Umělá inteligence: Rozdíl mezi strojovým učením a hlubokým učením

Umělá inteligence nebo umělá inteligence se stala důležitou a nedílnou součástí naší moderní společnosti. Podle společnosti Forbes před dvěma lety v roce 2017 již 51 procent moderních podniků implementovalo AI a samotné odvětví má hodnotu 16 miliard USD. Očekává se, že toto číslo dosáhne v roce 2025 190 miliard dolarů a očekává se další růst.

V současné době jsou dva z nejvlivnějších typů umělé inteligence strojové učení a systémy hloubkového učení. Ale co přesně jsou ty dva? A v tomto ohledu, jak definujeme umělou inteligenci v obou kontextech?

Co je to umělá inteligence?

V oficiálním zavedení Oxfordského slovníku z roku 2019 je umělá inteligence „teorií a vývojem počítačových systémů, které mohou plnit úkoly vyžadující lidskou inteligenci“.

Jinými slovy, AI interpretuje informace, jak vy a já potřebujeme, pro rozpoznávání obrazu, rozpoznávání řeči nebo jiné automatizované systémy rozhodování. Velmi jednoduchým příkladem AI je soupeř počítače s videohry. Používá herní data i informace o hráči k vytvoření posloupnosti rozhodnutí a úkolů, kterými se hráč zapojí. AI se objevila v padesátých letech, ale začalo to až v 70. a 80. letech, kdy osobní počítače a herní konzole učinily z rozvoje AI hlavní požadavek ve svých činnostech.

Další příklady AI v našem každodenním životě mohou zahrnovat:

  1. Simulátory
  2. Inteligentní zařízení
  3. Boti na burze
  4. Rozpoznávání informací (řeč, hlas, obličej atd.)

Mnoho systémů AI se dnes používá téměř v každé aplikaci, která používá data, jako je software pro správu, algoritmy doporučení, analytika médií nebo dokonce hlasové asistenty. Ve skutečnosti dokonce jednoduché sledovací programy nyní používají AI. Obecně řečeno, kdyby existovaly komplikovanější úkoly, které měly být pravidelně prováděny bez přímého zásahu člověka, mělo to AI.

Co je strojové učení?

Strojové učení je druh umělé inteligence (a proto její součástí), který se specializuje na analýzu a analýzu dat, aby se těmto datům přizpůsobil a učinil inteligentní rozhodnutí. Jednoduše řečeno, tato AI byla navržena tak, aby sledovala a objevovala mnoho věcí, a poté provedla jeden nebo více kroků na základě získaných informací.

Typické úkoly strojového učení dnes mohou zahrnovat následující

  1. Odkaz na doporučení
  2. Správa obsahu
  3. Zobrazit výsledky vyhledávání
  4. Doba léčby (na sociálních sítích)

Systém strojového učení je schopen analyzovat velké množství dat v krátkém časovém období, rozhodovat se nebo z nich vyvodit závěry. Optimalizuje svůj algoritmus tak, aby poskytoval přesné komentáře, více než to, co lidé mohou dělat s časovými omezeními. Například chceme automaticky zjistit, zda je určitý e-mail spam nebo ne. Systém strojového učení se posune přes tisíce tisíc e-mailů, aby našel vzory, které pomáhají identifikovat e-maily nevyžádané pošty. Poté poskytuje jasnou klasifikaci nevyžádané pošty nebo jednoduchých e-mailů a znovu ji používá k nalezení přesnějších vzorů, které mohou pomoci zlepšit analytiku.

Když byly poskytnuty nové a nové datové sady, systémy strojového učení mohly přizpůsobit a aktualizovat své algoritmy, aby dále zlepšovaly to, co dělaly. Nebo alespoň minimalizujte pravděpodobnost chyb. Díky tomu je strojové učení v našem datově řízeném věku velmi důležité.

Co je to hloubková studie?

Hluboké učení, znovu, toto je doba strojového učení. Základní konstrukce systémů hlubokého učení je založena na organickém mozku. Vytváříme-li nové vzpomínky pomocí složité sítě neuronových vzorců, vytvoří takový systém vlastní komplexní síť rozhodnutí, pomocí umělé neuronové sítě složené z nespočetných algoritmických vrstev.

Řada pozoruhodných systémů hlubokého učení:

  1. Watson (konkurenti v "Jeopardy")
  2. AlphaGo (v březnu 2016 porazí profesionálního hráče Go Lee Lee)
  3. Deepfake (vytváří velmi skutečné, ale realistické, umělé zobrazení skutečných lidí)
  4. OpenAI Five (projekt hlubokého učení, hráč DOTA Dandy byl v minulosti 2017 poražen)

Na rozdíl od konvenčních systémů strojového učení dokážou zvládnout i relativně jednoduché datové sady, přičemž hloubkový systém učení začíná na nule. Vyznačuje se „pomalým obdobím“, ve kterém prvních několik generací umělé inteligence začne po adaptaci produkovat skutečné výsledky z bezpočtu neúspěšných generací.

