Die Revolution des tiefen Lernens: Vier wichtige Fortschritte

Inhalt

• Was ist tiefes Lernen?
• Wie es die Welt verändert
• 1. Bilderkennung / Klassifizierung
• 2. Geoverarbeitung großer Datensätze
• Beispielbilder
• 3. Deepfake Audio / Video Generation
• Videobeispiele
• 4. Videospiele spielen lernen

Chris ist ein Ingenieur, Denker und Philosoph, der gerne futuristische Ideen und Technologien erforscht.

Was ist tiefes Lernen?

Da sich die Technologie immer schneller verbessert, nähern wir uns einer Zeit, in der die Kraft künstlich intelligenter Maschinen die Fähigkeiten des menschlichen Geistes übertreffen wird. Ein Bereich von A.I. Entwicklung, die enorme Fortschritte macht, ist tiefes Lernen.

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Algorithmen und Methoden verwendet, um die Struktur des menschlichen Gehirns nachzuahmen. Da Wissenschaftler und Forscher im Wesentlichen eine digitale Darstellung eines Gehirns erstellen, werden die Programme häufig als „neuronale Netze“ bezeichnet. Deep Learning Neuronale Netze können Daten lernen und interpretieren, ohne explizit dafür programmiert zu sein.

Wie es die Welt verändert

Je mehr in Deep Learning investiert wird, desto komplexer werden die entwickelten Algorithmen. Dies hat zu Computerprogrammen geführt, die Aufgaben ausführen können, die nur für Menschen reserviert waren, und Dinge tun können, die zuvor äußerst schwierig oder sogar unmöglich waren. Die Leistung eines Mikroprozessors war noch nie so hoch wie heute. Hier sind einige Möglichkeiten, wie tiefes Lernen unsere Welt revolutioniert.

1. Bilderkennung / Klassifizierung
2. Geoverarbeitung großer Datensätze
3. Deepfake Audio / Video Generation
4. Videospiele spielen lernen

1. Bilderkennung / Klassifizierung

Tiefes Lernen A.I. Es wurden Algorithmen entwickelt, mit denen Bilder betrachtet und anhand ihrer tatsächlichen Eigenschaften klassifiziert werden können. Wenn Sie Facebook nutzen, sind Sie mit dieser Technologie wahrscheinlich bereits einigermaßen vertraut. Googles YouTube ist auch ein großer Nutzer dieser Technologie. Vom Benutzer erstellte Videos können automatisch für ihren Inhalt markiert und basierend auf dem, was der Algorithmus sieht, kategorisiert werden. Videos können auch zur weiteren Überprüfung markiert werden, wenn der Algorithmus Inhalte erkennt, die auf der Website nicht zulässig sind.

Die Bildklassifizierung geht eigentlich über den Versuch hinaus, zwischen Hunden, Katzen und Füchsen zu unterscheiden. Tatsächlich klassifizieren neuere Algorithmen Bilder pixelweise. Wenn ein Algorithmus jedes Pixel einzeln klassifiziert, wird dieser Prozess als semantische Segmentierung bezeichnet. Ein anderer Ansatz zur Bildklassifizierung wird als Instanzsegmentierung bezeichnet. Mit dieser Methode können Bilder leichter in mehrere diskrete Komponenten zerlegt werden. Beispielsweise kann ein Bild einer Person in mehrere Komponenten unterteilt werden, einschließlich der menschlichen Figur, des Hintergrunds, des Vordergrunds usw.

2. Geoverarbeitung großer Datensätze

In der Welt der Geografischen Informationssysteme (GIS) wird Deep Learning eingesetzt, um die Geschwindigkeit und Genauigkeit der Erstellung und Analyse von Datensätzen in großem Maßstab zu verbessern. Neue Algorithmen können verwendet werden, um eine Vielzahl von Landbedeckungsdaten einfach durch Analyse einer Luftaufnahme zu generieren.

Beispielsweise kann ein Deep-Learning-GIS-Tool Daten generieren, die den Vegetationstyp, die Vegetationsdichte und die Lebensfähigkeit des Lebensraums nur auf der Grundlage einer hochauflösenden Luftaufnahme beschreiben. Darüber hinaus können mithilfe der semantischen Segmentierung oder der Instanzsegmentierung andere Funktionen wie das Erstellen von Footprints und die Grenzen gepflasterter Oberflächen aus den Bildern extrahiert und in neue Datensätze umgewandelt werden.

Beispielbilder

Betrachten Sie die folgenden Bilder als ein vereinfachtes Beispiel dafür, was mit einigen grundlegenden Deep-Learning-Tools getan werden kann:

Eine weitere große Aufgabe, die Deep Learning zu bewältigen versucht, ist die Fähigkeit, Vorhersagen zu treffen, die auf der Analyse der Beziehungen zwischen mehreren Datensätzen basieren, die räumlich unterschiedlich sind. Sie könnten beispielsweise ein Modell entwickeln, um Risiken für Fahrzeugunfälle basierend auf einer Punktwolke vorherzusagen, die vergangene Unfälle darstellt. Wenn Sie dies in vorhandene Verkehrsmodelle und Daten zum regionalen Wachstum integrieren, können Sie dazu beitragen, zukünftige Fahrzeugunfälle vorherzusagen und zu planen.

