PREVENT Artificial Intelligence Theory (UVIGO) - GR

Τεχνητή Νοημοσύνη - Έργο PREVENT

Θεωρία

Έναρξη

Θεωρία Τεχνητής Νοημοσύνης

FG

Επ breakthroughs στην Τεχνητή Νοημοσύνη

Κατηγοριοποίηση Εικόνων

Μετάφραση Μηχανής

Από το 2015, οι υπολογιστές μπορούν να εκπαιδευτούν να αποδίδουν καλύτερα από τους ανθρώπους σε εργασίες κατηγοριοποίησης εικόνων.

Από το 2016, έχουμε επιτύχει σχεδόν ανθρώπινη απόδοση στη μετάφραση μεταξύ γλωσσών χρησιμοποιώντας προχωρημένες τεχνικές AI.

"Je suis étudiant"

Η Τεχνητή Νοημοσύνη είναι η νέα ηλεκτρική ενέργεια

«Πριν από περίπου 100 χρόνια, η ηλεκτρική ενέργεια μεταμόρφωσε κάθε μεγάλη βιομηχανία. Η Τεχνητή Νοημοσύνη έχει προχωρήσει σε σημείο που έχει τη δύναμη να μεταμορφώσει κάθε σημαντικό τομέα τα επόμενα χρόνια.»

- Άντριου Νγκ, Πανεπιστήμιο Στάνφορντ

Ορισμοί

Τεχνητή Νοημοσύνη

Ο ευρύτερος όρος

Μηχανική Μάθηση

Υποσύνολο της ΤΝ

Βαθιά Μάθηση

Υποσύνολο της ML

Τεχνητή Νοημοσύνη

Ορισμός Merriam-Webster

Ορισμός της Wikipedia

"Κατά τη λαϊκή χρήση, ο όρος 'τεχνητή νοημοσύνη' εφαρμόζεται όταν μια μηχανή μιμείται τις 'γνωστικές' λειτουργίες που συσχετίζονται με ανθρώπινα μυαλά, όπως η 'μάθηση' και η 'επίλυση προβλημάτων'."

"Ένα κλάδος της επιστήμης των υπολογιστών που ασχολείται με την προσομοίωση της ευφυούς συμπεριφοράς στους υπολογιστές."

Wikipedia Definition

"Colloquially, the term 'artificial intelligence' is applied when a machine mimics 'cognitive' functions that humans associate with other human minds, such as 'learning' and 'problem solving'."

Μηχανική Μάθηση

«Η μελέτη και η κατασκευή προγραμμάτων που δεν προγραμματίζονται ρητά, αλλά μαθαίνουν μοτίβα καθώς εκτίθενται σε περισσότερα δεδομένα με την πάροδο του χρόνου.»

Μηχανική Μάθηση

Εισαγωγή Δεδομένων

Μεγάλες συλλογές δεδομένων τροφοδοτούν το πρόγραμμα

Αναγνώριση Προτύπων

Το πρόγραμμα αναγνωρίζει πρότυπα χωρίς ρητό προγραμματισμό

Μάθηση

Το σύστημα βελτιώνεται με περισσότερα παραδείγματα

Κατηγοριοποίηση

Λαμβάνει αποφάσεις βάσει νέων δεδομένων

Αυτά τα προγράμματα μαθαίνουν από το να βλέπουν επανειλημμένα δεδομένα, αντί να προγραμματίζονται ρητά από ανθρώπους.

Ορολογία Μηχανικής Μάθησης

Χαρακτηριστικά

Χαρακτηριστικά των δεδομένων (στήλες εισόδου)

Στόχος

Στήλη προς πρόβλεψη (έξοδος)

Αυτό το παράδειγμα μαθαίνει να ταξινομεί ένα είδος από ένα σύνολο μετρήσεων χαρακτηριστικών.

Δύο κύριοι τύποι μηχανικής μάθησης

Επιτηρούμενη Μάθηση

Μη επιτηρούμενη Μάθηση

Σύνολο δεδομένων: Έχει μια στήλη στόχο

Σύνολο δεδομένων: Δεν έχει στήλη στόχο

Στόχος: Κάντε προβλέψεις

Στόχος: Βρείτε δομή στα δεδομένα

Παραδείγμα: Ανίχνευση απάτης

Παραδείγμα: Τμηματοποίηση πελατών

Παράδειγμα Μηχανικής Μάθησης

Ανίχνευση Απάτης

Βασικά Χαρακτηριστικά

Οι αλγόριθμοι ML μπορούν να εντοπίσουν ασυνήθιστη δραστηριότητα σε χρηματοοικονομικές συναλλαγές.

• Χρόνος συναλλαγής

• Ποσό συναλλαγής

• Τοποθεσία συναλλαγής

• Κατηγορία αγοράς

Περιορισμοί της Μηχανικής Μάθησης

Πρόκληση στην Επεξεργασία Χαρακτηριστικών

Λύση με Βαθιά Μάθηση

Για πολύπλοκες εργασίες όπως η αναγνώριση εικόνων, ο ορισμός αποτελεσματικών χαρακτηριστικών είναι δύσκολος.

Η βαθιά μάθηση ξεπερνά αυτόν τον περιορισμό μαθαίνοντας αυτόματα τα πιο σχετικά χαρακτηριστικά από τα ακατέργαστα δεδομένα.

Ποια χαρακτηριστικά θα χρησιμοποιούσατε για να διακρίνετε μια γάτα από έναν σκύλο;

Βαθιά Μάθηση

«Μηχανική μάθηση που περιλαμβάνει τη χρήση πολύπλοκων μοντέλων που ονομάζονται 'βαθιές νευρωνικές δικτύες'».

Τα μοντέλα βαθιάς μάθησης καθορίζουν την καλύτερη αναπαράσταση των αρχικών δεδομένων. Στην κλασική μηχανική μάθηση, οι άνθρωποι πρέπει να σχεδιάζουν χειροκίνητα αυτά τα χαρακτηριστικά.

Παραδείγμα Deep Learning

Κλασική Μηχανική Μάθηση

Deep Learning

Βήμα 1: Προσδιορισμός χαρακτηριστικών χειροκίνητα

Τα βήματα 1 και 2 συνδυάζονται σε ένα ενιαίο βήμα

Βήμα 2: Εισαγωγή τους μέσω του μοντέλου

Το νευρωνικό δίκτυο εξάγει αυτόματα τα σχετικά χαρακτηριστικά

Ιστορία της ΤΝ

Πρώτοι αλγόριθμοι

1950-1960: Θεμέλια της ΤΝ θεμελιώθηκαν

Πρώτος Χειμώνας της ΤΝ

Τελευταία δεκαετία του 1960-1970: Περιορισμένη πρόοδος και περικοπές χρηματοδότησης

