AlphaGo de Google venció a los mejores jugadores profesionales Go, finalmente conquistó el símbolo humano de la máquina, pero la evolución del aprendizaje profundo tecnología (aprendizaje profundo), y no va a terminar con el juego termina, como Baidu tasa de reconocimiento de voz ha aumentado del 89% al 99 %. Además, el número de puestos relacionados con la profundidad de la tecnología de aprendizaje es casi cero en 2014, y ahora ya aumentó a alrededor de 41.000.
Deep Learning se encuentra actualmente en el pico de las expectativas (Figura 1) en el ciclo de bombo de Gartner (Figura 1). Una de las cinco principales predicciones de Gartner para 2017 es que el aprendizaje profundo se moverá desde el borde La tecnología evoluciona en uno de los elementos clave de la tecnología analítica.
Figura 1 Ciclo de desarrollo de tecnología emergente de Gartner, la profundidad del aprendizaje se encuentra actualmente en el período de expansión esperado.
El aprendizaje profundo es un cambio en el aprendizaje automático, es decir, la solución de problemas comerciales a través de la recuperación de datos. Deep Learning busca la representación intermedia, que permite que las técnicas estándar de aprendizaje automático se exploten aún más. También se pueden usar problemas más complejos para resolver otros problemas, no solo con mayor precisión, menos observaciones, menos tareas de ajuste manual incómodas.
Con el aprendizaje profundo, los modelos de computadora pueden alimentar una gran cantidad de datos complejos como imágenes, voz y texto, etc. Por ejemplo, los algoritmos de aprendizaje profundo pueden analizar los resultados de la exploración retiniana y "comprender" qué patrones representan las retinas sanas o enfermas Y muestre el nombre de una enfermedad en particular.) Esta "comprensión" del proceso debe basarse en la computación de alto rendimiento de fuerza bruta y, en cierta medida, puede eliminar la preparación manual obsoleta de datos funcionales tan monótonos Trabajo
La Figura 2 ilustra cómo mejorar la abstracción visual de la búsqueda automática cuando el reconocimiento facial se basa en técnicas de aprendizaje profundo.
La categoría más común de aprendizaje profundo es la Red Neural Profunda Feedforward, que utiliza las innumerables capas de unidades de procesamiento interconectadas para "encontrar" el código de mediación adecuado a partir de los datos de entrada originales. Potente arquitectura para una amplia gama de problemas de negocios.
Para entrenar una red neuronal profunda con miles o incluso millones de parámetros, debe haber un programa intensivo computacionalmente iterativo que aproveche los conceptos "heurísticos" de "Gradient Descent" y "Backpropagation". Sugerencias de optimización numérica Estos consejos de optimización ahora solo están disponibles a gran escala con los avances en las arquitecturas de procesadores gráficos de alto rendimiento (GPU) en los últimos años.
Recientemente estudio en profundidad ha llevado a una serie de importantes avances científicos y tecnológicos, se considera uno de los principales promotor de la inteligencia artificial (IA), los próximos 3-5 años afectarán significativamente la mayoría de las industrias. Por lo tanto, los datos y los análisis encargados deben ahora tomar medidas, comprender la relevancia Ventajas y desafíos técnicos.
Estudio a fondo heredó todas las ventajas del aprendizaje de máquina, su mayor potencial radica en que el intermediario puede codificar para un campo en particular, lo que mejora las soluciones de rendimiento generados. Sin embargo, la aplicación de tecnologías de aprendizaje tienen una gran profundidad de riesgo de implementación, y la voluntad porque los datos inapropiados, modelos de falta de transparencia, la falta de datos científicos pertinentes y conocimientos de programación, las necesidades de infraestructura de computación de alto rendimiento, así como el apoyo administrativo de mayor riesgo incierto o inconsistente.
Afortunadamente, la mayoría de las capacidades de aprendizaje profundo se introducirán en la organización empresarial de forma fácil de usar a través de Interfaces de programación de aplicaciones (API) o Software como servicio (SaaS), así como aplicaciones empaquetadas.
