость распознавания голоса Baidu от 89% до 99 Кроме того, количество рабочих мест, связанных с технологией глубокого обучения, в 2014 году было почти нулевым и в настоящее время возросло примерно до 41 000 человек.
Deep Learning в настоящее время находится в Peak of Inflated Expects (рис. 1) в Gypener Hype Cycle (Рисунок 1). Одним из пяти основных прогнозов Gartner на 2017 год является то, что Deep Learning будет двигаться от края Технология развивается в один из ключевых элементов аналитической технологии.
Рисунок 1 Новый цикл разработки технологий Gartner, глубокое обучение в настоящее время находится в ожидаемом периоде расширения.
Глубокое обучение - это изменение в обучении машинам, то есть решение бизнес-задач с помощью поиска данных. Deep Learning ищет промежуточное представление, которое позволяет использовать новые методы машинного обучения. Более сложные проблемы также могут быть использованы для решения других проблем не только с большей точностью, меньшим количеством наблюдений, но и с меньшими громоздкими задачами ручной точной настройки.
При глубоком изучении компьютерные модели могут питаться множеством сложных данных, таких как изображения, речь и текст и т. Д. Например, алгоритмы глубокого обучения могут анализировать результаты сканирования сетчатки и «понимать», какие шаблоны представляют собой здоровые или больные сетчатки И показывает название конкретного заболевания.) Это «понимание» процесса должно основываться на высокопроизводительных вычислениях грубой силы, и в некоторой степени оно может устранить устаревшую ручную подготовку функциональных данных, таких как однообразные работа.
На рисунке 2 показано, как улучшить визуальную абстракцию автоматического поиска, когда распознавание лиц основано на технологии обучения глубине.
Наиболее распространенной категорией глубокого обучения является Deepfor Neuro Network, которая использует бесчисленные слои взаимосвязанных блоков обработки, чтобы «найти» надлежащий код посредничества из исходных входных данных. Deep Neural Networks предоставляют Мощная архитектура для широкого круга деловых вопросов.
Для обучения глубокой нейронной сети с тысячами или даже миллионами параметров должна быть очень итеративная программа с интенсивным вычислением, которая использует «эвристические» концепции «градиентного спуска» и «обратного распространения», Численные советы по оптимизации Эти советы по оптимизации теперь доступны только в таких больших масштабах с прорывами в архитектуре высокопроизводительных графических процессоров (GPU) в последние годы.
В последнее время глубокое обучение привело к многочисленным крупным научным достижениям и считается одним из ключевых игроков в искусственном интеллекте (AI), причем большинство отраслей промышленности могут резко повлиять на следующие три-пять лет. Поэтому руководители данных и аналитики должны теперь принять меры для понимания релевантности Технические преимущества и проблемы.
Глубокое обучение наследует все преимущества машинного обучения, и его наибольший потенциал заключается в способности изучать коды посредничества в определенной области, чтобы повысить эффективность полученного решения. Однако использование глубоких методов обучения может быть очень рискованным для реализации Повышенный риск из-за несоответствующих данных, отсутствие прозрачности в модели, отсутствие соответствующей науки о данных и навыков программирования, потребность в высокопроизводительных вычислительных инфраструктурах и неопределенная или непоследовательная административная поддержка.
К счастью, большинство возможностей глубокого обучения будут внедрены в корпоративную организацию в удобной для пользователя форме с помощью интерфейсов прикладного программирования (API) или программного обеспечения как службы (SaaS), а также упакованных приложений.
Глубокое обучение будет продолжать развиваться и в настоящее время является наиболее предпочтительной технологией в области Predictive Analytics для обработки типов данных, которые ранее считались несслеживаемыми или узнаваемыми на машинах, такими как видео, голос и видео, Слияние данных, оно также более точно, чем другие методы, и из-за возможностей его слияния данных по сравнению с другими методами машинного обучения, Gartner прогнозирует, что в 2022 году глубокое обучение будет доминировать в большой аналитике данных.
Мир аналитики данных имеет огромный потенциал, но интеграция данных остается проблемой. Глубокое обучение, автоматизированные инструменты, такие как Natural-Language Generation (NLG), работают вместе с нужными данными для бесперебойной работы, но если Данные нелегко интегрировать, вам нужна профессиональная интеграция данных и ученые, чтобы эффективно использовать эти новые инструменты.
Питер Кренски, старший аналитик Gartner, сказал: «В будущем будет создано сочетание профессиональных интеграторов данных и ученых-данных, которые используют соответствующие технологии для повышения эффективности, а также имеют небольшую группу ученых-ученых и гражданских интеграторов данных, служащих официальными или полуофициальными Формальные роли Руководители данных и аналитики должны включать многоцелевые команды и использовать песочницы для снижения риска для менее квалифицированных сотрудников.
Обучение глубокому прогнозированию
К 2018 году 80% ученых-исследователей будут включать глубокое обучение (глубокие нейронные сети) в качестве одного из стандартных наборов инструментов, а более глубокое обучение приобретает популярность как на уровне проекта, так и на уровне найма. Быстрое развитие отчасти связано с исследованиями, связанными с инвестициями, в крупных исследовательских лабораториях, таких как Facebook и IBM, где около 30% поставщиков платформ для научных исследований внедрили продукты, используя первую версию технологии глубокого обучения.