Συστήματα εμπειρογνωμόνων

1980s: Τα συστήματα βασισμένα σε κανόνες κέρδισαν εμπορική επιτυχία

Δεύτερος Χειμώνας της ΤΝ

Τελευταία δεκαετία του 1980-1990: Περιορισμένη πρόοδος και μειωμένο ενδιαφέρον

Μηχανική μάθηση

1990-2000: Στατιστικές προσεγγίσεις κέρδισαν έδαφος

Βαθιά μάθηση

2010s-Σήμερα: Τα νευρωνικά δίκτυα επανάστασαν στον τομέα

1950s: Πρώινη ΤΝ

1950: Δοκιμασία Τούρινγκ

1956: Συνέδριο του Ντάρτμουθ

Ο Άλαν Τούρινγκ ανέπτυξε μια δοκιμασία για την ευφυΐα των μηχανών

Η Τεχνητή Νοημοσύνη αποδεχτήκε ως επίσημος ακαδημαϊκός τομέας

1957: Περεπτρόνας

1959: Μηχανική Μάθηση

Ο Φρανκ Ρόζενμπλατ εφηύρε τον προάγγελο των νευρωνικών δικτύων

Το πρόγραμμα σκακιού του Άρθουρ Σάμουελ μάθαινε από την εμπειρία

Ο Πρώτος "Χειμώνας της ΤΝ"

1966: Αναφορά ALPAC

Η επιτροπή αξιολόγησε τεχνικές ΤΝ για αυτόματη μετάφραση και διαπίστωσε χαμηλή απόδοση της επένδυσης

1969: Περιορισμοί του Perceptron

Το βιβλίο του Marvin Minsky τόνισε τους περιορισμούς των νευρωνικών δικτύων, επιβραδύνοντας την έρευνα

1973: Αναφορά Lighthill

Τόνισε την αποτυχία της ΤΝ να εκπληρώσει τις υποσχέσεις, οδηγώντας σε περικοπές χρηματοδότησης

Επίδραση

Αυτές οι αναφορές οδήγησαν σε σημαντικές περικοπές στη χρηματοδότηση της κυβέρνησης για την έρευνα της ΤΝ

Άνοδος της Τεχνητής Νοημοσύνης τη δεκαετία του 1980

Συστήματα Ειδικών Γνώσεων

Συστήματα με προγραμματισμένους κανόνες που σχεδιάστηκαν να μιμούνται ανθρώπινους ειδικούς, απέκτησαν εμπορική υιοθέτηση

Υπολογιστικά Συστήματα Mainframe

Τρέχουν σε εξειδικευμένο υλικό χρησιμοποιώντας γλώσσες όπως η LISP

Εμπορική Επιτυχία

Δυο τρίτα των εταιρειών στη Fortune 500 χρησιμοποίησαν συστήματα ειδικών γνώσεων στο απόγειό τους

Αναγέννηση Νευρωνικών Δικτύων

Το 1986, ο αλγόριθμος "Backpropagation" επέτρεψε την εκπαίδευση πολυεπιπέδων δικτύων

Άλλη Χειμερινή Περίοδος της Τεχνητής Νοημοσύνης (τέλη 1980s – αρχές 1990s)

Ενσωμάτωση Τεχνολογίας

Η Πρόοδος Επιβραδύνθηκε

Τα συστήματα εμπειρογνωμόνων έγιναν χαρακτηριστικά σε γενικές επιχειρηματικές εφαρμογές

Ο αντίκτυπος των συστημάτων εμπειρογνωμόνων σε επιχειρηματικά προβλήματα σταθεροποιήθηκε

Επανάσταση των PC

Το λογισμικό μετακινήθηκε από κεντρικούς υπολογιστές σε προσωπικούς υπολογιστές

Μειωμένο Ενδιαφέρον

Προβλήματα Κλιμάκωσης

Ο επιχειρηματικός ενθουσιασμός για την ΤΝ μειώθηκε σημαντικά

Τα νευρωνικά δίκτυα δεν μπορούσαν να διαχειριστούν μεγάλα προβλήματα

Τελευταία δεκαετία του 1990 έως αρχές 2000: Κλασική Μηχανική Μάθηση

Αλγόριθμος SVM

Πρακτικές Εφαρμογές

Ενσωμάτωση

Ο Support Vector Machine έγινε η κυρίαρχη μέθοδος μηχανικής μάθησης

Οι λύσεις AI πέτυχαν στην αναγνώριση ομιλίας, τη ιατρική διάγνωση και την ρομποτική

Οι αλγόριθμοι AI ενσωματώθηκαν σε μεγαλύτερα συστήματα σε διάφορους κλάδους

2006: Άνοδος του Βαθιάς Μάθησης

2006

Ο Geoffrey Hinton δημοσιεύει πρωτοποριακό άρθρο σχετικά με την μη εποπτευόμενη προ-εκπαίδευση για βαθύτερα νευρωνικά δίκτυα

2009

Η βάση δεδομένων ImageNet με ανθρώπινα ετικεταρισμένες εικόνες παρουσιάστηκε στο συνέδριο CVPR

2010

Ξεκινά ο πρώτος διαγωνισμός ImageNet με αλγόριθμους που ανταγωνίζονται σε καθήκοντα οπτικής αναγνώρισης

Επαναbranding

Τα νευρωνικά δίκτυα επαναπροσδιορίστηκαν ως "βαθιά μάθηση" για να αντικατοπτρίσουν το ανανεωμένο τους δυναμικό

Επ breakthroughs στην Βαθιά Μάθηση (2012 – Σήμερα)

2012

2013

2014

Τα μοντέλα βαθιάς μάθησης υπερέχουν δραστικά των προηγούμενων μεθόδων στον διαγωνισμό ImageNet

Τα μοντέλα βαθιάς μάθησης αρχίζουν να κατανοούν το "εννοιολογικό νόημα" των λέξεων

Παρόμοιες προόδοι εμφανίζονται σε εργασίες μετάφρασης γλώσσας

Επίδραση

Οι εξελίξεις οδήγησαν σε βελτιώσεις στην αναζήτηση ιστού, αναζήτηση εγγράφων, περιληπτικά και μετάφραση

Επ breakthroughs στη βαθιά μάθηση (2012 – σήμερα)

2014

Οι αλγόριθμοι οπτικής αναγνώρισης μαθαίνουν να περιγράφουν φωτογραφίες με φυσική γλώσσα

2015

Η Google κυκλοφορεί το TensorFlow, καθιστώντας τα εργαλεία βαθιάς μάθησης ευρέως προσβάσιμα

2016

Το AlphaGo της DeepMind νικά τον δάσκαλο του Go Lee Se-dol, μια σημαντική επίτευξη

Επίδραση

Αυτές οι ανακαλύψεις απέδειξαν την ικανότητα της AI να κυριαρχεί σε εργασίες που προηγουμένως θεωρούνταν ότι απαιτούν ανθρώπινη διαίσθηση

Σύγχρονη Τεχνητή Νοημοσύνη (2012 – Παρόν): Επιπτώσεις της Βαθιάς Μάθησης

Αυτοοδηγούμενα Οχήματα

Υγεία

Επικοινωνία

Προηγμένος εντοπισμός αντικειμένων επιτρέπει την αυτόνομη πλοήγηση σε πολύπλοκα περιβάλλοντα

Τα συστήματα ΤΝ βελτιώνουν την ακρίβεια διαγνώσεων σε διάφορες ιατρικές ειδικότητες

Τα συστήματα νευρωνικής μετάφρασης πλησιάζουν την ποιότητα ανθρώπινου επιπέδου σε πολλές γλωσσικές ζεύξεις

Πώς διαφέρει αυτή η εποχή της ΤΝ;

