Глубокое обучение vs Машинное обучение: ключевые отличия

В ранние дни компьютеры делали простые математические/логические операции. Потом — сложные расчёты, решение задач, стали информационным скелетом мира. Выход за рамки традиционных вычислений потребовал интеллекта.

Исследователи и инженеры обратились к подражанию человеческому интеллекту. ИИ (AI) — раздел информатики, создающий системы, умные как человек. Ранние модели — сложные логические операции. Позже — продвинутые техники для «умных» задач.

Два главных термина в ИИ — машинное обучение (ML) и глубокое обучение (Deep Learning). Разберём происхождение, общее и отличия.

Глубокое и машинное обучение

ML и DL — подмножества AI. DL — подмножество ML. Значит: всё глубокое обучение — машинное, но не всё машинное — глубокое. Для сравнения термин «машинное обучение» далее исключает глубокое.

Рисунок 1. Графика взаимосвязи AI, ML, DL. Источник: Avimanyu786

Машинное обучение (Machine Learning)

ML анализирует большие данные, чтобы понять характеристики обучающей выборки. Наученное применяется к другим датасетам для «умных» решений. Модели, обученные на тренировочных данных, работают с похожими данными, выдавая нужный выход.

Обучающая выборка для ML должна быть размеченной. Разработчики контролируют и корректируют процесс обучения. Помимо базовых вычислений — активно статистические модели.

Классический пример — различение котов и собак. Обзор обучения ML:

Модель получает тысячи фото котов и собак. Каждое помечено «кот» или «собака». Модель выделяет признаки, отличающие котов, собак и остальные объекты. Признаки — статистическими методами. После обучения на достаточных данных — подают непомеченные фото. Если модель успешно отличает котов от собак с нужной точностью — успешная ML-модель.

Глубокое обучение (Deep Learning)

Эволюция классического ML. Люди не учатся на тысячах размеченных примеров — учится автоматически, без внешней помощи/валидации. DL делает шаг к этой модели интеллектуального обучения.

Модели DL тоже обучаются на больших данных, но без разметки. Все данные — неразмеченные. Модель сама выделяет элементы для нужного выхода.

Рисунок 2. Визуализация нейросетей в фермерстве.

DL использует сложные математические системы — нейронные сети (neural networks). Множество слоёв математических функций с разными весами. «Deep» — от этих слоёв обработки.

Как DL отличает котов и собак: нейросеть получает множество неразмеченных фото. Сама должна понять: есть два класса животных, и как их различить. Никакой разметки, никакого надзора разработчиков.

После успешного обучения — отличает любое число фото котов и собак.

Сравнение ML и DL

Быстрая таблица отличий (DL исключён из термина ML для сравнения, хотя DL ⊂ ML):

	Machine Learning	Deep Learning
Обучающие данные	Размеченные	Неразмеченные
Надзор	Supervised learning	Unsupervised learning
Техники	Преимущественно статистические	Продвинутые математические функции
Объём данных	Относительно меньше	Очень большой объём
Точность	Относительно ниже	Выше при большом объёме данных
Время обучения	Относительно меньше	Очень высокое

Рисунок 3. Таблица сравнения ML и DL.

Промышленные применения глубокого обучения

И ML, и DL имеют промышленные применения. DL покрывает всё, что делает ML. Но DL требует больше экспертизы, данных, вычислительной мощности, времени. Выбор — баланс множества факторов.

Когда нужна высокая точность — предпочтительны DL-модели. Но для неё нужен огромный объём данных и долгий обучение. ML алгоритмы достаточны для рутинных задач.

Фактор — сложность проблемы. Чем сложнее, тем лучше DL vs ML. Но жёсткого правила нет. Пример: ML достаточно для анализа/прогноза энергопотребления завода. Но недостаточно для автоматизированной системы контроля качества — там нужны DL-алгоритмы.

Сейчас ML доступнее DL даже в индустрии. Но со временем DL улучшится, снизятся стоимости и барьеры, вычислительная мощность подешевеет. Принятие DL в индустрии растёт.