딥러닝과 인간의 두뇌

딥 러닝은 대량의 데이터를 가져와서 학습함으로써 인간의 두뇌를 시뮬레이션하는 머신 러닝의 하위 집합입니다. IBM의 정의에 따르면 딥 러닝을 통해 시스템은 "놀라운 정확성으로 데이터를 집계하고 예측할 수 있습니다. 그러나 딥 러닝의 놀라운 성능만큼 IBM은 정보를 처리하고 학습하는 인간 두뇌의 능력을 활용할 수는 없다고 지적합니다. .

심층 학습 및 DNN(심층 신경망)을 적용하여 일기 예보, 얼굴 인식, 챗봇 등 복잡한 현실 문제를 해결하고 기타 유형의 복잡한 데이터 분석을 수행합니다. Allied Market Research에 따르면 2030년까지 전 세계 딥 러닝 시장은 2020년 68억 5천만 달러에서 약 1,800억 달러로 성장할 것으로 예상됩니다. Allied Market Research의 또 다른 연구에 따르면 글로벌 신경망 시장은 인공 지능 분야의 성장과 데이터 및 고급 분석 도구에 대한 수요 증가로 인해 2030년까지 거의 1,530억 달러에 이를 것으로 예상됩니다.

딥 러닝에 대한 더 나은 이해는 완전 자율 차량 및 차세대 가상 비서를 포함한 인공 지능 및 기계 학습 기반 기술의 미래 응용 프로그램에 도움이 될 것입니다. 미래에는 딥 러닝이 비지도 학습으로 발전하여 인간의 두뇌가 작동하는 방식에 대한 더 많은 통찰력을 제공할 수 있습니다. Glasgow 대학의 연구자들이 DNN이 인간의 뇌와 얼마나 유사한지를 연구하게 된 것은 바로 이 두 번째 연구였습니다. University of Glasgow에 따르면 현재 DNN 기술에 대한 이해는 상대적으로 제한적이며 심층 신경망이 정보를 처리하는 방법을 완전히 이해하는 사람은 아무도 없습니다.

과학계의 이해를 더욱 심화시키기 위해 최근 발표된 "뇌와 DNN 모델의 알고리즘 동등성"에서 연구자들은 인공지능 모델이 인간과 비교하여 정보를 처리하는 방식을 이해할 수 있는 방법을 제안하고 테스트했습니다. 비교. 목표는 DNN 모델이 인간의 두뇌와 같은 것을 인식하기 위해 유사한 계산 단계를 사용하는지 확인하는 것입니다. 본 연구는 인공지능 모델과 인간 뇌의 유사점과 차이점을 밝히고, 정보를 인간 뇌에 최대한 가깝게 처리하는 인공지능 기술을 만드는 데 한 걸음 더 나아갔다.

글래스고 대학교 연구 기술 책임자인 Philippe Schyns는 다음과 같이 말했습니다. “인간의 두뇌와 DNN 모델이 동일한 방식으로 사물을 인식하는지 더 잘 이해하면 DNN을 사용하여 보다 정확한 실제 응용이 가능해집니다. 우리는 인간 두뇌의 인식 메커니즘을 더 깊이 이해하고 이 지식을 DNN으로 전송할 수 있으며, 이는 결과적으로 현재 항상 정확하지는 않은 얼굴 인식과 같은 애플리케이션에서 DNN이 사용되는 방식을 개선하는 데 도움이 될 것입니다.”

목표가 가능한 가장 인간과 유사한 의사 결정 프로세스를 만드는 것이라면 기술은 정보를 처리하고 최소한 인간만큼, 이상적으로는 인간보다 더 나은 결정을 내릴 수 있어야 합니다. 출판된 기사의 끝 부분에서 저자는 "DNN이 인간 의사 결정 행동의 다양성을 어떻게 예측합니까?"를 포함하여 연구를 기반으로 한 일련의 뛰어난 질문을 나열합니다. 모든 입력은 동일한 결정을 내릴 것입니다. 그리고 인간과 유사한 AI 모델은 이러한 다양성을 어떤 방식으로 고려할 것입니까?

위 내용은 딥러닝과 인간의 두뇌의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!