Искусственный интеллект, машинное обучение, глубокое обучение — объяснение модных словечек

Искусственный интеллект — это обширная область. Он включает такие темы, как машинное обучение, глубокое обучение, нейронные сети и алгоритмы. Что означают эти термины? Как они связаны? И какое отношение нейронный машинный перевод имеет к искусственному интеллекту?

Давина Дечер

Читайте другие посты этого автора.

Давина Дечер

19 мая 2021 г. • 3 минуты чтения

Мир искусственного интеллекта включает в себя множество модных словечек. Машинное обучение, глубокое обучение, нейронные сети и машинный перевод — все эти термины относятся к одному спектру. Тем не менее, есть различия.

Искусственный интеллект (ИИ)
Универсальный термин, который заряжен большими ожиданиями, большим увлечением, а также страхом. В первую очередь это интеллектуальные компьютерные системы. Как подобласть информатики, область искусственного интеллекта занимается автоматизацией поведения и машинным обучением. По сути, это подразумевает моделирование человеческого интеллекта и обучения, то есть путем сбора информации и поиска правил использования этой информации. Компьютеры запрограммированы на решение проблем и выполнение задач относительно независимым образом, сочетая науку о данных, вычислительную мощность и алгоритмы. Искусственный интеллект трудно определить. Ученые до сих пор расходятся во мнениях относительно того, как именно можно описать человеческий интеллект.

Машинное обучение (МО)
В науке машинное обучение относится к подобласти области исследований искусственного интеллекта. Это связано с применением ИИ. Машинное обучение включает в себя класс алгоритмов, которые позволяют компьютерным системам автоматически обучаться и совершенствоваться на основе «опыта». Традиционные приложения машинного обучения учатся на большом количестве выборочных данных, устанавливают корреляции и выводят общие правила. Данные в основном «структурированы».Это означает, что алгоритмы машинного обучения настроены с определенными функциями, которые позволяют им, например, классифицировать породы собак на основе таких параметров, как рост и длина, а также различать отдельные породы собак на основе данных, извлеченных из изображений. После завершения этапа обучения адаптивные машины могут применять свои выводы к реальным случаям и, например, делать прогнозы. Если алгоритм машинного обучения выдает неточные утверждения, инженеры данных вмешиваются и вносят коррективы или исправления.

Глубокое обучение (ГО)
Глубокое обучение — это подобласть машинного обучения. Методы глубокого обучения можно использовать для структурирования алгоритмов в слои для создания искусственной нейронной сети. Сеть учится сама по себе и может принимать разумные решения. Несколько слоев искусственных нейронных сетей называются «моделями». Глубокое обучение похоже на следующий эволюционный этап машинного обучения и достигает особенно хороших результатов, когда для обучения искусственной нейронной сети доступны большие объемы данных (так называемые «большие данные»). В отличие от традиционных приложений машинного обучения, алгоритмы глубокого обучения прекрасно работают с огромными объемами неструктурированных данных. Алгоритмы больше не нуждаются в предопределенных атрибутах; вместо этого они классифицируют данные самостоятельно в соответствии с логическими структурами. Это делает их похожими на логическое мышление, используемое людьми, чтобы делать выводы. Например, алгоритм DL находит отличительные признаки, исследуя неструктурированные изображения собак, и определяет, какое изображение показывает, какая порода собаки. Глубокое обучение также можно использовать для классификации текстов или звуков в дополнение к изображениям. Модели используются в поисковых системах для идентификации текста или изображений или для того, чтобы автономные транспортные средства могли распознавать дорожные знаки.

Искусственные нейронные сети
Искусственные нейронные сети — это набор алгоритмов, предназначенных для распознавания закономерностей.Нейронные сети способны считывать и интерпретировать сенсорные данные с помощью своего рода машинного восприятия, а также могут помечать и группировать необработанные данные. Распознаваемые шаблоны являются числовыми и находятся в векторах, которые переводят данные реального мира, такие как текст, изображения или звук, в числа. Искусственные нейронные сети, как и модель, на которой они основаны (человеческие нейронные сети), состоят из взаимосвязанных узлов. Узлы позволяют сетям оценивать данные и присваивать каждому значению определенный вес. Существуют различные методы классификации, которые также можно определить как «правила обучения». Инженеры данных используют их для обучения нейронной сети перед ее внедрением.

Обработка естественного языка (NLP) и нейронный машинный перевод (NMT)
Обработка естественного языка — это широкая область исследований, в которой пересекаются информатика, лингвистика и искусственный интеллект. Цель состоит в том, чтобы научить компьютеры обрабатывать и «понимать» естественный язык, чтобы они могли, например, отвечать на вопросы или переводить. В этой очень активной области исследований появляется множество различных приложений. К ним относятся текстовые чат-боты и голосовые пользовательские интерфейсы, а также машинный перевод.

Машинный перевод существует уже очень давно: первые попытки первопроходцев относятся к 1930-м годам. Существенные улучшения произошли благодаря использованию глубокого обучения и искусственных нейронных сетей. Эти методы позволяют компьютерным системам устанавливать контекстуальные связи между словами и фразами. Нейронный машинный перевод дает результаты, которые кажутся вполне естественными с лингвистической точки зрения и относятся к широкой области искусственного интеллекта.