Tehisintellekt: erinevus masinõppe ja sügava õppimise vahel

Tehisintellekt ehk AI on muutunud meie kaasaegse ühiskonna oluliseks ja lahutamatuks osaks. Forbesi sõnul rakendab isegi kaks aastat tagasi 2017. aastal 51% tänapäevastest ettevõtetest AI-d, tööstuse enda hinnangul on see 16 miljardit USA dollarit. Prognooside kohaselt kasvab see hüppeliselt veelgi, ulatudes 2025. aastal 190 miljardi dollarini.

Kaks tänapäeval kõige mõjukamat AI tüüpi on masinõpe ja süvaõppe süsteemid. Kuid mis need kaks täpselt on? Ja kuidas määratleda tehisintellekt nende kahe kontekstis?

Mis on tehisintellekt?

2019. aasta Oxfordi sõnaraamatu ametlik sissekanne väidab, et tehisintellekt on “arvutisüsteemide teooria ja arendamine, mis on võimelised täitma ülesandeid, mis tavaliselt nõuavad inimese intelligentsust”.

Teisisõnu, AI tõlgendab teavet teie ja minuga sarnasel viisil, olgu see siis vajalik pildi tuvastamiseks, kõnetuvastuseks või mõnes muus automatiseeritud otsustussüsteemis. Üks väga lihtne näide AI-st on videomängude arvuti vastane. See kasutab nii mängu andmeid, kui ka mängija sisestatud andmeid, et luua mängija kaasamiseks otsuste ja ülesannete jada. AI võeti kasutusele juba 1950ndatel, kuid see hakkas tõeliselt startima alles 70ndatel ja 80ndatel, kui personaalarvutid ja mängukonsoolid hakkasid muutma AI arendamise selle tegevuse põhinõudeks.

Muud AI näited meie igapäevaelus võivad sisaldada:

  1. Simulaatorid
  2. Nutiseadmed
  3. Börsibotid
  4. Andmete äratundmine (kõne, hääl, nägu jne)

Tänapäeval kasutatakse paljusid AI-süsteeme peaaegu igas rakenduses, kus kasutatakse andmeid, näiteks haldustarkvara, soovitusalgoritmid, meediumianalüüs või isegi hääleabilised. Tegelikult kasutavad AI isegi lihtsad jälgimisrakendused. Rusikareeglina, kui on olemas suhteliselt keeruline ülesannete täitmise protsess, mida tuleb regulaarselt täita ilma inimese otsese sekkumiseta, oleks sellel tõenäoliselt AI.

Mis on masinõpe?

Masinõpe on tehisintellekti tüüp (ja seetõttu selle alamhulk), mis on spetsialiseerunud antud andmete parsimisele ja analüüsimisele, et sellest kohaneda ja teha piisavalt arukaid otsuseid. Lihtsamalt öeldes on see AI tehtud selleks, et jälgida ja märgata paljusid asju ning seejärel võtta saadud teabe põhjal ette üks või mitu toimingukursust.

Tüüpilistel masinõppeülesannetel võiks täna olla:

  1. Lingi soovitused
  2. Sisu modereerimine
  3. Kuvatakse otsingutulemid
  4. Ajakavade kureerimine (sotsiaalmeedias)

Masinõppe süsteem on võimeline lühikese aja jooksul analüüsima tohutul hulgal andmeid, looma sellest lahendusi või järeldusi. See optimeerib oma algoritmi, et anda täpseid tõlgendusi, palju enamat kui see, mida inimesed saavad teha sama ajapiiranguga. Näiteks tahame automaatselt kindlaks teha, kas teatud e-post on rämpspost või mitte. Masinõppe süsteem sõelub tuhandete tuhandete e-kirjade kaudu läbi, et leida mustreid, mis aitaksid sellel tuvastada rämpsposti. Seejärel liigitataks rämpsposti ja tavalise e-posti ligikaudne klassifikatsioon, mille andmeid ta kasutaks taas veelgi mustrite leidmiseks, mis aitaksid tal oma analüüsi veelgi täpsustada.

