عندما يتشابك مفهومان مختلفان بشكل كبير ، قد يكون من الصعب الفصل بينهما كمواضيع أكاديمية متميزة. قد يفسر هذا سبب صعوبة الفصل التعلم العميق تبدأ من آلة التعلم ككل. بالنظر إلى الدفعة الحالية لكل من الأتمتة وكذلك الإشباع الفوري ، فقد تم تكديس قدر كبير من التركيز المتجدد على هذا الموضوع.
كل شيء من Worfklows التصنيع الآلي إلى الطب الرقمي الشخصي يمكن أن تنمو للاعتماد عليها التعلم العميق تقنية. ومع ذلك ، فإن تحديد الجوانب الدقيقة لهذا الانضباط التقني الذي سيحدث ثورة في هذه الصناعات هو أكثر صعوبة بكثير. ربما يكون من الأفضل التفكير في التعلم العميق في سياق حركة أكبر في علوم الكمبيوتر.
تعريف التعلم العميق كمجموعة فرعية من التعلم الآلي
تعلم الآلة والتعلم العميق وجهان أساسيان لعملة واحدة. تقنيات التعلم العميق هي تخصص محدد ينتمي إلى مجال أكبر بكثير يتضمن مجموعة كبيرة ومتنوعة من وكلاء الذكاء الاصطناعي المدربين الذين يمكنهم التنبؤ بالاستجابة الصحيحة في مجموعة واسعة من المواقف. ومع ذلك ، فإن ما يجعل التعلم العميق مستقلاً عن كل هذه التقنيات الأخرى هو حقيقة أنه يركز بشكل حصري تقريبًا على وكلاء التدريس لتحقيق هدف محدد من خلال تعلم أفضل إجراء ممكن في عدد من البيئات الافتراضية.
عادةً ما تقوم خوارزميات التعلم الآلي التقليدية بتعليم العقد الاصطناعية كيفية الاستجابة للمنبهات عن طريق الحفظ عن ظهر قلب. يشبه هذا إلى حد ما أساليب التدريس البشرية التي تتكون من التكرار البسيط ، وبالتالي يمكن التفكير في المكافئ المحوسب للطالب الذي يمر عبر جداول الضرب حتى يتمكن من قراءتها. في حين أن هذا فعال بطريقة ما ، إلا أن وكلاء الذكاء الاصطناعي المتعلمين بهذه الطريقة قد لا يكونوا قادرين على الاستجابة لأي حافز خارج نطاق مواصفات التصميم الأصلية الخاصة بهم.
هذا هو السبب في أن المتخصصين في التعلم العميق طوروا خوارزميات بديلة تعتبر متفوقة إلى حد ما على هذه الطريقة ، على الرغم من أنها مكثفة للغاية للأجهزة من نواح كثيرة. قد تستند الجسور الفرعية التي يستخدمها وكلاء التعلم العميق حول شبكات الخصومة التوليفية أو هياكل العقدة العصبية التلافيفية أو شكل عملي لآلة بولتزمان المقيدة. هذه تقف في تناقض حاد مع الأشجار الثنائية والقوائم المرتبطة المستخدمة بواسطة البرامج الثابتة التقليدية للتعلم الآلي بالإضافة إلى غالبية أنظمة الملفات الحديثة.
كانت الخرائط ذاتية التنظيم أيضًا في مرحلة التعلم العميق ، على الرغم من أن تطبيقاتها في مجالات أبحاث الذكاء الاصطناعي الأخرى كانت عادةً أقل واعدة. عندما يتعلق الأمر بتعريف ملف التعلم العميق مقابل التعلم الآلي ومع ذلك ، فمن المحتمل جدًا أن يبحث الفنيون عن تطبيقات عملية أكثر من بحث أكاديمي نظري في الأشهر المقبلة. يكفي أن نقول إن التعلم الآلي يشمل كل شيء من أبسط الذكاء الاصطناعي إلى الخوارزميات التنبؤية الأكثر تعقيدًا بينما يشكل التعلم العميق مجموعة فرعية أكثر انتقائية من هذه التقنيات.
تطبيقات عملية لتكنولوجيا التعلم العميق
اعتمادًا على كيفية تأليف برنامج معين ، يمكن نشر تقنيات التعلم العميق على طول الشبكات العصبية الخاضعة للإشراف أو شبه الخاضعة للإشراف. من الناحية النظرية ، سيكون من الممكن أيضًا القيام بذلك عبر تخطيط عقدة غير خاضع للإشراف تمامًا، وهذه التقنية هي التي سرعان ما أصبحت الواعدة. قد تكون الشبكات غير الخاضعة للإشراف مفيدة لتحليل الصور الطبية ، حيث يقدم هذا التطبيق غالبًا أجزاء فريدة من المعلومات الرسومية لبرنامج كمبيوتر يجب اختبارها مقابل المدخلات المعروفة.
