למידה עמוקה ומימון

תקציר:

  • מהי למידה עמוקה?
  • יישומי הלמידה העמוקה כיום
  • למידה עמוקה & שווקים פיננסיים
  • התפקיד של I Know First בעולם למידת מכונות

Deep Learning Algorithm

תמונה של ספורטאי אולימפי הפועל לאורך המסלול. רוב בני האדם היו מבינים, אולי אפילו באופן אינטואיטיבי, כי כאשר הוא או היא פועלת יש נתיב מסוים של תנועה ודרך שבה הוא או היא אינטראקציה עם הסביבה. הספורטאי ילך בעקבות העקמומיות של המסלול. הכללים של העולם הגשמי מחייבים את הספורטאי. הם מכתיבים איך הגוף שלו נע או איך הרגליים שלו חייב לנוע לאורך הגומי. אולם מכונה, שתאמץ להבין את כל הפרטים הקטנים האלה. מכונות טובות מאוד בניהול חישובים מורכבים רבים. עם זאת, הם המאבק כאשר מדובר דפוסי ניבוי ואינטראקציות.

לכן, זה מרשים להפליא כי בשנת 2016, MIT CSAIL חוקרים הצליחו לפתח מכונת למידה עמוקה שיכול לחזות את העתיד. אולי לא בדיוק לחזות את העתיד, אבל בהתחשב תמונה סטילס מתוך סצנה, זה יכול ליצור וידאו קצר המדמה את הפעולה הבאה בסצנה זו. לדוגמה, רכבת נעה לאורך מסלול, או גלים על החוף. אלה הם אינטואיציות ברורות לנו בני אדם, אבל מכונות נאבקות עם מחשוב זה. החוקרים הכשירו את האלגוריתם באמצעות 2 מיליון קטעי וידאו, צילומים בשווי של שנה. כאשר נבדק, אנשים מחשיבים סרטונים שנוצרו כדי להיות מציאותיים 20% לעתים קרובות יותר מאשר המודל הבסיסי.

מודל ניבוי זה חשוב למחקר עתידי של AI  / למידה עמוקה, משום שהוא יאפשר לחוקרים להרחיב את ההתקדמות הזו עבור פרויקטים אחרים. לדוגמה, הוא עשוי לאפשר למערכות הראייה לזהות אובייקטים ומראות ללא כל פיקוח. קארל וונדריק, המחבר הראשון של הממצאים, אמר, “אם אתה יכול לחזות את העתיד, בטח הבנת משהו על ההווה”.

זו המנטרה שהחברות מקוות לנצל למטרות שונות אחרות, כולל השקעות פיננסיות. החוקרים מחשיבים למידה עמוקה כאחד התחומים החשובים והמשתנים ביותר של הטכנולוגיה המתקדמת.

 

Deep Learning Algorithm

מהי למידה עמוקה?

יש הרבה דיבורים סביב הנושא, אבל מהי בדיוק למידה עמוקה? למידה עמוקה היא בעיקרה לימוד של רשתות עצביות מלאכותיות ואלגוריתמים הקשורים ללמידה של מכונה המכילים יותר משכבה אחת מוסתרת. זה יכול להיות מחולקים לרכיבים בודדים שלה. נוירון אחד יכול לקחת תשומות שונות עם משקולות שהוקצו פלט התשובה. זה יכול להיות מחובר עם נוירונים שונים אחרים כדי ליצור רשת עצבית. רשת עצבית זו עשויה להכיל רשת מורכבת של תשומות ותפוקות משוקללות, שבהן היא משתמשת באופן פנימי לפני יצירת תשובה.

הקושי במשימה זו נובע מחישוב איזה משקולות ישמשו עבור כל קלט. זה נקרא גם החילוץ תכונה כאשר דנים אילו רכיבים של התמונה צריך להיות אינפורמטיבי בקבלת החלטה. בדרך כלל, את האחריות של ההחלטה על המתכנת. המתכנת נדרש להיות תובנה על מנת קוד heuristics תקין עבור המחשב.