Ταχύτεροι Υπολογιστές

Η σύγχρονη υπολογιστική ισχύς, ειδικά οι GPU, επιτρέπει την εκπαίδευση πολύπλοκων μοντέλων

Μεγαλύτερα Δεδομένα

Η συλλογή δεδομένων σε παγκόσμιο επίπεδο παρέχει τεράστιους πόρους εκπαίδευσης

Προηγμένα Νευρωνικά Δίκτυα

Οι εξελιγμένες αρχιτεκτονικές μπορούν να μαθαίνουν πολύπλοκα μοτίβα αυτόνομα

Διατομεακά Αποτελέσματα

Οι εξελίξεις στην ΤΝ ωφελούν πολλαπλούς τομείς ταυτόχρονα

Άλλοι Σύγχρονοι Παράγοντες Τεχνητής Νοημοσύνης

Οικοσύστημα Ανοιχτού Κώδικα

Βιβλιοθήκες Ανοιχτού Κώδικα

Ανοιχτά Δεδομένα

Μεγάλα ετικετοποιημένα σύνολα δεδομένων επιτρέπουν την εκπαίδευση πιο εξελιγμένων μοντέλων

Τα εργαλεία βασισμένα σε Python έχουν δημοκρατικοποιήσει την πρόσβαση στην μηχανική μάθηση

Οι κορυφαίες πλατφόρμες βαθιάς μάθησης είναι ελεύθερα διαθέσιμες σε ερευνητές και προγραμματιστές

Συνεργατική Έρευνα

Η συνεργασία ακαδημαϊκών και βιομηχανίας επιταχύνει την πρόοδο

Μεταμορφωτικές Αλλαγές στην Υγειονομική Περίθαλψη

Βελτιωμένες Διαγνώσεις

Ανακάλυψη Φαρμάκων

Φροντίδα Ασθενών

• Τα συστήματα AI αναλύουν ιατρικές εικόνες με εξειδικευμένη ακρίβεια

• Η AI επιταχύνει την αναγνώριση πιθανών θεραπευτικών ενώσεων

• Τα συστήματα παρακολούθησης εντοπίζουν λεπτές αλλαγές στην κατάσταση των ασθενών

• Η έγκαιρη ανίχνευση καταστάσεων βελτιώνει τα αποτελέσματα θεραπείας

• Μειώνει τον χρόνο ανάπτυξης από χρόνια σε μήνες

• Οι προγνωστικοί αλγόριθμοι εντοπίζουν ασθενείς υψηλού κινδύνου

• Μειώνει τα διαγνωστικά λάθη και βελτιώνει τη φροντίδα των ασθενών

• Επιτρέπει εξατομικευμένες προσεγγίσεις στη ιατρική

• Οι εικονικοί βοηθοί υποστηρίζουν τη διαχείριση των ασθενών

Μεταμορφωτικές Αλλαγές στα Χρηματοοικονομικά

Αλγοριθμικό Εμπόριο

Τα συστήματα Τεχνητής Νοημοσύνης λαμβάνουν αποφάσεις υψηλής ταχύτητας σχετικά με το εμπόριο βασιζόμενα σε μοτίβα της αγοράς

Ανίχνευση Απάτης

Τα μοντέλα Μηχανικής Μάθησης εντοπίζουν ύποπτες συναλλαγές με υψηλή ακρίβεια

Αξιολόγηση Κινδύνου

Η Τεχνητή Νοημοσύνη αξιολογεί αιτήσεις δανείων και επενδυτικές ευκαιρίες

Προσωπική Χρηματοδότηση

Chatbots και robo-advisors παρέχουν χρηματοοικονομική καθοδήγηση

Μεταμορφωτικές Αλλαγές στη Διακυβέρνηση

24/7

Πολιτικές Υπηρεσίες

Τα συστήματα με τεχνητή νοημοσύνη παρέχουν βοήθεια όλο το 24ωρο στους πολίτες

50%

Βελτιώσεις Αποδοτικότητας

Η αυτοματοποίηση διαδικασιών μειώνει τα διοικητικά έξοδα και το χρόνο

90%

Ανίχνευση Απειλών

Τα συστήματα τεχνητής νοημοσύνης εντοπίζουν κινδύνους ασφαλείας με υψηλή ακρίβεια

75%

Βελτιστοποίηση Πόρων

Οι εφαρμογές έξυπνων πόλεων βελτιώνουν τη διαχείριση αστικών πόρων

Μεταμορφωτικές Αλλαγές στη Μεταφορά

Αυτονομικά Οχήματα

Βελτιστοποίηση Logistics

Αντιμετώπιση Εκτάκτων Αναγκών

Τα αυτοκίνητα με αυτόνομη οδήγηση χρησιμοποιούν AI για την ασφαλή πλοήγηση σε πολύπλοκα περιβάλλοντα

Τα συστήματα AI διαχειρίζονται στόλους και βελτιστοποιούν διαδρομές παράδοσης

Τα drones και ρομπότ βοηθούν σε επιχειρήσεις έρευνας και διάσωσης

Επιβλεπόμενη Μάθηση

Επισήμανση Δεδομένων

Εκπαίδευση Μοντέλου

Το σύνολο δεδομένων περιλαμβάνει χαρακτηριστικά εισόδου και επιθυμητό αποτέλεσμα

Ο αλγόριθμος μαθαίνει μοτίβα μεταξύ εισόδων και εξόδων

Αξιολόγηση

Πρόβλεψη

Η απόδοση αξιολογείται σε δοκιμαστικά δεδομένα που διατηρούνται

Εκπαιδευμένο μοντέλο εφαρμόζεται σε νέα, αόρατα δεδομένα

Μηχανική Μάθηση

Τύπος

Σετ Δεδομένων

Επιβλεπόμενη Μάθηση

Τα δεδομένα έχουν γνωστό αποτέλεσμα

Μη επιβλεπόμενη Μάθηση

Τα δεδομένα έχουν άγνωστο αποτέλεσμα

Η μελέτη και κατασκευή προγραμμάτων που μαθαίνουν από την επανειλημμένη παρακολούθηση δεδομένων, αντί να προγραμματίζονται ρητά από ανθρώπους.

Στόχος έναντι. Χαρακτηριστικά

Χαρακτηριστικά

Στόχος

Ιδιότητες των δεδομένων που χρησιμοποιούνται για την πρόβλεψη (μη-στόχοι στήλες)

Στήλη για πρόβλεψη - το αποτέλεσμα που μας ενδιαφέρει

• Μεταβλητές εισόδου που χρησιμοποιεί το μοντέλο

• Μεταβλητή εξόδου που μαθαίνει να προβλέπει το μοντέλο

• Σε διαχείριση έκτακτης ανάγκης: δεδομένα καιρού, πυκνότητα πληθυσμού, κατάσταση υποδομών

• Σε διαχείριση έκτακτης ανάγκης: επίπεδο κινδύνου πλημμύρας, ανάγκη εκκένωσης, ανάγκες πόρων

Παραδείγμα: Πρόβλημα Επιβλεπόμενης Μάθησης

Στόχος

Πρόβλεψη αν ένα email είναι spam ή όχι

Δεδομένα

Ιστορικά email που έχουν χαρακτηριστεί ως spam ή όχι spam

Χαρακτηριστικά

Κείμενο email, θέμα, χρόνος αποστολής, πληροφορίες αποστολέα

Στόχος

Διπλή ταξινόμηση: spam ή όχι spam

Παράδειγμα: Πρόβλημα Επιβλεπόμενης Μάθησης

Ανίχνευση Αντικειμένων για Επείγουσα Ανταπόκριση

Τα συστήματα AI μπορούν να αναγνωρίσουν ανθρώπους, οχήματα και κατεστραμμένα κτίρια σε ζώνες καταστροφής.

