Искусственный интеллект, машинное обучение и глубокое обучение стали самыми популярными технологиями в современном коммерческом мире, поскольку компании используют эти инновации для создания интеллектуальных машин и приложений. И хотя эти термины доминируют в деловых разговорах по всему миру, многим людям трудно их различить.
Сегодня мы подробно обсудим искусственный интеллект, машинное обучение и глубокое обучение. И прежде чем перейти к этой теме, давайте проясним, что говорят об этих трех концепциях предприниматели в области технологий, отраслевые деятели и авторы.
Искусственный интеллект не обязательно должен быть злом, чтобы уничтожить человечество — если у искусственного интеллекта есть цель, а человечество просто оказывается на пути, он уничтожит человечество, как само собой разумеющееся, даже не задумываясь об этом, без обид. — Илон Маск, технологический предприниматель и инвестор.
Искусственный интеллект, глубокое обучение, машинное обучение — что бы вы ни делали, если вы этого не понимаете — учитесь. Потому что иначе через 3 года вы станете динозавром. — Марк Кьюбан, американский предприниматель и телеведущий.
В глубоком обучении алгоритмы, которые мы используем сейчас, являются версиями алгоритмов, которые мы разрабатывали в 1980-х и 1990-х годах. Люди относились к ним очень оптимистично, но оказалось, что они не слишком хорошо сработали. — Джеффри Хинтон, отец глубокого обучения
Итак, давайте сначала получим простую концепцию.
Искусственный интеллект — это идея создания умных интеллектуальных машин.
Точно так же машинное обучение — это подмножество искусственного интеллекта, помогающее создавать приложения на основе ИИ.
Точно так же глубокое обучение — это подмножество машинного обучения, которое использует огромные объемы данных и сложные алгоритмы для обучения модели.
Что такое искусственный интеллект?
Искусственный интеллект, обычно называемый ИИ, представляет собой процесс отправки данных, информации и человеческого интеллекта машинам. Основная цель искусственного интеллекта — разработать самодостаточные машины, способные думать и действовать как люди.
Фактически, эти машины могут имитировать человеческое поведение и выполнять задачи посредством обучения и решения проблем. Большинство систем искусственного интеллекта имитируют естественный интеллект для решения сложных задач.
Типы искусственного интеллекта
- Реактивные машины — это системы, которые только реагируют. Эти системы не формируют воспоминаний и не используют прошлый опыт для принятия новых решений.
- Ограниченная память. Эти системы ссылаются на прошлое, и информация добавляется в течение определенного периода времени. Ссылочная информация недолговечна.
- Теория разума. Охватывает системы, способные понимать человеческие эмоции и то, как они влияют на принятие решений. Они обучены соответствующим образом корректировать свое поведение.
- Самосознание. Эти системы разработаны и созданы для самосознания. Они понимают собственные внутренние состояния, предсказывают чувства других людей и действуют соответствующим образом.
Приложения искусственного интеллекта
- Машинный перевод, такой как Google Translate, выполняется с помощью искусственного интеллекта.
- Самоуправляемые транспортные средства, такие как Waymo от Google, возможны благодаря искусственному интеллекту.
- Роботы с искусственным интеллектом, такие как София и Айбо
- Приложения для распознавания речи, такие как Apple Siri или OK Google, также являются примерами искусственного интеллекта.
Теперь мы подробно обсудили искусственный интеллект, давайте перейдем к машинному обучению.
Что такое машинное обучение?
Машинное обучение — это область искусственного интеллекта (ИИ) и информатики, в которой основное внимание уделяется использованию данных и алгоритмов для имитации методов человеческого обучения и постепенного повышения точности.
Согласно McKinsey & Co., машинное обучение основано на алгоритмах, которые могут учиться на данных, не полагаясь на программирование на основе правил.
В книге Тома Митчелла» по машинному обучению говорится: Говорят, что компьютерная программа учится на опыте E по отношению к некоторому классу задач T и показателю производительности P, если ее производительность при выполнении задач в T, измеряемая на P, улучшается с опытом E.
Машинное обучение получает доступ и изучает большие объемы данных (как структурированных, так и неструктурированных данных) и предсказывает будущее. Учитесь на данных, используя несколько алгоритмов и методов. Ниже приведена диаграмма, показывающая, как машина учится на данных.
Типы машинного обучения
Чтобы прочитать статью полностью, нажмите здесь.
