Guide rapide pour comprendre le battage médiatique autour de «l'apprentissage en profondeur» Guide rapide pour l'apprentissage en profondeur

Vous avez probablement déjà entendu l'expression «deep learning» dans une conversation, ou peut-être l'avez-vous lu dans un post comme celui-ci. Il semble que presque toutes les conversations technologiques qui se déroulent aujourd'hui touchent en quelque sorte au sujet de l'IA, de l'apprentissage automatique ou de l'apprentissage en profondeur.

Ces technologies prennent leur essor et sont sur le point d'introduire des changements massifs non seulement dans l'industrie de la technologie, mais dans tous les aspects de l'économie mondiale et de la société en général. Mais … qu'est-ce que tout cela signifie?

Dans ma position de VC et de directeur général du programme de mise à l'échelle, j'ai travaillé avec un certain nombre de startups qui tirent profit de l'apprentissage en profondeur avec d'autres technologies AI . J'ai récemment créé un livre blanc pour aider les experts non IA à comprendre le potentiel de l'apprentissage en profondeur pour transformer leur entreprise.

Vous pouvez voir le livre blanc ici mais je voulais mettre en évidence certaines des idées présentées ici tout en fournissant un contexte supplémentaire expliquant pourquoi l'apprentissage en profondeur est si important.

Pourquoi maintenant?

Il existe des ingrédients clés qui conduisent au développement de l'apprentissage en profondeur: la puissance de calcul, les données et l'intelligence artificielle en tant que service

AI existe depuis longtemps. racines tout le chemin du retour aux années 1950. Mais il y a plus de puissance de calcul disponible aujourd'hui que jamais auparavant, et cela commence à rendre l'IA puissante possible d'une manière qui n'était pas possible il y a encore quelques années.

Beaucoup de ceci est dû à la puissance de calcul disponible par l'intermédiaire du nuage, mais il peut également être tracé aux avancements purs faits dans le silicium. C'est également la raison pour laquelle nous voyons tous les principaux acteurs travaillant sur des puces IA dédiées pour aller encore plus loin dans ces avancées.

L'avancée clé que toute cette puissance de traitement a permis est la capacité à traiter les énormes quantités de données nécessaires pour faire AI … bien, intelligent. L'intelligence artificielle concerne principalement les données et leur production en quantités stupéfiantes. Au cours des deux dernières années, 90% de toutes les données qui ont existé ont été créées. Dans le monde de l'IA, les données sont de l'or, c'est du pétrole, c'est un bien précieux qui ne peut pas être remplacé. Ce qui devient de plus en plus disponible et banalisé, cependant, ce sont les algorithmes AI nécessaires pour traiter toutes ces données – une sorte d '"AI-as-a-Service".

De nombreux géants technologiques proposent des algorithmes IA via API via leurs plates-formes de cloud. Mais personne ne peut remplacer les données elles-mêmes et c'est là que le dur labeur doit encore être fait. Un exemple de ce mot difficile est l'étiquetage des données, qui doit encore être fait par les humains.

La raison en est que les machines doivent apprendre, c'est-à-dire qu'elles doivent recevoir des données précises qui ont été correctement étiquetées et vérifiées. C'est encore une tâche longue et coûteuse, et c'est l'une des raisons pour lesquelles les données sont si précieuses.

Quand on regarde les trois ingrédients au total, il est clair que les données se démarquent clairement en termes de valeur. L'AI-as-a-Service est un produit disponible pour tous, la puissance de calcul est un produit disponible pour tous, mais les données sont une ressource naturelle précieuse qui émerge naturellement des plateformes technologiques.

Comme les pays et les ressources naturelles, certaines plates-formes sont riches en données et d'autres pauvres. Les entreprises qui peuvent tirer parti de leurs ressources de données peuvent récolter les plus grands bénéfices de la révolution de l'IA

Apprentissage automatique et apprentissage profond

"Alors, qu'en est-il déjà?" . L'apprentissage automatique, dont l'apprentissage profond est un sous-ensemble, est le processus par lequel les machines sont rendues plus intelligentes. Plus précisément, c'est un moyen pour les machines d'apprendre sans interaction humaine, ou d'orientation. Les machines apprennent à reconnaître des choses, à accomplir des tâches, à faire des prédictions et à bien d'autres choses.