• Στόχος: Πρόβλεψη θέσης πλαισίων γύρω από αντικείμενα

• Δεδομένα: Εικόνες με επισημασμένες θέσεις πλαισίων

• Χαρακτηριστικά: Εικονοστοιχεία και μοτίβα εικόνας

• Στόχος: Συντεταγμένες πλαισίων αντικειμένων

Εφαρμογές Διαχείρισης Εκτάκτων Αναγκών

Εντοπισμός Καταστροφών

Πρόβλεψη Κινδύνου

Κατανομή Πόρων

Η ΤΝ μπορεί να αναλύσει γρήγορα εικόνες από δορυφόρους και drones για να εντοπίσει τις επιπτώσεις και τη σοβαρότητα της καταστροφής

Τα μοντέλα ΜΑ μπορούν να προβλέψουν τις πορείες καταστροφής βασιζόμενα σε δεδομένα καιρού και εδάφους

Η ΤΝ βελτιστοποιεί τους πόρους άμεσης ανταπόκρισης βάσει αξιολόγησης αναγκών σε πραγματικό χρόνο

Διατύπωση ενός Ελεγχόμενου Προβλήματος Μάθησης

Συλλογή Επισημασμένων Δεδομένων

Συλλέξτε δεδομένα με χαρακτηριστικά και ετικέτες στόχου σχετικές με το πρόβλημά σας

Επιλογή Μοντέλου

Επιλέξτε τον αλγόριθμο που ταιριάζει καλύτερα στον τύπο των δεδομένων και το πρόβλημά σας

Ορισμός Μετρικής Αξιολόγησης

Προσδιορίστε πώς θα μετρήσετε την απόδοση βάσει των συγκεκριμένων στόχων σας

Επιλογή Μεθόδου Βελτιστοποίησης

Επιλέξτε πώς θα βρείτε τη διαμόρφωση του μοντέλου που μεγιστοποιεί την απόδοση

Ποιο Μοντέλο;

Δένδρο Απόφασης

Πλησιέστερος Γείτονας

Νευρωνικό Δίκτυο

Κάνει προβλέψεις ρωτώντας μια σειρά από ναι/όχι ερωτήσεις σχετικά με τα χαρακτηριστικά

Βασίζει τις προβλέψεις στην ομοιότητα με παραδείγματα εκπαίδευσης

Κάνει προβλέψεις χρησιμοποιώντας διασυνδεδεμένα στρώματα τεχνητών νευρώνων

Ποιο Μοντέλο;

Κατά την επιλογή μοντέλου για εφαρμογές διαχείρισης εκτάκτων αναγκών, λάβετε υπόψη αυτούς τους βασικούς παράγοντες. Η πολυπλοκότητα του προβλήματος και οι απαιτήσεις δεδομένων συχνά υπερβαίνουν άλλες εκτιμήσεις λόγω της κρίσιμης φύσης της ανταπόκρισης έκτακτης ανάγκης.

Μέτρο Αξιολόγησης

Ακρίβεια

Μέση Τετραγωνική Απόκλιση

Άλλα Μέτρα

Ποσοστό σωστών προβλέψεων

Μέσο τετραγωνικό λάθος μεταξύ προβλέψεων και πραγματικών τιμών

• Ακρίβεια: Ακρίβεια θετικών προβλέψεων

Χρήσιμο όταν οι κατηγορίες είναι ισορροπημένες

• Ανάκληση: Ικανότητα εύρεσης όλων των θετικών περιπτώσεων

Χρησιμοποιείται για προβλήματα παλινδρόμησης

• F1-Score: Συνδυαστικός μέσος όρος της ακρίβειας και της ανάκλησης

• AUC-ROC: Περιοχή κάτω από την καμπύλη χαρακτηριστικών αποκρίσεων

Μέτρο Αξιολόγησης

Το Λάθος Μέτρο Μπορεί να Παραπλανήσει

Στην Διαχείριση Εκτάκτων Αναγκών

Σκεφτείτε τη χρήση ακρίβειας για τον εντοπισμό spam με 99% spam emails. Ένα μοντέλο που προβλέπει "spam" για κάθε email θα είχε 99% ακρίβεια αλλά θα χάνει σημαντικά νόμιμα email.

Οι ψευδώς αρνητικές (απουσία έκτακτης ανάγκης) είναι συχνά πιο δαπανηρές από τις ψευδώς θετικές (ψευδείς συναγερμοί). Τα μέτρα πρέπει να αντικατοπτρίζουν αυτό το ασυμμετρικό κόστος.

Το Πλαίσιο Μετράει

Επιλέξτε μέτρα που ευθυγραμμίζονται με τον πραγματικό αντίκτυπο των προβλέψεων. Για αποφάσεις εκκένωσης, η ανάκληση (εντοπισμός όλων των περιπτώσεων που απαιτούν εκκένωση) μπορεί να είναι πιο σημαντική από την ακρίβεια.

Εκπαίδευση

Δεδομένα Εκπαίδευσης

Βελτιστοποίηση

Για τη Διαχείριση Εκτάκτων Αναγκών

Το σύνολο δεδομένων που χρησιμοποιείται για να διδάξει το μοντέλο μοτίβα μεταξύ χαρακτηριστικών και στόχων

Η διαδικασία διαμόρφωσης του μοντέλου για την καλύτερη απόδοση

Τα μοντέλα πρέπει να εκπαιδεύονται σε ποικίλα σενάρια για να αντιμετωπίσουν την απρόβλεπτη φύση των καταστροφών

• Ιστορικές καταστάσεις έκτακτης ανάγκης με αποτελέσματα

• Ρυθμίζει τις παραμέτρους του μοντέλου για την ελαχιστοποίηση λαθών

• Συνθετικά σενάρια καταστροφής

• Χρησιμοποιεί αλγόριθμους όπως η καθοδική βαθμίδα

• Δεδομένα από προσομοιώσεις και ασκήσεις

• Μπορεί να απαιτεί πολλαπλές επαναλήψεις

Εκπαίδευση

Εισαγωγή Δεδομένων

Επισημασμένα παραδείγματα τροφοδοτούν το μοντέλο

Προώθηση Πέρασμα

Το μοντέλο παράγει προβλέψεις με βάση τη τρέχουσα διαμόρφωση

Υπολογισμός Σφάλματος

Μετριέται η διαφορά μεταξύ προβλέψεων και πραγματικών στόχων

Πίσω Πέρασμα

Οι παράμετροι του μοντέλου προσαρμόζονται για να μειωθούν τα σφάλματα

Επανάληψη

Η διαδικασία επαναλαμβάνεται μέχρι η απόδοση να σταματήσει να βελτιώνεται

Εξαγωγή συμπερασμάτων

Νέα δεδομένα

Παρατηρήσεις που δεν έχουν εμφανιστεί παρέχονται στο εκπαιδευμένο μοντέλο

Επεξεργασία

Το μοντέλο εφαρμόζει τις μαθημένες πρότυπες για ανάλυση των δεδομένων

Πρόβλεψη

Το μοντέλο παράγει αποτελέσματα βάσει της εκπαίδευσής του

Απόφαση

Οι προβλέψεις ενημερώνουν τις ενέργειες διαχείρισης έκτακτης ανάγκης

Εκπαίδευση έναντι Εξαγωγής

Πτυχή

Εκπαίδευση

Εξαγωγή

Στόχος

Μάθηση προτύπων από δεδομένα

Εφαρμογή προτύπων σε νέα δεδομένα

Είσοδος

Επισημασμένα δεδομένα (χαρακτηριστικά + στόχοι)

