Beyond Hype: Rozdíl mezi umělou inteligencí, strojovým učením a hlubokým učením

Umělá inteligence (AI) vstoupila do našeho každodenního života explozí. Od marketingu k medicíně se zdá, že ovlivňuje každé podnikání a průmysl. Technologické společnosti se snaží ovládnout závod v řízení trhu a získat nejinovativnější a nejslibnější AI podniky.

AI již můžete používat v každodenním životě, jako je rozpoznávání řeči, virtuální asistenti ve vašem smartphonu, nákupní weby a algoritmy pro streamování hudby nebo videa, nebo dokonce i když navštívíte lékaře a porovnáte rentgenové paprsky. nebo jiné lékařské obrázky s jinými lékařskými informacemi.

A pak je tu představa strojového učení a hlubokého učení, které mnoho plete. Velmi často se používají zaměnitelně, ale i když jsou vzájemně propojeny, mají různé významy. Jaký je tedy rozdíl mezi umělou inteligencí, strojovým učením a hlubokým učením?

Umělá inteligence

V širším smyslu je podle jejích zakladatelů umělá inteligence věda a strojírenství inteligentních strojů, zejména inteligentních počítačových programů. Je to způsob inteligentního myšlení, jak si lidé myslí, když používají počítač, počítačově řízený robot nebo software velkou rychlostí a výkonem.

Kognitivní inženýrství je klíčovou součástí výzkumu umělé inteligence. Stroje mohou jednat jako lidé, pokud mají spoustu informací o světě. Autonomní automobil může jezdit bezpečně pouze s dostatečnými znalostmi o životním prostředí. Algoritmy rozhodování jsou stejně dobré jako vstupní data.

Jinými slovy, umělá inteligence musí mít přístup ke vztahům mezi objekty, kategoriemi, vlastnostmi a všemi, aby mohla implementovat kognitivní inženýrství. Použití inteligence a řešení problémů ve strojích je obtížný a únavný přístup. Nejsme opravdu vedle chytrých aut.

Strojové učení

Zatímco umělá inteligence pokrývá celé spektrum strojového učení, termín „strojové učení“ má užší význam, „schopnost učit se bez přesného programování“. Mimochodem, právě teď se děje největší změna: zásobování obrovských datových souborů. přihlaste se a vyčkejte na výsledky.

Strojové učení je typ umělé inteligence, který usnadňuje strojové učení a učí se vyvíjet, když čelí novým a neustále se měnícím datům. Například zpravodajský kanál Facebooku používá počítač k přizpůsobení jídla každého podle svých představ. Hlavními prvky tradičního softwaru pro strojové učení jsou statistická analýza a prediktivní analýza pro identifikaci vzorců a nalezení, kam hledat, na základě pozorování z předchozích výpočtů bez programování.

Strojové učení se v průběhu let vyvinulo se schopností projít opravdu složitými datovými soubory. Často se označují jako „velká data“. Mnozí mohou být překvapeni, když zjistí, že v jejich každodenním životě čelí softwaru pro strojové učení prostřednictvím zpravodajských služeb o aktuálních problémech nebo hashtagech, jako jsou Netflix a algoritmy sociálních médií. Oddělení funkcí ve strojovém učení vyžaduje, aby programátor hledal něco, co vyžaduje časově náročný proces od počítače k ​​rozhodování. To také vede ke strojovému učení, které má za následek snížení přesnosti v důsledku chyby osoby v procesu programování.

Hluboké učení

Deep Learning je nejmladší oblast strojového učení, která byla zavedena s cílem přiblížit strojové učení umělé inteligenci.

Souvisí to se studiem „hlubokých neuronových sítí“ v lidském mozku a v této souvislosti se hluboké učení snaží napodobovat funkce vnitřních vrstev lidského mozku a vytvářet znalosti z mnoha vrstev zpracování informací. Vzhledem k tomu, že technologie hlubokého učení je modelována podle lidského mozku, její schopnosti se zlepšují pokaždé, když se nalije nová data.

V rámci paradigmatu hlubokého učení může stroj použít velké množství dat a algoritmů, aby mu poskytl schopnost naučit se provádět úkol. Tyto informace jsou přenášeny prostřednictvím neuronových sítí, které obsahují řadu binárních správných / nesprávných otázek nebo číselných hodnot, jakékoli bity informací, které lze předat a klasifikovat podle odpovědí, které obdrží. Dnes se hloubkové strojové učení, které se učí hloubkovým strojovým učením, používá k výuce autonomních robotů a vozidel, k identifikaci příznaků nemoci a všech typů obrazů v medicíně.

Před časem se AlphaGo Google naučil hru hraním znovu a znovu po celé hodiny. Schopnost učit se stále rychleji, která se nenaučila, je klíčem ke stávajícímu hluku prostřednictvím hlubokého učení. Ale další revoluční technologie zdaleka není u konce.