Uuemate ja uuemate andmekogumite saamisel võiksid masinõppe süsteemid oma algoritme kohandada ja värskendada, et veelgi paremini aru saada, mida see teeb. Või vähemalt vähendage vigade tõenäosust. See teeb masinõppe meie praegusel andmepõhisel ajastul väga oluliseks.

Mis on sügav õppimine?

Sügav õppimine on jälle üks alamhulk, seekordne masinõppimine. Süvaõppe süsteemide põhidisain põhineb orgaanilisel ajus. Kui me moodustame uusi mälestusi, kasutades keerulist närvimustrite veebi, siis selline süsteem kudub oma keeruka otsuste veebi, kasutades kunstlikku närvivõrku, mis koosneb lugematutest algoritmilistest kihtidest.

Mõned üsna tähelepanuväärsed süvaõppe süsteemid on:

  1. Watson (võitis Jeopardy võistlejad!)
  2. AlphaGo (alistas Go-i professionaalse mängija Lee Sedoli 2016. aasta märtsis)
  3. Deepfake (tegelike inimeste kohutavalt realistlike, kuid kunstlike esituste loomine)
  4. OpenAI Five (mängude süvaõppe projekt, alistas eelmisel aastal DOTA mängija Dendi)

Erinevalt tavalistest masinõppimissüsteemidest, mis suudavad isegi suhteliselt põhiandmekogumite korral üsna hästi toimida, käivitaks sügava õppesüsteemi käivitamine sõna otseses mõttes nullist. Seda iseloomustab "lonkav periood", kus tema AI esimesed paar põlvkonda hakkaksid tegelikke tulemusi andma alles pärast mitmete lugematute ebaõnnestunud põlvkondade kohanemisperioodi.

Kui see saavutab üsna keeruka efektiivsuse taseme, hakkavad süvaõppesüsteemid kõigest muust enne seda üle jõu käima. Näiteks DeepMindi AlphaGo hakkas kasutama esialgset 160 000 amatöör Go mängu, enne kui see komistas oma professionaalsete Go mängijate peksmise poole, mängides iseenda vastu miljoneid kordi.

Erinevalt teistest varem kavandatud masinõppe süsteemidest sõltuvad süvaõppesüsteemid andmete genereerimisel suurel määral maatrikskorrutistest. Sellisena on kommertslikud GPU-d nende süsteemide jaoks tavaliselt parim riistvara, kuna need on võimelised täitma toimivuse säilitamiseks vajalikke kõrgetasemelisi paralleelse töötlemise nõudeid.

Standardne AI ja masinõpe

Ehkki tehisintellekti ja masinõpet saab kasutada vaheldumisi paljude tavaliste rakenduste jaoks, on oluline märkida, et masinõppel on üks väga eristatav omadus: kohanemine. See tähendab, et ta õpib. See võib erinevalt eelnevalt ehitatud AI-st teha palju esialgseid vigu, kuid selle eesmärk on neist õppida, nendest ehitada ja lõpuks asendada kõik, milleks seda on optimeeritud.

Kujunduse aspektist saab masinõpe ka selle eelise, et selle algse ehitamisega pole liiga palju. Tüüpiline AI võib vajada spetsiaalset kodeerimist või konkreetseid juhiseid iga olukorra jaoks, mida arendaja võib ette näha. Kuid masinõppimissüsteem saab lihtsalt töötada otsustuspuul, millele lisandub õpistandard või kaks, ning ka vajalik töötlemisvõime, ja seejärel asuda sammu oma ülesande täitmise paremaks muutmisel.

Masinõppe süsteemide eristamise olulisus tuleneb asjaolust, et me kasutame täna veel selliste süsteemide standardset, regulaarset AI-d muude vähem tähtsate ülesannete ja ülesannete jaoks. Lõppude lõpuks ei vaja te tingimata masinõppe süsteeme, näiteks automaatsete failihaldusotsuste automatiseerimiseks. Samal viisil ei pruugi olla kohane liigitada midagi nii keerukat kui kõnetuvastussüsteemi kategooriasse „pelgalt AI” ja seega liigitame selle õigesti.