למידה עמוקה היא שיטה לעקוף את האתגרים של מיצוי תכונות. הסיבה לכך היא כי מודלים למידה עמוקה מסוגלים ללמוד להתמקד התכונות הנכונות על ידי עצמם. זה נעשה על ידי אימון הדגמים. אימון כרוך מראה רשת עצבית כמות עצומה של דוגמאות הכשרה. לאחר מכן, עם נתונים אלה, המודל משנה את המשקל באופן איטי כדי למזער את השגיאות שנעשו על דוגמאות האימון.

 

Deep Learning Algorithm

זה יכול להיות מובן יותר בקלות באמצעות דוגמה. תארו לעצמכם, כי החוקרים רוצים ללמד מכונה לזהות סדרה של מספרים בכתב יד. עבור סט הדפסה סטנדרטי, זה די קל. המתכנת פשוט צריך ללמד את המכונה בצורה אחת של ייצוג. לדוגמא נגדיר, Times New Roman font ב 12 pt. עם זאת, דברים להיות מסובך יותר בעת שימוש סדרה של מספרים בכתב יד. יש שונות כזו בכתב יד, כי פתאום המכונה לא יכולה לזהות אילו מספרים זה צריך לסווג כמו 1, 2, 3, וכו ‘.

לדוגמה, לקחת את המספרים 0 ו 6. אם המחבר יש quirks מסוימים האותיות שלהם לא לגמרי לסגור את הלולאה של 0, המכונה עלולה טעות זה 6. לפיכך, יש צורך במתכנת של מכונה כדי לקבל החלטות על הפרמטרים heuristics המתארים כאשר המכונה צריך לקטלג את המספר כמו 0 או 6. עם זאת, מתברר במהירות כי תיאור האפשרויות האינסופיות אשר מכונה עלול להיות קשה מאוד.

למידה עמוקה מתגבר על כך שיש מכונה ללמד את עצמו את ההנחיות. למכונה ניתנות ערכות הדרכה רבות, שבהן היא מלמדת את עצמה להבחין בין המספרים השונים. עם כל הצלחה או כישלון, המכשיר מתאים את משקולות של כל קלט ובונה heuristics בהתאם. בסופו של דבר, משמעות הדבר היא כי המכונה תוכל לזהות במדויק את ההבדל בין 0 ל 6, למרות כל הווריאציות האפשריות.

יישומי הלמידה העמוקה כיום

בין שתי הקבוצות המובילות במחקר מתקדם בתחום הלמידה העמוקה נמנים צוותי Google ו- Elon Musk. Google DeepMind ו- OpenK של Musk נמצאים בחוד החנית של יישומי למידה מעמיקים. בשנת 2011, אנדרו נג, מומחה למידה מעמיק של סטנפורד, הצטרף ל- Google X. כעבור שנה, צוות Google X הפחית את שיעור השגיאה של זיהוי קול ב- Android ב -25% באמצעות למידה עמוקה. גוגל מיהרה לעקוב אחרי מספר רב של מומחים בתחום הלמידה העמוקה. זה כלל את רכישת ג ‘ף הינטון בשנת 2013 ו להרים DeepMind בשנת 2014 עבור 600 מיליון דולר.

אחד ההישגים המפורסמים ביותר של DeepMind הוא יצירת תוכנית AlphaGo. זו היתה תוכנית המחשב הראשון להכות שחקן אנושי מקצועי של משחק הלוח עבור. זה מעניין, כי מכונות רגילות יכול לנצח בני אדם במשחקים מסוימים כגון שחמט בכוח פראי. כל מהלך בשחמט יש 80 + מהלכים הבאים האפשריים. עם זאת, כל מהלך Go יש 250 + מהלכים. זה הופך להיות יותר אקספוננציאלי עבור מכונה כדי כוח ברוק לפצח עבור. לפיכך, AlphaGo היה הדגמה של איך אימון על 30 מיליון מהלכים של נתונים טורנירים היסטוריים לימד את המכונה כדי לזהות בפועל דפוסים מורכבים. זוהי תכונה אנושית מאוד, למעט ברמה גבוהה יותר של המבצע.

