Hüpetest kaugemale: erinevus tehisintellekti, masinõppe ja süvaõppe vahel

Tehisintellekt (AI) on meie igapäevaellu jõudnud pauguga. Turundusest meditsiinini näib olevat mõjutatud iga ettevõte ja tööstus. Tehnoloogiaettevõtted konkureerivad domineerimise pärast turul juhtimiseks ja kõige uuenduslikumate ja paljulubavamate AI-ettevõtete omandamiseks.

Võib-olla kasutate AI-d juba igapäevaelus selliste rakendustega nagu kõnetuvastus, nutitelefoni virtuaalne abi, veebisaitide ostmise soovituste algoritmid ja muusika- või videovoogedastusteenused või isegi siis, kui külastate arsti ja ta võrdleb röntgenikiirgust või muud meditsiinilised pildid koos teiste meditsiiniliste andmetega.

Ja siis on veel terminid masinõpe ja sügav õppimine, mis näivad segavat paljusid inimesi. Liiga sageli kasutatakse neid vaheldumisi, kuid kuigi nad on üksteisega tihedalt seotud, on neil erinev tähendus. Mis vahe on AI, masinõpe ja sügav õppimine?

Tehisintellekt

Kõige laiemas mõttes on AI selle asutajate sõnul intelligentsete masinate, eriti intelligentsete arvutiprogrammide valmistamise teadus ja tehnika. See on viis, kuidas panna arvuti, arvutiga juhitav robot või tarkvara arukalt mõtlema sarnaselt inimeste mõtteviisile, kasutades samal ajal arvuti tohutult suuremat kiirust ja võimsust.

Teadmistehnika on AI uurimistöö põhiosa. Masinad võivad käituda nagu inimesed ainult siis, kui neil on maailma kohta palju teavet. Autonoomne auto saab turvaliselt sõita ainult siis, kui on piisavalt andmeid oma keskkonna kohta. Otsustamise algoritmid on ainult nii head kui sisendandmed.

Teisisõnu - tehisintellektil peab olema teadmistehnika rakendamiseks juurdepääs objektidele, kategooriatele, omadustele ja nendevahelistele suhetele. Masinate mõistuse, arutluskäigu ja probleemide lahendamise võime algatamine on keeruline ja tüütu lähenemisviis. Me pole kuskil väga arukate masinate lähedal.

Masinõpe

Kui tehisintellekt hõlmab masinõppe kogu spektrit, siis terminil masinõpe on palju kitsam tähendus, nimelt „võime õppida ilma selgesõnaliselt programmeeritud”. Muuseas, just praegu toimuvad siin suurimad muutused: tohutute andmekogumite söötmine arvutitesse ja ootan, millal nad tulemusi saavad.

Masinõpe on AI tüüp, mis hõlbustab arvuti võimet õppida ja sisuliselt õpetab ennast arenema, kui see puutub kokku uute ja pidevalt muutuvate andmetega. Näiteks kasutab Facebooki uudistevoog masinõpet, et iga inimese voogu isikupärastada vastavalt sellele, mis neile meeldib. Traditsioonilise masinõppe tarkvara põhielementideks on statistiline analüüs ja ennustav analüüs, mida kasutatakse mustrite leidmiseks ja varjatud teadmiste leidmiseks eelmiste arvutuste vaadeldud andmete põhjal, ilma et oleks programmeeritud, kust otsida.

Masinõpe on aastate jooksul tõeliselt arenenud tänu sellele, et suudab läbi sõeluda keeruka andmekogumi. Neid nimetatakse sageli suurandmeteks. Paljud võivad olla üllatunud, kui teavad, et nad puutuvad igapäevaelus kokku masinõppe rakendustega voogesitusteenuste, näiteks Netflixi ja sotsiaalmeedias kasutatavate algoritmide kaudu, mis annavad märku trendikatest teemadest või räsimärkidest. Funktsioonide eraldamine masinõppes nõuab programmeerijalt, et ta ütleks arvutile, milliseid asju ta peaks otsima, mis on otsuse tegemisel kujundav, mis võib olla aeganõudev protsess. Selle tulemuseks on ka masinõppe täpsuse vähenemine inimlike eksimuste tõttu programmeerimisprotsessis.

Sügav õppimine

Süvaõpe on masinõppe uurimise noorim valdkond, mis on kasutusele võetud eesmärgiga viia masinõpe tehisintellektile lähemale.

See on seotud inimese aju sügavate närvivõrkude uurimisega ja selles perspektiivis püüab sügav õppimine jäljendada inimese aju sisemiste kihtide funktsioone, luues teadmisi mitmest infotöötluse kihist. Kuna sügava õppimise tehnoloogia on inimese aju eeskujul, siis iga kord, kui uusi andmeid valatakse, muutuvad selle võimalused paremaks.

Sügava õppimise paradigma kohaselt on masin sisuliselt koolitatud, kasutades selleks suures koguses andmeid ja algoritme, et anda sellele võimalus ülesande täitmist õppida. Neid andmeid edastatakse närvivõrkude kaudu, mis küsivad rea binaarsete tõeste / valede küsimuste või numbriliste väärtuste seast iga neid andmeid läbiva bitti, mis liigitatakse vastavalt saadud vastustele. Tänapäeval kasutatakse süvaõppe abil koolitatud masinate abil pildituvastust autonoomsete robotite ja sõidukite koolitamisel, meditsiinis haiguse markerite ja igasuguste piltide tuvastamiseks.

Mõni aeg tagasi õppis Google'i AlphaGo mängu tundide kaupa, mängides iseendale ikka ja jälle. See järelevalveta, üha kiirem õppimisvõime on praeguse süvaõppe hüpe võtmeks. Kuid järgmine revolutsiooniline tehnoloogia pole kaugel.