0 просмотров

Искусственный интеллект (ИИ) против машинного обучения против глубокого обучения

Искусственный интеллект (ИИ), машинное обучение и глубокое обучение — три термина, которые часто используются взаимозаменяемо для описания программного обеспечения, которое ведет себя разумно. Однако полезно понимать основные различия между ними.

Вы можете думать о глубоком обучении, машинном обучении и искусственном интеллекте как о наборе матрешек, вложенных друг в друга, начиная с самого маленького и заканчивая разработкой. Глубокое обучение — это подмножество машинного обучения, а машинное обучение — это подмножество ИИ, который является общим термином для любой компьютерной программы, которая делает что-то умное. Другими словами, все машинное обучение — это ИИ, но не все ИИ — это машинное обучение и так далее.

Искусственный интеллект, символический ИИ и GOFAI

Джон Маккарти

Вот еще несколько определений искусственного интеллекта:

  • Раздел информатики, занимающийся моделированием интеллектуального поведения компьютеров.
  • Способность машины имитировать разумное поведение человека.
  • Компьютерная система, способная выполнять задачи, которые обычно требуют человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод между языками.
Статья в тему:  Как искусственный интеллект использовался для измерения человеческих эмоций

Существует множество способов имитации человеческого интеллекта, и некоторые из них более интеллектуальны, чем другие.

ИИ может быть набором утверждений «если-то» или сложной статистической моделью, отображающей необработанные сенсорные данные в символические категории. Операторы if-then — это просто правила, явно запрограммированные человеческой рукой. В совокупности эти утверждения «если-то» иногда называют механизмами правил, экспертными системами, графами знаний или символическим ИИ. В совокупности они известны как «Хороший старомодный ИИ» (GOFAI).

Интеллект, который имитируют механизмы правил, может быть интеллектом бухгалтера со знанием налогового кодекса, который берет информацию, которую вы ему предоставляете, пропускает информацию через набор статических правил и в результате дает вам сумму налогов, которые вы должны. В США мы называем это TurboTax.

Обычно, когда компьютерная программа, разработанная исследователями ИИ, действительно в чем-то преуспевает — например, выигрывает в шахматы — многие люди говорят, что она «не очень умна», потому что внутренности алгоритма хорошо изучены. Критики считают, что интеллект должен быть чем-то неосязаемым и исключительно человеческим. Озорник сказал бы, что настоящий ИИ — это то, на что компьютеры пока не способны.

Машинное обучение: программы, которые меняют сами себя

Машинное обучение является подмножеством ИИ. То есть все машинное обучение считается ИИ, но не все ИИ считается машинным обучением. Например, символическая логика — механизмы правил, экспертные системы и графы знаний — все это можно описать как ИИ, и ни одно из них не является машинным обучением.

Статья в тему:  Как сделать искусственный интеллект безопасным

Заинтересованы в обучении с подкреплением?

Автоматически применяйте RL к вариантам использования моделирования (например, колл-центры, склады и т. д.) с помощью Pathmind.

Один аспект, который отличает машину обучение графы знаний и экспертные системы — его способность модифицировать себя при воздействии большего количества данных; то есть машинное обучение динамичный и не требует вмешательства человека для внесения определенных изменений. Это делает его менее хрупким и менее зависимым от человеческих экспертов.

Говорят, что компьютерная программа учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T, измеряемая P, улучшается с опытом E. – Том Митчелл

В 1959 году Артур Сэмюэл, один из пионеров машинного обучения, определил машинное обучение как «область исследования, которая дает компьютерам возможность учиться без явного программирования». То есть программы машинного обучения не были явно введены в компьютер, как приведенные выше операторы if-then. Программы машинного обучения, в некотором смысле, приспосабливаются к данным, которым они подвергаются (подобно тому, как ребенок, который родился, ничего не зная, корректирует свое понимание мира в ответ на полученный опыт).

Артур Сэмюэл

Сэмюэл научил компьютерную программу играть в шашки. Его целью было научить его играть в шашки лучше, чем он сам, а это явно не то, что он мог бы запрограммировать явно. Ему это удалось, и в 1962 году его программа обыграла чемпиона штата Коннектикут по шашкам.

