ИИ, машинное и глубокое обучение: ключевые различия и принципы работы

ИИ, машинное и глубокое обучение: ключевые различия и принципы работы

Термины «Искусственный интеллект (ИИ)», «Машинное обучение (МО)» и «Глубокое обучение (ГО)» стали очень распространены. Их часто используют как синонимы, особенно при работе с Big Data, аналитикой и поиском. Хотя эти три понятия тесно связаны, они не одно и то же.

В этой статье мы просто и кратко объясним, что такое ИИ, МО и ГО, и чем они отличаются друг от друга. Без сложных научных терминов.

Искусственный интеллект

ИИ — раздел информатики, термин введён Джоном Маккарти в 1956 году. Обычный компьютер выполняет задачи, которые мы ему командуем. ИИ — это способ создания машины или ПО, способных мыслить интеллектуально и действовать самостоятельно, как люди. Это включает понимание языка, распознавание звуков и изображений, обучение, планирование и решение задач.

Например, обычная программа отвечает только на конкретные вопросы, а программа с ИИ — на общие.

Существует четыре типа ИИ:

1. Полностью реактивный: Базовый тип, не делает выводов. Пример — Google AlphaGo, IBM DeepBlue
2. С ограниченной памятью: Принимает решения и действия. Пример — чат-боты, беспилотные авто
3. Теория разума: Понимает мысли, эмоции, взаимодействует социально. — Ещё не создан*
4. Самосознающий: Формирует представления о себе, осознаёт своё состояние, предсказывает чувства других. — Ещё не создан*

*Хотя 3-й и 4-й типы пока не существуют, они показаны в фантастике: R2D2 (тип 3) из «Звёздных войн» и Ева (тип 4) из «Экс Макины».

Машинное обучение

МО — подмножество ИИ, дающее системе способность обучаться, действовать и улучшаться на основе опыта без явного программирования. Вместо того чтобы писать все методы с конкретными инструкциями для выполнения задачи, МО — это техника обучения программы так, чтобы она училась на прошлом опыте. Обучение означает подачу большого объёма данных программе и разрешение ей сама настраиваться и улучшаться.

Например, если подать алгоритму МО тысячи фото котов, он начнёт распознавать, как выглядит кот — рост, цвет, форма лица. В итоге он сможет автоматически идентифицировать и помечать котов на фото. Как только точность достаточно высока, алгоритм точно определяет образ кота.

Типы машинного обучения:

1. С учителем (Supervised): Машина явно обучается на данных с заданными выходами.
2. Без учителя (Unsupervised): Машина понимает данные (паттерны/структуру) и делает выводы из наборов данных.
3. С подкреплением (Reinforcement): Подход к ИИ, обучение через положительное и отрицательное подкрепление, вознаграждение за позитивные результаты.

Глубокое обучение

Глубокое обучение — подраздел машинного обучения, работающий с алгоритмами, вдохновлёнными структурой и функцией человеческого мозга, или взаимосвязью множества нейронов. Эти алгоритмы называются искусственными нейронными сетями (ИНС), имитирующими биологическую структуру мозга.

Нейроны имеют дискретные слои и связи с другими нейронами. Слои можно представить как вложенную иерархию связанных концепций или деревьев решений. Каждый слой способен выбирать определённый признак для обучения или следовать определённому пути. Глубина создаётся множеством слоёв — чем больше слоёв в сети, тем глубже/сложнее она.

Для качественного обучения сети глубокого обучения требуются большие объёмы данных. Вместо написания кода для каждого ребра, определяющего объекты, система учится на миллионах точек данных.

Google Brain — идеальный пример глубокого обучения для распознавания котов после обработки более десяти миллионов изображений. Эти сети не нужно кодировать с конкретными критериями; они выявляют границы после воздействия большого числа образцов.

В октябре 2017 года Джефф Дин, руководитель Google Brain, заявил на VB Summit в Беркли:

«Сегодня системы распознавания образов, основанные на глубоком обучении, лучше людей — от распознавания котов до выявления индикаторов рака крови и опухолей на МРТ».

Google AlphaGo обучалась игре в Го (гораздо сложнее шахмат) и улучшала свою нейросеть, играя сама с собой снова и снова. В марте 2016 года она стала первой программой, победившей профессионального игрока в Го.

Читайте: 18 лучших шахматных движков по рейтингу

Визуализация связей ИИ, МО и ГО

Image credit: Nvidia

Простейший способ представить связь ИИ, МО и ГО — как концентрические круги: первым идёт Искусственный интеллект, затем Машинное обучение, и наконец Глубокое обучение, движущее современный взрыв ИИ.

От застоя к буму

Искусственный интеллект был частью человеческого воображения и кипел в лабораториях с 1956 года. Мы сделали больше прогресса за 7 лет с 2012 года, чем за предыдущие 25 лет по множеству ключевых проблем ИИ: понимание текста, обработка сигналов, распознавание голоса и образов (сложная задача).

Главная причина взрыва ИИ за последние годы — широкая доступность GPU, делающих параллельную обработку быстрее и дешевле. Также играют роль практически бесконечное хранилище и движение Big Data — тексты, изображения, транзакции.

Сегодня все технологические гиганты масштабно инвестируют в ИИ-проекты, и миллиарды людей ежедневно взаимодействуют с ИИ-ПО через поисковые системы, соцсети и платформы электронной коммерции. И один из типов (или единственный тип) ИИ, с которым мы взаимодействуем чаще всего — Машинное обучение. По данным Statista, глобальная выручка рынка ИИ превысит $59 трлн к 2025 году.

Читайте: 18 самых интересных фактов о квантовых компьютерах

ИИ — будущее, благодаря глубокому обучению

Глубокое обучение сделало возможными несколько практических применений машинного обучения, разбивая задачи так, что все виды машиненной помощи становятся реалистичными. Лучшие рекомендации товаров и историй, лучшая превентивная медицина, беспилотные авто — всё это реальность. С помощью глубокого обучения ИИ может даже достичь того фантастического состояния, которое люди воображали так долго.