Ideghálók, mélytanulás

„A számítógépes látáson, nyelvfeldolgozáson és robotikán alapuló alkalmazások növekvő száma egyértelművé teszi, hogy már együtt élünk a mélytanulással és a nagyméretű ideghálókkal. Most viszont a megértést szeretnénk a gépi tanulással elérni. Elegendő számítógépes erőforrás, megfelelő méretű érdekes adatsorok állnak rendelkezésünkre hozzá.

Az idők folyamán ezeknek a technológiáknak egyre több sikeres alkalmazását láttuk különféle problémákra. Így jutottunk el addig, hogy a Google-nál többszáz csoport használja őket. Beszédfelismerő csoportunk például 30 százalékkal csökkentette a szavaknál elkövetett hibák számát. Akusztikus modell helyett ideghálókkal dolgozva érték el a szakterület utóbbi két évtizedének legnagyobb eredményeit.

A gépi tanulás és az ideghálók által megoldott alapproblémákkal több más diszciplína, például az orvosi és a műholdas képalkotás is szembesül. Képzeljük el, hogy térképen azonosíthatóvá akarunk tenni, napelemmel kívánunk működtetni egy házat, és megbeszéléseket folytatunk róla, vagy egy cukorbeteg látási rendellenességeit vizsgáljuk ki. Mindkét esetben alkalmazhatjuk a beszédfelismeréshez használt, könnyen átalakítható modelleket. Rengeteg párhuzamosság van köztük. A Google Fordító app például valós időben, pixelazonosítással ültet át más nyelvre jeleket.

Persze találunk bőven akadályokat. A modelleknek felügyelet nélkül kellene tanulniuk, többféle feladatot egyszerre megoldaniuk. Rendszer-szempontból a gépi tanulással végzett számítások magas szintű leírásainak használati módja, és ezek különféle hardverekre történő alkalmazása a legnagyobb kihívás. A gépi tanulást egyébként jó lenne hagyományosabb adatfeldolgozásba is beintegrálni.

A Moore-törvény közelgő vége szintén izgalmas irányokba viheti el a szakterületet. Az viszont biztos, hogy az ideghálók maradni fognak. A kilencvenes években is divatosak voltak, de hiányoztak hozzájuk a számítási erőforrások. Manapság azonban érdekes és releváns problémákat is képesek már megoldani.”