Umetna inteligenca: razlika med strojnim učenjem in poglobljenim učenjem

Umetna inteligenca ali AI je postala tako pomemben in sestavni del naše sodobne družbe. Po Forbesovem mnenju, celo ko je bilo pred dvema letoma v letu 2017 51% sodobnih podjetij že izvaja AI, sama panoga pa je znašala 16 milijard USD. Predvideva se, da se bo ta eksponentno povečal in bo leta 2025 dosegel 190 milijard USD.

Dve najvplivnejši vrsti AI danes sta sistem strojnega učenja in globokega učenja. Toda kaj sta ta dva natančno? In v zvezi s tem, kako opredeliti umetno inteligenco v kontekstu teh dveh?

Kaj je umetna inteligenca?

V uradnem vpisu Oxfordskega slovarja za leto 2019 je navedeno, da je umetna inteligenca "teorija in razvoj računalniških sistemov, ki lahko opravljajo naloge, ki običajno zahtevajo človeško inteligenco."

Z drugimi besedami, AI interpretira informacije na podoben način kot vi in ​​jaz, ne glede na to, ali so potrebne za zaznavanje slike, prepoznavanje govora ali kakšen drug avtomatiziran sistem odločanja. En zelo preprost primer AI je računalniški nasprotnik za video igre. Uporablja podatke iz igre, pa tudi podatke o igralcu, da ustvari zaporedje odločitev in nalog, da bi igralca angažirali. AI je bil uveden že v petdesetih letih prejšnjega stoletja, vendar se je začel resnično pojavljati v 70. in 80. letih, ko so osebni računalniki in igralne konzole začeli razvoj AI predstavljati osnovno zahtevo za njegovo delovanje.

Drugi primeri AI v našem vsakdanjem življenju lahko vključujejo:

  1. Simulatorji
  2. Pametne naprave
  3. Borze botov
  4. Prepoznavanje podatkov (govor, glas, obraz itd.)

Danes se številni AI sistemi uporabljajo v skoraj vseh aplikacijah, kjer se uporabljajo podatki, kot so programska oprema za upravljanje, algoritmi za priporočila, analiza medijev ali celo glasovni pomočniki. Pravzaprav celo preproste aplikacije za sledenje zdaj uporabljajo AI. Če gre za razmeroma zapleten postopek izpolnjevanja nalog, ki ga je treba redno izvajati brez neposrednega človekovega posredovanja, bi najverjetneje imel AI v njem.

Kaj je strojno učenje?

Strojno učenje je vrsta umetne inteligence (in s tem podvrsta le-te), ki je specializirana za razčlenjevanje in analiziranje danih podatkov, da bi se iz njih prilagodili in sprejeli ustrezno inteligentne odločitve. Preprosto povedano, ta AI je zasnovan tako, da opazuje in opazi veliko stvari, nato pa izvede en ali več ukrepov, ki temeljijo na informacijah, ki jih je prejel.

Tipične naloge strojnega učenja danes bi lahko imele:

  1. Povezava priporočil
  2. Moderiranje vsebine
  3. Prikaz rezultatov iskanja
  4. Časovna omejitev (v socialnih medijih)

Sistem strojnega učenja je sposoben analizirati ogromno količino podatkov v kratkem času, iz njega ustvariti rešitve ali zaključke. Svoj algoritem optimizira za natančne razlage, veliko več kot to, kar lahko ljudje počnejo z enakimi časovnimi omejitvami. Na primer, želimo samodejno ugotoviti, ali je določena e-pošta nezaželena ali ne. Strojni sistem učenja bo preusmeril na tisoče in tisoče e-poštnih sporočil, da bi našli vzorce, ki bi mu pomagali določiti neželeno e-pošto. Nato bi dal grobo klasifikacijo neželene pošte in navadne e-pošte, katere podatki bi še enkrat uporabili, da bi našli še več vzorcev, ki bi ji pomagali še bolj izpopolniti svojo analizo.

