డీప్ లెర్నింగ్ యొక్క బిగ్ బ్యాంగ్
ప్రతి రంగంలోనూ ఒక మలుపు ఉంటుంది. డీప్ లెర్నింగ్ విషయానికి వస్తే, ఆ సంవత్సరం 2012.
2012 కంటే ముందు, కంప్యూటర్ విజన్ రంగం ఎన్నో ఇబ్బందులను ఎదుర్కొంది. పరిశోధకులు సిస్టమ్లను పరీక్షించడానికి ImageNet అనే డేటాబేస్ను ఉపయోగించేవారు. చిత్రాలను 1,000 వేర్వేరు వర్గాలుగా విభజించడమే దీని లక్ష్యం.
ఏళ్ల తరబడి, ఎర్రర్ రేట్లు సుమారు 25% వద్దే నిలిచిపోయాయి. పురోగతి ఆగిపోయింది. ముందుకు ఎలా వెళ్లాలో ఎవరికీ తెలియలేదు.
అప్పుడు, Alex Krizhevsky నేతృత్వంలోని బృందం ఈ ఆటను మార్చేసింది. వారు Convolutional Neural Network (CNN)ని ఉపయోగించారు.
ఒక చిత్రం ఎలా ఉండాలో మనుషులు నియమాలను (rules) రాసే బదులు, ఈ నెట్వర్క్ నేరుగా పిక్సెల్స్ (pixels) నుండి నేర్చుకుంది.
ఫలితాలు అద్భుతంగా ఉన్నాయి. వారు కేవలం ఒకే ఏడాదిలో ఎర్రర్ రేట్ను దాదాపు సగానికి తగ్గించారు.
ఈ మార్పు అంతా మార్చివేసింది. ఇది AIని పరిశోధనాశాలల నుండి నిజ ప్రపంచంలోకి తీసుకువచ్చింది.
దీని ప్రభావం వేగంగా విస్తరించింది:
- Netflix దీనిని మెరుగైన సిఫార్సుల (recommendations) కోసం ఉపయోగించింది.
- Siemens మరియు GE దీనిని మెడికల్ ఇమేజింగ్ కోసం ఉపయోగించాయి.
- కార్ తయారీదారులు దీనిని స్వయంప్రతిపత్తి డ్రైవింగ్ (autonomous driving) కోసం ఉపయోగించారు.
- Google మరియు Apple వంటి టెక్ దిగ్గజాలు దీనిని తమ ప్రతి ఉత్పత్తిలోనూ చేర్చారు.
ఈ విజయం హార్డ్వేర్పై ఆధారపడి ఉంది. ఈ నెట్వర్క్లను ట్రైన్ చేయడానికి భారీ గణిత ప్రక్రియలు అవసరం. మొదట వీడియో గేమ్ల కోసం తయారు చేయబడిన GPUs, ఈ గణితానికి సరిగ్గా సరిపోయాయి. ఇది NVIDIA ఎదుగుదలకు కారణమైంది.
కానీ గుర్తుంచుకోండి, మార్కెట్ పోకడలు సంక్లిష్టమైనవి. NVIDIA వృద్ధి క్రిప్టో మైనింగ్ బూమ్తో కూడా ముడిపడి ఉంది. మార్కెట్ మార్పుకు ఎప్పుడూ ఒకే కారణం ఉంటుందని అనుకోవద్దు.
డీప్ లెర్నింగ్ ఆటలను కూడా జయించింది.
చెస్ (Chess)ను బ్రూట్ ఫోర్స్ (brute force) ద్వారా పరిష్కరించారు. కానీ Go ఆట వేరు. Go ఆటలో సాధ్యమయ్యే కదలికలు ఏ కంప్యూటర్ లెక్కించలేనంత ఎక్కువగా ఉంటాయి. 2016లో, AlphaGo మానవ సహాయం లేకుండానే డీప్ లెర్నింగ్ వ్యూహాలను నేర్చుకోగలదని నిరూపించింది. ఇది తనతో తాను ఆడుకోవడం ద్వారా నేర్చుకుంది.
దీని నుండి నేర్చుకోవాల్సిన పాఠం సరళమైనది.
పాత పద్ధతులు విఫలమయ్యాయి ఎందుకంటే మనుషులు నియమాలను స్వయంగా కోడ్ చేయాల్సి వచ్చేది. మనం ఒక పరిమితిని (ceiling) చేరుకున్నాము. డీప్ లెర్నింగ్ ఆ పరిమితిని అధిగమించింది, ఎందుకంటే సిస్టమ్లు ఇప్పుడు ముడి డేటా (raw data) నుండి తమ స్వంత నమూనాలను (patterns) నేర్చుకుంటున్నాయి.
ఈ సిరీస్లో, నేను నా డీప్ లెర్నింగ్ కోర్స్ నోట్స్ను వివరిస్తాను. ఈ నెట్వర్క్లు నిజంగా ఎలా పనిచేస్తాయో మనం చూద్దాం.
తదుపరి, ఒక నెట్వర్క్ నేర్చుకుంటున్నప్పుడు దాని లోపల ఏం జరుగుతుందో నేను వివరిస్తాను.
Source: https://dev.to/fahimu10/the-big-bang-of-deep-learning-how-2012-changed-everything-3lb3
Optional learning community: https://t.me/GyaanSetuAi