Однако глубокое обучение не является независимой технологией. Фактически, это один из методов третьего волнового анализа, разработанный машинным обучением. Предприятиям следует рассмотреть возможность машинного обучения как потенциального сервисного проекта и его возможных приложений Включая обнаружение аномалий, голосовое управление и запрос, анализ эмоций и распознавание лиц.
В ближайшие годы глубокое обучение будет существенно влиять на аналитику и операционную практику, а пользователи смартфонов уже сейчас видят существенные изменения, такие как возможности распознавания голоса Apple Siri и Google Voice, глубокое изучение новых технологий Это стало актуальной функцией, близкой к повседневной жизни. В различных областях, таких как распознавание изображений, фонетическая транскрипция и машинный перевод, новые прорывы были сделаны почти каждую неделю.
По оценкам Gartner, в настоящее время более 2000 поставщиков предлагают инструменты глубокого обучения, облачные сервисы, интерфейсы приложений, упакованные приложения и консалтинговые услуги, от начинающих до технологических гигантов, поэтому практически любая организация в отрасли имеет На выбор предлагаются сотни продуктов глубокого обучения, в то время как руководители данных и аналитики также получают уникальную возможность оценить, как глубокое обучение может помочь цифровым предприятиям с практической точки зрения. Gartner прогнозирует, что к 2019 году глубокое обучение будет Станьте одним из лучших обработчиков для наилучшего в своем классе провального прогноза, прогнозирования спроса и прогнозирования мошенничества.
Глубокое обучение в последние годы, несколько прорывов в области познания:
Распознавание изображений
В конце 2015 года и в начале 2016 года Microsoft ResNet и Google GoogLeNet (V4) продемонстрировали потрясающую систему распознавания образов, которая превосходит человечество в работе ImageNet Image Classification.
Машинный перевод
Google представил Google Neural Machine Translation (GNMT), утверждая, что в прошлом значительно улучшил самый передовой в машинный перевод.
Распознавание речи
Для аналогичной работы производительность службы голосовой связи Baidu превзошла ожидания человечества, и дальнейшее развитие, которое, как ожидается, состоится, может лежать в не когнитивной области, где глубокое обучение постепенно идет:
Обнаружение мошенничества
PayPal начал использовать глубокое обучение как лучший в своем классе лучший способ перехвата мошеннических платежей.
Рекомендуемая система
Amazon рекомендует глубокое обучение лучшим в своем классе продуктам такого рода.
С сегодняшнего дня и до 2019 года компании будут применять технологии глубокого обучения для потребительского мира, прежде всего благодаря интегрированному набору бизнес-приложений, приборов или интерфейсов прикладного программирования. Руководители данных и аналитики должны начать поиск возможностей для глубокого обучения организации, особенно Важные деловые вопросы с четким «воспринимаемым компонентом» должны включать ученых, исследовательских лабораторий или консультантов, больше узнать об углубленном обучении и рассмотреть потенциальные новые стартапы для приобретения соответствующих талантов и навыков.
Бизнес-аналитика и аналитика будут включены в NLG
К 2019 году 90% современных бизнес-аналитических и аналитических платформ будут включать в себя естественное образование языков как одну из стандартных функций
Визуализация данных была одним из ключевых факторов современной бизнес-аналитики (BI), но иногда трудно полностью интерпретировать эту форму данных. Естественное создание языка может создавать контентные текстовые или голосовые описания для результатов исследований данных, Создавайте полные истории для ключевых проектов с помощью визуализации. Сегодняшние команды BI объединяют автономный механизм генерации естественного языка, но это изменится по мере развития технологий, естественное создание языка позволит аналитике и аналитике следующего поколения Платформа автоматически находит, визуализирует и предоставляет ключевые результаты, которые позволят расширить аудиторию для аналитики, одновременно сокращая время и затраты, связанные с регулярной отчетностью томов.
Руководители данных и аналитики должны начать интегрировать методы генерации естественного языка с помощью установленных поисков бизнес-аналитики / данных или других инструментов, контролируя их потенциал и рост для бизнес-аналитики, исследования данных и данных и новых начинающих путь.
Наконец, Gartner рекомендует следующее нести ответственность за анализ и бизнес-анализ современных данных и директор анализа: Прежде всего, пересмотреть эти проблемы, присущие отсутствие решений, но все еще есть полезные данные, а в некоторых отраслях промышленности более знакома с алгоритмами, глубина обучения, связанные с Пилотные программы начинают появляться и превосходить другие технологии, и целесообразно начать с тех вопросов, которые уже достигли консенсуса относительно ожидаемых результатов.
Во-вторых, самое легкое решение для принятия, для многих бизнес-задач «мелкое» машинное обучение по-прежнему будет лучшим способом избежать присущих сложностей технологий глубокого обучения.
Кроме того, перед началом формального эксперимента с глубоким обучением должен быть создан большой пул талантов, и если есть нехватка талантов, рассмотрите аутсорсинг через поставщиков услуг или академических кругов.
И последнее, но не менее важное: немедленно подтвердить результаты глубокого обучения, внимательно следить за честностью, соблюдением законов и правил и этикой, но не отказываться от экспериментальных планов для глубокого обучения слишком рано.