Ko so mu dani novejši in novejši nabor podatkov, bi se lahko sistemi strojnega učenja prilagodili in posodobili svoje algoritme, da bi bili še boljši pri svojem početju. Ali vsaj zmanjšati verjetnost napak. Zaradi tega je strojno učenje zelo pomembno v trenutni dobi, ki temelji na podatkih.

Kaj je globinsko učenje?

Poglobljeno učenje je spet druga podmnožica, tokrat strojnega učenja. Osnovna zasnova sistemov globokega učenja temelji na organskih možganih. Medtem ko oblikujemo nove spomine s pomočjo zapletenega spleta nevronskih vzorcev, ta vrsta sistema plete svoj zapleten splet odločitev s pomočjo umetne nevronske mreže, ki je sestavljena iz neštetih algoritmičnih plasti.

Nekaj ​​dokaj opaznih sistemov globokega učenja je:

  1. Watson (premagali tekmovalce v Jeopardyju!)
  2. AlphaGo (marca 2016 premagal profesionalnega igralca Go Lee Lee Sedol)
  3. Deepfake (ustvarjanje mrzlih realističnih, a umetnih predstav dejanskih ljudi)
  4. OpenAI Five (projekt poglobljenega učenja za igre, poražen za igralca DOTA Dendi v zadnjem letu 2017)

Za razliko od standardnih sistemov strojnega učenja, ki še vedno dokaj dobro delujejo, čeprav imamo razmeroma osnovne naloge podatkov, bi se zagon poglobljenega učenja dobesedno začel iz nič. Zanj je značilno „obdobje mirovanja“, ko bi prvih nekaj generacij AI začelo zagotavljati dejanske rezultate šele po prilagoditvenem obdobju več neštetih neuspelih generacij.

Ko doseže dokaj zapleteno raven učinkovitosti, sistemi globokega učenja preprosto začnejo preplavljati vse ostalo pred njim. Na primer, AlphaGo iz DeepMind-a je začel uporabljati začetni niz 160.000 amaterskih tekem Go, preden se je spopadel s profesionalnimi igralci Go-jev, tako da je igral milijone krat proti sebi.

Globoki učni sistemi se za razliko od drugih prej zasnovanih sistemov strojnega učenja močno zanašajo na množenje matric za generiranje podatkov. Kot takšni so komercialni grafični procesorji ponavadi najboljša strojna oprema za te sisteme, saj lahko zagotavljajo zahteve za vzporedno obdelavo na visoki ravni, potrebne za ohranitev operativnosti.

Standardno AI in strojno učenje

Čeprav se umetna inteligenca in strojno učenje lahko zamenljivo uporabljata za številne običajne aplikacije, je pomembno opozoriti, da ima strojno učenje eno zelo značilno značilnost: prilagajanje. To pomeni, da se uči. Za razliko od vnaprej izdelanega AI lahko naredi veliko začetnih napak, vendar je zasnovan tako, da se od njih učimo, iz njih gradimo in sčasoma nadomestimo vse, za kar je namenjen optimizaciji.

Z oblikovnega vidika strojno učenje pridobi tudi prednost, ker ni preveč zapleteno s svojo prvotno zgradbo. Običajni AI bo morda potreboval specializirano kodiranje ali posebna navodila za vsako posamezno situacijo, ki bi jo lahko predvideval razvijalec. Toda sistem strojnega učenja lahko preprosto deluje na drevesu odločitev, skupaj z učnim standardom ali dvema, pa tudi s potrebno zmogljivostjo obdelave in nato naredi svojo pot do boljšega in boljšega opravila.

Pomen razlikovanja sistemov strojnega učenja izhaja iz dejstva, da še vedno uporabljamo standardni, redni AI takšnih sistemov pri drugih manj pomembnih nalogah in nalogah. Navsezadnje ne boste nujno potrebovali sistemov strojnega učenja za, recimo, avtomatizacijo preprostejših odločitev za upravljanje datotek. Na enak način morda ne bi bilo primerno razvrstiti nečesa tako zapletenega kot sistem za prepoznavanje govora kot "zgolj AI" in ga zato pravilno razvrstimo.

