On the Hype: razlika med umetno inteligenco, strojnim učenjem in poglobljenim učenjem

Umetna inteligenca (AI) je z udarci vstopila v naše vsakdanje življenje. Od trženja do medicine se zdi, da to vpliva na vsako podjetje in industrijo. Tehnološka podjetja tekmujejo za prevlado v tekmi za vodenje trga in pridobivanje najbolj inovativnih in perspektivnih AI podjetij.

Morda že uporabljate AI v vsakdanjem življenju z aplikacijami, kot so prepoznavanje govora, virtualna pomoč na vašem pametnem telefonu, algoritmi priporočil pri nakupovanju spletnih mest in storitev pretoka glasbe ali videoposnetkov ali celo, ko obiščete zdravnika in primerja rentgenski žarek ali druge medicinske slike z drugimi medicinskimi podatki.

Potem so tu še izrazi strojno učenje in globoko učenje, ki marsikoga zmedejo. Prepogosto jih uporabljamo zamenljivo, a čeprav so med seboj tesno povezani, imajo različne pomene. Kakšna je torej razlika med AI, strojnim učenjem in globokim učenjem?

Umetna inteligenca

V najširšem smislu je po mnenju ustanoviteljev AI znanost in inženiring izdelave inteligentnih strojev, zlasti inteligentnih računalniških programov. To je način, kako narediti računalnik, računalniško vodeni robot ali programsko opremo pametno razmišljati na način, kot si ljudje mislijo, medtem ko izkoriščajo bistveno večjo hitrost in moč računalnika.

Inženiring znanja je temeljni del raziskav AI. Stroji lahko delujejo kot ljudje le, če imajo obilne informacije o svetu. Avtonomni avtomobil lahko varno vozi le z zadostnimi podatki o svojem okolju. Algoritmi odločanja so le tako dobri kot vhodni podatki.

Z drugimi besedami, umetna inteligenca mora imeti dostop do predmetov, kategorij, lastnosti in odnosov med njimi za izvajanje inženiringa znanja. Iniciranje zdrave pameti, razmišljanja in reševanja težav v strojih je težaven in mučen pristop. Nismo še blizu resnično inteligentnih strojev.

Strojno učenje

Medtem ko umetna inteligenca zajema celoten spekter strojnega učenja, ima izraz strojno učenje mnogo ožji pomen, in sicer "sposobnost učenja, ne da bi bilo izrecno programirano." Mimogrede, prav zdaj se dogajajo največje spremembe: hranjenje množičnih podatkovnih nizov v računalnike in čakajo, da pridejo do rezultatov.

Strojno učenje je vrsta AI, ki računalniku olajša sposobnost učenja in se v bistvu uči razvijati se, ko je izpostavljen novim in nenehno spreminjajočim se podatkom. Na primer, Facebook novice uporabljajo strojno učenje, da prilagodi vsak posamezni vir glede na to, kaj mu je všeč. Glavni elementi tradicionalne programske opreme za strojno učenje so statistična analiza in napovedna analiza, ki se uporabljajo za ugotavljanje vzorcev in iskanje skritih spoznanj na podlagi opazovanih podatkov iz prejšnjih izračunov, ne da bi bili programirani, kje iskati.

Strojno učenje se je skozi leta resnično razvijalo s svojo sposobnostjo presejanja skozi zapleten nabor podatkov. Te pogosto imenujemo "veliki podatki". Mnogi so morda presenečeni, ko vedo, da se v vsakdanjem življenju srečujejo s programi strojnega učenja prek pretočnih storitev, kot so Netflix in algoritmi družbenih medijev, ki opozarjajo na trendi teme ali hashtage. Izvleček lastnosti v strojnem učenju od programerja mora računalniku povedati, kakšne stvari mora iskati, kar bo tvorilo odločitev, kar je lahko dolgotrajen postopek. Posledica tega je tudi, da je strojno učenje zmanjšalo natančnost zaradi elementa človeške napake med postopkom programiranja.

Globoko učenje

Globoko učenje je najmlajše področje raziskovanja strojnega učenja, ki je bilo uvedeno z namenom, da se strojno učenje približa umetni inteligenci.

Navezuje se na preučevanje „globokih nevronskih mrež“ v človeških možganih in v tej perspektivi skuša globoko učenje posnemati funkcije notranjih plasti človeških možganov, pri čemer ustvarja znanje iz več plasti obdelave informacij. Ker se tehnologija človeškega globokega učenja oblikuje po človeških možganih, se vsakič, ko se vlijejo novi podatki, izboljšajo njegove zmogljivosti.

V skladu s paradigmo globokega učenja je stroj v osnovi "usposobljen" z uporabo velikih količin podatkov in algoritmov, da se lahko nauči, kako lahko opravi nalogo. Ti podatki se napajajo preko nevronskih mrež, ki postavljajo niz binarnih resničnih / napačnih vprašanj ali številskih vrednosti vsakega kosa podatkov, ki gre skozi njih, in jih razvrstijo glede na prejete odgovore. Danes prepoznavanje slike s stroji, usposobljenimi z globokim učenjem, se uporablja pri usposabljanju avtonomnih robotov in vozil, v medicini za prepoznavanje označevalcev bolezni in vseh vrst slik.

Pred časom se je Googlov AlphaGo igro naučil v nekaj urah, tako da se je igral vedno znova in znova. Ta nenadzorovana, vse hitrejša sposobnost učenja je ključ trenutnega hypea zaradi globokega učenja. Toda naslednja revolucionarna tehnologija ni daleč.