Když dosáhne velmi sofistikované úrovně efektivity, systémy hlubokého učení začnou překonávat vše, co jí předcházelo. Například AlphaGo společnosti DeepMind začalo používat 160 milionů amatérských her Go, než spontánně porazilo miliony profesionálních hráčů Go.

Hluboké vzdělávací systémy, na rozdíl od jiných systémů strojového učení, které byly vyvinuty dříve, se při generování dat silně spoléhají na násobení matic. Proto jsou komerční GPU obvykle nejlepšími nástroji pro tyto systémy, protože jsou schopny splnit vysokou úroveň požadavků na paralelní zpracování vyžadovaných pro udržení provozního výkonu.

Standardní AI a strojové učení

Přestože umělou inteligenci a strojové učení lze zaměnit pro mnoho běžných aplikací, strojové učení má jednu jedinečnou vlastnost: přizpůsobení. To znamená, že se učí. Na rozdíl od předpřipravené umělé inteligence může způsobit spoustu počátečních chyb, ale je navržena tak, aby nahradila to, co se naučili, stavěli z ní a nakonec optimalizovali.

Z hlediska designu má strojové učení také tu výhodu, že není zaměňováno s jeho původním designem. Obyčejná umělá inteligence může vyžadovat specifické kódování nebo specifické pokyny pro každou situaci, kterou může výrobce předvídat. Systém strojového učení však může kromě dvou nebo dvou výcvikových standardů jednoduše pracovat na stromě rozhodování, stejně jako schopnost zpracovat a poté vylepšit jeho funkci.

Důležitost diferenciačních systémů strojového učení je, že nyní používáme standardní, pravidelné AI těchto systémů pro jiné nevýznamné úkoly a úkoly. Nakonec nepotřebujete systémy strojového učení pro automatizaci rozhodnutí o správě souborů. Rovněž klasifikace složitých položek, jako jsou systémy rozpoznávání řeči, jako „jen AI“, nemusí být správná, a proto je klasifikujeme správně.

Strojové učení a hluboké učení

Snad nejdůležitější rozdíl, který se musíme naučit, je rozdíl mezi strojovým a hlubokým učením. V první řadě, jak je uvedeno výše, je hloubková studie automatizace IS, která technicky sestává z jednoho typu nebo jeho části. Strojové učení není vždy hloubkovou studií. Rozdíl je hlavně kvůli způsobu, jak jsou postaveny.

Strojové učení bylo vyvinuto v posledních několika desetiletích ve stejném počítačovém prostředí jako většina našeho softwaru. Takže i když byl vytvořen tak, aby byl jednotný, lineární a dokonce vhodný pro Mooreův zákon, je stále omezen rozhodovacími stromy a algoritmy. Hloubkové učení zase integruje všechny své algoritmy do neuronové sítě. Je určen pro paralelní počítačové zpracování na vysoké úrovni, které nyní považujeme za další generaci strojového učení.

Jedním z bezpečných způsobů, jak určit, zda se používá systém hlubokého učení, je posoudit složitost úlohy AI. Obecně by se mělo uvažovat o více nepovinných proměnných, což je spíše systém hlubokého učení. Například doporučení Netflix nejsou tak složitá jako jazykové překlady, i když se učí z dat shromážděných v celé internetové uživatelské základně. Tento rozdíl může sloužit dvěma podobným funkcím, například dvěma samostatným sebeovládacím systémům. Na kompresi dat senzorů se více spoléháme, že by to měl být běžný systém strojového učení a hlubší učení šetrnější k životnímu prostředí k tomu, co Tesla v současné době vyvíjí. je třeba věnovat pozornost.

Ať už je rozdíl jasný nebo jasný, hluboké učení je budoucnost. Ale pro naše účely je důkladné studium důležité pro pochopení toho, jak se liší a jak pokročilé je odlišit AI od jednoduchého strojového učení AI. Přestože se dnes vyvíjí, není srovnatelná s téměř vším, co se před ní stalo.

I když se může zdát matoucímu divákovi matoucí, že Barack Obama udělal několik frází na falešném pozadí, pro ty, kteří chápou rozdíl, víme, že je to jedna z velkých možností technologie měnící hru. .

Vietnam AI Grand Challenge

Chcete vědět více o umělé inteligenci? Cambria Vietnam vede hackerskou sérii AI Grand Challenge 2019, jejím úkolem je trénovat mladé vývojáře AI. Ve spolupráci s vietnamskou vládou, společností McKinsey & Company a VietnamAI bude Grand Challenge podporovat nejlepší schopnost AI v zemi podporovat korporace ve Vietnamu a navrhovat virtuální virtuální pomocníka AI.

Jak se připojit: Zaregistrujte se na platformě Cambria: https://bounty.kambria.io/ 2. Pro všechny nadcházející události navštivte stránku Facebook Challenge: https: / /www.facebook.com/VietnamAIGC/

V sobotu 1. června 2019 se v Da Nang v Kambodži uskuteční workshop nazvaný „Vytvořte virtuální pomocníka AI“, který účastníkům Vietnamu AI Grand Challenge poskytne školení a vzdělávání. Klikněte sem pro více informací o workshopu. Prostor je omezen na 40 účastníků, proto se brzy zaregistrujte!

Původně publikováno v Kambodži.