В чем разница между искусственным интеллектом, машинным обучением и глубоким обучением?
Проще говоря, искусственный интеллект или ИИ — это состояние, в котором машины обладают человеческими когнитивными способностями. Машины прошлого требовали явных инструкций. Потребовалось время и много работы, чтобы построить алгоритмы или рецепты для машин. ИИ позволяет машинам создавать собственные рецепты.
Сейчас искусственный интеллект для Силиконовой долины — то же, что Fox для Comcast и Disney. Не только технологии, но и искусственный интеллект произведут революцию в каждой отрасли. ИИ часто облекают другими терминами — машинное обучение, глубокое обучение, обучение с подкреплением. Все ли они одинаковы, а если нет, то в чем между ними разница?
Машинное обучение
Люди не рождаются со способностью говорить или читать. Они учатся этому со временем. Новорожденные просто слушают в течение целого года, прежде чем произнести разумные слова, и в основном из-за раздражения просят взрослых прекратить детский лепет. Мы учимся, делая ошибки и учась на прошлых действиях. Та же идеология применима к машинному обучению в широком контексте. Вещи обязаны повторяться. Изучение поведения и событий прошлого может помочь вам принимать обоснованные решения в будущем. Вы вводите тысячи изображений яблок и апельсинов и позволяете машине определить логику описания яблока и научиться отличать его от апельсина.
ИИ обречен на ошибки. Метод обучения ИИ, то есть машинное обучение, имеет глубоко укоренившийся принцип, согласно которому он учится методом проб и ошибок, как и люди. Например, в 2008 году значительная часть населения научилась (снова) никогда не игнорировать циклы. С помощью машинного обучения компьютеры теперь можно «обучить» предсказывать погоду, определять результаты фондового рынка, понимать ваши покупательские привычки, управлять роботами на фабрике и так далее.
Педагогику машинного обучения можно разделить на обучение с учителем, обучение без учителя и обучение с подкреплением. Прежде чем мы углубимся в эти концепции, важно отметить концепцию функций. Алгоритмы машинного обучения изучают определенное поведение на основе предоставленных ему функций. Подобный размер может быть признаком, позволяющим идентифицировать животное. Теперь алгоритм должен узнать, что слон больше мыши.
Контролируемое обучение
Обучение с учителем — это когда машинам предоставляются размеченные данные или правильный ответ. Предположим, задача состоит в том, чтобы классифицировать кошек и собак. Алгоритму даются тысячи изображений, а также сообщается, какое животное изображено на изображении. Затем он узнает, как особенности определяют животных.
Неконтролируемое обучение
При неконтролируемом обучении данные не помечаются. Программа не знает, о чем изображения. Вместо этого он учится различать изображения на основе сходства, которое обнаруживает. Алгоритм поймет, что животные разного размера и формы, вероятно, не одного вида.
Обучение с подкреплением
Обучение с подкреплением основано на науке о поведении. Для обучения программе следует метод действия и вознаграждения. Определяя, какие действия могут быть предприняты и как зарабатывается вознаграждение, алгоритм продолжает играть в игру, время от времени получает вознаграждение и наказывается в противном случае. В конце концов, он узнает, как максимизировать свою полезность. Именно так компания AlphaGo от Google научилась и сумела победить Мастера Го Ли Седоля.
Глубокое обучение
Глубокое обучение смутно влияет на архитектуру нейронных сетей внутри мозга. Информация от одного нейрона передается другому, и на каждом этапе информация обрабатывается, чтобы, наконец, получить результат. Точно так же слои в глубоком обучении образуют сеть, так что релевантная информация получает более прочную связь, а нерелевантная информация отфильтровывается. Этот механизм помогает ему выйти из пикселей кошки, чтобы в конечном итоге понять высокоуровневую концепцию идентификации изображения как изображения кошки.
Преимущество методов глубокого обучения заключается в том, что они выбирают функции из огромных кусков предоставленных ему данных. Это не другой вид машинного обучения и не является взаимоисчерпаемым. Решения, принимаемые людьми, не являются одноэтапным процессом. Разбивка фрагментов информации, а затем связывание их воедино — это то, чего он пытается достичь. Стандартные модели машинного обучения требуют разработки функций, что является жизненно важным шагом, чтобы гарантировать, что программа не улавливает бессмысленные соединения. Глубокое обучение можно рассматривать как способ упростить этот шаг для огромных наборов данных, таких как изображение с миллионами пикселей.
Исследование Нафтали Тишби и Равида Шварц-Зива из Еврейского университета в Иерусалиме приводит к довольно интересному выводу о том, как работают алгоритмы глубокого обучения. Глубокое обучение — это не захват новых шаблонов, а скорее отфильтровывание ненужной информации. Авторы отмечают, что на каждом уровне сети алгоритм теряет информацию. Огромный кусок импортируемых данных сжимается, избавляясь от шума или ненужной информации. Многое из того, что люди делают в наши дни фейковых новостей.
Собрав все вместе, искусственный интеллект похож на человеческий, но не на человеческий. Машинное обучение — это метод обучения, подобно тому, как мы используем школы для обучения детей. Глубокое обучение — это инструмент, помогающий выполнять алгоритмы машинного обучения, такие как учебники.
Мнения, выраженные выше, не обязательно совпадают с мнением Thales Trading Solutions или любых ее аффилированных лиц (совместно именуемых «Thales»). Информация, представленная выше, предназначена только для ознакомительных и образовательных целей и не является предложением о продаже или запросом предложения о покупке каких-либо ценных бумаг или других инструментов. Кроме того, вышеуказанная информация не предназначена для предоставления и не должна использоваться для получения инвестиционных, бухгалтерских, юридических или налоговых консультаций. Thales не делает никаких заявлений, явных или подразумеваемых, относительно точности или полноты этой информации, и читатель принимает на себя все риски, полагаясь на вышеуказанную информацию в любых целях.
