Отвъд Hype: Разликата между изкуствения интелект, машинното обучение и задълбоченото обучение

Изкуственият интелект (AI) навлезе в ежедневието ни с гръм. От маркетинга до медицината изглежда, че всеки бизнес и индустрия са засегнати. Технологичните компании се състезават за доминиране в надпреварата за водене на пазара и придобиване на най-иновативните и перспективни AI бизнеси.

Вече може да използвате AI в ежедневието си с приложения като разпознаване на реч, виртуална помощ на вашия смартфон, алгоритми за препоръчване на уебсайтове за пазаруване и услуги за стрийминг на музика или видео или дори когато посещавате лекаря и той сравнява рентгенов лъч или други медицински изображения с други медицински данни.

И тогава има термините машинно обучение и дълбоко учене, които сякаш объркват много хора. Твърде често те се използват взаимозаменяемо, но въпреки че са тясно свързани помежду си, те имат различно значение. И така, каква е разликата между AI, машинно обучение и дълбоко обучение?

Изкуствен интелект

В най-широк смисъл, според неговите основатели, AI е науката и инженерството за създаване на интелигентни машини, по-специално интелигентни компютърни програми. Това е начин да се направи компютър, компютърно контролиран робот или софтуер, който мисли интелигентно по начин, подобен на начина, по който хората мислят, докато използва значително по-голямата скорост и мощност на компютъра.

Инженерингът на знанията е основна част от изследванията на ИИ. Машините могат да действат като хората само ако имат изобилна информация, свързана със света. Автономният автомобил може да шофира безопасно само с достатъчно данни за своята среда. Алгоритмите за вземане на решения са толкова добри, колкото и входните данни.

С други думи, изкуственият интелект трябва да има достъп до обекти, категории, свойства и отношения между всички тях, за да приложи инженерното познание. Инициирането на здрав разум, разсъждения и разрешаване на проблеми в машините е труден и досаден подход. Ние не сме близо до наистина интелигентни машини.

Машинно обучение

Докато изкуственият интелект обхваща целия спектър от машинно обучение, терминът машинно обучение има много по-тясно значение, а именно „способността да се учи, без да е изрично програмиран.“ Между другото, тук се случват най-големите промени в момента: захранване на масивни масиви данни в компютри и чакат да дойдат с резултати.

Машинното обучение е вид AI, който улеснява способността на компютъра да учи и по същество да се научи да се развива, когато става изложен на нови и постоянно променящи се данни. Например, информационната емисия на Facebook използва машинно обучение в опит да персонализира емисията на всеки човек въз основа на това, което харесва. Основните елементи на традиционния софтуер за машинно обучение са статистически анализ и прогнозионен анализ, използвани за откриване на модели и намиране на скрити впечатления въз основа на наблюдавани данни от предишни изчисления, без да се програмират къде да търсят.

Машинното обучение наистина се е развило през годините благодарение на способността си да пресява сложен набор от данни. Те често се наричат ​​„големи данни“. Мнозина може да са изненадани да разберат, че се срещат с приложения за машинно обучение в ежедневието си чрез стрийминг услуги като Netflix и алгоритми за социални медии, които сигнализират за актуални теми или хештаги. Извличането на функции в машинното обучение изисква програмист да каже на компютъра какви неща трябва да търси, които ще бъдат формални при вземането на решение, което може да бъде отнемащ много време процес. Това също води до машинно обучение с намалена точност поради елемента на човешка грешка по време на процеса на програмиране.

Дълбоко учене

Дълбокото обучение е най-младата област на машинно изследване, която е въведена с цел да се приближи машинното обучение по-близо до изкуствения интелект.

Той е свързан с изучаване на „дълбоки невронни мрежи“ в човешкия мозък и при тази перспектива задълбоченото обучение се опитва да подражава на функциите на вътрешните слоеве на човешкия мозък, създавайки знания от множество слоеве на обработка на информация. Тъй като технологията за дълбоко обучение се моделира след човешкия мозък, всеки път, когато се вливат нови данни, възможностите му се усъвършенстват.

В рамките на парадигмата за задълбочено обучение машината по същество се „обучава“, използвайки големи количества данни и алгоритми, за да й даде възможност да се научи как да изпълнява задачата. Тези данни се подават чрез невронни мрежи, които задават поредица от двоични верни / неверни въпроси или числови стойности на всеки бит данни, които преминават през тях и ги класифицират според получените отговори. Днес разпознаването на изображения от машини, обучени чрез задълбочено обучение, се използва при обучение на автономни роботи и превозни средства, в медицината за идентифициране на маркери на болести и всякакви изображения.

Преди време AlphaGo на Google научи играта за часове, като играе срещу себе си отново и отново и отново. Тази неподдържана, все по-бърза способност за учене е ключът към настоящия свръх над задълбоченото обучение. Но следващата революционна технология не е далеч.