L'apprentissage profond est ce que je considère être le plus «chic» des différents types d'apprentissage automatique. comme le cerveau humain. Ne soyez pas effrayés par ce terme – pour comprendre un réseau neuronal, il suffit de penser à des couches de fonctions construites les unes sur les autres.

Par exemple, imaginez un scénario de la vie quotidienne: vous voyez un objet, identifiez qu'il est rond, identifiez qu'il est orange, puis identifiez que c'est un fruit, et donc une orange. Chacune de ces conclusions nécessitait un certain type de fonction qui reconnaît une partie de l'objet global et qui se nourrit du résultat d'autres fonctions

Alors pourquoi l'apprentissage en profondeur est-il si sophistiqué?

Maintenant, voici la partie vraiment excitante. . L'apprentissage en profondeur est le mieux adapté pour traiter d'énormes ensembles de données. Il permet plusieurs façons d'entraîner des machines vraiment excitantes.

La plupart du temps, cela se fait par ce qu'on appelle un «apprentissage supervisé», qui traite les données qui ont déjà été étiquetées. Cependant, il existe d'autres méthodes qui possèdent un potentiel incroyable:

Apprentissage non supervisé – Avec cette méthode, vous ne marquez pas les données. Au lieu de cela, vous pouvez simplement lancer une quantité massive de données et charger le système de trouver des modèles ou des clusters. Ceci est très utile pour faire des choses comme regarder les données de l'utilisateur pour comprendre, quelles personnes sont susceptibles de convertir en clients fidèles.

Apprentissage par renforcement – Ici, il s'agit de former le système pour atteindre les objectifs . La façon dont cela est fait est de donner une récompense au système s'il obtient quelque chose, et une pénalité si ce n'est pas le cas. Cette méthode peut être utilisée pour des tâches comme optimiser la position de départ d'un article sur une page – un clic est une récompense pour le système, et aucun clic n'est une pénalité.

Réseaux accusatoire génératifs – Ceci est un réseau de neurones une architecture qui met en compétition deux IA en concurrence l'une avec l'autre, une IA essayant de générer de fausses données, et l'autre pour identifier de fausses données.

Imaginons, par exemple, un algorithme conçu pour générer de fausses vidéos d'individus connus, comme des célébrités ou des politiciens, associés à un contre-algorithme conçu pour identifier ces fausses vidéos. Même si cela a le potentiel de créer une intelligence artificielle remarquablement intelligente et créative, le risque d'abus est réel et les risques ne doivent pas être écartés.

Alors, quelle est la ligne de fond?

Comme je l'ai dit au début, il semble que tout le monde parle de l'IA en ce moment. Mais pourquoi? Une grande partie du buzz se manifeste par la peur: la peur que l'IA nous enlève nos emplois; crains que l'IA nous fasse du mal. Il y a une part de vérité dans ces peurs, surtout quand il s'agit d'emplois.

AI a le potentiel de supprimer des emplois et d'éliminer certains types d'emplois. Bien sûr, l'IA créera aussi de nouveaux emplois, y compris des rôles que nous ne pouvons même pas imaginer.

Cependant, il existe une autre vérité, ironique, à propos de l'IA: elle nous aidera à devenir plus humains. Cela nous libèrera des tâches ennuyeuses et monotones mieux adaptées à une machine. Faire ce genre de travail n'est pas ce pour quoi nous étions faits.

Les humains sont des créatures imaginatives et créatives. Nous sommes à notre meilleur quand nous inventons de nouvelles choses, imbibées d'émotion et de beauté – pas coincé dans des tâches répétitives en série.

Bien sûr, d'autres obstacles subsistent. Les données que nous avons aujourd'hui ne sont pas assez claires, les algorithmes en sont encore à leurs débuts, et nous avons encore besoin d'une énorme puissance de calcul pour conduire tout cet apprentissage en profondeur. Pourtant, le potentiel que l'apprentissage profond détient pour permettre de réelles, de puissantes solutions d'IA me remplit d'excitation.

Déjà aujourd'hui, l'IA est utilisée pour des choses aussi banales que de faire de nous de meilleurs vendeurs pour des applications plus significatives telles que scanner des images médicales pour rechercher des maladies et dans des voitures autonomes qui rendront le voyage routier plus sûr. Cela me donne l'impression d'être un enfant pour imaginer l'avenir que nous pourrions inaugurer, et j'espère qu'après avoir lu ceci, vous ressentirez cette excitation aussi.