Аджай Вишванат (руководитель отдела маркетинга)
Искусственный интеллект — одна из самых горячих тем для бизнеса во всем мире. И вместе с этим мы видим множество терминов, таких как ИИ, машинное обучение, глубокое обучение, а также в сообщениях блогов, статьях и отраслевых анализах. Но что на самом деле означают эти термины и в чем между ними разница?
В этом посте представлено краткое описание машинного обучения, искусственного интеллекта, глубокого обучения и автоматического машинного обучения и того, как эти термины связаны друг с другом.
Графическое представление того, как различные термины из искусственного интеллекта и машинного обучения связаны друг с другом.
Машинное обучение (ML) – это технология искусственного интеллекта, которая позволяет алгоритмам обучаться на основе данных. Другие формы ИИ, изученные в прошлом, включают Экспертные системы (популярные в 70-х и начале 80-х годов). Экспертные системы включали в себя системы, содержащие созданные вручную правила, разработанные людьми — по сути, люди преобразовывали свои знания о мире в правила, которые компьютер мог использовать для рассуждений и принятия решений. ML использует другой и, возможно, более масштабируемый подход: пусть компьютерные алгоритмы обучаются на основе предоставленных им данных. Это избавляет от необходимости явно добавлять человеческие правила в систему: система сама изучает правила.
Алгоритмы машинного обучения существуют уже более 50 лет, но только недавно они стали широко использоваться организациями. ML выигрывает от увеличения объемов данных и доступных вычислительных мощностей. Данные, в частности, являются жизненной силой алгоритмов машинного обучения. С резким увеличением объема доступных данных организации, наконец, могут начать использовать методы машинного обучения.
Существует множество различных типов алгоритмов машинного обучения, которыми могут воспользоваться предприятия:
Глубокое обучение — это один из типов алгоритмов машинного обучения. Но, как видите, существует множество алгоритмов на выбор.
Методы развертывания алгоритма машинного обучения
Вам нужны различные методы для развертывания алгоритма ML. Затем эти методы подготавливают данные для основных алгоритмов обучения. Эти этапы подготовки данных часто более важны для достижения хорошей производительности, чем фактический алгоритм машинного обучения, используемый для обучения. Основные этапы алгоритма ML:
Алгоритмы машинного обучения требуют (1) очистки и нормализации данных, (2) создания более сложных функций из более простых базовых функций и (3) выбора наилучшей модели для обучения на основе этих данных. Когда алгоритм автоматизирует эти этапы подготовки данных и выбора модели, он известен как Автоматизированное машинное обучение (AutoML).
Снимок экрана Vidora Cortex, который включает AutoML для всех в организации.
Вы можете проверить, о чем идет речь, и узнать больше о Cortex, написав нам по электронной почте по адресу [email protected], а затем войдя в Cortex на http://app.vidora.com.
Первоначально опубликовано на https://www.vidora.com 17 октября 2017 года.