3. Deepfake Audio / Video Generation

Deep Learning kann viel mehr als nur die Analyse statischer Bilder. Diese leistungsstarke Technologie wurde verwendet, um Audio- und Videodaten zu analysieren und dann gefälschte Videos zu generieren, die real erscheinen. Dies ist ein unglaublicher Fortschritt in A.I. Technologie, die alle bereit machen sollte, an allem zu zweifeln, was sie im Internet sehen (falls sie dies noch nicht getan haben). Die Deepfake-Technologie hat in den letzten Jahren bereits mehrfach Schlagzeilen gemacht.

Im Jahr 2019 hat A.I. Deep-Learning-Technologie wurde verwendet, um die Stimme eines CEO zu fälschen. Dies wurde dann von Dieben genutzt, um mehr als 243.000 US-Dollar von der Firma zu stehlen. Betrüger verwendeten einen A.I. Programm, um die Stimme des CEO nachzuahmen und es dann zu verwenden, um die Untergebenen des CEO anzuweisen, Geld auf ein Konto eines Drittanbieters zu überweisen. Weitere Informationen zu diesem Vorfall finden Sie hier: Betrüger erfolgreich Deepfakes Voice des CEO, um 243.000 US-Dollar zu stehlen.

Videobeispiele

Selbst wenn Kriminelle und Hacker beginnen, diese Technologie für schändliche Zwecke einzusetzen, gibt es noch viele andere Verwendungszwecke. Zum Beispiel verwendet die Filmindustrie es, um die Bewegungen der Gesichter von Menschen auf animierte oder jenseitige Charaktere abzubilden. Es könnte auch verwendet werden, um Schauspieler in einem alten Film leicht durch neue zu ersetzen. Unten sehen Sie ein Video mit einigen Clips des Films Die Matrix als ob die Hauptfigur Neo von Will Smith anstelle von Keanu Reeves gespielt würde. Es ist eigentlich sehr gut!

Es gibt sicherlich einige unterhaltsame Anwendungen für Deepfake-Algorithmen. Ich bitte Sie jedoch, sorgfältig über die möglichen Auswirkungen dieser Technologie nachzudenken. Zum Beispiel könnte das Bild prominenter politischer Persönlichkeiten verwendet werden, um leicht Fehlinformationen zu verbreiten. Dies kann weitreichende Auswirkungen auf den politischen Prozess und die Regierungsführung im Allgemeinen haben.

Zum Beispiel tauchte vor einigen Jahren eine falsche Figur von Barack Obama auf. Viele Leute ließen sich von dem Video täuschen; Glücklicherweise kam jedoch kein größerer Schaden daraus. Schauen Sie sich die folgenden Clips dieses Videos an:

Können wir irgendetwas vertrauen, was wir online sehen?

4. Videospiele spielen lernen

Das Spielen von Videospielen ist größtenteils keine große Sache. Das heißt, wenn Sie ein Mensch sind. Es ist eine phänomenale Leistung, einen Computer dazu zu bringen, das Spielen eines Videospiels zu lernen (und es zu durchlaufen). Anstatt einen Algorithmus zu programmieren, um ein bestimmtes Spiel zu spielen oder eine bestimmte Aufgabe zu erledigen, können stattdessen Deep-Learning-Methoden eingesetzt werden. Mit den neuen neuronalen Netzen lehrt sich das Computerprogramm selbst, wie man das Spiel mit Versuch und Irrtum spielt. Im Laufe der Zeit können die Deep-Learning-Algorithmen ein Spiel beherrschen, indem sie schrittweise herausfinden, welche Strategien funktionieren und welche nicht.

Im Jahr 2015 konnte DeepMind von Google lernen, wie man mehrere einfache Atari-Videospiele spielt. DeepMind wurde schließlich so gut in diesen Spielen, dass es mit menschlichen Konkurrenten mithalten oder diese sogar schlagen konnte. Das folgende Video zeigt, wie DeepMind lernt, wie man ein Spiel namens spielt Atari Ausbruch:

Seit 2015 hat DeepMind gelernt, Dutzende anderer Spiele zu spielen, einschließlich der neuesten Version von StarCraft II. Mit Tausenden von Versuchen spielen StarCraft IIDeepMind zählt jetzt zu den Top-Spielern der Welt. Selbst die erfahrensten Profispieler finden, dass DeepMind ein sehr harter Konkurrent ist.

Es ist eine Sache zu lernen, wie man Eins-zu-Eins-Videospiele spielt. Denken Sie jedoch darüber nach, wie schwierig es wäre, ein Multiplayer-Ego-Spiel zu lernen. Nach dem Sammeln von mehr als 4 Jahren Spielerfahrung Beben IIIDeepMind konnte endlich mit Teammitgliedern zusammenarbeiten, um seine menschlichen Konkurrenten zu schlagen. Dieser A.I. Die Technologie wurde so gut im Spiel, dass sie jeden in einem Turnier mit 40 sehr guten Spielern kategorisch übertreffen konnte.

Weitere Informationen zu dieser bahnbrechenden Technologie finden Sie im DeepMind-Blog.