Машинное и глубокое обучение

Введение
Актуальность данной работы состоит в том, что в окружающем нас мире происходит невероятный технологический прорыв. И название ему – машинное и глубокое обучение. Искусственный интеллект, нейронные сети и машинное обучение быстро и прочно вошли в XXI век. При этом нейросети и машинное обучение можно смело назвать трендом на ближайшие несколько лет, если не больше. В настоящее время построение систем машинного обучения представляет собой одну из наиболее популярных, инновационных, а также современных сфер деятельности человека на стыке информационных технологий, математического анализа и статистики. Следует отметить, что машинное обучение сегодня все больше проникает в повседневную жизнь современного человека в виде пользовательских продуктов, которые создаются на основе методов искусственного интеллекта. Машинное обучение стало частью современных технологий за счет того, что существует огромное количество областей, где нужен анализ всех данных, где не сможет справится ни один человек. В связи с этим уже сейчас есть большие практические успехи в этой области.
К примеру, при разработке современных информационных систем, как правило, применяют математические модели, которые основаны на допущениях. В связи с тем, что в основе алгоритмов машинного обучения лежат динамические математические модели, которые многократно применяют модель к изменяющимся во времени реальным входным данным и таким образом адаптируют ее, поэтому расчеты базируются на самой актуальной информации - а значит, поставленные задачи решаются эффективнее.
Подчеркнем, что машинное обучение представляет собой подобласть компьютерной науки, занимающейся многими задачами, такими, как распознавание лиц, речи, а также обработка естественного языка, прогнозный анализ, глубокое обучение и многое другое. Благодаря различным современным инструментам такие задачи сегодня решаемы. В настоящее время имеются как разнообразные инструменты, так и платформы для решения задач машинного обучения.
Сущность вышеизложенного сводится к тому, что в настоящее время анализ и исследование потенциальных изменений, в частности при разработке программного обеспечения, которые может повлечь за собой машинное обучение и его широкое применение, выступают достаточно важными аспектами.
Цель работы – изучение применения машинного и глубокого обучения в создании программного обеспечения.
Поставленная цель предполагает решение следующих задач:
дать определение машинному и глубокому обучению, обозначив их различие;
объяснить назначение/роль машинного и глубокого обучения в создании современного ПО;
описать особенности создания программного обеспечения на основе машинного и глубокого обучения;
сравнить два подхода к созданию ПО, традиционный - программирование и с помощью машинного и глубокого обучения, обозначив преимущества и недостатки каждого.
Объект исследования – машинное и глубокое обучение.
Предмет исследования - особенности применения машинного и глубокого обучения при разработке программного обеспечения.
При написании работы использовались такие методы, как теоретическое обоснование темы, анализ и синтез, изучение научных источников, а также их сравнительный анализ.
1 Понятие машинного и глубокого обучения, их различие
Термины искусственный интеллект (ИИ), машинное обучение и глубокое обучение применяются бессистемно в качестве взаимозаменяемых, однако, на самом деле, между ними есть определенные различия. В связи с чем следует рассмотреть различие в определении данных терминов.
Прежде всего искусственный интеллект является широким понятием, которое касается передового машинного интеллекта. Искусственный интеллект (Artificial Intelligence) означает, что компьютер тем или иным образом имитирует поведение человека.
Отметим, что впервые термин «artificial intelligence» был предложен в 1956 году на семинаре в городе Ганновере (США) [1, с. 16], посвященной разработке методов решения логических задач. На рисунке 1 показана связь ИИ, машинное и глубокое обучение.
Рисунок 1 - Искусственный интеллект, машинное и глубокое обучение [2, с. 27]
А.А. Уруновым и И.Б. Родиной искусственный интеллект определяется как наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ [3, с. 139].
Важно то, что машинное обучение, как правило, рассматривается в качестве части искусственного интеллекта. Подчеркнем, что научные исследования в данной сфере стали основой для соответствующих исследований в области машинного обучения. Однако в аспекте приложения методов машинного обучения к науке о данных наиболее верным будет подход, при котором машинное обучение рассматривается как средство создания моделей данных. [4, с. 380].
При этом искусственные нейронные сети - это модели машинного обучения, использующие комбинации распределенных простых операций, зависящих от обучаемых параметров, для обработки входных данных.
Необходимо учитывать то, что машинное обучение имеет и определенные проблемы, в частности – высокая трудоемкость. Так, для построения системы машинного обучения требуется огромное количество времени высокопрофессиональных специалистов не только в сфере искусственного интеллекта, но и в той предметной сфере, к которой данная технология применяется

. В будущем развитие технологий машинного обучения только ускорится.
