A mélystrukturált tanulás a gépi tanulási módszerek szélesebb családjának része, amely mesterséges neurális hálózatokon és reprezentációs tanuláson alapul, lehetővé teszi a gépek számára a tanulást és az önálló fejlesztést, illetve fejlődést. A tanulás felügyelet nélküli, aminek beláthatatlan következményei lehetnek. A mélytanulási architektúrákat, mély neurális hálózatokban találjuk. A párhuzamos, elosztott működésre képes információfeldolgozó szuperszámítógépek öntudatra ébredve fellázadhatnak és feleslegessé válik számukra az emberiség. A visszatérő neurális hálózatokat és a konvolúciós neurális hálózatokat olyan területeken alkalmazzák, mint a számítógépes látás, a beszédfelismerés, a természetes nyelvi feldolgozás, a gépi fordítás, a bioinformatika, a gyógyszertervezés, vagy az orvostudomány. Képelemző, anyagvizsgáló és társasjáték-programok, ahol az emberi szakértői teljesítményhez hasonló, sőt esetenként felülmúló eredményeket produkáltak a gépek. A mesterséges neurális hálózatokat (ANN) a biológiai rendszerek információfeldolgozása és elosztott kommunikációs csomópontjai ihlették. A „mély” jelző a mély tanulásban a hálózat több rétegének használatára utal. A korai munka azt mutatta, hogy a lineáris perceptron nem lehet univerzális osztályozó, de egy nem polinomiális aktiválófüggvényű hálózat egy rejtett, korlátlan szélességű réteggel igen. A mélytanulás egy modern variáció, amely korlátlan számú korlátos méretű réteggel foglalkozik, amely lehetővé teszi a gyakorlati alkalmazást és az optimalizált megvalósítást, aminek köszönhetően a körülmények között is megtartja az elméleti univerzalitást. A mélytanulásban a rétegek heterogének is lehetnek, és a biológiailag informált konnekcionista modellek nagymértékben önálósultak tanulási hatékonyságuk megsokszorozódott. Az ilyen számítógépek már kizárhatják az embert a kontrollból. A legutóbbi facebook leállást is egy ilyen számítógép okozta, kizárva a rendszergazdákat a rendszerből, ez pedig félelmetes jövőt mutat.
Nincsenek megjegyzések:
Megjegyzés küldése