Jeśli ktoś pokaże nam zdjęcie domu, od razu rozpoznajemy budynek, nie zastanawiając ani chwili nad tym, czy nie jest to na przykład samochód. Od wczesnego dzieciństwa nasz mózg nauczył się na podstawie obrazów, jakie są jego elementy składowe: dach, drzwi czy okna. Dzięki uczeniu głębokiemu, w pamięci komputerów mogą zachodzić procesy podobne do tych, które występują w ludzkim mózgu. Możliwość analizy dużej ilości materiałów graficznych, tekstowych, a także rozpoznawanie mowy sprawia, że komputery również uczą się i rozwijają swoje funkcje poznawcze.

Maszyna, która rozumie dane

Uczenie głębokie (deep learning), jedna z podstaw kognitywnego przetwarzania danych (cognitive computing), to proces, w którym komputer uczy się wykonywania zadań naturalnych dla ludzkiego mózgu, takich jak rozpoznawanie mowy, identyfikowanie obrazów lub tworzenie prognoz. Zamiast organizować dane i wykonywać szereg zdefiniowanych równań, komputer zbiera podstawowe parametry dotyczące informacji i przygotowuje się do samodzielnego uczenia. Technologia deep learning znacznie poprawiła zdolność komputerów do klasyfikowania, rozpoznawania, wykrywania i opisywania danych czyli – jednym słowem – zdolność ich rozumienia. Wpływa na to z jednej strony zwiększenie liczby danych, a z drugiej rozwój technologii rozproszonego przetwarzania informacji w chmurze. Dzięki wykorzystaniu kart graficznych (GPU) dysponujemy obecnie niewiarygodną mocą obliczeniową, która jest niezbędna do działania deep learning. Jednocześnie zmianie uległ sposób interakcji człowieka z komputerem. Coraz więcej urządzeń posiada ekrany dotykowe, mysz i klawiatura zastępowane są stopniowo gestami, dotykiem i językiem naturalnym.

Komputer robi mniej błędów niż człowiek

Zdaniem specjalistów z firmy analitycznej SAS, uczenie głębokie sprawi, że komputery zyskają nowe funkcjonalności i wyręczą nas np. w procesie tłumaczenia czy transkrypcji, samodzielnie rozpoznając przedstawiony tekst. Potwierdzają to wyniki eksperymentu przeprowadzonego przez SAS, podczas którego zestawiono ze sobą fragmenty zapisanego tekstu mówionego. W porównaniu ze standardowymi technikami, współczynnik błędów słownych (WER - World Error Rate) zmniejszył się o ponad 10 procent przy zastosowaniu uczenia głębokiego. W przyszłości może to zrewolucjonizować wiele czynności zawodowych, takich jak tworzenie notatek ze spotkań czy wprowadzanie informacji na strony internetowe. Zawody tłumacza czy protokolanta sądowego mogą stracić rację bytu.

Uczenie głębokie w praktyce

Uczenie głębokie ma wiele praktycznych zastosowań. Firmy z powodzeniem wykorzystują tę technologię, m.in. w kontaktach z klientem. Dzięki metodom eksploracji tekstu i automatycznej kategoryzacji komputery potrafią np. odkryć wzorce w przesyłanych przez klientów reklamacjach, co znacznie skraca czas odpowiedzi i pozwala szybciej rozpatrzyć dany wniosek. Ponadto uczenie głębokie może służyć do usprawnienia rekomendacji w złożonych środowiskach, takich jak modelowanie zainteresowań muzycznych lub preferencji odzieżowych, co wykorzystują takie portale jak Netflix czy Amazon.

Z uczenia pogłębionego korzystają również organy ścigania. Jednym z praktycznych zastosowań rozpoznawania obrazów jest automatyczne opisywanie zdjęć i scen. Może to mieć decydujące znaczenie podczas śledztw mających na celu rozpoznanie sprawców przestępstw na podstawie tysięcy zdjęć przesyłanych przez osoby postronne z dowolnego zatłoczonego obszaru, w którym popełniono przestępstwo. Wykorzystanie tej technologii może być szczególnie przydatne w procesie identyfikacji sprawców ataków terrorystycznych. Deep learning to także przyszłość motoryzacji. Autonomiczne samochody mogą dzięki temu rozpoznawać napotykane po drodze obiekty, unikać zderzeń oraz zapobiegać niekontrolowanej zmianie pasa ruchu.

Inteligentne maszyny przewidzą przyszłość biznesu

Analitycy pokładają duże nadzieje w uczeniu głębokim, dostrzegając ogromne możliwości, jakie stwarza ono w kontekście systemów predykcyjnych. Rozwiązania te odgrywają ważną rolę we współczesnym biznesie, pozwalając na tworzenie planów działań opartych na rzetelnych prognozach rynkowych. Dzięki wykorzystaniu deep learning systemy predykcyjne będą stale się rozwijały w miarę pojawiania się nowych danych. Będą one również bardziej dynamiczne niż systemy zbudowane w oparciu o twarde i deterministyczne reguły biznesowe, w których ewolucja jest z góry przesądzona i zależy wyłącznie od parametrów początkowych.