Otomatik metin işleme için derin öğrenme. Derin sinir ağları neye benziyor ve neden bu kadar çok belleğe ihtiyaç duyuyorlar?

Günümüzde yapay sinir ağları hakkında hem büyük veri hem de makine öğrenmesi bağlamında ve bunun dışında çok fazla konuşma ve yazı var. Bu yazıda bu kavramın anlamını hatırlayacağız, uygulamasının kapsamını bir kez daha özetleyeceğiz ve ayrıca sinir ağlarıyla ilişkili önemli bir yaklaşım olan derin öğrenmeden bahsedeceğiz, konseptini ve avantajlarını anlatacağız. ve belirli kullanım durumlarındaki dezavantajlar.

Sinir ağı nedir?

Bildiğiniz gibi sinir ağı (NN) kavramı biyolojiden gelir ve insan beyninin yapısının biraz basitleştirilmiş bir modelidir. Ancak doğa biliminin vahşi doğalarına dalmayalım - en kolay yol, bir nöronu (yapay olanı da dahil olmak üzere) birçok giriş deliği ve bir çıkışı olan bir tür kara kutu olarak hayal etmektir.

Matematiksel olarak, yapay bir nöron, aktivasyon fonksiyonu olarak adlandırılan bir fonksiyonu kullanarak, X giriş sinyallerinin (etkilerinin) bir vektörünü, Y çıkış sinyallerinin bir vektörüne dönüştürür. Bağlantıda (yapay sinir ağı - YSA), üç tür nöron işlevi görür: giriş (dış dünyadan bilgi almak - ilgilendiğimiz değişkenlerin değerleri), çıktı (istenen değişkenleri döndürme - örneğin tahminler) , veya kontrol sinyalleri) ve ayrıca belirli dahili (“gizli”) işlevleri yerine getiren ara nöronlar. Dolayısıyla klasik bir YSA, üç veya daha fazla nöron katmanından oluşur ve ikinci ve sonraki katmanlarda (“gizli” ve çıkış), her öğe bir önceki katmanın tüm öğelerine bağlanır.

Konsepti hatırlamak önemlidir geri bildirim YSA yapısının türünü belirleyen: doğrudan sinyal iletimi (sinyaller giriş katmanından gizli katmana doğru sırayla gider ve çıkış katmanına girer) ve ağ, daha uzaktaki nöronlardan daha yakın nöronlara giden bağlantıları içerdiğinde tekrarlayan yapı). Tüm bu kavramlar, YSA'yı anlamanın bir sonraki seviyesine geçmek için gerekli minimum bilgiyi oluşturur - bir sinir ağının eğitimi, yöntemlerinin sınıflandırılması ve her birinin çalışma prensiplerinin anlaşılması.

Sinir ağı eğitimi

Genel olarak bu tür kategorilerin neden kullanıldığını unutmamalıyız - aksi takdirde soyut matematikte batağa saplanma riski vardır. Aslında yapay sinir ağları, belirli sorunların çözümüne yönelik bir yöntemler sınıfı anlamına gelir. pratik problemler Bunların arasında en önemlileri örüntü tanıma, karar verme, yaklaşım ve veri sıkıştırma sorunlarının yanı sıra bizim için en ilginç olan kümeleme analizi ve tahmin sorunlarıdır.

Diğer uç noktaya gitmeden ve her özel durumda YSA yöntemlerinin işleyişinin ayrıntılarına girmeden, her koşulda bir sinir ağının (bir öğretmenle veya “kendi başına”) öğrenme yeteneği olduğunu kendimize hatırlatalım. ) yani kilit nokta pratik sorunları çözmek için kullanır.

Genel olarak bir YSA'nın eğitimi şu şekildedir:

1. girdi nöronları dış ortamdan değişkenleri (“uyaranları”) alır;
2. alınan bilgiye göre sinir ağının serbest parametreleri değişir (nöronların ara katmanları çalışır);
3. Sinir ağının yapısındaki değişikliklerin bir sonucu olarak ağ, bilgiye farklı bir şekilde “tepki verir”.

Bu nasıl genel algoritma bir sinir ağını eğitmek (Pavlov'un köpeğini hatırlayalım - evet, koşullu refleksin oluşumuna yönelik iç mekanizma tam olarak budur - ve hemen unutalım: sonuçta bağlamımız, işleyişi içerir. teknik kavramlar ve örnekler).

