डीप लर्निंगचा बिग बँग
प्रत्येक क्षेत्राचा एक निर्णायक टप्पा असतो. डीप लर्निंगसाठी, तो वर्ष २०१२ आहे.
२०१२ पूर्वी, कॉम्प्युटर व्हिजनला अनेक अडचणींचा सामना करावा लागत असे. संशोधक प्रणालींची चाचणी घेण्यासाठी ImageNet नावाच्या डेटाबेसचा वापर करत असत. हजारो वेगवेगळ्या श्रेणींमध्ये प्रतिमांचे वर्गीकरण करणे हे त्याचे उद्दिष्ट होते.
अनेक वर्षे, त्रुटींचे प्रमाण (error rates) २५% च्या आसपास राहिले. प्रगती थांबली होती. पुढे कसे जायचे हे कोणालाच माहीत नव्हते.
त्यानंतर, Alex Krizhevsky यांच्या नेतृत्वाखालील एका टीमने संपूर्ण खेळ बदलला. त्यांनी Convolutional Neural Network (CNN) चा वापर केला.
एखादी प्रतिमा कशी दिसते यासाठी मानवांनी नियम लिहिण्याऐवजी, या नेटवर्कने थेट पिक्सेलपासून (pixels) शिकणे सुरू केले.
याचे परिणाम प्रचंड होते. त्यांनी एका वर्षात त्रुटींचे प्रमाण जवळपास निम्मे केले.
या बदलाने सर्व काही बदलून टाकले. यामुळे AI संशोधन प्रयोगशाळांतून खऱ्या जगात आले.
याचा प्रभाव वेगाने पसरला:
- Netflix ने याचा वापर अधिक चांगल्या शिफारसींसाठी केला.
- Siemens आणि GE ने याचा वापर मेडिकल इमेजिंगसाठी केला.
- कार उत्पादकांनी याचा वापर स्वायत्त ड्रायव्हिंगसाठी केला.
- Google आणि Apple सारख्या टेक दिग्गज कंपन्यांनी हे त्यांच्या प्रत्येक उत्पादनात समाविष्ट केले.
हे यश हार्डवेअरवर अवलंबून होते. या नेटवर्क्सना प्रशिक्षित करण्यासाठी प्रचंड गणिताची आवश्यकता असते. GPUs, जे मूळतः व्हिडिओ गेम्ससाठी बनवले गेले होते, ते या गणितासाठी अत्यंत योग्य ठरले. यामुळे NVIDIA चा उदय झाला.
पण लक्षात ठेवा, बाजारपेठेतील कल (market trends) गुंतागुंतीचे असतात. NVIDIA ची वाढ क्रिप्टो मायनिंगच्या तेजीशी देखील जोडलेली होती. बाजारपेठेतील बदलासाठी कधीही एकच कारण मानू नका.
डीप लर्निंगने खेळांवरही विजय मिळवला.
बुद्धिबळ (Chess) 'ब्रूट फोर्स' (brute force) द्वारे सोडवले गेले होते. 'Go' हा खेळ वेगळा आहे. 'Go' मधील संभाव्य चाली इतक्या जास्त आहेत की कोणताही संगणक त्या मोजू शकत नाही. २०१६ मध्ये, AlphaGo ने सिद्ध केले की डीप लर्निंग मानवी मदतीशिवाय रणनीती शिकू शकते. याने स्वतःच्याच विरुद्ध खेळून हे शिकले.
धडा साधा आहे.
जुन्या पद्धती अपयशी ठरल्या कारण मानवांना नियम स्वतः कोड (hand-code) करावे लागत होते. आपण एका मर्यादेपर्यंत पोहोचलो होतो. डीप लर्निंगने ती मर्यादा तोडली कारण प्रणाली आता कच्च्या डेटापासून (raw data) स्वतःचे नमुने (patterns) शिकतात.
या मालिकेमध्ये, मी माझ्या डीप लर्निंग कोर्सच्या नोट्सचे विश्लेषण करेन. हे नेटवर्क्स प्रत्यक्षात कसे काम करतात, हे आपण पाहूया.
पुढे, एखादे नेटवर्क शिकत असताना त्याच्या आत काय घडते, हे मी स्पष्ट करेन.
Source: https://dev.to/fahimu10/the-big-bang-of-deep-learning-how-2012-changed-everything-3lb3
Optional learning community: https://t.me/GyaanSetuAi