אחת הבעיות הגדולות ביותר, עם זאת, עם מכונת למידה היא כי פעם מכונה לומד משימה מסוימת, זה הופך להיות חסר תועלת בלימוד משימות אחרות, אלא אם כן הוא מחליף את המיומנויות הנדרשות עבור אחד שהוא יודע. לדוגמה, מכונה לא יכלה לדעת איך לשחק בו-זמנית גו ושחמט. הוא יתמחה באחד מהם. DeepMind הצליח לשבור את הגבול הראשון באמצעות טכניקה הנקראת Deep-Q Learning. זה חיזק את החיבורים העצביים הדרושים ביותר למיומנות הראשונה תוך בניית קשרים עבור השני על גבי זה.

בעשותם זאת, DeepMind הצליח במה שנודע מאז את האתגר אטארי. זה כרוך אימון המכשיר לשחק 10 משחקים שונים Atari בבת אחת ומדידת מיומנות שלה להיות מסוגל לשחק את כולם. עם זאת, OpenAI אתגר DeepMind ראש אל ראש. OpenAI השתמשו בטכניקה הנקראת    neuroevolution  על מנת להגיע לרמה זהה של שליטה באתרי האתגר בעוד שעה. זה לקח את דיפמינד יום שלם. יתר על כן, בבעיית ההליכה הידועה לשמצה, זה לקח OpenAI 10 דקות לעומת 10 שעות זה לקח עבור DeepMind.

ברמה תיאורטית פחות, גוגל מיישמת כיום את DeepMind בפרויקטים שונים בתחום הבריאות. זה משתף פעולה עם Moorfields עין של לונדון החולים. Moorfields נתן את האלגוריתם גישה מיליון תמונות מתוך סריקות עיניים היסטוריות. המכשיר מאמן את עצמו לקרוא את הסריקות ולזהות סימנים מוקדמים המעידים על מצב העין הניוונית.

DeepMind כרגע גם מפעיל את פרויקט הזרמים. היא מתכננת ליישם את זה ב- NHS השנה. הזרמים מנתחים את נתוני המטופל ומספקים התראות סלולריות ישירות לרופא או לאחות אם נדרשת התערבות דחופה. החוקרים הכשירו אותו לאתר סימנים של פגיעה בכליות חריפה. עם זאת, הם יכולים ללמד אותו כדי לזהות תנאים רבים אחרים.

Deep Learning Algorithm

למידה עמוקה & שווקים פיננסיים

זה הופך להיות ברור כי היישומים של למידה עמוקה הם רבים ומרגשים מאוד. אחד התחומים המעניינים ביותר של יישום הלמידה העמוקה הוא זה של האוצר. 40% מאוכלוסיית העולם כיום באינטרנט, ואנשים משתמשים ביותר מ -2 מיליארד טלפונים חכמים מדי יום. זה יוצר נתונים גולמיים אינסופיים עבור AI כדי לעבד. נתונים אלה יסודיים באנקפסולציה של ההתנהגויות, האינטרסים, הידע שלנו וכו ‘.

כל הנתונים הללו מעניינים את חברות הלמידה העמוקות, אשר מקוות להשתמש בהן כדי להשפיע על התקדמות הטכנולוגיה הפיננסית. היו כמה תקוות שווא חזה בשנות ה -90, אשר יש משקיעים זהירים של אלגוריתם ההשקעה נס. עם זאת, השוק הוא מתחיל לאט לקחת ולקחת למידה עמוקה כדי לשפר את התשואות הפיננסיות.

ישנן מספר דוגמאות של חברות השקעה גדולות אשר מתחילים להשתמש בלמידה עמוקה לקחת על אסטרטגיות השקעה. ברידג ‘ווטר Associates יש 150 $ מיליארד נכסים תחת ניהול לאחרונה החלה יחידת בינה מלאכותית חדשה בראשות דוד Ferruci. Ferruci הוביל את הפיתוח של ווטסון של  IBM. רנסנס טכנולוגיות, המשתמשת בטכנולוגיות מעמיקות המבוססות על למידה, חזרו ל -35% יותר מ -20 שנה. שני סיגמא השקעות, הידוע לשמצה עבור שימוש באלגוריתמים מכונת למידה להשקעה, יש כיום ניהול $ 32 מיליארד דולר.