Evrensel bir öğrenme algoritmasının mevcut olmadığı ve büyük olasılıkla var olamayacağı açıktır; Kavramsal olarak öğrenmeye yönelik yaklaşımlar denetimli öğrenme ve denetimsiz öğrenme olarak ikiye ayrılır. İlk algoritma, her giriş ("öğrenme") vektörü için, çıkış ("hedef") vektörünün gerekli bir değerinin bulunduğunu varsayar - dolayısıyla bu iki değer bir eğitim çifti oluşturur ve bu çiftlerin tüm seti, Eğitim Seti. Denetimsiz öğrenme durumunda eğitim seti yalnızca girdi vektörlerinden oluşur ve bu durum gerçek hayat açısından daha makuldür.

Derin öğrenme

Derin öğrenme kavramı farklı bir sınıflandırmayı ifade eder ve çok seviyeli sinir ağlarını içeren derin yapıların eğitimine yönelik bir yaklaşımı ifade eder. Görüntü tanıma alanından basit bir örnek: Bir makineye giderek daha soyut hale gelen özellikleri diğer terimlerle tanımlamayı öğretmek gerekir. soyut özellikler yani tüm yüzün, gözlerin ve ağzın ifadesi ve sonuçta renkli piksel kümeleri arasındaki ilişkiyi matematiksel olarak belirlemek. Dolayısıyla derin bir sinir ağında her özellik seviyesi kendi katmanına sahiptir; Böyle bir "devasa" eğitim vermenin araştırmacıların uygun deneyimini ve donanım düzeyini gerektirdiği açıktır. Sinir ağlarının derin öğrenimi lehine koşullar ancak 2006'da gelişti ve sekiz yıl sonra bu yaklaşımın makine öğreniminde yarattığı devrimden bahsedebiliriz.

Dolayısıyla öncelikle yazımız bağlamında şunu belirtmekte fayda var: Derin öğrenme çoğu durumda insanlar tarafından kontrol edilmiyor. Yani bu yaklaşım, bir sinir ağının öğretmen olmadan eğitilmesini içerir. Bu, "derin" yaklaşımın ana avantajıdır: denetimli makine öğrenimi, özellikle derin yapılar söz konusu olduğunda, çok büyük zaman ve emek maliyetleri gerektirir. Derin öğrenme ise insanın soyut düşüncesini kullanmak yerine modelleyen (veya en azından buna yaklaşmaya çalışan) bir yaklaşımdır.

Fikir, her zamanki gibi harika, ancak yaklaşımın önünde oldukça doğal sorunlar ortaya çıkıyor - her şeyden önce, evrensellik iddialarından kaynaklanıyor. Aslında, derin öğrenme yaklaşımları görüntü tanıma alanında önemli başarılar elde etmiş olsa da, aynı doğal dil işleme hala cevaplardan çok daha fazla soruyu gündeme getiriyor. Önümüzdeki n yıl içinde "yapay bir Leonardo Da Vinci" yaratmanın mümkün olmayacağı, hatta - en azından! - “yapay homo sapiens”.

Bununla birlikte, yapay zeka araştırmacıları halihazırda etik sorunuyla karşı karşıyadır: "Terminatör"den "Transformers"a kadar kendine saygı duyan her bilim kurgu filminde ifade edilen korkular artık komik görünmüyor (modern gelişmiş sinir ağları zaten makul bir korku olarak kabul edilebilir) böceğin beyninin çalışmasını modelleyin!), ancak şimdilik açıkça gereksizdir.

İdeal teknolojik gelecek bize, bir kişinin güçlerinin çoğunu bir makineye devredebileceği veya en azından onun entelektüel çalışmasının önemli bir bölümünü kolaylaştırmasına izin verebileceği bir çağ olarak görünüyor. Derin öğrenme kavramı bu hayale doğru bir adımdır. Önümüzde yol uzun ama sinir ağlarının ve bunlarla ilişkili gelişen tüm yaklaşımların, zamanla bilim kurgu yazarlarının isteklerini gerçekleştirebilecek kapasitede olduğu zaten açık.

Bu kılavuz, bazı kısımlarda, makine öğrenimiyle ilgilenen ancak nereden başlayacağını bilmeyen herkese yöneliktir. Yazıların içeriği geniş bir kitleye yönelik olup oldukça yüzeysel olacaktır. Ama gerçekten kimsenin umurunda mı? Nasıl Daha fazla insan makine öğrenimine ilgi duymaya başlarsanız çok daha iyi olur.

