Декан Google Senior Fellow Jeff, говорящий в GTC, говорит, что лучшая технология, более умные алгоритмы и крупные хранилища данных помогают продвинуть исследование.САН-ХОСЕ, всеобъемлющей темой Калифорнии-Nvidia в течение Технологической Конференции GPU здесь на этой неделе было глубокое обучение, идея, что с правильной технологией и правильными алгоритмами, машины могут учиться на своем опыте и адаптировать их поведение.Во время его программной речи 17 марта, соучредителя Nvidia и CEO Джен-Хсун Хуан свернул все, о чем он объявил – с нового мощного GPU на инструменты программного и аппаратного обеспечения для исследователей и ученых к подробной информации, которую он предоставил о предстоящей новой архитектуре Паскаля – в сообщение, что они будут эффективно использованы для усовершенствования научных исследований нейронных сетей глубокого обучения.
«Темой глубокого обучения является, вероятно, столь же увлекательная проблема как любой в этой отрасли», сказал Хуан во время своего разговора.Именно на этом фоне Джефф Дин, старший научный сотрудник в Knowledge Group Google, взял этап в GTC 18 марта для разговора об обширной работе поискового гиганта в глубоком обучении – который также известен как машинное обучение в течение последних нескольких лет. Google, с его крупным складом данных по всему от поисковых запросов до уличных проектов Представления, походит на компанию, которая естественно интересовалась бы полем.
В быстро изменяющейся часовой ключевой заметке Дин говорил о продвижениях, которые Google и другие технические компании – такие как Microsoft и IBM – делают в поле, обещание, что глубокое обучение держится для всего от автономных автомобилей до медицинского исследования и проблем, которые предстоят в будущем, поскольку исследование продолжается.Основы существуют, такие как технологии как GPUs и их крупные возможности параллельной обработки и развитие «хороших, простых, общих алгоритмов, которые могут [включают нейронные сети к], извлекают уроки из необработанных данных», сказал Дин.«Хорошие новости – то, что существует много данных в мире, большей части из него в Интернете», добавил он.
Существуют тексты, видео и неподвижные изображения, поисковые запросы и запросы и карты и данные от социальных сетей. Все это данные могут использоваться, чтобы помочь нейронным сетям учиться и адаптировать свои способы поведения к тому, что они изучили.Самоходные автомобили были постоянной разговорной темой на GTC событии и предлагают хороший пример того, что уже было сделано и что все еще должно быть сделано. Усовершенствованные системы предупреждения водителя (ADAS) в автомобилях прямо сейчас могут обнаружить, когда коллизия собирается произойти и нажать на тормоза или определить, когда автомобиль смещается в другой маршрут, и предупредите драйвер.
Однако им будут нужны дополнительные возможности, прежде чем они будут готовы к повседневному использованию. Они должны быть в состоянии распознать, является ли надвигающийся механизм в противоположном маршруте грузовиком или школьным автобусом, и затем реагируйте соответственно (например, зная, берет ли школьный автобус или понижается студенты и останавливается, потому что красный свет мигает). Или они должны быть в состоянии считать, что автомобиль, припаркованный на стороне дороги с ее водительской открытой боковой дверью, мог означать, что лицо собирается выйти из автомобиля.Много работы вокруг глубокого обучения включило распознавание изображения – не только определение, является ли рассматриваемая фотография кошку или древовидный журнал, но как описать фотографию в предложении (например, маленький ребенок, держащий плюшевого мишку).
Существует также работа, сделанная вокруг распознавания речи, понимая отношения между словами для понимания то, что предназначается, не, что сказано.