AI vs masinõpe vs sügav õppimine: mis on erinevus? Baidiakadeemia

AI vs masinõpe vs sügav õppimine: mis on erinevus?

Esmaspäev, 17. aprill 2017

Kui Deepmindi AlphaGo võitis toonase Go-meister Lee Se-dol'i vastu 5-st matšist 4, võttis kogu maailm teate. Tehisintellekti võidukäiguks kuulutatud hetk oli oluline samm keerukate AI-mootoritega masinate reaalsuseks muutmisel.

See oli ka siis, kui sõnad Deep Learning ja Machine Learning sisenesid avalikku leksikonisse, kusjuures meediumid kasutasid neid termineid vaheldumisi, selgitamaks, kuidas AlphaGo võistles inimintellekti vastu.

Ehkki need terminid on omavahel tihedalt seotud, tähendavad nad erinevaid asju. Ja tänapäeval, kui tehnoloogia mõjutab oluliselt meie elu, on oluline teada nende mõistete erinevust.

See artikkel aitab teil seda just teha.

Lähenemine
 Parim viis nende mõistete mõistmiseks on nendevaheliste suhete tundmaõppimine. AI, masinõpe ja süvaõpe on nagu need vene nukukomplektid - AI on kõige laiem kontseptsioon ja seega ka suurim nukk komplektis, masinõpe tuleb teisel kohal ja sügav õppimine on selle sees.

AI, masinõpe ja süvaõpe on nagu need vene nukukomplektid… Klõpsake nuppu To Tweet

Alustame oma mõistmist esimese nukuga, tehisintellektiga.

Tehisintellekt (AI)
 Kunstlik intelligentsus kui kontseptsioon on olnud osa meie avalikkuse kujutlusvõimest juba sajandeid, alates Kreeka müütidest mehaaniliste meeste kohta, mis on kavandatud inimese käitumise jäljendamiseks, kuni hilisema Terminaatori sarjani ülivõimsate küberneetiliste organismide kohta, mis rändavad ajas tagasi inimkonna hävitamiseks / päästmiseks . See on arvutisüsteemide teooria ja arendamine, mis suudavad täita tavaliselt inimese intelligentsust nõudvaid ülesandeid, nagu visuaalne taju, kõnetuvastus, otsuste tegemine ja keeltevaheline tõlkimine.

Hollywoodi ja Sci-Fi populariseeritud AI kontseptsiooni tuntakse üldise AI nime all - võimsad masinad, mis suudavad kõigis piirkondades edestada inimesi.

Kuid AlphaGo ja enamus teisi AI juhtumeid tänapäeva maailmas kuuluvad kategooriasse „Kitsas AI“, kus need masinad on loodud inimese käitumist kopeerima või parandama ühes konkreetses ülesandes.

AI populaarsus on viimastel aastatel plahvatuslikult kasvanud tänu hõlpsale juurdepääsule GPU-de kaudu toimuvale paralleelsele andmetöötlusele ja Big Data liikumisele, mis sisaldab igat tüüpi andmeid, aidates seeläbi uurida selle valdkonna kõiki võimalusi.

Kuid kuidas kuni 2012. aastani tähelepanu ja edusamme nõudnud põld nii kiiresti suureks tegi? See küsimus viib meid masinõppeni, informaatika valdkonda, mis on selle arengu võimaldanud.

Masinõpe

Masinõpe kui kontseptsioon tähendab masina võimet õppida saadud andmeid enda jaoks. Kui tavaliselt programmeerime masinaid vastavalt oma nõudmistele juhiseid järgima, siis masinõppes kasutame algoritme, mis süstemaatiliselt andmeid sirvivad ja ise käitumist õpivad, ilma et oleksime selleks spetsiaalselt programmeeritud.

Kuid kuidas AI, mis vajas tähelepanu ja edusamme aastani 2012, selle nii suureks tegi ... Klõpsake nuppu To Tweet

Parim näide selle kohta oleks e-kirjade klassifitseerimine erinevatesse filtritesse, kus masinõppe algoritmide abil tehakse kindlaks, kas e-kiri kuulub rämpsposti hulka või mitte.

Masinõppe kontseptsiooniks oli varajane AI-meeskond ja sellest ajast alates on ta omandanud hulgaliselt tehnikaid, näiteks otsustuspuu õppimine, naiivsete bayide klassifikaator ja tugivektorimasinad. Seda on laialdaselt kasutatud arvuti visiooni valdkonnas, mille eesmärk on aidata arvutil tuvastada pildil olevad erinevad objektid.

Algselt oli see väli läbikukkunud - see nõudis palju käsitsi kodeerimist, töötlemise aega ja ei suutnud ikkagi inimlikele standarditele vastavaid tulemusi võrrelda. Aja jooksul ja tehnoloogilise infrastruktuuri täiustamisel on selle tehnikad muutunud ülivõimsaks, kuid on üks alamväli, mis on aidanud masinõpet edendada niivõrd, kuivõrd Facebooki fännid kasutavad Computer Visionit edukalt pildil olevate objektide tuvastamiseks ja Uber , Apple ja muu taoline, et sõidukijuhi autosid vähem oleks.

Ja tehnika? Just selles seisnebki sügav õppimine.

Sügav õppimine

Süvaõpe on masinõppe ala, kus kasutatakse tehisnärvivõrkude tehnikat. See on inspireeritud inimese bioloogiast - nii nagu meie aju koosneb signaale vallandavate ja teavet edastavate neuronite võrgustikust, loob algoritm masinas sarnase seadistuse, ainsaks erinevuseks on see, et kuigi bioloogilised neuronid saavad omavahel vabalt ühenduda, on tehisnärv võrkudel on diskreetsed kihid ja ühendused ning need järgivad ettemääratud suunda.

Põhimõtteliselt hõlmab sügav õppimine arvutisüsteemile palju andmeid, mida ta süstemaatiliselt sõelub, liigitades andmed binaarsete tõeste või valede küsimuste kaudu või eraldades arvulise väärtuse. Seda teavet salvestatakse närvivõrkude kujul, mida kasutatakse seejärel igasuguse teabe - heli, video, kõne jne - klassifitseerimiseks. Ehkki arvutuslikult ulatuslik, pakub see tehnika meile suurepärase tulemuse ja seda kasutatakse nüüd paljude probleemide jaoks, näiteks sõidukijuhina liikudes vähem autosid, värvides mustvalgeid pilte uuesti, pakkudes muu hulgas meditsiinilist diagnoosi.

Kokkuvõtteks võib öelda, et neid mõisteid on kontsentriliste ringidena lihtne mõelda. AI on lai eesmärk, tulevik, mida juba täna realiseeritakse. Masinõpe on selle tuleviku reaalsuseks lootustandvam lähenemisviis. Ja süvaõpe on masinõppe kõige võimsam tehnika selle teostamiseks.

Nende mõistete sügavamaks mõistmiseks tutvuge meie andmeteaduslike kursustega.

Algselt avaldati saidil byteacademy.co 17. aprillil 2017.