Μη επισημασμένα δεδομένα (μόνο χαρακτηριστικά)

Έξοδος

Παραμετροι εκπαιδευμένου μοντέλου

Προβλέψεις

Υπολογισμός

Διαδικασία, συχνά απαιτεί GPU

Αντίθετα, ελαφρύ

Εφαρμογή

Συνήθως offline, σε ανάπτυξη

Σε πραγματικό χρόνο, σε παραγωγή

Επισκόπηση Επιβλεπόμενης Μάθησης

Φάση Εκπαίδευσης

Φάση Εξαγωγής Συμπερασμάτων

Δεδομένα με απαντήσεις + Μοντέλο → Εκπαιδευμένο Μοντέλο

Νέα δεδομένα + Εκπαιδευμένο Μοντέλο → Προβλέψεις

Αξιολόγηση

Βελτίωση

Σύγκριση προβλέψεων με πραγματικά αποτελέσματα

Βελτιώστε το μοντέλο βάσει της απόδοσης

Ο τελικός στόχος είναι να αναπτύξετε ένα μοντέλο που να αποδίδει καλά σε άγνωστα δεδομένα, κάνοντας αξιόπιστες προβλέψεις σε νέες καταστάσεις έκτακτης ανάγκης.

Παράδειγμα Διαχείρισης Εκτάκτων Αναγκών

Πρόγνωση Πυρκαγιάς

Αξιολόγηση Κινδύνου Πλημμύρας

Αξιολόγηση Ζημιών

Τα μοντέλα AI προβλέπουν την εξάπλωση της φωτιάς βάσει καιρικών συνθηκών, βλάστησης και τοπογραφίας

Οι αλγόριθμοι ML εκτιμούν την πιθανότητα πλημμύρας χρησιμοποιώντας δεδομένα βροχοπτώσεων και τοπογραφίας

Οι αλγόριθμοι υπολογιστικής όρασης εντοπίζουν γρήγορα τις δομικές ζημιές μετά από σεισμούς

Διαμόρφωση καμπύλης: Παράδειγμα υπερπροσαρμογής έναντι υποπροσαρμογής

Στόχος

Πρόκληση

Προσαρμόστε μια καμπύλη στα σημεία δεδομένων για να μοντελοποιήσετε τη βασική σχέση

Βρείτε την κατάλληλη πολυπλοκότητα για το μοντέλο ώστε να συλλάβει το αληθινό μοτίβο χωρίς να ταιριάζει με τον θόρυβο

Στην διαχείριση έκτακτης ανάγκης: μοντελοποιήστε τη σχέση μεταξύ καιρικών συνθηκών και σοβαρότητας πλημμύρας

Καμπύλη Προσαρμογής: Παράδειγμα Υποπροσαρμογής

Η καμπύλη είναι πολύ απλή

Το μοντέλο αποτυγχάνει να συλλάβει σημαντικά μοτίβα στα δεδομένα

Κακή Απόδοση στην Εκπαίδευση

Υψηλό σφάλμα ακόμα και στα δεδομένα εκπαίδευσης

Κακή Απόδοση στη Δοκιμασία

Δεν μπορεί να γενικεύσει σε νέες καταστάσεις

Σε Διαχείριση Εκτάκτων Αναγκών

Ένα υποπροσαρμοσμένο μοντέλο μπορεί να παραλείψει κρίσιμα προειδοποιητικά σημάδια μιας επικείμενης καταστροφής

Προσαρμογή Καμπύλης: Παράδειγμα Υπερεφαρμογής

Ο Προσαρμοστικός Άξονας Είναι Πολύ Πολύπλοκος

Το μοντέλο καταγράφει τυχαίο θόρυβο αντί για πραγματικά μοτίβα

Άριστη Επιδόση Εκπαίδευσης

Σχεδόν τέλεια εφαρμογή στα δεδομένα εκπαίδευσης

Κακή Επιδόση Δοκιμής

Δεν μπορεί να γενικευτεί σε νέες καταστάσεις

Στην Διαχείριση Εκτάκτων Αναγκών

Ένα υπερβολικά προσαρμοσμένο μοντέλο μπορεί να παράγει ψευδείς συναγερμούς ή να χάσει πραγματικές εκτάκτες σε ελαφρώς διαφορετικές καταστάσεις

Πρόβλημα Προσαρμογής Καμπύλης

Πρόκληση

Κίνδυνος

Για Διαχείριση Εκτάκτου Ανάγκης

Τα αόρατα δεδομένα δεν είναι διαθέσιμα κατά την εκπαίδευση, καθιστώντας δύσκολη την αξιολόγηση της απόδοσης σε νέες καταστάσεις

Όταν μετράμε την απόδοση μόνο στα δεδομένα εκπαίδευσης, τα μοντέλα τείνουν να υπερεκπαιδεύονται

Βρίσκοντας την κατάλληλη ισορροπία είναι ζωτικής σημασίας - τα μοντέλα πρέπει να γενικεύουν σε νέες καταστάσεις καταστροφών, ενώ διατηρούν την ευαισθησία στα προειδοποιητικά σημάδια

Λύση: Διαχωρισμός Δεδομένων σε Δύο Σύνολα

Σετ Εκπαίδευσης

Σετ Δοκιμής

Δεδομένα που χρησιμοποιούνται για την εκμάθηση του μοντέλου

Δεδομένα που χρησιμοποιούνται για την αξιολόγηση της απόδοσης

• 70-80% των διαθέσιμων δεδομένων

• 20-30% των διαθέσιμων δεδομένων

• Χρησιμοποιείται για την προσαρμογή των παραμέτρων του μοντέλου

• Εξομοιώνει άγνωστα σενάρια

• Το μοντέλο βλέπει αυτά τα δεδομένα κατά την εκμάθηση

• Το μοντέλο δεν βλέπει ποτέ αυτό κατά την εκπαίδευση

Διαχωρισμός Εκπαίδευσης και Δοκιμής

Φάση Εκπαίδευσης

Προσαρμογή Βαρών Μοντέλου

Φάση Δοκιμής

Αξιολόγηση Απόδοσης

Το μοντέλο μαθαίνει μοτίβα από τα δεδομένα εκπαίδευσης

Το εκπαιδευμένο μοντέλο αξιολογείται με άγνωστα δεδομένα δοκιμής

Οι παράμετροι βελτιστοποιούνται βάσει της απόδοσης στην εκπαίδευση

Τα αποτελέσματα δοκιμής εκτιμούν την απόδοση σε πραγματικό κόσμο

Αυτή η προσέγγιση προσομοιώνει πώς θα αποδώσει το μοντέλο σε πραγματικές καταστάσεις έκτακτης ανάγκης που δεν έχει αντιμετωπίσει προηγουμένως.

