Введение
Благодаря последним достижениям в технологической отрасли термины «искусственный интеллект», «машинное обучение» и «глубокое обучение» стали довольно популярными в разговорах. Хотя большинство людей используют эти слова взаимозаменяемо, а иногда и неоднозначно, следует отметить, что каждый из этих терминов имеет свое особое значение.
В общих чертах подумайте о русских куклах и о том, что каждая кукла является составной частью предыдущей. Точно так же эти термины вписываются друг в друга. Глубокое обучение — это подмножество машинного обучения, которое, в свою очередь, является подмножеством искусственного интеллекта. Они тесно связаны, но с реальными различиями.
В этой статье делается попытка объяснить, что влечет за собой каждый из терминов, где они пересекаются и чем отличаются.
Искусственный интеллект
Искусственный интеллект (ИИ) — это такой широкий термин, и большинство людей его неправильно понимают. Частью проблемы является отсутствие единого согласованного определения. Как правило, ИИ — это дисциплина, которая фокусируется на разработке компьютеров, способных выполнять задачи, требующие человеческого интеллекта. Некоторые из этих задач включают обучение, принятие решений и решение проблем.
Ранние создания ИИ включали сопоставление человеческого интеллекта со статическими правилами. Эти правила определяли, как ИИ должен был вести себя в каждой возможной ситуации. Однако этот подход ограничивался задачами, где правила были четко определены. Сложные проблемы, такие как идентификация изображений и распознавание речи, было трудно решить с помощью этого классического подхода, отсюда и рост машинного обучения.
Машинное обучение
Машинное обучение (ML) — это подраздел искусственного интеллекта. Он ориентирован на обучение компьютеров тому, как учиться на данных и совершенствоваться с опытом, без явного программирования для этого. Чем больше данных получает модель машинного обучения, тем больше она способна выявлять закономерности и повышать свою производительность.
Обучение модели машинного обучения включает в себя сбор исторических данных. Затем функции извлекаются из набора данных экспертами-людьми. Эти функции используются, чтобы помочь модели понять различия между входными данными. Чем больше данных и опыта, тем точнее результаты. Это означает, что при определенных входных данных модель может делать прогнозы с высокой точностью.
Модели машинного обучения в основном полагаются на структурированные, помеченные данные, чтобы делать прогнозы. Несмотря на то, что они также могут обрабатывать неструктурированные данные, требуется этап ручного извлечения признаков для организации их в структурированный формат. Модели также неэффективны, когда речь идет об обработке данных, включающих текст, изображения, видео и речь. Это привело к глубокому обучению, подмножеству машинного обучения.
Глубокое обучение
Алгоритмы глубокого обучения решают проблемы с помощью глубоких нейронных сетей. Нейронные сети — это алгоритмы, которые в общих чертах моделируют работу человеческого мозга. Нейронная сеть считается глубокой нейронной сетью, если она состоит из трех и более слоев. При глубоком обучении каждый уровень подпитывает предыдущий уровень для оптимизации производительности алгоритма.
Алгоритмы глубокого обучения исключают этап предварительной обработки данных, необходимый в моделях машинного обучения. Это достигается за счет приема больших объемов неструктурированных данных и автоматизации процесса извлечения признаков. Алгоритм глубокого обучения способен выделить признаки, важные для конкретной задачи. Затем он может настроиться и настроиться на точность, а также может делать прогнозы с повышенной точностью.
Эти мощные возможности глубокого обучения имеют свою цену, поскольку для эффективного обучения алгоритмам требуются большие наборы данных, хранилища и вычислительные мощности. Именно по этой причине глубокое обучение с годами росло медленнее, чем в последнее время. Недавний всплеск инноваций в области глубокого обучения можно объяснить наличием больших объемов данных, доступностью хранения данных и достижениями в области вычислительных технологий.
Заключение
В двух словах, искусственный интеллект — это общий термин, используемый для определения машин, которые могут имитировать когнитивные функции, связанные с человеческим разумом. Для классических систем ИИ это включает в себя программирование машины с использованием статических правил, включающих условные операторы. Важное различие между ИИ и машинным обучением заключается в том, что хотя все машинное обучение — это ИИ, не все ИИ — это машинное обучение. Именно способность повышать производительность отличает машинное обучение.
Различия между алгоритмами машинного обучения и глубокого обучения заключаются в том, как каждый из них обучается, и в количестве данных, необходимых для их обучения. Хотя машинное обучение включает в себя процесс извлечения признаков вручную, этот процесс является избыточным, когда речь идет о глубоком обучении. Это связано с тем, что алгоритмы глубокого обучения могут автоматически обнаруживать функции в наборе данных. Однако недостатком этой автоматизации является то, что для извлечения функций требуются большие объемы данных и большие вычислительные требования.