Derin öğrenmeyi kullanarak nesne tanıma

Bu ünlü xkcd çizgi romanını zaten görmüş olabilirsiniz. Şaka şu ki, 3 yaşındaki herhangi bir çocuk bir kuş fotoğrafını tanıyabilir, ancak bunu yapmak için bir bilgisayara sahip olmak, en iyi bilgisayar bilimcilerinin 50 yıldan fazla zamanını aldı. Son birkaç yılda, sonunda nesneye itiraz etmek için iyi bir yaklaşım bulduk. kullanarak tanıma derin evrişimli sinir ağları. Bu, bir grup uydurulmuş söze benziyor fantastik romanı William Gibson, ama onları tek tek ele aldığımızda her şey netleşecek. O halde hadi yapalım - kuşları tanıyan bir program yazalım!

Basit başlayalım

Kuş resimlerini nasıl tanıyacağımızı öğrenmeden önce, çok daha basit bir şeyi, el yazısıyla yazılmış "8" sayısını nasıl tanıyacağımızı öğrenelim.

Makaleden derin öğrenmenin ne olduğunu öğreneceksiniz. Makale ayrıca bu alanda uzmanlaşmak için kullanabileceğiniz birçok kaynağı da içermektedir.

İÇİNDE modern dünya Sağlık hizmetlerinden üretime kadar derin öğrenme her yerde kullanılıyor. Şirketler konuşma ve nesne tanıma, makine çevirisi gibi karmaşık sorunları çözmek için bu teknolojiye yöneliyor.

Bu yılın en etkileyici başarılarından biri AlphaGo'nun dünyanın en iyi Go oyuncusunu yenmesiydi. Makineler, Go'nun yanı sıra başka oyunlarda da insanları yendi: dama, satranç, reversi ve Jeopardy.

Muhtemelen zafer masa oyunu gerçek sorunları çözmeye uygulanamaz gibi görünüyor, ancak bu kesinlikle doğru değil. Go, yapay zeka tarafından yenilmez olacak şekilde tasarlandı. Bunu yapmak için, bu oyunla ilgili önemli bir şeyi öğrenmesi gerekecek: insan sezgisi. Artık bu gelişme sayesinde daha önce bilgisayarların ulaşamadığı pek çok sorunu çözmek mümkün oluyor.

Açıkçası, derin öğrenme hala mükemmel olmaktan uzak, ancak ticari açıdan faydalı olmaya şimdiden yakın. Mesela şu sürücüsüz arabalar. Google, Tesla ve Uber gibi tanınmış şirketler halihazırda şehir sokaklarında otonom arabaları tanıtmaya çalışıyor.

Ford, Otonom Araç Payında Önemli Artış Öngörüyor Araç 2021 yılına kadar. ABD hükümeti ayrıca onlar için bir dizi güvenlik kuralı geliştirmeyi de başardı.

Derin öğrenme nedir?

Bu soruyu cevaplamak için makine öğrenimi, sinir ağları ve yapay zeka ile nasıl etkileşime girdiğini anlamanız gerekir. Bunu yapmak için eşmerkezli daireler kullanarak görselleştirme yöntemini kullanıyoruz:

Dış çember genel olarak yapay zekadır (örneğin bilgisayarlar). Biraz ileride makine öğrenimi var ve tam merkezde derin öğrenme ve yapay sinir ağları var.

Kabaca söylemek gerekirse derin öğrenme, yapay sinir ağlarına verilen daha uygun bir isimdir. Bu ifadedeki “Derin”, sinir ağının karmaşıklık derecesini (derinlik) ifade eder ve bu genellikle oldukça yüzeysel olabilir.

İlk sinir ağının yaratıcıları serebral korteksin yapısından ilham aldılar. Temel düzeyde Bir algılayıcı olan ağ, aslında biyolojik bir nöronun matematiksel bir benzeridir. Ve beyinde olduğu gibi birbiriyle kesişen algılayıcılar bir sinir ağında da ortaya çıkabilir.

Sinir ağının ilk katmanına giriş katmanı denir. Bu katmandaki her düğüm, girdi olarak bir miktar bilgi alır ve bunu diğer katmanlardaki sonraki düğümlere iletir. Çoğu zaman, bir katmanın düğümleri arasında bağlantı yoktur ve zincirin son düğümü, sinir ağının sonucunu verir.

