Hluboké a strojové učení ve službě Azure Machine Learning

Tento článek porovnává hluboké učení se strojovým učením a popisuje, jak se hodí do širší kategorie umělé inteligence. Seznamte se s řešeními hlubokého učení, která můžete vytvářet ve službě Azure Machine Learning, jako je detekce podvodů, rozpoznávání hlasu a rozpoznávání obličeje, analýza mínění a prognózování časových řad.

Pokyny k výběru algoritmů pro vaše řešení najdete v stručné nápovědě k algoritmům strojového učení.

Modely Foundry ve službě Azure Machine Learning jsou předem natrénované modely hlubokého učení, které je možné vyladit pro konkrétní případy použití. Další informace najdete v tématu Prozkoumání modelů Microsoft Foundry ve službě Azure Machine Learning a použití modelů open source základu kurátorovaných službou Azure Machine Learning.

Hluboké učení, strojové učení a AI

Následující definice popisují vztahy mezi hlubokým učením, strojovým učením, AI:

• Hluboké učení je podmnožina strojového učení, která je založená na umělých neurálních sítích. Proces učení je hluboký, protože struktura umělých neurálních sítí se skládá z několika vstupních, výstupních a skrytých vrstev. Každá vrstva obsahuje jednotky, které transformují vstupní data na informace, jež může další vrstva použít pro určitou prediktivní úlohu. Kvůli této struktuře se počítač může učit prostřednictvím vlastního zpracování dat.

• Strojové učení je podmnožina umělé inteligence, která používá techniky (například hluboké učení), které umožňují počítačům využívat zkušenosti ke zlepšení jejich schopnosti provádět úkoly. Proces učení se skládá z následujících kroků:

  1. Nasílte data do algoritmu. (V tomto kroku můžete modelu poskytnout další informace, například provedením extrakce funkcí.)
  2. Tato data slouží k trénování modelu.
  3. Otestujte a nasaďte model.
  4. Využití nasazeného modelu k automatizované prediktivní úloze (Jinými slovy, volání a použití nasazeného modelu k přijetí předpovědí vrácených modelem.)

• Umělá inteligence je technika, která umožňuje počítačům napodobovat lidskou inteligenci. Zahrnuje strojové učení.

• Generateive AI je podmnožina umělé inteligence, která používá techniky (například hluboké učení) k vygenerování nového obsahu. Pomocí generující umělé inteligence můžete například vytvářet obrázky, text nebo zvuk. Tyto modely používají k vygenerování tohoto obsahu obrovské množství předem natrénovaných znalostí.

Pomocí technik strojového učení a hlubokého učení můžete vytvářet počítačové systémy a aplikace, které provádějí úlohy, které jsou běžně spojené s lidskou inteligencí. Mezi tyto úlohy patří rozpoznávání obrázků, rozpoznávání řeči a překlad jazyka.

Techniky hlubokého učení a strojového učení

Teď, když máte základní znalosti o tom, jak se strojové učení liší od hlubokého učení, porovnáme dvě techniky. Ve strojovém učení je potřeba algoritmus říct, jak vytvořit přesnou předpověď tím, že využívá více informací. (Například provedením extrakce funkcí.) V hlubokém učení se algoritmus může naučit, jak vytvořit přesnou předpověď prostřednictvím vlastního zpracování dat, protože používá strukturu umělé neurální sítě.

Následující tabulka porovnává tyto dvě techniky podrobněji:

	Strojové učení	Hluboké učení
Počet datových bodů	K předpovědím můžete použít malé množství dat.	K předpovědím je potřeba použít velké objemy trénovacích dat.
Hardwarové závislosti	Může pracovat na počítačích s nízkou úrovní. Nepotřebuje velké množství výpočetního výkonu.	Závisí na špičkových počítačích. Ze své podstaty se dělá velký počet operací násobení matice. GPU může tyto operace efektivně optimalizovat.
Proces featurizace	Vyžaduje, aby byly funkce přesně identifikovány a vytvořeny uživateli.	Naučte se funkce vysoké úrovně z dat a vytvářejí nové funkce samostatně.
Přístup k učení	Rozdělí proces učení na menší kroky. Potom zkombinuje výsledky z každého kroku do jednoho výstupu.	Prochází procesem učení tím, že problém vyřešíte na komplexní bázi.
Čas trénování	Trénování trvá poměrně málo času, od několika sekund do několika hodin.	Trénování obvykle trvá dlouho, protože algoritmus hlubokého učení zahrnuje mnoho vrstev.
Výstup	Výstup je obvykle číselná hodnota, například skóre nebo klasifikace.	Výstup může mít více formátů, například text, skóre nebo zvuk.