Статья в тему:  На чем сосредоточено создание искусственного интеллекта

«Обучающая» часть машинного обучения означает, что алгоритмы машинного обучения пытаются оптимизировать по определенному измерению; т. е. они обычно пытаются свести к минимуму ошибку или максимизировать вероятность того, что их предсказания верны. У этого есть три названия: функция ошибок, функция потерь или целевая функция, потому что у алгоритма есть цель… Когда кто-то говорит, что работает с алгоритмом машинного обучения, вы можете понять суть его значения, спросив: Какова целевая функция?

Как минимизировать ошибку? Что ж, один из способов — построить структуру, которая умножает входные данные, чтобы делать предположения о природе входных данных.Различные результаты/догадки являются продуктом входных данных и алгоритма. Обычно первоначальные догадки совершенно неверны, и если вам посчастливилось иметь метки истинности, относящиеся к входным данным, вы можете измерить, насколько ошибочны ваши догадки, сопоставив их с правдой, а затем использовать эту ошибку для модификации вашего алгоритма. . Это то, что делают нейронные сети. Они продолжают измерять ошибку и изменять свои параметры до тех пор, пока не смогут добиться уменьшения ошибки.

Короче говоря, это алгоритм оптимизации. Если вы настроите их правильно, они минимизируют свою ошибку, угадывая, угадывая и снова угадывая.

Глубокое обучение: больше точности, больше математики и больше вычислений

Глубокое обучение — это часть машинного обучения. Обычно, когда люди используют термин «глубокое обучение», они имеют в виду глубокие искусственные нейронные сети.

Статья в тему:  В чем плюсы искусственного интеллекта

Глубокие искусственные нейронные сети — это набор алгоритмов, которые установили новые рекорды точности для многих важных задач, таких как распознавание изображений, распознавание звука, рекомендательные системы, обработка естественного языка и т. д. Например, глубокое обучение является частью известного алгоритма AlphaGo компании DeepMind. алгоритм, который победил бывшего чемпиона мира Ли Седоля в Го в начале 2016 года и действующего чемпиона мира Ке Цзе в начале 2017 года. Более полное объяснение работы нейронов здесь.

Глубокий является техническим термином. Это относится к количеству слоев в нейронной сети. Неглубокая сеть имеет один так называемый скрытый слой, а в глубокой сети их несколько. Несколько скрытых слоев позволяют глубоким нейронным сетям изучать особенности данных в так называемой иерархии признаков, поскольку простые признаки (например, два пикселя) рекомбинируются от одного слоя к другому, образуя более сложные признаки (например, линию). Сети со многими слоями передают входные данные (признаки) через большее количество математических операций, чем сети с небольшим количеством слоев, и, следовательно, для их обучения требуется больше вычислительных ресурсов.Интенсивность вычислений — одна из отличительных черт глубокого обучения, и это одна из причин, по которой для обучения моделей глубокого обучения востребован новый тип графических процессоров.

Таким образом, вы можете применить к глубокому обучению то же определение, что и Артур Сэмюэл к машинному обучению — «области исследования, которая дает компьютерам возможность учиться без явного программирования», — добавляя при этом, что это приводит к более высокой точности и требует большего количества оборудования. или время обучения, и исключительно хорошо справляются с задачами машинного восприятия, которые включают неструктурированные данные, такие как капли пикселей или текст.

Статья в тему:  Как горяч искусственный интеллект

Обучение с подкреплением: платформа, в которую встроено глубокое обучение

Обучение с подкреплением – это целенаправленное обучение. То есть вместо того, чтобы пытаться классифицировать или кластеризовать данные, вы определяете, чего хотите достичь, какие показатели вы хотите максимизировать или минимизировать, а агенты RL узнают, как это сделать. Глубокое обучение не является взаимоисключающим, а представляет собой структуру, в которой нейронные сети можно использовать для изучения взаимосвязи между действиями и их наградами. В совокупности это называется глубоким обучением с подкреплением, которое DeepMind успешно обучал игре в го, многочисленным видеоиграм и более сложным задачам в реальной жизни.

Что дальше для ИИ?

