Искусственный интеллект (ИИ) распространен во всем: от автокоррекции до музыкальных рекомендаций, от монстра Франкенштейна до репликантов и роботов-параноиков. Формализованный в 1950-х годах, ИИ вышел за рамки спекулятивной фантастики и стал неотъемлемой частью нашей повседневной жизни.

За последние несколько лет наблюдается значительный рост программных проектов, использующих искусственный интеллект и машинное обучение. Хотя искусственный интеллект (ИИ) и машинное обучение (МО) часто используются взаимозаменяемо, это не одно и то же. Думайте об ИИ как об интеллекте, а о машинном обучении — как о знаниях.

Разница между искусственным интеллектом и машинным обучением

Искусственный интеллект описывает способность машин выполнять задачи, которые обычно связаны с человеческой деятельностью и интеллектом: рассуждение, обучение, обработка естественного языка, восприятие и т. д. Любая «умная» деятельность, выполняемая машиной, подпадает под ИИ. Искусственный интеллект — это способность машины имитировать разумное поведение человека.

Машинное обучение является подмножеством ИИ. ML — это набор алгоритмов, созданных для достижения ИИ: эти алгоритмы требуют способности учиться на данных, изменять себя при воздействии большего количества данных и способны достигать цели без явного программирования.

Контролируемое и неконтролируемое обучение

Задачи машинного обучения часто делятся на две основные категории: обучение с учителем и обучение без учителя. Вам часто нужно как адекватно анализировать, так и извлекать пользу из больших наборов данных.

Алгоритм контролируемого обучения выводит модель прогнозирования из обучающего набора: алгоритм, который может отображать вывод на основе типичного пути от входа к выходу. Цель обучения с учителем заключается в том, что когда у вас есть новые данные (вход), вы можете (точно) предсказать результат этих данных.

Например, к простой задаче классификации данных можно подойти с помощью алгоритма обучения с учителем, если он начинается с достаточного количества данных — тип данных x попадает в категорию z. Когда вы добавляете новые данные, этот алгоритм сможет определить, что данные типа [x] на основе идентификаторов [y] могут быть отнесены к категории [z]. Алгоритмы обучения с учителем обычно требуют помощи человека для маркировки данных.

Алгоритм неконтролируемого обучения, с другой стороны, пытается найти общие черты в данных (без какой-либо маркировки данных человеком), чтобы получить представление. Имея набор файлов, неконтролируемый алгоритм может группировать данные в подгруппы на основе функций, содержимого или метаданных документов.

Кластеризация, например, является типом алгоритма обучения без учителя: алгоритмы кластеризации сканируют данные, чтобы обнаружить и идентифицировать естественные кластеры, указывающие на то, что они относятся к одному и тому же типу данных — это может означать определенные типы личной информации, форматы, которые обычно содержат личную информацию. , и больше.

Глубокое обучение

Глубокое обучение — это набор алгоритмов, предназначенных для выполнения как контролируемых, так и неконтролируемых задач машинного обучения. Эти алгоритмы смоделированы по образцу того, как люди обрабатывают данные и распознают закономерности. Это еще один уровень классификации и кластеризации, помогающий разобраться в независимых и неразмеченных данных.

Глубокое обучение повышает уровень сложности картирования и анализа больших наборов данных. Он использует многоуровневую архитектуру для лучшего решения сложных проблем с данными, таких как обработка естественного языка, осмысление больших данных и обработка неструктурированных и разнообразных наборов данных.

Используйте AI и ML, чтобы получить больше пользы от ваших данных

BigID использует искусственный интеллект и машинное обучение для обнаружения, классификации, анализа и защиты идентификационных данных и данных объектов. BigID использует приложения для искусственного интеллекта, машинного обучения и глубокого обучения, чтобы добавлять контекст к независимым точкам данных, сопоставлять данные с отдельными удостоверениями, создавать каталог персональных данных и получать полную информацию о хранилищах личных, потребительских и юридических данных.

Узнайте больше о том, как BigID использует искусственный интеллект и машинное обучение, чтобы по-новому определить защиту личных данных и конфиденциальность в ваших корпоративных хранилищах данных.

Первоначально опубликовано на https://bigid.com 1 августа 2019 г.