Раньше об искусственном интеллекте (ИИ) и машинном обучении слышали, когда речь шла об аналитике больших данных — и, возможно, в некоторых научно-фантастических фильмах — раньше; но теперь их невозможно игнорировать с беспилотными автомобилями, навигаторами знаний, умными бытовыми приборами и решениями для распознавания лиц/голоса в нашей повседневной жизни.
Эти термины могут быть довольно широко распространены, но они могут привести к путанице, поскольку они очень связаны между собой и используются взаимозаменяемо.
Чтобы лучше прояснить разницу, давайте сначала взглянем на их историю:
Искусственный интеллект имеет более долгую историю, чем машинное обучение. Это может звучать как новый термин, но мы можем сказать, что он изучался и совершенствовался с тех пор, как Аристотель ввел силлогизм, который был методом формального и механического мышления.
Однако настоящее рождение современного понимания начинается в 1940-х и 50-х годах, когда некоторые ученые из области математики, инженерии, психологии, экономики и политологии предложили идею «создания искусственного мозга». . Это привело к созданию области «Искусственный интеллект» как академической дисциплины в 1956 году.
В этот период Алан Тьюринг опубликовал Тест Тьюринга, в котором рассуждает о возможности создания мыслящих машин. Чтобы пройти тест, компьютер должен быть в состоянии вести разговор, неотличимый от разговора с человеком. Это было первое серьезное предложение в философии искусственного интеллекта, которое можно объяснить как науку, разрабатывающую технологию, имитирующую реакцию человека в определенных обстоятельствах. Проще говоря, ИИ включает в себя машины, которые в целом ведут себя (думают) как люди.
Как область с широким охватом, проблема создания интеллекта была разбита на ряд подзадач, каждая из которых позже стала отдельной областью исследования для решения своей проблемы. Вы можете увидеть основные проблемы ИИ* (цели ИИ), перечисленные ниже:
- Дедукция, рассуждение, решение проблем
2. Представление знаний
3. Планирование и планирование
4. Машинное обучение
5. Обработка естественного языка
6. Восприятие (компьютерное зрение )
7. Креативность
8. Общий интеллект, или сильный ИИ
*"Источник"
Как видно выше, мы можем рассматривать машинное обучение как подмножество ИИ. Если искусственный интеллект — это вся идея технологии, которая ведет себя как человек, то алгоритмы машинного обучения — поиск шаблонов и инвариантов в больших данных. Эти алгоритмы самообучения позволяют машинам учиться на наборах данных (выводная статистика) и представляют собой серию шагов, ведущих к выполнению задачи.
Искусственный интеллект охватывает и другие области помимо машинного обучения, такие как базы знаний, обработка естественного языка, робототехника и т. д. Также символическая логика (движки правил, базы знаний, экспертные системы и т. д.), байесовская статистика, робототехника и эволюционные алгоритмы могут быть описаны как ИИ, однако ни один из них не является машинным обучением.
Вы также можете увидеть диаграмму Венна из книги Яна Гудфеллоу Глубокое обучение ниже, показывающую, как машинное обучение используется во многих, но не во всех подходах к ИИ.
Алгоритмы машинного обучения обнаруживают закономерности в существующих данных, выявляют аналогичные закономерности в будущих данных и делают прогнозы на основе данных. Эти алгоритмы развивают поведение на основе эмпирических данных, поэтому они могут выполнять больше, чем кодирование программных процедур с конкретными инструкциями, адаптируясь к новым обстоятельствам. Таким образом, мы можем просто сказать, что машины «обучены» учиться на опыте тому, как выполнять задачу.
Наиболее распространенным примером может быть поиск Google. Когда вы делаете ошибку в поисковом запросе, скажем, вы написали «орфография»; Алгоритмы машинного обучения Google предупреждают вас: «Вы имели в виду орфографию?» или направляют вас на автоматический поиск «орфографии». Этого можно добиться с помощью многочисленных примеров, которые обнаруживают алгоритмы (например, когда вы сразу понимаете орфографическую ошибку и исправляете ее; алгоритмы Google распознают, что вы искали что-то после поиска чего-то еще) и учитывают будущих пользователей, которые делают подобные орфографические ошибки. Простыми словами, они учатся исправлять вас.
В дополнение к алгоритмам Google, системы рекомендаций (покупки, фильмы Netflix, социальные сети и т. д.), рейтинги (реклама, лента новостей, поиск) и навигаторы знаний (Siri) могут считаться дополнительными реальными приложениями ML.
Конечно, машинное обучение используется во многих других областях и для более сложных решений, таких как предотвращение мошенничества, анализ рисков, получение информации о клиентах и улучшение медицинской науки, среди прочего.
Как видите, ИИ — это, по сути, «интеллект» или «технология», а машинное обучение — это реализация поддерживающих его вычислительных методов. После того, как ИИ существует так долго и не является «захватывающими новостями», машинное обучение, безусловно, придало этому привлекательность с некоторыми интересными приложениями. Когда программа Google DeepMind AlphaGo победила южнокорейского мастера Ли Седола в настольной игре Го, стало совершенно ясно, что ИИ и машинное обучение могут многое предложить и почему крупные игроки делают их в центре внимания. Неизбежно, что мы услышим о них больше и увидим дальнейшие инновации и новые технологии.
Первоначально опубликовано на www.exastax.com 23 мая 2017 г.