Deep Learning continuará evolucionando y actualmente es la tecnología preferida en el área de análisis predictivo para manejar los tipos de datos que anteriormente se consideraban no rastreables o aprendibles en máquina, como video, voz y video, La fusión de datos, también es más precisa que otras técnicas, y debido a su capacidad de fusión de datos sobre otros métodos de aprendizaje automático, Gartner predice que en 2022, el aprendizaje profundo dominará el análisis de datos grandes.
El mundo de los análisis de datos parece tener un inmenso potencial, pero la integración de datos sigue siendo un desafío. Las herramientas automatizadas de aprendizaje profundo, como la generación en lenguaje natural (NLG) trabajan junto con los datos correctos para funcionar sin problemas, pero si Los datos no son fáciles de integrar, se necesita una integración de datos profesional y científicos, para poder usar estas nuevas herramientas de forma efectiva.
Peter Krensky Gartner analista senior de investigación, dijo: "el futuro papel de la combinación de integración de datos y datos científicos profesionales que aparecerá tecnología pertinente para mejorar la eficiencia, sino que también hay un pequeño grupo de científicos de datos de ciudadanos y la integración de datos de personal civil, formal o semi papel formal. el análisis de datos y el director técnico deben estar habilitadas equipos multi-funcionales y el uso de la caja de arena (zona de pruebas), para reducir el riesgo de dificultades técnicas empleados menos calificados encuentran ".
Aprendizaje Aprendizaje profundo Tecnología de análisis de predicción
Para 2018, el 80% de los científicos de datos incluirán el aprendizaje profundo (redes neuronales profundas) como uno de los kits de herramientas estándares, y el aprendizaje más profundo está ganando popularidad tanto a nivel de proyecto como de contratación. La rápida evolución se debe en parte a la investigación relacionada con la inversión en grandes laboratorios de investigación como Facebook e IBM, donde alrededor del 30% de los vendedores de plataformas de ciencia de datos han introducido productos utilizando la primera versión de la tecnología de aprendizaje profundo.
Sin embargo, el aprendizaje profundo no es una tecnología independiente. De hecho, es una de las técnicas de análisis de tercera ola desarrolladas por el aprendizaje automático. Las empresas deberían considerar el aprendizaje automático como un posible proyecto de servicio y sus posibles aplicaciones. Incluyendo detección de anomalías, control de voz y consulta, análisis de emociones y reconocimiento de rostros.
En los próximos años, la profundidad del aprendizaje tendrá un impacto significativo herramientas de análisis y prácticas operativas. A los usuarios de teléfonos inteligentes actuales ya se puede sentir claramente el cambio, como Apple (Apple) Siri y la función de reconocimiento de voz de Google Voice, mediante el estudio en profundidad de la nueva tecnología se convierta en una realidad en las funciones diarias, y diversas áreas de reconocimiento de imágenes, texto a voz, traducción automática, casi cada semana hay también un nuevo avance.
Gartner estima que actualmente hay más de dos miles de empresas comenzaron a ofrecer herramientas de aprendizaje profundo, servicios en la nube, la interfaz de programación de aplicaciones, aplicaciones empaquetadas y servicios de consultoría, el tamaño de las nuevas empresas a gigantes de la tecnología tienen por lo tanto, casi todas las industrias en las que cualquier organización tiene buen estudio en profundidad de cientos de productos para elegir. el director de datos y el análisis también recibió una rara oportunidad, desde un punto de vista práctico para evaluar cómo el aprendizaje profundo ayudará a traer el comercio digital. Gartner predice que para el año 2019, la profundidad del aprendizaje convertirse en el mejor en la clase (mejor en su clase) predicción de fallos, uno del principal promotor de técnicas de previsión de la demanda y de predicción de fraude.