Ortadaki düğümlere gizli düğümler adı verilir çünkü hiçbir bağlantıları yoktur. dış dünyaçıkış ve giriş düğümleri olarak. Yalnızca önceki katmanlar etkinleştirildiğinde çağrılır.

Derin öğrenme, esasen, karmaşık sorunları (konuşma tanıma gibi) kalıplar kullanarak çözmek için birçok katmanı kullanan bir sinir ağı eğitim tekniğidir. Seksenli yıllarda çoğu sinir ağı, yüksek maliyet ve sınırlı veri yetenekleri nedeniyle tek katmanlıydı.

Makine öğrenimini yapay zekanın bir dalı veya çeşidi olarak düşünürsek, derin öğrenme de bu dalın uzmanlaşmış bir türüdür.

Makine öğrenimi, hemen yanıt sağlamayan bilgisayar zekasını kullanır. Bunun yerine kod test verileri üzerinde çalışacak ve sonuçlarının doğruluğuna göre ilerlemesini ayarlayacaktır. Bu sürecin başarısı için genellikle çeşitli teknikler kullanılır, özel yazılım ve statik yöntemleri ve doğrusal cebiri açıklayan bilgisayar bilimi.

Derin öğrenme yöntemleri

Derin öğrenme yöntemleri iki ana türe ayrılır:

• Özel eğitim
• Denetimsiz öğrenme

İlk yöntem, istenen sonuca ulaşmak için özel olarak seçilmiş verileri kullanır. Verilerin manuel olarak seçilmesi gerektiğinden oldukça fazla insan müdahalesi gerektirir. Ancak sınıflandırma ve regresyon için kullanışlıdır.

Bir şirketin sahibi olduğunuzu ve ikramiyelerin astlarınızın sözleşme süreleri üzerindeki etkisini belirlemek istediğinizi düşünün. Önceden toplanan verilerle denetimli bir öğrenme yöntemi vazgeçilmez ve çok etkili olacaktır.

İkinci yöntem önceden hazırlanmış cevapları ve çalışma algoritmalarını ima etmez. Verilerdeki gizli kalıpları tanımlamayı amaçlar. Genellikle müşterileri davranışlarına göre gruplamak gibi kümeleme ve ilişkilendirme görevleri için kullanılır. Amazon'da "Onlar da bununla seçiyorlar", ilişkilendirme görevinin bir çeşididir.

Denetimli öğrenme yöntemi genellikle oldukça kullanışlı olsa da, daha karmaşık bir sürüm yine de daha iyidir. Derin öğrenmenin insan denetimi gerektirmeyen bir sinir ağı olduğu kanıtlanmıştır.

Derin Öğrenmenin Önemi

Bilgisayarlar, bir görüntüdeki belirli özellikleri tanımak için uzun süredir teknolojiden yararlanmaktadır. Ancak sonuçlar başarılı olmaktan uzaktı. Bilgisayarla görmenin derin öğrenme üzerinde inanılmaz bir etkisi oldu. İşte bu iki teknik şu an tüm tanıma sorunlarını çözer.

Özellikle Facebook, derin öğrenmeyi kullanarak fotoğraflardaki yüzleri tanımayı başardı. Bu, teknolojideki basit bir gelişme değil, daha önceki tüm inançları değiştiren bir dönüm noktasıdır: “Bir kişi, aynı kişinin iki resimde temsil edilip edilmediğini %97,53 olasılıkla belirleyebilir. farklı fotoğraflar. Facebook ekibinin geliştirdiği program, aydınlatmadan, kişinin doğrudan kameraya bakıp bakmamasından ya da yan dönmüş olmasından bağımsız olarak %97,25 olasılıkla bunu yapabiliyor.”

Konuşma tanıma da önemli değişikliklere uğradı. Çin'in önde gelen arama motorlarından biri olan Baidu'daki ekip, İngilizce metin yazma hızı ve doğruluğu konusunda insanları geride bırakmayı başaran bir konuşma tanıma sistemi geliştirdi. mobil cihazlar. İngilizce ve Mandarin dilinde.

Özellikle ilginç olan şey, tamamen farklı iki dil için ortak bir sinir ağı yazmanın çok fazla çalışma gerektirmemesiydi: “Tarihsel olarak insanlar Çince ve İngilizceyi tamamen iki iki dil olarak görüyorlardı. farklı diller bu nedenle her birine farklı bir yaklaşım gerekiyordu" diyor patron Araştırma Merkezi Baidu, Andrew Ng. “Öğrenme algoritmaları artık o kadar genelleştirilmiş durumda ki Sadeceöğrenmek."