קווין בנדיקט, אנליסט בכיר במרכז לעתיד עבודה, כותב: “סקרנו 2,000 מנהלים ב -18 מדינות עבור סדרת דוח העבודה שלנו, והם צופים ש- AI תהיה הטכנולוגיה הדיגיטלית שיש לה את ההשפעה הגדולה ביותר על עבודתם עד 2020. 46% סבורים כי AI תהיה קריטית עבורם בתוך 40 החודשים הקרובים “.

תאגידים ענקיים מכירים בתנועה זו והם תוקפים באגרסיביות צוותי AI מובילים. טוויטר קנה מטורף סיביות, Whetlab ו פוני הקסם. אפל ארז את טורי ואת טובלאג’ומפ. Salesforce רכשה את MetaMind ואת חיזוי I / O. ראש המחקר של מיקרוסופט, פיטר לי, משווה את עלות רכישת חוקר AI העליון לעלות רכישת קונסרבק NFL.

אמנם אלה תאגידים מסיבית מתחילים לשלב AI ו מכונת למידה, אחד התחומים המעניינים ביותר של למידה עמוקה היא בגבול הטכנולוגיה שלה. זה לעתים קרובות ניתן למצוא עם שפע של חברות סטארט-אפ המתמקדות כיום בטכנולוגיה מבוססת  AI. ברבעון הראשון של שנת 2015 נרשמה השקעה של 47.2 מיליארד דולר בשוק ההון סיכון העולמי. מבין החברות הללו, כ 900 עובדים בתחום AI.

בבריטניה, זרעים זרע הקשורים AI ולמידה עמוקה גייסה כ 2 מיליארד דולר. 80% מהעסקאות היו מתחת לגודל של 5 מיליון דולר ו -90% מהמזומנים הושקעו בחברות בארה”ב לעומת 13% באירופה. חלק מהסטארט-אפים המעניינים האלה כוללים נרטיב סיאנס, המשתמש ב- AI כדי לקרוא נתוני שוק המניות ולעבד דוחות שקראו כאילו נכתבו על ידי בני אדם. דוגמה נוספת היא Kensho אשר אוספת כמויות גדולות של נתונים ועונה על שאלות אנליטיות.

עם זאת, ניכר כי למרות שמדובר במגזר הולך וגדל, שוקי המימון והיציאה של חברות AI וחברות לימוד עומדות עדיין מתפתחות. זהו אזור לשמור מקרוב על הטכנולוגיה כמו מפתחת וחוקרים למצוא דרכים פורצות יותר להשתמש בלמידה עמוקה.

התפקיד של I Know First בעולם למידת מכונות

I Know First היא אחת החברות Fintech אשר משתמש בטכנולוגיה זו להתמקד בשוק הפיננסי. החברה מאמנת את המכונות שלה על שנים של נתונים כדי להגדיל את רווחי השוק עבור לקוחותיה. זה מצוטט כאחד של 5 חדשנות של בנק חדשנות “אתה צריך להיות צופה.” חברת CIPO של החברה, ליפא רויטמן, פיתחה מערכת ניבוי המבוססת על אלגוריתמים גנטיים. פתח AI מבוסס שלה משופר Atari אתגר המכונה על אלגוריתמים גנטיים וביולוגיים גם כן. הוא ניצח את הרשומה שנקבעה על ידי Google Deep Mind במשך 23 שעות. בהתבסס על 15 שנים של נתונים היסטוריים ונתוני שוק שוטפים, המערכת של I Know First מאפשרת לזהות דפוסים ולנבא שינויים עתידיים במחירי המניות על פני 6 אופקי זמן שונים.

Deep Learning Algorithm

הבסיס לכך הוא למידה ללא השגחה. מדי יום, כאשר נתונים חדשים מוקלטים, המערכת מתאימה את ההיוריסטיקה שלה ולומדת מהצלחותיה וכישלונותיה. לפיכך, אני יודע של המערכת הראשונה היא כל הזמן לשפר ולהפוך מדויק יותר.

מסקנה

השוק ללמידה עמוקה ו- AI הוא בהחלט מרגש. זה הופך להיות יותר ויותר חשוב, ו- I Know First מעורבת מאוד עם חלוצי הגבול של התפתחות זו. למרות שזה עדיין שוק המתהווה, הוא צפוי לגדול במהירות בשנים הקרובות.