Strojno učenje in poglobljeno učenje

Morda je pomembnejša razlika, ki se je moramo naučiti, razlika med strojnim učenjem in globokim učenjem. Najprej, kot smo že omenili, je poglobljeno učenje IS strojnega učenja, tehnično ene vrste ali njegove podvrsti. Strojno učenje pa ni vedno globoko učenje. Razlikovanje je v veliki meri povezano z načinom gradnje obeh.

Strojno učenje je bilo razvito v istem računalniškem okolju kot večina naše programske opreme v zadnjih nekaj desetletjih. Kot tak je na nek način linearen in četudi je zasnovan tako, da se prilagaja Moorovemu zakonu, je še vedno omejen s svojimi odločitvenimi drevesi in algoritmi. Po drugi strani pa poglobljeno učenje povezuje vse svoje algoritme znotraj nevronske mreže. Zasnovan je za vzporedno računanje na visoki ravni, kar lahko zdaj štejemo za naslednjo generacijo v strojnem učenju.

Dokaj zanesljiv način za določitev, ali se uporablja sistem globokega učenja, je ocena zahtevnosti naloge AI. Običajno bolj kot je treba upoštevati več neštevilčnih in poljubnih spremenljivk, večja je verjetnost, da gre za sistem globokega učenja. Na primer, priporočila Netflix niso tako zapletena kot prevajanje jezika, čeprav se učijo iz podatkov, ki so združeni iz celotne internetne baze uporabnikov. To razlikovanje lahko velja za dve podobni nalogi, kot sta dva ločena sistema za samostojno vožnjo. Tisti, ki se bolj zanaša na podatke krčenja senzorjev, bi moral biti splošni sistem strojnega učenja, pri čemer se globoko učenje najverjetneje opira na človeško vidne okoljske naloge, kar je nekaj takega, kar Tesla trenutno razvija.

Ne glede na to, ali je razlikovanje jasno ali ne, je popolnoma gotovo, da je globoko učenje prihodnost. Za naše namene pa je ločitev AI globokega učenja od standardnega AI strojnega učenja bistvenega pomena za razumevanje, kako različen je v resnici in kako napreden je v resnici. Kljub temu, da je še danes v razvojni fazi, je že skoraj neprimerljiv z vsem, kar je prišlo pred njim.

Lažni Barack Obama, ki navaja nekaj kratkih stavkov o enako lažnem ozadju, se lahko zdi običajnemu gledalcu nenavaden, toda mi, ki že razumemo razliko, vemo, da je to le ena od ogromnih možnosti takšne tehnologije za spreminjanje iger .

Veliki izziv v Vietnamu

Želite izvedeti več o umetni inteligenci? Kambria vodi vodilno skupino Vietnam AI Grand Challenge 2019, serijo hackatonov, katere poslanstvo je usposabljanje mladih razvijalcev AI. Grand Challenge bo v sodelovanju z vietnamsko vlado, McKinsey & Company in VietAI združil najboljši talent AI države za podporo korporacijam v Vietnamu in po vsem svetu pri oblikovanju vrhunskega virtualnega pomočnika AI.

Kako sodelovati:
 1. Registrirajte se na platformi Kambria: https://bounty.kambria.io/
 2. Za vse prihajajoče informacije o dogodku spremljajte spletno stran Grand Challenge: https://www.facebook.com/VietnamAIGC/

Kambria bo v soboto, 1. junija 2019, v Da Nang-u gostila delavnico z naslovom "Ustvari svoj virtualni pomočnik iz nič", s katero bo udeležencem Velikega izziva v Vietnamu zagotovila usposabljanje in izobraževanje. Kliknite tukaj za več informacij o delavnici. Prostor je omejen na 40 udeležencev, zato se ne pozabite kmalu prijaviti!

Prvotno objavljeno v Kambriji.