Bienvenue dans Les principes de base de TNW une collection de conseils, de guides et de conseils sur la manière de tirer facilement parti de vos gadgets, applications et autres éléments. Ceci fait également partie de notre «Guide de l'initiation à l'IA», comprenant des articles sur les algorithmes les réseaux de neurones la vision par ordinateur le traitement du langage naturel et Intelligence générale artificielle .
L'IA que nous utilisons tous les jours dans nos téléphones, appareils photo et appareils intelligents entre généralement dans la catégorie de l'apprentissage en profondeur. Nous avons déjà abordé les algorithmes et les réseaux de neurones artificiels – concepts relatifs à l'apprentissage en profondeur -, mais cette fois-ci, examinons comment les systèmes d'apprentissage en profondeur apprennent réellement.
L'apprentissage en profondeur, pour le dire simplement, est une méthode par machine peut extraire des informations de données en les envoyant à travers différentes couches d'abstraction. C’est un peu comme utiliser une série de tamiseurs de plus en plus petits pour trier des morceaux de roche pour obtenir de minuscules morceaux d’or. Au début, vous filtriez les grosses pierres, puis les petites roches et les cailloux, et enfin, vous parcouriez tout ce qui restait à la recherche de flocons.
Ce n’est qu’avec un apprentissage approfondi que vous apprenez à une IA à reconnaître les différences entre des choses comme les chats et les chiens et à trouver des modèles dans de grandes quantités de données.
Pour ce faire, l'apprentissage s'effectue sous deux types d'apprentissage: supervisé et non supervisé. Techniquement, il existe également un apprentissage semi-supervisé, mais pour les besoins de cet article, nous ne couvrirons que les bases.
Apprentissage supervisé
L’apprentissage supervisé est responsable de la plupart des IA avec lesquelles vous interagissez. Votre téléphone, par exemple, peut dire si la photo que vous venez de prendre est de la nourriture, un visage ou votre animal de compagnie, car il a été formé pour reconnaître ces différents sujets selon un paradigme d'apprentissage supervisé.
Voici comment cela fonctionne: les développeurs utilisent des ensembles de données étiquetés pour enseigner à l'IA comment des objets spécifiques apparaissent dans les images. Par exemple, ils pourraient prendre un million d'images de plats culinaires différents sur Instagram et les étiqueter minutieusement avant de les envoyer à l'IA.
Elle traite ensuite tout ce qu'elle peut sur les images pour déterminer comment les éléments portant les mêmes étiquettes sont similaires. En substance, il regroupe des fragments de données, comme la séparation du linge avant le lavage. Une fois que cela est fait, les développeurs le vérifient pour en vérifier l'exactitude, apportent les modifications nécessaires et répétez le processus jusqu'à ce que l'IA puisse identifier correctement les objets dans les images sans étiquettes.
Apprentissage non supervisé
Lorsque nous savons exactement ce que nous recherchons, l’apprentissage supervisé est la voie à suivre. Mais dans les cas où nous ne sommes pas certains ou si nous voulons simplement des idées, cela ne fonctionnera pas.
Supposons, par exemple, que vous tentiez de déterminer si une personne trafique les livres au travail, mais que vous avez des millions de pages de registres financiers à examiner. Vous avez besoin d’un ordinateur pour vous aider à rechercher des schémas pouvant indiquer un vol, mais il n’ya aucun moyen de créer un jeu de données contenant des exemples véridiques, car vous ne savez pas exactement ce que vous recherchez. Entrez dans l’apprentissage non supervisé.
Voici comment cela fonctionne: les développeurs créent des algorithmes qui analysent les données à la recherche de similitudes. Au lieu d'essayer de déterminer si un groupe de pixels est un chat ou un chien, par exemple, il essaie simplement de tout comprendre pour un ensemble de données non étiqueté. Dans la mesure où l’IA n’a aucun moyen de savoir ce qu’est un chat ou un chien, à moins que vous n’indiquiez leurs images dans vos données, elle ne produira que des motifs en grappes. Cela peut séparer les images en chiens, chats, animaux bruns, animaux blancs, tachetés, rayés, grands, poilus… vous obtenez l'image.
Dans la situation susmentionnée, où nous recherchons des preuves, c’est quelqu'un qui a préparé les livres, nous pourrions concevoir des algorithmes pour rechercher des mathématiques qui ne s’additionnent pas. Grâce à l’apprentissage en profondeur (dans ce cas, alimenté par des méthodes d’apprentissage non supervisées), notre modèle devrait pouvoir détecter des anomalies qui, bien que dépourvues de sens pour l’ordinateur, indiquent le lieu où l’argent a disparu.
L'apprentissage en profondeur est complexe et souvent difficile à comprendre. Mais les concepts sous-jacents, en particulier la manière dont il apprend, sont relativement simples. Lorsqu'un développeur sait ce que devrait être la sortie il utilisera l'apprentissage supervisé. Si le résultat est incertain, ils utiliseront un apprentissage non supervisé – apprentissage avec des ensembles de données non étiquetés.
Source link