Автор: Шериз Тан

Когда большинство людей думают об искусственном интеллекте (ИИ), часто приходят на ум идеи беспилотных автомобилей и роботов. Однако многие не задумываются о том, как работает ИИ, чтобы эти удобства воплотились в жизнь. Получая большие объемы данных, ИИ обучается с помощью машинного обучения (ML) и глубокого обучения, чтобы собирать информацию из данных и автоматизировать задачи в любом масштабе. Машины учатся анализировать и делать прогнозы - «думать» как можно больше, как люди.

Итак, сколько времени нужно на обучение ИИ? Это может занять часы, недели и даже больше. Ответ действительно сводится к таким факторам, как оборудование, оптимизация, количество слоев в нейронной сети, размер вашего набора данных и многое другое.

Чтобы лучше понять это, давайте посмотрим, как работает обучение ИИ и что для этого требуется.

Машинное обучение против глубокого обучения

Весь процесс обучения ИИ очень сложен и увлекателен. В области исследований искусственного интеллекта машинное обучение привлекает много внимания и одобрения.

Машинное обучение - это подмножество ИИ, которое позволяет компьютерным системам автоматически учиться и совершенствоваться без программирования человеком. В машинном обучении используются алгоритмы, которые обнаруживают закономерности, а затем модифицируются по мере того, как оно подвергается воздействию большего количества данных - оно настраивается в соответствии с данными, которым оно было подвергнуто, во многом как ребенок, который учится на своем опыте.

Следовательно, глубокое обучение представляет собой более специализированный подход к машинному обучению, который использует искусственные нейронные сети для имитации человеческого мозга при обработке данных. Компьютеры учатся посредством положительного и отрицательного подкрепления, полагаясь на постоянную обработку и обратную связь. Примерами приложений глубокого обучения являются технология распознавания изображений и голосовые помощники для распознавания речи, такие как Siri или Cortana.

Глубокое обучение опирается на свои «глубокие» и множественные уровни нейронных сетей. Каждый нейрон в сети состоит из математической функции, которой передаются данные для преобразования и анализа в качестве выходных данных. Компьютер учится взвешивать важность каждой связи между нейронами для создания успешных прогнозов. Глубокое обучение особенно полезно, когда речь идет о решении сложных проблем с разными переменными.

В машинном обучении соответствующие функции извлекаются из изображений, тогда как глубокое обучение - это непрерывный процесс, в котором функции извлекаются автоматически. Глубокое обучение также может масштабироваться с учетом данных по мере улучшения сетей и увеличения объема данных. Однако с этим увеличенным вводом данных увеличивается вычислительная мощность и время обучения.

Что такое обучение ИИ?

Фактический процесс обучения ИИ включает три этапа: обучение, проверка и тестирование. Путем ввода данных в компьютерную систему ее обучают производить конкретный прогноз для каждого цикла. Каждый раз параметры можно настраивать, чтобы прогнозы становились более точными с каждым шагом обучения.

Затем алгоритм проверяется путем запуска данных проверки на обученной модели. На этом этапе может потребоваться корректировка новых переменных для улучшения алгоритма. После прохождения этапа проверки система может быть протестирована с реальными данными, не имеющими тегов или меток. Пришло время проверить, готов ли алгоритм к использованию по прямому назначению.

Конечно, есть способы сократить сроки обучения ИИ. Создание модели глубокого обучения с нуля может занять дни или недели из-за большого объема данных и скорости обучения.

Вместо этого в большинстве приложений глубокого обучения используется процесс, называемый трансферным обучением, в котором настройки производятся с использованием предварительно обученной модели. Изменяя существующую сеть, можно добавлять свежие данные и обучать новым результатам или задачам. Для этого не только требуется меньше данных - от миллионов до тысяч изображений - время обучения также может сократиться до минут или часов.

Извлечение признаков - еще один метод глубокого обучения. Он включает в себя извлечение слоя из нейронной сети, которому поручено изучить определенную функцию из изображений и использовать эту функцию в качестве дополнения к другой модели машинного обучения.