Masinõpe ja süvaõpe

Võib-olla on olulisem erinevus, mida peame õppima, erinevus masinõppe ja sügava õppimise vahel. Esiteks, nagu varem mainitud, on sügav õppimine masinõpe, tehniliselt üht tüüpi või selle alamhulk. Masinõpe pole aga alati sügav õppimine. Eristamine on suuresti seotud mõlema ehitamise viisiga.

Masinõpe on viimase paarikümne aasta jooksul välja töötatud samas arvutikeskkonnas, kus palju meie tarkvara. Sellisena on see teatud mõttes lineaarne ja isegi kui see on üles ehitatud Moore'i seadustega kohanemiseks, on see siiski piiratud otsustuspuude ja algoritmidega. Süvaõpe seevastu koondab kõik selle algoritmid närvivõrku. See on mõeldud kõrgetasemeliseks paralleelseks arvutamiseks, mida võime nüüd pidada masinaõppe järgmise põlvkonnana.

Üks üsna usaldusväärne viis sügava õppesüsteemi kasutamise kindlakstegemiseks on AI ülesande keerukuse hindamine. Tavaliselt, mida rohkem arvulisi ja suvalisi muutujaid seal arvestama peab, seda tõenäolisem, et tegemist on sügava õppesüsteemiga. Näiteks pole Netflixi soovitused nii keerulised kui keeleline tõlge, isegi kui nad õpivad kogu Interneti-kasutaja andmebaasi koondatud andmetest. See erinevus võib kehtida kahe sarnase ülesande puhul, näiteks kahe eraldi isesõitva süsteemi puhul. See, mis tugineb rohkem andurite krigistamisele, peaks olema üldine masinõppe süsteem, kusjuures sügava õppimisega loodetakse tõenäoliselt rohkem inimlikult nähtavatele keskkonnateatele - midagi sellist, mida Tesla praegu arendab.

Sõltumata sellest, kas eristamine on selge või mitte, on täiesti kindel, et sügav õppimine on tulevik. Meie eesmärkidel on sügava õppe AI eraldamine tavalisest masinõppe AI-st siiski oluline, et mõista, kui erinev see tegelikult on ja kui arenenud see tegelikult olla võiks. Vaatamata sellele, et see on endiselt oma arengujärgus, on see peaaegu juba võrreldamatu kõige muuga, mis sellele eelnes.

Võlts Barack Obama, kes ütleb paar lühikest lauset võrdselt võltsitud taustal, võib tavavaataja jaoks tunduda meeletu, kuid meile, kes juba eristamist mõistame, teame, et see on vaid üks sellise mängu muutva tehnoloogia tohututest võimalustest. .

Vietnami AI suur väljakutse

Kas soovite rohkem teada saada tehisintellekti kohta? Kambria on juhtiv hackathon-sarja Vietnam AI Grand Challenge 2019, mille ülesanne on koolitada noori AI arendajaid. Koostöös Vietnami valitsuse, McKinsey & Company ja VietAI-ga toob Grand Challenge kokku riigi parimad AI talendid, et toetada Vietnami korporatsioone ja kogu maailmas AI virtuaalse assistendi kujundamisel.

Kuidas osaleda:
 1. Registreeri Kambria platvormil: https://bounty.kambria.io/
 2. Jälgige Grand Challenge Facebooki lehte kogu eelseisva sündmuse kohta: https://www.facebook.com/VietnamAIGC/

Laupäeval, 1. juunil 2019 korraldab Kambria Da Nangis seminari “Loo oma virtuaalne assistent nullist”, et pakkuda Vietnami AI Grand Challenge'is osalejatele koolitust ja koolitust. Töötoa kohta lisateabe saamiseks klõpsake siin. Ruumi on piiratud 40 osalejaga, seega registreeruge kindlasti varsti!

Algselt avaldati Kambrias.