Google, şirketin veri merkezlerindeki enerjiyi yönetmek için derin öğrenmeyi kullanıyor. Soğutma kaynağı maliyetlerini %40 oranında azaltmayı başardılar. Bu, enerji verimliliğinde %15'lik bir iyileşme ve milyonlarca dolarlık tasarruf anlamına geliyor.

Derin öğrenme mikro hizmetleri

Burada kısa inceleme Derin öğrenmeyle ilgili hizmetler.

İllüstrasyon Etiketleyici. Illustration2Vec tarafından geliştirilen bu hizmet, görselin içeriğini önceden anlamak için görselleri “korunan”, “şüpheli”, “tehlikeli”, “telif hakkı” veya “genel” olarak derecelendirmenize olanak tanır.

• Google'ın Theano Eklentisi
• Python ve Numpy'de düzenlenebilir
• Genellikle belirli bir dizi sorunu çözmek için kullanılır

• Genel amaçlı değil. Makine görüşüne odaklanın
• C++'da düzenlendi
• Python'da bir arayüz var

Derin öğrenmeyle ilgili çevrimiçi kurslar

Google ve Udacity, Udacity Makine Öğrenimi Kursunun bir parçası olan derin öğrenme üzerine ücretsiz bir kurs oluşturmak için bir araya geldi. Bu program, makine öğrenimi ve özellikle derin öğrenme alanını geliştirmek isteyen deneyimli geliştiriciler tarafından yönetilmektedir.

Bir diğer popüler seçenek ise Coursera ve Stanford tarafından desteklenen Andrew Ng'nin makine öğrenimi kursudur.

1. Makine Öğrenimi - Stanford, Andrew Ng tarafından Coursera'da (2010-2014)
2. Makine Öğrenimi - Caltech, Yaser Abu-Mostafa (2012-2014)
3. Makine Öğrenimi - Carnegie Mellon, Tom Mitchell (Bahar 2011)
4. Makine öğrenimi için sinir ağları – Coursera'da Geoffrey Hinton (2012)
5. Sinir ağları sınıfı– Sherbrooke Üniversitesi'nden Hugo Larochelle (2013)

Derin öğrenmeyle ilgili kitaplar

Önceki bölümdeki kaynaklar oldukça kapsamlı bir bilgi tabanından yararlanırken, Grokking Deep Learning tam tersine yeni başlayanlara yöneliktir. Yazarların dediği gibi: "Eğer 11. sınıfı tamamladıysanız ve Python'un nasıl yazılacağına dair kabaca bir bilginiz varsa, size derin öğrenmeyi öğreteceğiz."

Bu kitaba popüler bir alternatif, kendi kendini açıklayan Derin Öğrenme Kitabı başlığına sahip bir kitaptır. Özellikle iyi çünkü bu alana girmek için ihtiyaç duyacağınız tüm matematiği kapsıyor.

1. Yoshua Bengio, Ian Goodfellow ve Aaron Courville'den "Derin Öğrenme" (2015)
2. Michael Nielsen (2014) tarafından “Sinir ağları ve derin öğrenme”
3. Microsoft Research'ten "Derin Öğrenme" (2013)
4. Montreal Üniversitesi LISA Laboratuvarı'ndan “Derin Öğrenme Dersleri” (2015)
5. Andrej Karpathy'nin "sinir konuşması"
6. "Genetik Algoritmalara Giriş"
7. "Yapay zekaya modern yaklaşım"
8. "Derin öğrenmeye ve sinir ağlarına genel bakış"

Videolar ve dersler

Basitleştirilmiş Derin Öğrenme harika bir YouTube kanalıdır. İşte ilk videoları:

Akıllı robotların yaklaşan devrimi 1950'lerden bu yana her on yılda bir öngörülüyor. Ancak bu asla gerçekleşmedi. Alandaki ilerleme yapay zeka belirsiz, bazen sıkıcı bir şekilde gerçekleşti ve birçok meraklıyı hayal kırıklığına uğrattı. Görünür başarılar - 1990'ların ortasında IBM tarafından yaratılan ve 1997'de Garry Kasparov'u satrançta yenen Deep Blue bilgisayar ya da 1990'ların sonunda bir elektronik tercümanın ortaya çıkışı - büyük olasılıkla "kaba" hesaplamaların sonucuydu. insan algılama mekanizmalarının bilgisayar süreçlerine aktarılması.