Что должно быть на месте?

Хотя процесс обучения ИИ может занять много времени, есть также несколько других требований, которые могут повлиять на процесс обучения ИИ:

Данные

Поскольку данные являются неотъемлемой частью головоломки алгоритма, ключевым моментом является наличие чистого и точно помеченного набора данных. Вводя точные данные в алгоритм, вы получите точные результаты, что приведет к более эффективному и своевременному процессу обучения. Например, для разработки автомобиля без водителя набор данных может включать миллионы изображений и тысячи часов видео.

Аппаратное обеспечение

Глубокое обучение требует огромных вычислительных мощностей. Это означает наличие высокопроизводительных графических процессоров (GPU) в сочетании с кластерами или облачными вычислениями, чтобы сократить время обучения глубокому обучению с недель до часов. Поскольку обучение ИИ можно проводить параллельно, настройка системы, в которой вы можете тренироваться на нескольких графических процессорах или в кластере, может помочь ускорить обучение.

Наличие специального оборудования, такого как графический процессор Nvidia Tesla V100 и сервер DGX1, необходимо для тяжелых тренировок. Они могут стоить немалые деньги: от 10 000 долларов США за графический процессор до 149 000 долларов США за сервер. В качестве альтернативы вы можете арендовать оборудование, созданное в облаке, у таких поставщиков, как Amazon Web Services, Google Cloud и Microsoft Azure.

Программное обеспечение

При аренде вычислительной инфраструктуры каждый облачный провайдер имеет собственное программное обеспечение для автоматизированного машинного обучения, такое как Machine Learning Studio от Microsoft, Cloud AutoML от Google и AWS SageMaker. Другие могут также использовать программное обеспечение для глубокого обучения, такое как TensorFlow от Google и Pytorch, для разработки моделей обучения.

Разработчики

В мире не хватает опытных разработчиков ИИ, по оценкам менее 10 000 человек, обладающих соответствующими навыками для исследований в области ИИ. Специалисты в области искусственного интеллекта настолько востребованы, что им платят от 300 000 до 500 000 долларов в год в виде зарплаты и акций компании, а ученых из ведущих университетов переманивают на работу в технологических гигантов. От разработчиков требуется не только докторская степень. в области информатики , но также нуждаются в опыте в различных дисциплинах, таких как программирование на C ++, STL, и имеют опыт работы в области физики или наук о жизни.

Как блокчейн может помочь в обучении ИИ

С учетом всего сказанного, технология блокчейн - это новая инновация, которая может ускорить обучение ИИ. Поскольку получение больших наборов данных для обучения ИИ может быть затруднено, новые стартапы блокчейнов находят новые способы совместной работы технологий блокчейн и ИИ для децентрализации владения данными, делая их доступными для широких масс для сотрудничества и расширения.

Например, некоторые стартапы, такие как Datum, Synapse и Computable, создают рынки данных, где участники получают токены в обмен на обмен своими данными с предприятиями. Другие стартапы, такие как Numerai, позволяют специалистам по данным предлагать модели для решения задач машинного обучения в обмен на компенсацию токенами NMR.

Когда объединяются блокчейн и ИИ, появляется много преимуществ, включая тот факт, что блокчейн может помочь децентрализовать ИИ, сохраняя его независимость и автономность от любой конкретной корпорации, а также обеспечивая защиту процесса с помощью зашифрованных данных.

Таким образом, хотя обучение ИИ требует технических знаний и зачастую огромных инвестиций в процесс, появляются новые инновации, такие как рынки данных на основе блокчейнов, чтобы дополнить эту область. Конвергенция блокчейна и ИИ кажется следующим естественным шагом, который может стать катализатором новых темпов инноваций в обучении ИИ.

Присоединяйтесь к нам!

| Telegram | Bitcointalk | Facebook | Твиттер | Reddit | Сайт | Slack |