0 просмотров

ИИ против машинного обучения

Искусственный интеллект (ИИ) и машинное обучение (МО) — это два типа интеллектуальных программных решений, которые влияют на то, как прошлые, текущие и будущие технологии предназначены для имитации более человеческих качеств.

По сути, искусственный интеллект — это технологическое решение, система или машина, предназначенная для имитации человеческого интеллекта для выполнения задач, в то же время итеративно совершенствуясь на основе собираемой информации.

Машинное обучение — это подмножество ИИ, направленное на создание программной системы, которая может обучаться или повышать производительность на основе потребляемых данных. Это означает, что каждое решение для машинного обучения является решением для ИИ, но не все решения для ИИ являются решениями для машинного обучения.

Искусственный интеллект против машинного обучения против глубокого обучения

Искусственный интеллект. Машинное обучение. Глубокое обучение. Хотя эти термины становятся все более распространенными, для многих людей они все еще кажутся предметом научно-фантастического фильма. Давайте упростим ситуацию и попробуем однострочное определение каждого термина:

  • Искусственный интеллект (ИИ): действия компьютера, которые имитируют принятие решений человеком на основе приобретенного опыта и данных.
  • Машинное обучение (ML): процессы, которые позволяют компьютерам делать выводы из данных. Машинное обучение — это подмножество ИИ, которое позволяет компьютерам учиться вне своего программирования.
  • Глубокое обучение: процессы, которые позволяют компьютерам решать очень сложные задачи. Глубокое обучение — это подмножество машинного обучения, которое делает возможными вычисления в многослойных нейронных сетях.
Статья в тему:  Как помочь глобальному потеплению повлиять на социальные сети

История ИИ

Сама идея искусственного интеллекта восходит к 1950-м годам, когда появились вычислительные методы и возможности машин. Цель была проста: выйти за рамки использования компьютера в качестве средства расчета и фактически управлять процессом принятия решений.

Это означало, что компьютерам нужно было выйти за рамки расчета решений на основе существующих данных; им нужно было продвинуться дальше, внимательно изучив различные варианты более просчитанных дедуктивных рассуждений.Однако для того, чтобы этого добиться на практике, потребовались десятилетия исследований и инноваций. Простая форма искусственного интеллекта — это создание экспертных или основанных на правилах систем. Однако увеличение мощности компьютеров, начавшееся в 1980-х годах, означало, что машинное обучение изменит возможности ИИ.

Эволюция машинного обучения

Решения, основанные на правилах, работали в более простых ситуациях с четкими переменными. Даже шахматы, смоделированные на компьютере, основаны на ряде решений, основанных на правилах, которые включают в себя такие переменные, как то, какие фигуры находятся на доске, в каких позициях они находятся и чей сейчас ход. Проблема в том, что все эти ситуации требовали определенного уровня контроля. В какой-то момент возможность принимать решения, основываясь только на переменных и правилах «если/то», не работала.

Хитрость, таким образом, заключалась в том, чтобы имитировать то, КАК люди учились.

Машинное обучение было введено в 1980-х годах с идеей, что алгоритм может обрабатывать большие объемы данных, а затем начинать делать выводы на основе полученных результатов. Например, если алгоритму машинного обучения передать большой объем транзакций по кредитным картам с правилами if/then для пометки мошенничества, он может затем начать выявлять вторичные факторы, создающие шаблон, например, когда учетная запись покупает что-то в необычное время. или в магазинах в другом географическом месте.

Статья в тему:  Что такое семантика в искусственном интеллекте

Такой процесс требовал больших наборов данных, чтобы начать выявление закономерностей. Но в то время как наборы данных, включающие четкие буквенно-цифровые символы, форматы данных и синтаксис, могли бы помочь используемому алгоритму, другие менее осязаемые задачи, такие как идентификация лиц на изображении, создавали проблемы.

В 2000-х технология сделала еще один шаг вперед, и решением этой проблемы стало создание методологии обучения, имитирующей человеческий мозг.

Глубокое обучение против машинного обучения

Глубокое обучение работает, разбивая информацию на взаимосвязанные отношения — по сути, делая выводы на основе серии наблюдений.Управляя данными и шаблонами, полученными с помощью машинного обучения, глубокое обучение создает ряд ссылок, которые можно использовать для принятия решений. Как и в случае со стандартным машинным обучением, чем больше набор данных для обучения, тем точнее результаты глубокого обучения.

Простой способ объяснить глубокое обучение состоит в том, что оно позволяет использовать неожиданные контекстные подсказки в процессе принятия решений. Рассмотрим, как маленький ребенок учится читать. Если они увидят предложение, в котором говорится: «Машины едут быстро», они могут распознать слова «машины» и «ехать», но не «быстро». Однако, если немного подумать, они могут вывести предложение целиком благодаря контекстным подсказкам. «Быстрый» — это слово, которое они, вероятно, уже слышали в отношении автомобилей раньше, на иллюстрации могут быть показаны линии, обозначающие скорость, и они могут знать, как буквы F и A работают вместе. Это каждый отдельный пункт, например «узнаю ли я эту букву и знаю, как она звучит?» Но когда все вместе, мозг ребенка способен принять решение о том, как он работает, и прочитать предложение. И, в свою очередь, это закрепит умение произносить слово «быстро» в следующий раз, когда они его увидят.

Статья в тему:  Рекламная кампания по повышению осведомленности о причинах глобального потепления

Вот как работает глубокое обучение — разбивая различные элементы, чтобы принимать по ним решения с помощью машинного обучения, а затем анализируя, как они взаимосвязаны, чтобы вывести окончательный результат.

Программное обеспечение искусственного интеллекта

Программное обеспечение искусственного интеллекта может использовать процессы принятия решений и автоматизации на основе машинного и глубокого обучения для повышения эффективности организации. От прогнозного моделирования до создания отчетов и автоматизации процессов искусственный интеллект может трансформировать работу организации, повышая эффективность и точность. Oracle Cloud Infrastructure (OCI) обеспечивает основу для облачного управления данными на основе ИИ и машинного обучения.

голоса
Рейтинг статьи
Ссылка на основную публикацию
Статьи c упоминанием слов:

0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
Adblock
detector