Co je transferové učení?

Modely hlubokého učení trénování často vyžadují velké objemy trénovacích dat, vysoce endových výpočetních prostředků (GPU, TPU) a delší dobu trénování. Pokud nemáte k dispozici žádnou z těchto možností, můžete zkrátit proces trénování pomocí techniky označované jako učení přenosem.

Transfer learning je technika, která využívá znalosti získané z řešení jednoho problému na jiný, ale související problém.

Vzhledem ke struktuře neurálních sítí obsahuje první sada vrstev obvykle funkce nižší úrovně, zatímco konečná sada vrstev obsahuje funkce vyšší úrovně, které jsou blíže dané doméně. Použitím konečné vrstvy pro použití v nové doméně nebo problému můžete výrazně snížit množství času, dat a výpočetních prostředků potřebných k trénování nového modelu. Pokud už například máte model, který rozpoznává auta, můžete tento model znovu použít pomocí transferového učení k rozpoznávání nákladních vozů, motocyklů a dalších druhů vozidel.

Informace o tom, jak použít transferové učení pro klasifikaci obrázků pomocí opensourcové architektury ve službě Azure Machine Learning, najdete v tématu Trénování modelu PyTorch hlubokého učení pomocí transferového učení.

Případy použití hlubokého učení

Z důvodu struktury umělé neurální sítě se hluboké učení vyniká při identifikaci vzorů v nestrukturovaných datech, jako jsou obrázky, zvuk, video a text. Z tohoto důvodu hluboké učení rychle transformuje mnoho odvětví, včetně zdravotnictví, energetiky, financí a dopravy. Tato odvětví nyní přemýšlí tradiční obchodní procesy.

Některé z nejběžnějších aplikací pro hluboké učení jsou popsány v následujících odstavcích. Ve službě Azure Machine Learning můžete použít model, který jste vytvořili z opensourcové architektury, nebo model sestavit pomocí poskytovaných nástrojů.

Rozpoznávání pojmenovaných entit

Rozpoznávání pojmenovaných entit je metoda hlubokého učení, která přebírá část textu jako vstup a transformuje ji na předem zadanou třídu. Tyto nové informace můžou být PSČ, datum nebo ID produktu. Tyto informace se pak dají uložit ve strukturovaném schématu a vytvořit seznam adres nebo sloužit jako srovnávací test pro ověřovací modul identity.

Detekce objektů

Hluboké učení bylo použito v mnoha případech použití rozpoznávání objektů. Rozpoznávání objektů se používá k identifikaci objektů na obrázku (například aut nebo osob) a poskytnutí konkrétního umístění pro každý objekt pomocí ohraničujícího rámečku.

Rozpoznávání objektů se už používá v odvětvích, jako jsou hry, maloobchod, cestovní ruch a autojezdové automobily.

Generování titulků obrázků

Stejně jako rozpoznávání obrázků musí systém u daného obrázku vygenerovat titulek, který popisuje obsah obrázku. Když můžete rozpoznat a označovat objekty na fotografiích, dalším krokem je přeměna těchto popisků na popisné věty.

Popisky obrázků obvykle používají konvoluční neurální sítě k identifikaci objektů na obrázku a následné použití opakující se neurální sítě k přeměně popisků na konzistentní věty.

Strojový překlad

Strojový překlad přebírá slova nebo věty z jednoho jazyka a automaticky je překládá do jiného jazyka. Strojové překlady už dlouhou dobu existují, ale hluboké učení dosahuje působivých výsledků ve dvou konkrétních oblastech: automatický překlad textu (a překlad řeči na text) a automatický překlad obrázků.

S příslušnou transformací dat dokáže neurální síť porozumět textovému, zvukovému a vizuálnímu signálu. Strojový překlad lze použít k identifikaci fragmentů zvuku ve větších zvukových souborech a přepis mluveného slova nebo obrázku jako textu.

Analýza textu

Analýza textu založená na metodách hlubokého učení zahrnuje analýzu velkého množství textových dat (například lékařských dokumentů nebo účtenek výdajů), rozpoznávání vzorů a vytváření uspořádaných a stručných informací.

Organizace používají hloubkové učení k provádění analýzy textu k detekci interního obchodování a dodržování předpisů státní správy. Dalším běžným příkladem je podvod s pojištěním: Analýza textu se často používá k analýze velkého počtu dokumentů, aby bylo možné rozpoznat pravděpodobnost podvodných nároků na pojištění.