Ancak hayal kırıklığı ve başarısızlık hikayesi artık dramatik bir şekilde değişiyor. Sadece on yıl önce, bilgisayarlı görme ve nesne tanıma algoritmaları bir küreyi veya paralelyüzlüyü tanımlayabiliyordu. basit arka plan. Artık karmaşık, doğal arka planlarda bile insan yüzlerini insanlar kadar iyi ayırt edebiliyorlar. Altı ay önce Google, akıllı telefonlar için 20'den fazla metinden metin çevirebilen bir uygulamayı yayınladı. yabancı Diller fotoğraflardan, yol işaretlerinden veya el yazısı metinlerden kelimeleri okuyarak!

Bütün bunlar, bu alandaki bazı eski fikirlerin ortaya çıkmasıyla mümkün oldu. nöral ağlar, eğer "hayat" eklenerek biraz değiştirilirlerse, yani. insan ve hayvan algısının ayrıntılarını yansıtmak kimsenin beklemediği çarpıcı bir sonuç verebilir. Bu kez yapay zeka devrimi gerçekten gerçek görünüyor.

Makine öğrenimi alanında sinir ağları üzerine yapılan araştırmalar çoğu durumda her zaman yeni tanıma teknikleri arayışına adanmıştır. çeşitli türler veri. Bu nedenle, kameraya bağlı bir bilgisayarın, bir görüntü tanıma algoritması kullanarak, düşük kaliteli bir görüntüyü ayırt edebilmesi gerekir. insan yüzü, bir fincan çay ya da bir köpek. Ancak tarihsel olarak sinir ağlarının bu amaçlarla kullanılmasına önemli zorluklar eşlik etmiştir. Küçük başarı bile insan müdahalesini gerektiriyordu; insanlar programın belirlenmesine yardımcı oldu Önemli özellikler görüntü kenarlıkları veya basit gibi görüntüler geometrik şekiller. Mevcut algoritmalar bunu kendi başlarına yapmayı öğrenemezdi.

Sözde yaratılışı sayesinde durum dramatik bir şekilde değişti. Derin öğrenmeye sahip sinir ağları Artık bir görüntüyü neredeyse bir insan kadar verimli bir şekilde analiz edebiliyor. Çok nöral ağlar Birinci seviyedeki “nöronlara” girdi olarak düşük kaliteli bir görüntü kullanılır, bu görüntü daha sonra doğrusal olmayan bağlantılar yoluyla bir sonraki seviyedeki nöronlara iletilir. Belli bir eğitimden sonra “nöronlar” daha da çoğalır. yüksek seviyeler tanıma için bir görüntünün daha soyut yönlerini kullanabilir. Örneğin görüntünün sınırları veya uzaydaki konumunun özellikleri gibi ayrıntıları kullanabilirler. Şaşırtıcı bir şekilde, bu tür ağlar bir görüntünün en önemli özelliklerini insan yardımı olmadan tahmin etmeyi öğrenebilir!

Derin öğrenme sinir ağlarının kullanımının mükemmel bir örneği, farklı açılardan veya farklı açılardan fotoğrafı çekilen aynı nesnelerin tanınmasıdır. farklı pozlar(Eğer Hakkında konuşuyoruz bir kişi veya bir hayvan hakkında). Piksel piksel taramayı kullanan algoritmalar, iki farklı görüntüye baktıklarını "düşünür", "akıllı" sinir ağları ise aynı nesneye baktıklarını "anlar". Ve tam tersi; aynı pozda fotoğraflanan farklı cinsten iki köpeğin görüntüleri, önceki algoritmalar tarafından aynı köpeğin fotoğrafları olarak algılanabiliyordu. Nöral ağlar Derin öğrenme sayesinde hayvanlar arasında ayrım yapmalarına yardımcı olacak görsellerdeki ayrıntıları tanımlayabiliyorlar.

Derin öğrenme tekniklerini ileri sinirbilim bilgisi ve gücüyle birleştiriyor modern bilgisayarlar Yapay zeka için henüz değerlendiremediğimiz umutların önünü açıyor. Gerçek şu ki, zihnin yalnızca biyolojik bir doğaya sahip olamayacağı zaten açıktır.