Разговор на языке: искусственный интеллект (AI) против машинного обучения (ML) против глубокого обучения (DL)

Каждое успешное взаимодействие с корпоративным клиентом начинается с общего словаря.

Многие шумихи вокруг этой отрасли вращаются вокруг трех терминов, которые на первый взгляд кажутся взаимозаменяемыми: искусственный интеллект (AI), машинное обучение (ML) и глубокое обучение (DL).

Получение информации об этих терминах на одной странице - простая, но важная часть высокофункционального взаимодействия. Учитывая, как часто они появляются, все идет более гладко, когда все заинтересованные стороны могут точно использовать эти термины. Это дает клиентам чувство расширения возможностей и уверенности в точной ценности, которую мы им предоставляем, и помогает нам общаться более эффективно.

Эти термины проще всего представить как набор матрешек. Самый внешний слой - это искусственный интеллект. Машинное обучение - это разновидность искусственного интеллекта, а глубокое обучение - это особый метод машинного обучения. Давайте разберемся, что это значит, более подробно.

Что такое ИИ?

В нашем контексте искусственный интеллект (ИИ) - это самый широкий термин. Его можно определить как машины, демонстрирующие человеческое поведение. Классические примеры ИИ происходят из мира научной фантастики, такие как C3PO в «Звездных войнах»: робот, который может функционировать, говорить, «думать» и двигаться по-человечески.

Обсуждения экспертов вокруг ИИ [1] часто вращаются вокруг моральных или экзистенциальных последствий создания человечеством чего-то, что действует человеком. Эти темы, хотя и увлекательны, обычно слишком расплывчаты, чтобы их можно было напрямую применить к коммерческой прибыли. Мы предпочитаем работать с определенным набором методов, которые, как доказано, обеспечивают те типы стратегических результатов и конкурентных преимуществ, которые делают эту область настолько привлекательной:

Что такое ML?

Машинное обучение (ML) - это подмножество области искусственного интеллекта, которая имеет дело конкретно с алгоритмами, которые изменяют себя, используя данные для улучшения конкретной задачи.

Давайте разберем это определение дальше:

  • Алгоритм - это просто процедура, используемая для решения проблемы. В реальном мире примером может служить рецепт приготовления: набор материалов и шагов для приготовления вкусного блюда. В мире компьютеров алгоритм - это фрагмент кода, который действует от имени пользователя для выполнения задачи.
  • Идея о том, что алгоритмы машинного обучения изменяют себя, отличает их от других типов алгоритмов. Это то, что делает машинное обучение обучением. В то время как классический алгоритм полностью меняется по желанию программиста, алгоритм машинного обучения может найти свои собственные решения.
  • Данные - это сердце и душа машинного обучения. В каждом отдельном сценарии вы можете добиться гораздо больших улучшений, собирая больше или лучше данных, чем возясь с разными типами моделей. 80–90% времени и внимания специалиста по машинному обучению следует сосредоточить на своем наборе данных. Трудно переоценить важность данных для эффективного машинного обучения, и именно поэтому они так важны для крупных предприятий, которые сидят на их сокровищнице.
  • Какими бы продвинутыми ни были эти методы, алгоритмы машинного обучения по-прежнему ограничены конкретной задачей или целью. Это чрезвычайно важно при разработке стратегии машинного обучения - алгоритм, которому было приказано повысить вовлеченность пользователей, будет действовать совершенно иначе, чем алгоритм, который призван увеличить прибыль.

Еще раз, на этот раз все вместе: машинное обучение - это использование алгоритмов, которые вносят изменения в себя в ответ на данные, чтобы улучшить конкретную задачу.

Явным преимуществом использования методов машинного обучения является то, что они могут обрабатывать экспоненциально больше данных и находить закономерности, которые команда людей никогда не смогла бы сделать за разумный промежуток времени. См. Здесь, чтобы увидеть несколько примеров того, как машинное обучение сегодня используется на предприятии.

Что такое DL?

И последнее, но не менее важное: мы приходим к глубокому обучению (DL). Глубокое обучение - это подмножество методов машинного обучения, в основе которых лежит идея моделирования нейронных сетей человеческого мозга для принятия решений. Вкратце, это означает настройку нейронов на слои, которые коллективно реагируют на ввод. Технические особенности здесь не имеют большого значения для стратега высокого уровня.

Причина, по которой глубокое обучение в последнее время вызывает столько шума, заключается в том, что сочетание лучшего оборудования и передовых методов привело к невероятным результатам в широком спектре задач, включая распознавание изображений, распознавание речи, язык перевод, анализ временных рядов и многое другое.

Однако за такую ​​производительность приходится платить. Сравните глубокое обучение с «поверхностным обучением» - набором устаревших методов, которые в течение многих лет были в центре внимания приложений машинного обучения. В целом решения для глубокого обучения будут более ресурсоемкими (как для людей, так и для компьютеров), менее стабильными и менее интерпретируемыми, чем их поверхностные аналоги. Это важно отметить, так как многие компании слепо обратились к глубокому обучению как к серебряной пуле, но столкнулись с суровой реальностью, что им не хватает ресурсов или опыта для его эффективного использования.

Говоря в целом, улучшение производительности глубокого обучения по сравнению с поверхностным обучением значимо только на периферии (в масштабе Google, Amazon или Facebook), где они выжали каждый крошечный кусочек сока из других методов. По крайней мере, я настоятельно рекомендую, чтобы первое использование машинного обучения в любом проекте было сосредоточено на методах поверхностного обучения; Это та же рекомендация, которую дала команда инженеров AirBnB (крупная технологическая компания) после экспериментов с глубоким обучением. После того, как все низко висящие плоды были оптимизированы - данные, инфраструктура и т. Д. - в том и только в том случае, если все еще существует очевидная потребность в улучшении производительности, следует рассмотреть возможность глубокого обучения.

На чем следует сосредоточиться?

В Sensai Group мы верим в выбор лучшего инструмента для работы. С нашей точки зрения как практиков, самая высокая рентабельность инвестиций в этой области для предприятий - это машинное обучение, и это то, на чем мы ориентируемся в своей работе. Это обеспечивает основу, которая иногда может отсутствовать в облаках ИИ, сохраняя при этом гибкость в выборе правильного решения, а не модного.

По крайней мере, я надеюсь, что этот документ позволит вам легче отслеживать разговоры в этой области и избегать шума, когда вы слышите об этом в новостях.

Если вам интересно, какое влияние машинное обучение может оказать на вашу компанию, не стесняйтесь обращаться по адресу [email protected].

[1] Примером другой подобласти искусственного интеллекта может быть робототехника, изучение искусственного движения в физическом пространстве.