Διασταυρωτή επικύρωση για μοντέλα έκτακτης ανάγκης

Διαίρεση Δεδομένων

Επανάληψη

Εκπαίδευση σε όλα εκτός από μία υποομάδα, δοκιμή στην υπόλοιπη

Διαίρεση του συνόλου δεδομένων σε πολλαπλές υποομάδες

Περιστροφή

Μέσος Όρος

Επανάληψη χρησιμοποιώντας διαφορετική υποομάδα ως σύνολο δοκιμής

Υπολογισμός απόδοσης σε όλες τις επαναλήψεις

Η διασταυρωτή επικύρωση παρέχει μια πιο αξιόπιστη εκτίμηση απόδοσης, ιδιαίτερα σημαντική για μοντέλα διαχείρισης έκτακτης ανάγκης όπου τα δεδομένα μπορεί να είναι περιορισμένα και η μεταβλητότητα υψηλή.

Βαθιά Μάθηση

"Μηχανική μάθηση που περιλαμβάνει τη χρήση πολύπλοκων μοντέλων που ονομάζονται 'βαθιανά νευρωνικά δίκτυα'."

Αυτά τα εξελιγμένα μοντέλα προσδιορίζουν αυτόματα την καλύτερη αναπαράσταση των δεδομένων, εξαλείφοντας την ανάγκη για χειροκίνητη μηχανική χαρακτηριστικών που απαιτεί η παραδοσιακή μηχανική μάθηση.

Διαφορές στη Βαθιά Μάθηση

Κλασική Μηχανική Μάθηση

Βαθιά Μάθηση

Δύο διακριτά βήματα:

Ολοκληρωμένη προσέγγιση:

1. Οι άνθρωποι καθορίζουν χειροκίνητα τα χαρακτηριστικά

• Εξαγωγή χαρακτηριστικών και μοντελοποίηση συνδυασμένα

1. Τα χαρακτηριστικά περνούν μέσω του μοντέλου

• Ακατέργαστα δεδομένα επεξεργάζονται μέσω πολλαπλών επιπέδων

• Κάθε επίπεδο μαθαίνει ολοένα και πιο αφηρημένα χαρακτηριστικά

Τύποι Προβλημάτων Βαθιάς Μάθησης

Ανάλυση Εικόνων

• Κατάταξη τύπων καταστροφής

• Ανίχνευση αντικειμένων σε περιοχές που επηρεάστηκαν

• Σημασιολογική διαχωρισμός ζωνών ζημιάς

Επεξεργασία Φυσικής Γλώσσας

• Παρακολούθηση κοινωνικών μέσων για αναφορές έκτακτης ανάγκης

• Ανάλυση συναισθήματος κατά τη διάρκεια κρίσεων

• Αυτοματοποιημένη επικοινωνία έκτακτης ανάγκης

Ανάλυση Χρονικών Σειρών

• Πρόβλεψη καιρού

• Παρακολούθηση δεδομένων αισθητήρων

• Πρόβλεψη εξάπλωσης επιδημιών

Αναγνώριση Ομιλίας

• Επεξεργασία κλήσεων έκτακτης ανάγκης

• Συστήματα ανταπόκρισης με φωνή

• Υποστήριξη πολυγλωσσικής επικοινωνίας

Κατηγοριοποίηση και Ανίχνευση

Ανίχνευση Αντικειμένων

Εφαρμογές Έκτακτης Ανάγκης

Επεξεργασία σε πραγματικό χρόνο

Εντοπίζει και αναγνωρίζει συγκεκριμένα αντικείμενα σε εικόνες ή καρέ βίντεο

Εντοπίζει θύματα, κατεστραμμένες δομές, αποκλεισμένους δρόμους και οχήματα έκτακτης ανάγκης

Επιτρέπει γρήγορη ανταπόκριση σε αναπτυσσόμενες καταστάσεις

Εννοιολογική Διαχωρισμός

Κατηγοριοποίηση σε επίπεδο εικονοστοιχείου

Ετικετοποιεί κάθε εικονοστοιχείο σε μια εικόνα, δημιουργώντας λεπτομερείς χάρτες διαφορετικών στοιχείων

Στη διαχείριση έκτακτης ανάγκης:

• Ακριβής αξιολόγηση ζημιών

• Ακριβής χαρτογράφηση έκτασης πλημμύρας

• Λεπτομερής ανίχνευση ορίων δασικών πυρκαγιών

• Ταυτοποίηση ασφαλών περιοχών έναντι επικίνδυνων ζωνών

Ανάκτηση Αντικειμένων Φυσικής Γλώσσας

Οπτική Αναζήτηση με Οδηγίες Κειμένου

Επείγουσες Εφαρμογές

Διαχείριση Πόρων

Τα συστήματα μπορούν να εντοπίζουν αντικείμενα σε εικόνες βάσει περιγραφών φυσικής γλώσσας

Επιτρέπει την αναζήτηση και διάσωση βάσει περιγραφών μαρτύρων

Γρήγορη αναγνώριση συγκεκριμένων υποδομών ή πόρων που χρειάζονται κατά τη διάρκεια της ανταπόκρισης

Αναγνώριση Ομιλίας και Μετάφραση Γλώσσας

Διαγλωσσική Επικοινωνία

Επεξεργασία Κλήσεων Έκτακτης Ανάγκης

Φωνητικές Εντολές

Χειρισμός συστημάτων έκτακτης ανάγκης χωρίς χρήση χεριών μέσω αναγνώρισης φωνής

Η ΤΝ επιτρέπει αποτελεσματική επικοινωνία μεταξύ διασωστών και πληθυσμών που επηρεάζονται, ανεξαρτήτως γλωσσικών εμποδίων

Αυτοματοποιημένη μεταγραφή και ανάλυση κλήσεων έκτακτης ανάγκης βοηθά στην προτεραιοποίηση της ανταπόκρισης

Ραδιοφωνική Επικοινωνία

Πραγματικός χρόνος μεταγραφής επικοινωνιών ραδιοφώνου πεδίου για κέντρα συντονισμού

Πλήρως Συνδεδεμένο Δίκτυο

FG

Διαμόρφωση Εργαλείων Επιβλεπόμενης Μάθησης

Συλλογή Δεδομένων

Συλλέξτε χαρακτηριστικά και ετικέτες στόχου που αντιπροσωπεύουν το πρόβλημα που επιλύετε.

Επιλογή Μοντέλου

Επιλέξτε μια κατάλληλη αρχιτεκτονική βάσει του τύπου του προβλήματός σας.

Μέτρο Αξιολόγησης

Ορίστε πώς θα μετράτε την απόδοση και την επιτυχία.

Μέθοδος Βελτιστοποίησης

Ορίστε πώς θα βρείτε τη βέλτιστη διαμόρφωση του μοντέλου.

Ποιο Μοντέλο;

Διαφορετικά μοντέλα αντιπροσωπεύουν τα προβλήματα μοναδικά, καθένα με διαφορετικά πλεονεκτήματα για συγκεκριμένα σενάρια.

