Omenirea a visat să creeze mașini care gândesc de foarte mult timp, o dorință care se întinde până în Grecia antică. Cu mult înainte ca primul computer să fie chiar construit, vizionari precum Ada Lovelace s-au întrebat dacă mașinile programabile ar putea poseda într-o zi inteligență. Astăzi, acel vis este o realitate înfloritoare cunoscută sub numele de inteligență artificială (AI), folosită pentru a automatiza munca, a diagnostica boli și a înțelege vorbirea.

În primele zile, AI a rezolvat cu ușurință probleme pe care oamenii le găsesc dificile din punct de vedere intelectual, cum ar fi șahul, deoarece aceste sarcini urmează reguli matematice formale. Totuși, adevărata provocare a fost rezolvarea sarcinilor pe care oamenii le consideră „ușoare” și automate, cum ar fi recunoașterea unei fețe sau înțelegerea cuvintelor rostite. Aceste sarcini sunt dificile pentru computere deoarece sunt intuitive; nu putem descrie cu ușurință regulile formale pentru cum arată o față în termeni de valori ale pixelilor.

În cartea lor seminală Deep Learning, autorii Ian Goodfellow, Yoshua Bengio și Aaron Courville prezintă o soluție la aceste probleme intuitive:

• Învățarea din Experiență: În loc să se bazeze pe operatori umani pentru a coda manual reguli stricte, deep learning permite computerelor să adune cunoștințe direct din experiență.
• Ierarhia Conceptelor: Ideea centrală este de a lăsa computerul să înțeleagă lumea printr-o ierarhie. Învață concepte complicate construindu-le din altele mai simple.
• De ce „Deep”?: Dacă desenați un grafic care arată cum sunt construite aceste concepte unul peste altul, graficul are multe straturi. Datorită acestei adâncimi, numim abordarea „deep learning” (învățare profundă).

De exemplu, un sistem de deep learning ar putea începe prin recunoașterea marginilor simple într-o imagine, combină acele margini pentru a identifica colțuri și contururi, le folosește pentru a găsi părți specifice ale obiectelor și, în final, recunoaște identitatea obiectului, cum ar fi o persoană sau o mașină.

Goodfellow, Bengio și Courville notează că, deși deep learning pare nou, are de fapt o istorie bogată care datează din anii 1940. Domeniul a evoluat prin trei valuri istorice principale:

1. Cibernetică (anii 1940–1960): Cea mai timpurie fază, care s-a concentrat pe învățarea inspirată biologic.
2. Conexionism (anii 1980–1990): O mișcare care a teoretizat că unități de calcul simple ar putea atinge un comportament inteligent atunci când sunt conectate împreună.
3. Deep Learning (2006–Prezent): Resurgența actuală, condusă de capacitatea de a antrena rețele mai adânci ca niciodată.

S-ar putea să vă întrebați de ce această tehnologie decolează acum dacă ideile sunt vechi de zeci de ani. Autorii explică faptul că explozia deep learning de astăzi este condusă de două schimbări masive:

• Big Data: Digitalizarea societății a furnizat seturile de date masive necesare pentru a antrena aceste sisteme. Avem acum milioane de exemple etichetate care permit algoritmilor să egaleze sau să depășească performanța umană.
• Putere Computațională: În sfârșit avem hardware-ul pentru a rula modele mari. Computere mai rapide și tehnologii precum GPU-urile ne permit să construim rețele neuronale care sunt mult mai mari și mai puternice decât cele din anii 1980.

Sursă: Bazat pe Capitolul 1 din Deep Learning de Ian Goodfellow, Yoshua Bengio și Aaron Courville.