|
|
Page:9
CNN2 יחד עם מעבדים גרפיים ארכיטקטורות רשת טובות יותר חזקים אפשרו לאחרונה את הקפיצה המדהימה שעשה התחום . כיום רשתות נוירונים שולטות במרבית מערכות הבינה המלאכותית . תפקידן של רשתות נוירונים הוא ללמוד אוסף גדול של דוגמאות ומהן להכליל לגבי דוגמאות שהרשת לא ראתה . כיום רשתות נוירונים יכולות לזהות או להפריד בין תמונות ברמה יותר טובה מאיתנו, כלומר בטעות יותר קטנה מטעות שאדם היה עושה . הן משמשות בתוכנות של זיהוי פנים, זיהוי טקסט, זיהוי אובייקטים, יצירה של טקסטים מלאכותיים, מוזיקה מלאכותית, אמנות מלאכותית, נהיגה אוטונומית, ועוד . כדי להגיע לרמה טובה של הכללה עלינו לאמן את הרשת באמצעות קבוצה גדולה מאוד ( אלפים ואף עשרות אלפים ) של דוגמאות . האם כך באמת אנו 3 לומדים ? האם תמיד נדרשת לנו קבוצה כל כך גדולה של דוגמאות ? רשתות נוירונים לומדות בשיטת End to End , כלומר שבקצה אחד של הרשת נכניס את הנתונים, לדוגמה התמונות, ובקצה השני את הכיתוב . אנחנו לא צריכים ללמד את המערכת איך חתול או כלב נראים, מהן התכונות ה"חתוליות" המגדירות חתול ובמה הן 4 הרשת תעשה בעצמה את עבודת נבדלות מהתכונות ה"כלביות" . הסיווג . היא תחפש בעצמה את התכונות המייחדות חתול או כלב . אם כך, אולי תם עידן התכנות ? בהינתן בעיה של סיווג, כל שעלינו לעשות הוא לספק דוגמאות רבות, להזין אותם לתוך מבוא הרשת, ובמקביל את הסיווג הנכון למוצא הרשת . זהו ויכוח שמתנהל היום בין העוסקים בבינה מלאכותית : האם לסמוך על כוח החישוב 2 . Convolutional Neural Network 3 . ארכיטקטורות מודרניות של רשתות נוירונים יכולות לתפקד גם עם One Shot Learning או Few Shot Learning או אפילו Zero Shot Learning , כמובן בהנחה שלרשת יש ידע קודם, קונטקטס רחב אחר, שאולי אותו למדה באמצעות דוגמאות רבות, בדיוק כמונו . 4 . מה שאכן נעשה בעבר בתוכנות ישנות של ראייה ממוחשבת . בינה מלאכותית 9
|
|
|