Βιολογική Έμπνευση

Κατασκευαστικά Κύτταρα Νευρώνων

Τα μοντέλα βαθιάς μάθησης αντλούν έμπνευση από τον ανθρώπινο εγκέφαλο και τη νευρική δομή του.

Το βασικό συστατικό των νευρωνικών δικτύων είναι ο τεχνητός νευρώνας, ο οποίος επεξεργάζεται εισόδους σε ουσιώδη εξόδους.

Μηχανική Νευρώνων

Χαρακτηριστικά Εισόδου

Το X1, X2, X3 είναι αριθμητικά χαρακτηριστικά εισόδου που αντιπροσωπεύουν δεδομένα.

Ζυγισμένο Άθροισμα

Κάθε είσοδος πολλαπλασιάζεται με ένα βάρος (W1, W2, W3), και στη συνέχεια αθροίζεται.

Τιμή Εξόδου

Z = X1W1 + X2W2 + X3W3 είναι το αποτέλεσμα της ζυγισμένης υπολογιστικής.

Λειτουργίες Ενεργοποίησης

Σκοπός

Ποικιλομορφία

Μη γραμμικότητα

Μετατρέπει το σταθμισμένο άθροισμα σε ένα ουσιαστικό έξοδο.

Υπάρχουν πολλαπλές λειτουργίες, καθεμία με συγκεκριμένα μαθηματικά χαρακτηριστικά.

Οι περισσότερες λειτουργίες ενεργοποίησης εισάγουν μη γραμμικές ιδιότητες, επιτρέποντας την εκμάθηση πολύπλοκων προτύπων.

Το Μοντέλο Περχέτρον

Ιστορική Σημασία

Γραμμική Διαχωριστικότητα

Απλή Αρχιτεκτονική

Ένα από τα πρώτα μοντέλα νευρωνικών δικτύων, αναπτύχθηκε τη δεκαετία του 1950.

Μπορεί να λύσει μόνο προβλήματα όπου οι κατηγορίες μπορούν να διαχωριστούν με μια ευθεία γραμμή.

Χρησιμοποιεί βασικές συναρτήσεις ενεργοποίησης για την ταξινόμηση εισόδων σε δυαδικές κατηγορίες.

Περιορισμοί του Περεπτρον

Μη-Γραμμικά Προβλήματα

Το Πρόβλημα XOR

Καταλύτης Χειμώνα Τεχνητής Νοημοσύνης

Τα περεπτρον αποτυγχάνουν όταν τα σημεία δεδομένων δεν μπορούν να διαχωριστούν με μια γραμμή.

Ένα διάσημο παράδειγμα όπου τα περεπτρον αποτυγχάνουν, απαιτώντας πολλαπά όρια απόφασης.

Αυτός ο περιορισμός συνέβαλε στη μείωση του ενδιαφέροντος και της χρηματοδότησης στην έρευνα νευρωνικών δικτύων.

Πλήρως Συνδεδεμένα Δίκτυα

Επίπεδο Εξόδου

Τελικές προβλέψεις

Κρυφά Επίπεδα

Πολύπλοκη εξαγωγή χαρακτηριστικών

Είσοδος

Ακατέργαστα χαρακτηριστικά δεδομένων

Τα πλήρως συνδεδεμένα δίκτυα οργανώνουν τους νευρώνες σε επίπεδα. Κάθε νευρώνας συνδέεται με κάθε νευρώνα στα γειτονικά επίπεδα. Κάθε σύνδεση έχει διαφορετικό βάρος. Αυτή η δομή επιτρέπει την επίλυση πολύπλοκων, μη γραμμικών προβλημάτων μετασχηματίζοντας τα δεδομένα μέσω διαδοχικών επιπέδων.

Αρχιτεκτονική Βαθιάς Μάθησης

Συμπίεση Χαρακτηριστικών

Επεξεργασία Εισόδου

Κάθε στρώμα συνοψίζει σημαντικές πληροφορίες

Τα ακατέργαστα δεδομένα εισέρχονται στο δίκτυο

Εξαγωγή Σχετικών Πληροφοριών

Δημιουργία Αποτελεσμάτων

Τα πρότυπα που σχετίζονται με την εργασία εντοπίζονται

Οι τελικές προβλέψεις εμφανίζονται

Η βαθιά μάθηση χρησιμοποιεί πολλές στρώσεις, συχνά μειούμενες σε πλάτος. Οι σύγχρονες αρχιτεκτονικές μπορεί να περιέχουν εκατοντάδες στρώσεις, κάθε μία εξάγοντας ολοένα και πιο αφηρημένα χαρακτηριστικά από τα δεδομένα.

Δημιουργία ενός Πλήρως Συνδεδεμένου Δικτύου

Αρχιτεκτονική Δικτύου

Ορίστε τα στρώματα και τους νευρώνες

Συναρτήσεις Ενεργοποίησης

Επιλέξτε κατάλληλες συναρτήσεις

Μέτρα Αξιολόγησης

Επιλέξτε δείκτες απόδοσης

Εκπαίδευση Βαρών

Μάθετε τις βέλτιστες παραμέτρους

Όταν δημιουργείτε ένα νευρωνικό δίκτυο, πρέπει να αποφασίσετε τον αριθμό των στρωμάτων, των νευρώνων ανά στρώμα και τις κατάλληλες συναρτήσεις ενεργοποίησης. Τα βάρη του μοντέλου μαθαίνονται αυτόματα κατά τη διάρκεια της εκπαίδευσης.

Μέτρα Αξιολόγησης

Παλινδρόμηση

Κατηγοριοποίηση

Πολλαπλή Ετικέτα

Το Μέσο Τετραγωνικό Σφάλμα (MSE) μετρά τη μέση τετραγωνική διαφορά μεταξύ προβλέψεων και πραγματικών τιμών.

Ο Categorical Cross-Entropy μετρά πόσο καλά προβλέπει το μοντέλο τις πιθανότητες των κατηγοριών.

Η Binary Cross-Entropy αξιολογεί την ακρίβεια πρόβλεψης όταν τα αντικείμενα μπορούν να ανήκουν σε πολλαπλές κατηγορίες.

Περιορισμοί πλήρως συνδεδεμένου δικτύου

10^9+

Αριθμός Παραμέτρων

Μεγάλα δίκτυα μπορούν να περιέχουν δισεκατομμύρια βάρη.

TB

Χρήση Μνήμης

Σημαντική RAM απαιτείται για την εκπαίδευση και την πρόβλεψη.

100x

Υπολογισμός

Απαιτεί πολύ μεγαλύτερη επεξεργαστική ισχύ από απλούστερα μοντέλα.

Χαμηλό

Ανίχνευση χαρακτηριστικών

Δεν είναι βέλτιστη για χωρικά μοτίβα σε εικόνες ή ακολουθίες.

CNN: Επανάσταση στην Οπτική Επεξεργασία

Οι Συνελικτικές Νευρωνικά Δίκτυα αντιπροσωπεύουν μια θεμελιώδη αλλαγή στον τρόπο που οι υπολογιστές επεξεργάζονται οπτικές πληροφορίες. Εμπνευσμένα από τα βιολογικά οπτικά συστήματα, τα CNN έχουν μεταμορφώσει την αναγνώριση εικόνων, την ανίχνευση αντικειμένων και πολλές άλλες οπτικές εργασίες.