شجرة ثنائية تقليدية أو أنظمة التعلم القائمة على blockchain لقد كافح لتحديد الأنماط نفسها في سيناريوهات مختلفة بشكل كبير ، لأن المعلومات تظل مخفية في هيكل كان من الممكن أن يصمم لولا ذلك لتقديم البيانات بفعالية. إنه في الأساس شكل طبيعي من أشكال إخفاء المعلومات ، وقد أربك خوارزميات الكمبيوتر في صناعة الرعاية الصحية. ومع ذلك ، يمكن لهذا النوع الجديد من عقد التعلم غير الخاضعة للإشراف أن يثقف نفسه فعليًا حول كيفية مطابقة هذه الأنماط حتى في بنية البيانات غير المنظمة وفقًا للخطوط العادية التي يتوقعها الكمبيوتر.
اقترح آخرون التنفيذ وكلاء تسويق ذكاء اصطناعيًا شبه خاضعين للإشراف يمكن أن يقضي على الكثير من القلق بشأن الأخلاقيات فيما يتعلق ببرنامج إغلاق الصفقات الحالي. بدلاً من محاولة الوصول إلى قاعدة عملاء كبيرة قدر الإمكان ، فإن هذه الأدوات ستحسب احتمالات أي فرد يحتاج إلى منتج في وقت معين. من أجل القيام بذلك ، ستحتاج إلى أنواع معينة من المعلومات التي تقدمها المنظمة التي تعمل نيابة عنها ، ولكنها ستكون قادرة في النهاية على التنبؤ بجميع الإجراءات الإضافية من تلقاء نفسها.
بينما تعتمد بعض الشركات حاليًا على الأدوات التي تستخدم تقنية التعلم الآلي التقليدية لتحقيق نفس الأهداف ، فإنها غالبًا ما يتم إنشاؤها باستخدام خصوصية والمخاوف الأخلاقية. لقد مكّن ظهور خوارزميات التعلم المنظم العميق مهندسي البرمجيات من ابتكار أنظمة جديدة لا تعاني من هذه العيوب.
تطوير بيئة التعلم الآلي الخاصة
غالبًا ما تكون برامج التعلم الآلي التقليدية خطيرة خصوصية بسبب حقيقة أنهم بحاجة إلى قدر كبير من المدخلات من أجل استخلاص أي استنتاجات قابلة للاستخدام. برنامج التعرف على الصور التعلم العميق تعمل عن طريق معالجة مجموعة فرعية أصغر من المدخلات ، وبالتالي ضمان أنها لا تحتاج إلى الكثير من المعلومات للقيام بها وظيفة. هذا له أهمية خاصة لأولئك الذين يهتمون بـ إمكانية تسريب بيانات المستهلك.
بالنظر إلى المواقف التنظيمية الجديدة بشأن العديد من هذه القضايا ، سرعان ما أصبح شيئًا مهمًا من وجهة نظر الامتثال أيضًا. كما بدأت مختبرات علم السموم باستخدام حزم التعلم العميقة المنظمة التي تركز على النشاط الحيوي، من المحتمل أن يعبر المنظمون عن مخاوف إضافية فيما يتعلق بكمية المعلومات اللازمة لأداء أي مهمة مع هذا النوع من البيانات الحساسة. اضطر علماء الكمبيوتر إلى تقليص ما وصفه البعض بخرطوم حريق حقيقي من البايتات التي تحكي قصة أكثر مما قد يكون مرتاحًا له.
بطريقة ما ، استمعت هذه التطورات إلى وقت سابق عندما كان يعتقد أن كل عملية في نظام يجب أن يكون لها فقط مقدار الامتيازات اللازمة لإكمال وظيفتها. نظرًا لأن مهندسي التعلم الآلي يتبنون هذا النموذج ، فمن المحتمل جدًا أن تكون التطورات المستقبلية أكثر أمانًا لمجرد أنها لا تتطلب المقدار الهائل من التنقيب عن البيانات اللازمة لتشغيل العمليات الحالية الحالية.
حقوق الصورة: toptal.io
كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://datafloq.com/read/deep-learning-vs-machine-learning-how-emerging-field-influences-traditional-computer-programming/13652
