Czym jest nauka transferu?

W nauczanie maszynowe, transfer uczenia się występuje, gdy istniejący algorytm podejmuje inną (ale podobną) pracę. Oto, na czym polega nauczanie transferowe, jego korzyści i zastosowania.

Definicja uczenia się transferu

W uczeniu transferowym programiści ponownie wykorzystują algorytm zaprojektowany w określonym celu do innego zadania. Nowy algorytm stosuje to, co już wie, do wykonania nowej pracy.

Na przykład, jeśli masz algorytm, który może identyfikować zdjęcia psów, możesz go łatwo zmodyfikować, aby mógł również identyfikować koty. Możesz dalej rozwijać algorytm, aby stworzyć taki, który może zidentyfikować dowolne zwierzę.

Sztuczna inteligencja (AI) programy polegają na różnych algorytmach uczenia maszynowego, aby lepiej i szybciej wykonywać zamierzone zadania. Transfer learning nie jest tak naprawdę rodzajem uczenia maszynowego, ale raczej metodą stosowaną w tej dziedzinie. Transfer learning ma również zastosowania poza uczeniem maszynowym.

Zastosowania transferu uczenia się

Jedną z najbardziej ekscytujących perspektyw uczenia się transferowego jest głęboka nauka. Jako część sieci neuronowe, uczenie się transferu może być wykorzystywane do szkolenia sztucznej inteligencji w zakresie rozwiązywania nowych problemów, nawet jeśli dostępnych jest bardzo mało danych.

Rzeczywiste sytuacje nie zawsze można podzielić na punkty danych, więc silna SI musi umieć wyciągać wnioski na podstawie przeszłych doświadczeń. Transfer learning sprawił, że możliwość sztucznej inteligencji ogólnej (AGI) lub AI, która może wykonać każde zadanie, które może wykonać człowiek, stała się bliższa rzeczywistości.

Korzyści płynące z transferu uczenia się

Transfer uczenia się jest bardziej atrakcyjny niż tworzenie nowego algorytmu od podstaw; nauczenie sieci neuronowej może zająć dużo czasu, danych i mocy obliczeniowej. Oprócz oszczędności czasu możesz poprawić wyniki, opierając się na wstępnie wytrenowanym modelu.

Dzięki uczeniu transferowemu programy sztucznej inteligencji mogą być szkolone do wykonywania zadań, których inaczej nie byłyby w stanie wykonać. Jeśli nie ma wystarczającej ilości danych, aby wyszkolić sieć neuronową do żądanego zadania, możesz ją wyszkolić, aby wykonała podobne zadanie, dla którego jest mnóstwo danych. Następnie możesz oprzeć się na tym modelu, aby pomyślnie wyszkolić swoją sieć do nowych zadań przy użyciu ograniczonych danych, którymi dysponujesz.

Rodzaje modeli transferu uczenia się

Istnieją dziesiątki wstępnie wyszkolonych algorytmów, które są publicznie dostępne dla inżynierów sztucznej inteligencji. Możesz użyć tylko części istniejącego modelu lub całości. Alternatywnie możesz zbudować własne algorytmy i zmienić ich przeznaczenie.

Klasyfikacja obrazów, rozpoznawanie obiektów i wizja komputerowa to popularne zastosowania transferu uczenia się. Modele uczenia transferu używane do rozpoznawania obrazów obejmują Inicjacja Google'a I Microsoft ResNet. Te modele są otwarte źródło i dostępne dla każdego.

Innym obiecującym zastosowaniem nauczania transferowego jest przetwarzanie języka naturalnego, w szczególności tłumaczenie tekstu na mowę (i odwrotnie). Word2vec firmy Google I Rękawiczka Stanforda to dwa publicznie dostępne modele, które można dostosować do projektów językowych głębokiego uczenia się.

Modelowe Zoo Caffe to prowadzona przez społeczność witryna internetowa zawierająca repozytorium wstępnie wyszkolonych modeli do projektów nauczania transferowego, a także samouczki dotyczące korzystania z nich.