Машинное обучение против глубокого обучения
Итак, вы впечатлены тем, что слышали о новейших и лучших технологиях глубокого обучения, и хотели бы использовать их для решения своих бизнес-задач. Что ж… хорошая новость в том, что вы можете, а плохая в том, что это может не помочь вам решить вашу проблему.
Давайте сделаем шаг назад и попытаемся понять взаимосвязь между искусственным интеллектом, машинным обучением и глубоким обучением:
ИИ или искусственный интеллект — это большая вселенная концепций, включающая в себя все машинное обучение или машинное обучение. В том же духе ML включает в себя все, что является глубоким обучением или DL. Говоря строго, можно было бы определить их примерно так:
Искусственный интеллект:интеллект, демонстрируемый машинами, имитирующими человеческий и животный интеллект.
Машинное обучение. Набор методов, с помощью которых системы искусственного интеллекта обучаются, извлекая шаблоны из данных без явного программирования. В машинном обучении для извлечения признаков/входов необходимо вмешательство человека.
Глубокое обучение. тип машинного обучения, который требует меньше предварительной обработки данных людьми и часто может давать более точные результаты, чем традиционные подходы машинного обучения. Он использует многоуровневый подход, при котором каждый скрытый слой извлекает некоторые функции, пока не сможет использовать функции прогнозирования или классификации. В целом, эти подходы намного дороже, чем обычное машинное обучение, и требуют больше времени для выполнения.
Говоря с прагматичной точки зрения, я бы сказал, что ИИ — это технология, имитирующая живые системы. Машинное обучение — это то, как мы обучаем машины имитировать живые системы. Глубокое обучение — это машинное обучение, которое может получить более глубокие знания с меньшим количеством предположений, но с большей стоимостью. Однако я предупреждаю, что когда кто-то видит термин ИИ, инженер ИИ и т. д., он НЕ занимается ИИ, как обсуждалось выше, и тем, о чем вы можете найти в научно-фантастическом романе. Тем не менее, они делают то, что называется узким ИИ — применяют модель или набор моделей для имитации одного действия — например, ответов на вопросы.
Так как же узнать, когда использовать машинное обучение или глубокое обучение?
Используйте машинное обучение, когда:
- Особенности/независимые переменные могут быть легко извлечены для задачи.
- Мы пытаемся решить простые прогнозы, классификацию, временные ряды, рекомендации, анализ настроений и т. д.
- У нас меньше данных для обучения и тестирования.
Используйте глубокое обучение, когда:
1) Решение задач, связанных с компьютерным зрением, распознаванием голоса и речи, обработкой естественного языка (NLP) и генерацией (NLG).
2) Трудно извлечь признаки/независимые переменные. Например, функции изображения являются значениями пикселей. Трудно идентифицировать края, стороны и т. д. Глубокое обучение занимается извлечением признаков, при этом каждый скрытый слой извлекает некоторые признаки.
3) У нас много данных для обучения. Модели глубокого обучения лучше подходят для обучения с меньшим объемом данных.
4) У нас есть ускоренные аппаратные вычисления. Обучение моделей глубокого обучения требует большой вычислительной мощности для обучения.
Последние мысли
Как машинное обучение, так и решения для глубокого обучения могут использоваться для решения бизнес-задач.
Хотя всегда есть склонность к использованию более новых и сложных решений, важно сначала проанализировать сложность проблемы, доступные обучающие данные и доступные вычислительные ресурсы для обучения.
Важный момент, который следует помнить при работе с решениями для машинного обучения: для построения модели речь не идет об использовании самого лучшего и новейшего алгоритма. Это по-прежнему решение бизнес-задачи.
Основой успешного проекта по машинному обучению является понимание бизнес-задачи, качества выбранных данных и наиболее подходящей архитектуры для индустриализации модели на основе данных. прем или в облаке».
Сейчас самое время инвестировать в решения для машинного обучения. В Hashmap, компании данных NTT, у нас есть правильный опыт и инструменты, чтобы направлять и помогать предприятиям добиться успеха с решениями и инициативами в области машинного обучения. Свяжитесь с нами здесь.
Другие инструменты и контент для вас
Джимли Бораявляется инженером по облачным технологиям и данным в Hashmap, компании данных NTT,предоставляющей данные, облачные технологии, IoT и Решения AI/ML и консультационные услуги в различных отраслях с группой инновационных технологов и экспертов в предметной области, которые ускоряют получение ценных бизнес-результатов для наших клиентов. Свяжитесь с ней в LinkedIn.