Συστήματα Συνελικτικών Νευρωνικών Δικτύων

Εντοπισμένες Συνδέσεις

Μοιρασμός Βαρών

Κάθε νευρώνας συνδέεται μόνο με μια μικρή περιοχή του προηγούμενου στρώματος.

Το ίδιο σύνολο βαρών εφαρμόζεται σε ολόκληρη την είσοδο.

Χωρικά Χαρακτηριστικά

Αποτελεσματικότητα Πόρων

Εξαιρετικά στην αναγνώριση προτύπων ανεξάρτητα από τη θέση.

Απαιτεί λιγότερες συνδέσεις από τα πλήρως συνδεδεμένα δίκτυα.

Συσπάσεις ως Ανιχνευτές Χαρακτηριστικών

Κάθετη Γραμμή Ανιχνευτής Οριζόντια Γραμμή Ανιχνευτής

Ανιχνευτής Γωνιών

Οι συσπάσεις λειτουργούν ως τοπικοί ανιχνευτές χαρακτηριστικών που εντοπίζουν συγκεκριμένα μοτίβα. Κάθε φίλτρο ανταποκρίνεται σε διαφορετικά οπτικά στοιχεία στην εισερχόμενη εικόνα.

Λειτουργία Συνελικτικής

Εφαρμογή Φίλτρου

Δημιουργία Χάρτη Χαρακτηριστικών

Ο πυρήνας συνελικτικής μετακινείται διαδοχικά πάνω από την εισερχόμενη εικόνα, πραγματοποιώντας πολλαπλασιασμό στοιχείου προς στοιχείο και άθροιση.

Το αποτέλεσμα είναι μια νέα εικόνα που επισημαίνει πού εμφανίζονται συγκεκριμένα χαρακτηριστικά στην αρχική εισαγωγή.

Αρχιτεκτονική CNN

Είσοδος

Τα ακατέργαστα δεδομένα εικόνας εισέρχονται στο δίκτυο για επεξεργασία.

Συγκλωνιστικά Επίπεδα

Πολλαπλά φίλτρα εξάγουν διάφορα χαρακτηριστικά από την είσοδο.

Επίπεδα Συμπύκνωσης

Μειώνει τις χάρτες χαρακτηριστικών για να μειώσει τις διαστάσεις και το υπολογιστικό φορτίο.

Πλήρως Συνδεδεμένα Επίπεδα

Συνδυάζει τα εξαγόμενα χαρακτηριστικά για τελική ταξινόμηση ή παλινδρόμηση.

Μεταφορά Μάθησης: Χτίζοντας πάνω σε Γίγαντες

Η μεταφορά μάθησης αξιοποιεί προεκπαιδευμένα νευρωνικά δίκτυα για την επίλυση νέων προβλημάτων με περιορισμένα δεδομένα. Επαναχρησιμοποιώντας γνώσεις από υπάρχοντα μοντέλα, μπορούμε να πετύχουμε εξαιρετικά αποτελέσματα πιο αποδοτικά.

Προκλήσεις στην ανάπτυξη CNN

Απαιτήσεις δεδομένων

Η εκπαίδευση αποτελεσματικών CNN συνήθως απαιτεί τεράστια σύνολα δεδομένων με εκατομμύρια παραδείγματα.

Απαιτήσεις υπολογιστικής ισχύος

Η εκπαίδευση του μοντέλου μπορεί να διαρκέσει ημέρες ή εβδομάδες, ακόμη και με εξειδικευμένο υλικό GPU.

Ρύθμιση Υπερπαραμέτρων

Η εύρεση βέλτιστων διαμορφώσεων δικτύου απαιτεί εκτεταμένο πειραματισμό.

Πεδίο Εξειδίκευσης

Η δημιουργία ανταγωνιστικών μοντέλων από το μηδέν απαιτεί βαθιά τεχνική γνώση.

Αρχές Μεταφοράς Μάθησης

Χαρακτηριστικά Πρώτων Επιπέδων

Χαρακτηριστικά Μεσαίου Επιπέδου

Εξειδίκευση Τελευταίων Επιπέδων

Τα αρχικά επίπεδα μαθαίνουν καθολικά οπτικά χαρακτηριστικά όπως άκρα, γωνίες και υφές. Αυτά χρειάζονται περισσότερο χρόνο για εκπαίδευση αλλά εφαρμόζονται σε περισσότερες εργασίες εικόνας.

Τα μεσαία επίπεδα συνδυάζουν πρωτόγονες ιδιότητες σε πιο σύνθετες μορφές και μοτίβα. Αυτά έχουν μέτρια εξειδίκευση εργασίας.

Τα τελικά επίπεδα μαθαίνουν πολύ εξειδικευμένα χαρακτηριστικά ανά εργασίας. Αυτά ανταποκρίνονται γρήγορα στην εκπαίδευση και είναι πιο ευέλικτα σε νέες εργασίες.

Οφέλη της Μεταφοράς Μάθησης

Μειωμένες Απαιτήσεις Δεδομένων

Ταχύτερη Εκπαίδευση

Καλύτερη Απόδοση

Η λεπτομερής προσαρμογή διαρκεί ώρες αντί για εβδομάδες σε σύγκριση με την εκπαίδευση από την αρχή.

Τα προ-εκπαιδευμένα δίκτυα χρειάζονται πολύ λιγότερα δεδομένα για την προσαρμογή σε νέες εργασίες.

Τα μοντέλα που βασίζονται σε καθιερωμένες αρχιτεκτονικές συχνά επιτυγχάνουν ανώτερα αποτελέσματα.

Φορητότητα

Οι εκπαιδευμένοι βάρη είναι εύκολα αποθηκεύσιμα και μπορούν να μοιραστούν για ανάπτυξη.

Εφαρμογή Μεταφοράς Μάθησης

Επιλογή Βασικού Μοντέλου

Επιλέξτε ένα προεκπαιδευμένο δίκτυο όπως ResNet, VGG ή EfficientNet.

Πάγωμα Πρώτων Επιπέδων

Κλειδώστε τα βάρη στα πρώτα επίπεδα για να διατηρήσετε την γενική ανίχνευση χαρακτηριστικών.

Αντικατάσταση Επιπέδων Ταξινόμησης

Προσθέστε νέα επίπεδα που είναι συγκεκριμένα για την εργασία σας (π.χ., ανίχνευση έκτακτης ανάγκης).

Λεπτομερής προσαρμογή στα Δεδομένα Στόχου

Εκπαιδεύστε νέα επίπεδα διατηρώντας τα παγωμένα επίπεδα σταθερά.

os

Στρατηγικές Βελτίωσης

Χρόνος Εκπαίδευσης

Απαιτούμενα Δεδομένα

Απόδοση

Ο πίνακας συγκρίνει διαφορετικές προσεγγίσεις λεπτομερούς προσαρμογής σε σχετικές κλίμακες (1-10). Λάβετε υπόψη τα διαθέσιμα δεδομένα σας, τους υπολογιστικούς πόρους και τις απαιτήσεις απόδοσης κατά την επιλογή μιας στρατηγικής. Για συστήματα ανίχνευσης έκτακτης ανάγκης, το "Τελευταία Λίγα Επίπεδα" συχνά προσφέρει την καλύτερη ισορροπία.