Искусственный интеллект против машинного обучения против глубокого обучения | Разница

Термины искусственный интеллект (AI), машинное обучение (ML) и глубокое обучение (DL) стали очень распространенными в наши дни. Они часто используются как взаимозаменяемые, особенно при работе с большими данными, аналитикой, поиском и индексированием. Хотя эти три термина во многом связаны, это не одно и то же.

В сегодняшней истории мы объясним вам, что такое AI, ML и DL и чем они отличаются друг от друга. Не волнуйтесь; мы не будем использовать сложные научные термины - мы будем использовать их как можно короче и проще.

Искусственный интеллект

AI - это подразделение информатики, впервые созданное в 1956 году Джоном Маккарти. Компьютер обычно выполняет задачи, которые мы приказываем. Однако ИИ - это способ создания машины или программного обеспечения, которые могут разумно мыслить и работать сами по себе, как люди. Сюда входят такие вещи, как понимание языка, распознавание звуков и изображений, обучение, планирование и решение проблем.

Например, обычная программа может отвечать только на конкретные вопросы, а программа ИИ может отвечать на общие вопросы.

Есть четыре типа ИИ -

1. Полностью реактивный: Базовый тип, не делаю выводов. Пример - Google AlphaGo, IBM DeepBlue
2. Ограниченная память: Может принимать правильные решения и действовать. Пример - чат-боты, беспилотные автомобили.
3. Теория разума: Может понимать мысли, эмоции и социально взаимодействовать. - Еще не построено *
4. Самооценка: Может формировать представления о себе, осознавать собственное состояние и может предсказывать чувства других. –Не построено *

* Хотя третьего и четвертого типов машин на самом деле не существует, они демонстрируются в научно-фантастических фильмах, таких как R2D2 (тип-3) из «Звездных войн» и Ева (тип-4) из «Ex Machina».

Машинное обучение

Машинное обучение - это подмножество ИИ, которое дает системе возможность учиться, действовать и совершенствоваться на основе опыта без явного программирования. Таким образом, вместо того, чтобы явно писать все методы с конкретными инструкциями для достижения конкретной задачи, ML - это метод обучения программы, чтобы она могла учиться на прошлом опыте. Здесь под обучением понимается передача большого количества данных программе и предоставление ей возможности настраиваться и улучшаться.

Например, если вы предоставите алгоритму машинного обучения тысячи изображений кошек, он начнет распознавать, как выглядят кошки - их рост, цвет, форму лица и т. Д. В конце концов, он сможет идентифицировать и автоматически отмечать кошек на изображениях. Как только уровень точности будет достаточно высоким, алгоритм сможет точно сказать, как выглядит кошка.

Типы машинного обучения:

1. Под контролем: Заставляет машину учиться явно через данные с определенными выходными данными.
2. Без контроля: Machine понимает данные (шаблон / структуру) и делает выводы из наборов данных.
3. Армирование: Подход к искусственному интеллекту, учитесь на положительных и отрицательных подкреплениях и вознаграждайте за положительные результаты.

Глубокое обучение

Глубокое обучение - это подраздел машинного обучения, который занимается алгоритмами, основанными на структуре и функциях человеческого мозга или взаимосвязи многих нейронов. Эти алгоритмы, известные как искусственные нейронные сети (ИНС), имитируют биологическую структуру мозга.

Нейроны имеют дискретные слои и связи с другими нейронами. Эти слои можно визуализировать как вложенную иерархию связанных понятий или деревьев решений. Каждый слой может выбирать конкретную функцию, чтобы изучить или следовать определенному пути. Глубина состоит из нескольких слоев - чем больше слоев в сети, тем она глубже / сложнее.

Чтобы быть хорошо обученными, сети глубокого обучения требуют большого количества элементов. Вместо того, чтобы писать код для каждого ребра, определяющего элементы, система учится на воздействии миллионов точек данных.

Мозг Google - прекрасный пример глубокого обучения распознаванию кошек после взятия более десяти миллионов образцов изображений. Эти сети не нуждаются в кодировании с конкретными критериями, определяющими элементы; они могут идентифицировать края после воздействия большого количества образцов.

В октябре 2017 года глава Google Brain Джефф Дин сказал на саммите VB в Беркли:

Сегодня системы распознавания изображений, разработанные на основе глубокого обучения, лучше людей - от распознавания кошек до выявления индикаторов рака крови и опухолей при МРТ.

Google AlphaGo обучился игре в го (намного более сложной, чем шахматы) и усовершенствовал свою нейронную сеть, играя против самого себя снова и снова. В марте 2016 года он стал первой компьютерной программой, победившей профессионального игрока в го.

Прочтите:18 лучших шахматных движков на основе их рейтингов

Визуализация AI ML и DL

Изображение предоставлено Nvidia

Самый простой способ представить себе взаимосвязь AI, ML и DL - это визуализировать их в виде концентрических кругов, в которых сначала идет искусственный интеллект, затем машинное обучение и, наконец, глубокое обучение, которое приводит к нынешнему взрыву искусственного интеллекта.

От спада до бума

Искусственный интеллект был частью человеческого воображения и эксперимента в исследовательских лабораториях с 1956 года. За 7 лет с 2012 года мы достигли большего прогресса, чем за предыдущие 25 лет, по многочисленным ключевым проблемам ИИ, таким как занижение текста, обработка сигналов, голос и изображение. признание (тяжелая работа).

Основная причина бурного роста ИИ в последние несколько лет - широкая доступность графических процессоров, которые делают параллельную обработку еще быстрее и дешевле. Это также связано с практически бесконечным хранилищем и всем движением больших данных - текстом, изображением, транзакциями и т. Д.

Сегодня все технологические компании-гиганты активно инвестируют в проекты ИИ, и миллиарды людей ежедневно взаимодействуют с программным обеспечением ИИ через поисковые системы в Интернете, социальные сети и платформы электронной коммерции. И один из типов (или, можно сказать, единственный тип) ИИ, с которым мы больше всего взаимодействуем, - это машинное обучение.
Согласно статистике, к 2025 году мировой доход рынка ИИ превысит 59 триллионов долларов.

Прочтите:18 самых интересных фактов о квантовых компьютерах

AI - это будущее благодаря глубокому обучению

Глубокое обучение позволило несколько практических применений машинного обучения, разбив задачи таким образом, чтобы все типы машинной помощи казались возможными. Лучшие рекомендации по продуктам и предложения историй, лучшая профилактика, беспилотные автомобили - сегодня все это возможно. С помощью глубокого обучения ИИ может даже достичь того научно-фантастического состояния, о котором люди мечтали давно.