Umělé neurální sítě

Umělé neurální sítě jsou tvořeny vrstvami připojených uzlů. Modely hlubokého učení používají neurální sítě, které mají velký počet vrstev.

Následující části popisují některé oblíbené topologie umělé neurální sítě.

Informační neurální síť

Neurální síť je nejjednodušším typem umělé neurální sítě. V síti informačního kanálu se informace přesunou pouze jedním směrem ze vstupní vrstvy do výstupní vrstvy. Průchozí neurální sítě transformují vstup tím, že ho umístí do řady skrytých vrstev. Každá vrstva je tvořena sadou neuronů a každá vrstva je plně propojena se všemi neurony ve vrstvě předtím. Poslední plně propojená vrstva (výstupní vrstva) představuje vygenerované předpovědi.

Rekurentní neurální sítě (RNN)

Rekurentní neurální sítě jsou široce využívanou umělou neurální sítí. Tyto sítě ukládají výstup vrstvy a odsílají ho zpět do vstupní vrstvy, aby pomohly předpovědět výsledek vrstvy. Rekurentní neurální sítě mají silné schopnosti učení. Běžně se používají pro složité úlohy, jako je prognózování časových řad, učení rukopisu a rozpoznávání jazyka.

Konvoluční neurální sítě (CNN)

Konvoluční neurální síť je zvlášť efektivní umělá neurální síť a představuje jedinečnou architekturu. Vrstvy jsou uspořádány ve třech rozměrech: šířka, výška a hloubka. Neurony v jedné vrstvě se připojují ne ke všem neuronům v další vrstvě, ale pouze k malé oblasti neuronů vrstvy. Konečný výstup se zmenší na jeden vektor skóre pravděpodobnosti uspořádaného podle rozměru hloubky.

Konvoluční neurální sítě se používají v oblastech, jako je rozpoznávání videa, rozpoznávání obrázků a doporučovací systémy.

Generativní kontradiktorní sítě (GAN)

Generující nežádoucí sítě jsou generující modely natrénované tak, aby vytvářely realistický obsah, jako jsou obrázky. Tvoří dvě sítě označované jako generátor a diskriminátor. Obě sítě se trénují současně. Během trénování generátor používá náhodný šum k vytvoření nových syntetických dat, která se úzce podobají skutečným datům. Diskriminátor přebírá výstup z generátoru jako vstup a používá reálná data k určení, zda je generovaný obsah skutečný nebo syntetický. Každá síť soupeří s druhou sítí. Generátor se snaží generovat syntetický obsah, který je nerozlišitelný od skutečného obsahu, a diskriminátor se snaží správně klasifikovat vstupy jako skutečné nebo syntetické. Výstup se pak použije k aktualizaci váhy obou sítí, aby jim pomohl lépe dosáhnout příslušných cílů.

Generativní protiustalé sítě se používají k řešení problémů, jako je překlad obrazu na obraz a progrese věku.

Transformátory

Transformátory jsou architektury modelů, které jsou vhodné pro řešení problémů obsahujících sekvence, jako jsou text nebo data časových řad. Skládají se z vrstvy kodéru a dekodéru. Kodér vezme vstup a mapuje ho na číselnou reprezentaci obsahující informace, jako je kontext. Dekodér používá informace z kodéru k vytvoření výstupu, jako je přeložený text. Čím se transformátory liší od jiných architektur obsahujících kodéry a dekodéry, jsou dílčí vrstvy pozornosti. Pozornost se zaměřuje na konkrétní části vstupu na základě důležitosti jejich kontextu ve vztahu k jiným vstupům v sekvenci. Když například model shrnuje článek o novinkách, ne všechny věty jsou relevantní pro popis hlavní myšlenky. Když se zaměříte na klíčová slova v celém článku, můžete souhrn provést v jedné větě, nadpisu.

Transformátory se používají k řešení problémů se zpracováním přirozeného jazyka, jako je překlad, generování textu, zodpovězení otázek a shrnutí textu.

Mezi dobře známé implementace transformátorů patří:

• Obousměrné reprezentace kodéru z transformátorů (BERT)
• Generační předem natrénovaný transformátor 2 (GPT-2)
• Vytrénovaný předtrénovaný transformátor 3 (GPT-3)

Další kroky

Následující články popisují další možnosti použití opensourcových modelů hlubokého učení ve službě Azure Machine Learning:

• Klasifikace ručně psaných číslic pomocí modelu TensorFlow

• Klasifikace ručně psaných číslic pomocí estimátoru TensorFlow a Kerasu