Что такое искусственный интеллект, машинное обучение и глубокое обучение?
Во время исследований для презентации беспилотных автомобилей мне пришлось заняться глубоким обучением. Как и многие, я не был уверен, в чем именно разница между искусственным интеллектом, машинным обучением и глубоким обучением.
На самом деле искусственный интеллект — это более широкое понятие, согласно которому машины способны выполнять задачи таким образом, чтобы сделать их «умнее». Затем искусственный интеллект часто делят на две категории — прикладной и общий. Прикладной искусственный интеллект обычно более распространен. Эти ИИ более узко ориентированы на одну задачу или категорию. Примером этого является распознавание лиц на Facebook. Обобщенный ИИ, который встречается реже, предназначен для решения любых задач. Общие достижения в области искусственного интеллекта привели к развитию машинного обучения.
Машинное обучение часто считают подмножеством искусственного интеллекта, которое является наиболее современным. В то время как искусственный интеллект (категория машинного обучения не включает) использует деревья решений для логики или алгоритмы, построенные на правилах и инструкциях, машинное обучение обрабатывает большой набор данных, учится на этих данных и делает прогноз или определение чего-либо в мире. .
Другими словами, вместо того, чтобы давать машине определенный набор инструкций, она обучается на больших объемах данных и алгоритмов, что дает ей возможность научиться выполнять задачу.
Машинное обучение тесно связано с вычислительной статистикой, которая также фокусируется на прогнозировании с помощью компьютеров. Кстати, машинное обучение иногда смешивают с интеллектуальным анализом данных. Поскольку машинное обучение позволяет быстро и автоматически создавать модели для анализа больших и сложных данных, которые затем дают более точные результаты, организация может лучше определять возможности для получения прибыли.
Затем машинное обучение можно было бы еще больше сузить до глубокого обучения. Глубокое обучение использует методы машинного обучения, основанные на представлениях обучающих данных (в отличие от алгоритмов для конкретных задач). В противном случае между ними есть некоторые различия.
Одним из примеров является то, что модели машинного обучения постепенно улучшаются, но по-прежнему требуют руководства. Инженерам по-прежнему необходимо вносить коррективы каждый раз, когда алгоритм машинного обучения возвращает ошибку или неточное предсказание. С другой стороны, модели глубокого обучения имеют алгоритмы, которые способны самостоятельно определять, являются ли прогнозы точными или нет, и соответствующим образом корректировать их.
Еще одно различие между машинным обучением и глубоким обучением заключается в том, что глубокое обучение масштабируется вместе с данными. Методы машинного обучения могут останавливаться на определенном уровне производительности, когда в сеть добавляется больше примеров и обучающих данных. Сети глубокого обучения продолжают совершенствоваться по мере увеличения размера данных.
Глубокое обучение работает с использованием сложной многоуровневой структуры алгоритмов, называемых искусственными нейронными сетями (ИНС). Эти ANN вдохновлены нейронными сетями человеческого мозга. Сложность этих ИНС необходима для классификации больших наборов данных. Чем больше данных получает алгоритм глубокого обучения, тем модель глубокого обучения будет обучаться каждый раз, когда будут получены новые данные. Он «получит больше опыта» и, следовательно, сможет учиться на своих ошибках и будет иметь более высокий уровень успеха.
Что все это значит и как их сравнить?
Машинное обучение (ML) и глубокое обучение (DL) имеют свои преимущества и варианты использования. Например, глубокое обучение обычно лучше масштабируется с большим объемом данных, чем машинное обучение. Методы DL легче адаптировать к различным областям и приложениям. Примером этого является распознавание речи. Как только инженер сможет понять основную теорию применения глубокого обучения для распознавания речи, он сможет применять те же самые глубокие сети для обработки естественного языка.
С другой стороны, машинное обучение лучше работает с небольшими наборами данных. Сети глубокого обучения требуют чрезвычайно больших наборов данных. Иногда эти наборы данных недоступны или требуют много времени для получения. Для небольших наборов данных алгоритмы машинного обучения часто превосходят глубокое обучение.
Глубокое обучение также обычно требует высокопроизводительных графических процессоров для эффективной работы. Для сравнения, машинное обучение все еще может хорошо работать с приличным оборудованием. Алгоритмы машинного обучения также легче понять. Поскольку сети глубокого обучения очень похожи на «черный ящик», труднее полностью понять, что происходит внутри алгоритмов глубокого обучения.
Заключение
Хотя машинное обучение и глубокое обучение прошли долгий путь, по мере того, как в будущем появятся новые достижения, машинное обучение и глубокое обучение могут сильно повлиять на мир, в котором мы живем.