Резюмируя вышесказанное, можно сделать вывод, что машинное обучение представляет собой подмножество искусственного интеллекта, использующее методы (в частности, глубокое обучение), которые, в свою очередь, позволяют использовать компьютеры возможности для улучшения решения задач. Особенностью машинного обучения является применение нужных признаков для построения моделей, которые подходят для решения правильно поставленных задач [5, с. 25].
Кроме того, все основные компоненты машинного обучения могут быть разделены на несколько обширных категорий. Первая – методы машинного обучения с учителем, которые применяются в случаях, когда заранее известен правильный ответ. Вторая – методы обучения без учителя, используемые, когда правильные ответ заранее не известен. Алгоритмы кластеризации выступают наиболее распространенным примером машинного обучения. [6, с. 53]
Следует обратить также особое внимание на связь машинного обучения с наукой. Машинное обучение находит свое применение в исследованиях практически всех сфер науки, во многом заменяет традиционную статистику. В частности, машинное обучение в настоящее время все больше вытесняет методы статистического анализа, которые традиционно применяются в научных исследованиях. Это объясняется тем, что именно машинное обучение зачастую проще использовать для анализа данных.
Таким образом, машинное обучение сегодня хорошо вписывается в научный процесс, что, в свою очередь, почти неизбежным делает применение данной технологии не только в исследовательской работе, но и при разработке программного обеспечения.
Подчеркнем, что глубокое обучение представляет собой особый раздел машинного обучения – совершенно новый подход к поиску представления данных, который делает упор на изучение последовательных слоев (уровней) все более значимых представлений [1, с. 32]. Глубоким процесс обучения является потому, что структура искусственных нейронных сетей включает в себя несколько входных, выходных, а также скрытых слоев. При этом каждый из слоев содержит единицы, преобразующие входные данные в сведения, которые следующий слой может использовать для определенной прогнозируемой задачи. Благодаря данной структуре компьютер может изучать собственную обработку данных. В таблице 1 приведено более полное сравнение методов машинного и глубокого обучения.
Таблица 1 - Сравнение методов машинного и глубокого обучения
Все машинное обучение Только глубокое обучение
Количество точек данных Для создания прогнозов можно использовать небольшие объемы данных. Для создания прогнозов необходимо использовать большие объемы обучающих данных.
Зависимости оборудования Может работать на низкоуровневых компьютерах. Для этого не требуется большой объем вычислительной мощности. Зависит от высокопроизводительных компьютеров. Он по сути выполняет большое количество операций умножения матриц. GPU может эффективно оптимизировать эти операции.
Добавление признаков Требует точного определения и создания компонентов пользователями. Сведения о функциях высокого уровня данных и о создании новых функций.
Подход к обучению Делит процесс обучения на более мелкие шаги. Затем результаты из каждого шага объединяются в один выход. Просматривает процесс обучения, устраняя проблему на сквозной основе.
Время выполнения Занимает сравнительно мало времени на обучение, от нескольких секунд до нескольких часов. Обычно процесс обучения занимает много времени, поскольку алгоритм глубокого обучения включает много уровней.
Выходные данные Выходным значением обычно является числовое значение, например оценка или классификация. Выходные данные могут иметь несколько форматов, например текст, оценку или звук.
Вывод
Важно понимать отношения между AI, машинным обучением и глубоким обучением. Машинное обучение является способом достижения искусственного интеллекта. При помощи методов машинного и глубокого обучения сегодня имеется возможность создания программного обеспечения, выполняющего задачи, которые, как правило, связаны с интеллектом человека.
Глубокое обучение (DL, Deep Learning), в свою очередь, представляет собой расширенный случай машинного обучения, предоставляющий возможность компьютерам более сложные задачи. Можно сказать, что Deep Learning – это инновационное направление в сфере машинного обучения, которое было введено с целью приближения машинного обучения к искусственному интеллекту.
2 Роль машинного и глубокого обучения в создании современного ПО
Роль машинного и глубокого обучения в создании современного программного обеспечения в настоящее время очень важна. В связи с чем обозначим основные направления их применения:
При создании технического задания на разработку современного ПО.
С целью точного описания разработчику функционала разрабатываемого ПО наиболее логичным будет «возложение» данной задачи на компьютер. Нейронная сеть позволит выполнить эту задачу, а реализовать можно на основе метода обучения с учителем.
При создании оптимальных методологий разработки ПО.
При тестировании ПО.
Важно обратить внимание на то, что тестирование является самым долги этапом разработки ПО (занимает около 60% от общего времени)