Успехи исследователей из DeepMind, Google Brain, OpenAI и различных университетов ускоряются. ИИ способен решать все более и более сложные проблемы лучше, чем люди.

Это означает, что ИИ меняется быстрее, чем может быть написана его история, поэтому предсказания о его будущем также быстро устаревают. Мы гонимся за прорывом, подобным ядерному расщеплению (возможно), или попытки извлечь разум из кремния больше похожи на попытку превратить свинец в золото? 1

Есть четыре основные школы мысли или церкви веры, если хотите, которые объединяют то, как люди говорят об ИИ.

Те, кто считает, что прогресс ИИ будет продолжаться быстрыми темпами, как правило, много думают о сильном ИИ и о том, хорошо ли это для человечества.Среди тех, кто прогнозирует дальнейший прогресс, один лагерь подчеркивает преимущества более интеллектуального программного обеспечения, которое может избавить человечество от его нынешних глупостей; другой лагерь обеспокоен экзистенциальным риском сверхразума.

Статья в тему:  Как инстаграм использует искусственный интеллект

Учитывая, что мощность ИИ развивается рука об руку с мощностью вычислительного оборудования, прогресс в области вычислительных мощностей, таких как более совершенные чипы или квантовые вычисления, заложит основу для развития ИИ. На чисто алгоритмическом уровне большинство поразительных результатов, полученных в таких лабораториях, как DeepMind, являются результатом объединения различных подходов к ИИ, так же как AlphaGo сочетает глубокое обучение и обучение с подкреплением. Сочетание глубокого обучения с символическими рассуждениями, рассуждениями по аналогии, байесовскими и эволюционными методами — все это многообещающе.

Те, кто не верит, что ИИ делает такой большой прогресс по сравнению с человеческим интеллектом, прогнозируют еще одну зиму ИИ, во время которой финансирование иссякнет из-за в целом неутешительных результатов, как это случалось в прошлом. У многих из этих людей есть любимый алгоритм или подход, который конкурирует с глубоким обучением.

Наконец, есть прагматики, которые занимаются математикой, борются с беспорядочными данными, дефицитом талантов ИИ и признанием пользователей. Они наименее религиозны из групп, пророчествующих об ИИ — они просто знают, что это сложно.

Сноски

1) Интересно отметить, что даже когда определенные технологии физически невозможны, их все же можно регулировать. В 1404 году, во время правления Генриха IV, английский парламент принял закон под названием «Акт против умножения», запрещающий создание золота и серебра из других материалов, поскольку это рассматривалось как угроза контролю престола над валютой. Позже закон был изменен, чтобы позволить только определенным людям создавать золото и серебро с помощью алхимических процессов, пока он не был окончательно отменен в 17 веке.Точно так же абсурдны правила, запрещающие сильный ИИ, технологию, которая может быть или не быть возможной, и для которой не существует прочной теоретической основы.

Дальнейшее чтение

  • Глубокое обучение и нейронные сети
  • Рекуррентные нейронные сети (RNN) и LSTM
  • Word2vec и нейронные вложения слов
  • Сверточные нейронные сети (CNN) и обработка изображений
  • Точность, точность и отзыв
  • Механизмы внимания и преобразователи
  • Собственные векторы, собственные значения, PCA, ковариация и энтропия
  • Графическая аналитика и глубокое обучение
  • Символическое мышление и машинное обучение
  • Цепь Маркова Монте-Карло, AI и одеяла Маркова
  • Глубокое обучение с подкреплением
  • Генеративно-состязательные сети (GAN)
  • Многослойные персептроны (MLP)
Статья в тему:  Как работает искусственный интеллект в Элизиуме

Крис Николсон

Крис Николсон — генеральный директор Pathmind. Ранее он руководил коммуникациями и рекрутингом в поддерживаемом Sequoia роботе-консультанте FutureAdvisor, который был приобретен BlackRock. В прошлой жизни Крис десять лет писал статьи о технологиях и финансах для The New York Times, Businessweek и Bloomberg, среди прочих.

Новостная рассылка

Двухнедельный дайджест примеров использования ИИ в новостях.

Авторское право © 2020. Pathmind Inc..
Все права защищены

голоса
Рейтинг статьи
Ссылка на основную публикацию
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
Adblock
detector