En los últimos años, varios avances tienen un aprendizaje profundo en los dominios cognitivos:
Reconocimiento de imagen
A finales de 2015 y principios de 2016, ResNet de Microsoft y Google GoogLeNet (V4) presentaron un impresionante sistema de reconocimiento de imágenes que superó incluso a los humanos en el trabajo de ImageNet Image Classification.
Traducción automática
Google introdujo Google Neural Machine Translation (GNMT), afirmando haber mejorado significativamente la traducción en máquina más avanzada en el pasado.
Reconocimiento de voz
Para un trabajo similar, el rendimiento del servicio de voz a texto de Baidu ha superado al de la humanidad, y el desarrollo posterior que se espera que tenga lugar puede residir en el campo no cognitivo donde el aprendizaje profundo marcha gradualmente:
Detección de fraude
PayPal ha comenzado a utilizar el aprendizaje profundo como la mejor forma de interceptar pagos de fraude.
Sistema recomendado
Amazon ha recomendado el aprendizaje profundo a los mejores productos de su clase.
Desde ahora hasta 2019, las compañías aplicarán tecnologías de aprendizaje profundo al mundo de consumo, principalmente a través de un conjunto integrado de aplicaciones comerciales, dispositivos o interfaces de programación de aplicaciones. Los ejecutivos de análisis y datos deberían comenzar a buscar oportunidades para llevar el aprendizaje profundo a la organización, especialmente Los asuntos comerciales importantes con un claro "componente percibido" deben involucrar a académicos, laboratorios de investigación o consultores, aprender más sobre el aprendizaje en profundidad y considerar posibles nuevas empresas para adquirir talentos y habilidades relevantes.
Business Intelligence and Analytics se incluirá en NLG
Para el año 2019, el 90% de las plataformas modernas de inteligencia empresarial y análisis incluirán la generación de lenguaje natural como una de las características estándar
La visualización de datos ha sido uno de los principales impulsores de la inteligencia de negocios moderna (BI), pero a veces es difícil interpretar completamente esta forma de datos. La generación de lenguaje natural puede crear texto basado en contenido o narrativas de voz para resultados de investigación de datos. Produzca historias completas para proyectos clave a través de la visualización. Los equipos de BI de hoy integran un motor de generación de lenguaje natural independiente, pero esto cambiará a medida que la tecnología evolucione, la generación de lenguaje natural permitirá inteligencia y análisis de negocios de próxima generación. La plataforma encuentra, visualiza y proporciona automáticamente los hallazgos clave que ampliarán la audiencia para el análisis, a la vez que reducen el tiempo y el costo asociados con los informes de volumen regulares.
Los datos y el supervisor de análisis debería empezar a integrar la tecnología de generación de lenguaje natural con búsqueda de inteligencia / datos u otras herramientas existentes, mientras que para la inteligencia empresarial, la exploración de datos y los datos científicos, así como la creación de empresas de reciente aparición, el seguimiento si tienen potencial y el desarrollo Camino
Por último, Gartner recomienda la siguiente sea responsable de análisis y de inteligencia de negocio de datos modernas y director de análisis: En primer lugar, volver a examinar esos problemas inherentes a la falta de soluciones, pero todavía tienen datos útiles; en algunas industrias están más familiarizados con algoritmos, la profundidad del aprendizaje relacionados planes pilotos están aumentando gradualmente y superan otras técnicas recomendaron que los problemas comienzan primero hubo un consenso en cuanto a los resultados esperados.
Segundo, la solución más fácil de adoptar: para muchos problemas de negocios, el aprendizaje automático "superficial" seguirá siendo la mejor manera de evitar las complejidades inherentes a la tecnología de aprendizaje profundo.
Además, se debe establecer un conjunto importante de talentos antes de comenzar un experimento formal de aprendizaje profundo, y si hay una escasez de talentos, considere subcontratar a través de proveedores de servicios o del mundo académico.
Por último, valide los resultados del aprendizaje profundo de inmediato, controle de cerca la imparcialidad, el cumplimiento de las leyes y regulaciones y la ética, pero no abandone demasiado pronto los planes de experimentación para el aprendizaje profundo.