Deep Learning

Pembelajaran mendalam adalah salah satu dasar kecerdasan buatan (AI), dan minat saat ini dalam pembelajaran mendalam sebagian disebabkan oleh buzz seputar AI. Teknik pembelajaran mendalam telah meningkatkan kemampuan untuk mengklasifikasikan, mengenali, mendeteksi, dan mendeskripsikan – dalam satu kata, memahami. Misalnya, pembelajaran mendalam digunakan untuk mengklasifikasikan gambar, mengenali ucapan, mendeteksi objek, dan mendeskripsikan konten. Sistem seperti Siri dan Cortana didukung, sebagian, oleh pembelajaran mendalam. 

Beberapa perkembangan sekarang memajukan pembelajaran mendalam:

• Peningkatan algoritme telah meningkatkan kinerja metode pembelajaran mendalam.
  
• Pendekatan pembelajaran mesin baru telah meningkatkan akurasi model.
• Kelas baru jaringan saraf telah dikembangkan yang cocok untuk aplikasi seperti terjemahan teks dan klasifikasi gambar.
• Kami memiliki lebih banyak data yang tersedia untuk membangun jaringan saraf dengan banyak lapisan dalam, termasuk streaming data dari Internet of Things, data tekstual dari media sosial, catatan dokter, dan transkrip investigasi.

Kemajuan komputasi komputasi awan terdistribusi dan unit pemrosesan grafis telah memberikan daya komputasi yang luar biasa bagi kami. Tingkat daya komputasi ini diperlukan untuk melatih algoritma yang mendalam.

Pada saat yang sama, antarmuka manusia-ke-mesin juga telah berkembang pesat. Mouse dan keyboard diganti dengan gerakan, gesekan, sentuhan, dan bahasa alami, yang mengantarkan minat baru pada AI dan pembelajaran mendalam.

Pembelajaran Mendalam untuk Konservasi Hewan

Bagaimana komputer "melihat" gambar? Jared Peterson, Manajer Senior R&D Analisis Lanjutan SAS, menunjukkan seberapa dalam pembelajaran jaringan saraf adalah ilmu di balik visi komputer.

Dalam contoh pembelajaran mendalam ini, program komputer sedang belajar menafsirkan jejak hewan untuk membantu konservasi hewan.

Peluang dan aplikasi pembelajaran mendalam

Banyak daya komputasi diperlukan untuk memecahkan masalah pembelajaran mendalam karena sifat iteratif dari algoritma pembelajaran mendalam, kompleksitasnya seiring dengan meningkatnya jumlah lapisan, dan volume data yang besar yang dibutuhkan untuk melatih jaringan.

Sifat dinamis dari metode pembelajaran mendalam – kemampuannya untuk terus meningkatkan dan beradaptasi dengan perubahan dalam pola informasi yang mendasarinya – menghadirkan peluang besar untuk memperkenalkan perilaku yang lebih dinamis ke dalam analitik.

Personalisasi yang lebih besar dari analitik pelanggan adalah satu kemungkinan. Peluang besar lainnya adalah untuk meningkatkan akurasi dan kinerja dalam aplikasi di mana jaringan saraf telah digunakan untuk waktu yang lama. Melalui algoritme yang lebih baik dan daya komputasi yang lebih besar, kami dapat menambahkan kedalaman yang lebih besar.

Sementara fokus pasar saat ini dari teknik pembelajaran mendalam adalah dalam aplikasi komputasi kognitif, ada juga potensi besar dalam aplikasi analitik yang lebih tradisional, misalnya, analisis deret waktu.

Peluang lain adalah menjadi lebih efisien dan efisien dalam operasi analitis yang ada. Baru-baru ini, SAS bereksperimen dengan jaringan saraf dalam dalam masalah transkripsi ucapan-ke-teks. Dibandingkan dengan teknik standar, tingkat kesalahan kata menurun lebih dari 10 persen ketika jaringan saraf dalam diterapkan. Mereka juga menghilangkan sekitar 10 langkah pra-pemrosesan data, rekayasa fitur, dan pemodelan. Peningkatan kinerja yang mengesankan dan penghematan waktu jika dibandingkan dengan rekayasa fitur menandakan perubahan paradigma.