AI, ML и задълбочено обучение: Каква е разликата?

Защо машините трябва да се учат? Защото хората не могат да бъдат в крак.

Настоящият бум на AI / ML е резултат от напредъка в специфичния подход към обучението, задълбочено обучение. Изкуственият интелект, машинното обучение и задълбоченото обучение са отговорни за едни от най-големите постижения през последната година и хората празнуват тези технологии взаимозаменяемо. Напоследък технологичните конференции се натрупват с хора, които искат да знаят повече за изкуствения интелект, машинното обучение и задълбоченото обучение, сякаш са едно и също нещо. За всяка от тези технологии има много история, но по-опростен начин да следим разликата е чрез нашите мотиви.

Стотици хора се събират, за да научат за машинното обучение в AI Frontiers за семинар в Tensorflow през 2017 година.

Разликата в мотивациите

Машините се учат, защото хората имат по-добри неща. Шегувам се наполовина, но това е добро начало. Разбира се, има повече технически възгледи за взаимоотношенията AI, ML и Deep Learning.

Разликата в определенията

Изкуственият интелект е проектираният интелект, вдъхновен от това, което преживяваме като хора. Ученето не е само аспект на това, но средство, което самите ние използваме за постигане на по-голяма интелигентност. Изкуственият интелект е инструмент, докато машинното обучение е начин за изграждане на инструмента. Дълбокото обучение е вид машинно обучение, използвано за постигане на изкуствен интелект. За визуално ето една диаграма на учебниците за връзките между AI, ML и Deep Learning.

http://www.deeplearningbook.org/

Ако някой попита какво означава да работите в AI, аз бих отговорил: „Работя за усъвършенстване на компютрите при правенето на неща, които правят хората.“ Ако някой поиска един начин да постигне AI, бих могъл да отговоря „с машинно обучение“ или „задълбочено обучение“, за да бъдем по-конкретни.

Разликата в историята

Този стандарт за разполагане на машини, които се представят по-добре от хората, беше известен от Алън Тюринг в своята книга за изчислителни машини и интелигентност от 1950 г., известна още като Тест на Тюринг (базиран на играта на имитацията). Тюринг предлага машините да преминат теста с дискретни набори от правила и машини с ограничено състояние. Ето как работят повечето компютърни програми днес. В самия край на своята статия той си представя идеята за „учене на машини“, ред на сложност отвъд мисловните машини. Първо Тюринг попита: „Могат ли машините да мислят?“ В края на статията той пита: „Може ли една машина да бъде свръхкритична?“ Първото е за това дали можем да постигнем AI. Последният въпрос е дали можем да постигнем ML.

ML е въведена от Алън Тюринг през 1950 г. През 1952 г. е създадена първата програма за компютърно обучение за изучаване на стратегии в играта на шашки. Първата невронна мрежа е проектирана през 1957 г. Дълбокото обучение е по-нататъшно развитие на изкуствените невронни мрежи, но той получава името си през 2006 г. От 2010 г. насам има голям напредък в машинното разузнаване. Настоящият бум на ML / AI се дължи най-вече на напредъка в задълбоченото обучение.

Според Forbes, тук са избрани ключови постижения в AI, ML и Deep Learning

За да разберем разликата между AI, ML и Deep Learning, още едно добро начало е чрез разбиране защо сме създали машини, които да учат на първо място. Тъй като компютрите стават толкова добри, колкото (или по-добри от) хора при определени задачи, ние постигаме основни етапи за ИИ. Машинното обучение показа в много случаи предпочитаният начин за постигане на тези основни етапи.

Защо машините учат

Една от най-големите критики към предложението на Алън Тюринг за тестване на AI е аргументът Associative Priming (и неговият допълнителен проблем с Frame). Поради сложността, с която придобиваме нашата интелигентност, се твърди, че този процес е непостижим от машини. Този процес се нарича учене и компютрите не са били толкова добри (досега).

Идеята е следната: Хората по време на живота си развиват определени асоциации с различна сила между понятията. На практика единственият начин, по който една машина би могла да определи, дори средно, всички асоциативни силни страни между човешките понятия е да е преживяла света, какъвто е имал човешкият кандидат и интервюираните. (Френски, 1990 г.)

Тъй като този човешки опит е сложен и сложен, от каква педагогика превеждаме опита си за машини? Тюринг предположи, че машините може би трябва да научат сами разбирането, което приемаме за даденост.

Важна особеност на учебната машина е, че нейният учител често ще бъде в голяма степен не знае какво точно се случва вътре, въпреки че той все още може да до известна степен да предскаже поведението на своя ученик. Това трябва да се отнася най-силно за по-късното образование на машина, произтичаща от детска машина с добре изпитан дизайн (или програма). Това е в явен контраст с нормалната процедура, когато се използва машина за извършване на изчисления, нечия цел е след това да има ясна мисловна картина на състоянието на машината във всеки момент от изчислението. (Тюринг, 1950 г.)

Машините учат, тъй като при определени занимания (в момента) е предпочитано програмирането на компютрите да учат интелигентност, отколкото да програмират компютрите, за да бъдат директно интелигентни. Може да се предпочете, защото (1) са необходими по-малко човешки усилия за изграждане на научена интелигентност (отколкото за пряко изграждане на интелигентност); или (2) може да се предпочита, защото машината се представя по-добре, когато се обучава.

На практика машинното обучение е полезно, когато проблемите се нуждаят от точни прогнози. Вземете играта Двадесет въпроса. Първоначално се е играл между хората. За да заменим един от тях с машина, ще ни е необходима машината, за да възприеме някаква прилика на човешкия разум. За двадесет въпроса машинното обучение не е единственият начин за постигане на изкуствен интелект, но може би е по-добрият начин, както е показано по-долу.

(1) Пример за ML, изискващ по-малко човешки усилия:

В две уеб версии на двадесет въпроса, 20Q и Akinator, човекът се заменя с програма. И така, как те замениха човешкото? Вместо да накарате някой да изгради база данни с информация за всички публични личности (на всички времена), бихте могли да обучите програма за научаване на свойствата на известни хора чрез хора, отговарящи на въпросите в играта. Спестява усилия да го направите по този начин.

(2) Пример на ML, позволяващ на машините да се представят по-добре

Независимо от това колко усилия спестява, машинното обучение може просто да се представи по-добре от другите видове алгоритми. Sundar Pichai, на неотдавнашното събитие в Google I / O, показа, че компютрите са надминали хората по разпознаване на изображения. Този основен момент беше кредитиран за напредъка в машинното обучение, по-специално „дълбокото обучение“.

От Google IO Keynote 2017

Примери за това как ML е различен от AI

Както показва графиката по-горе, компютрите сега са по-добри (в много отношения) от хората, когато прогнозират, идентифицират и проверяват какво има на изображение. По-долу е забавен колаж от кучета, които приличат на кифли, гевреци и мопове. Как да разберем разликата? Как компютърът знае разликата? За да бъде AI, няма значение как компютърът е в състояние да определи разликата, а само това може. За да бъде ML, компютърът трябваше да е обучил и да се научи на разликата.

Стандартът за интелигентност винаги беше нашата собствена интелигентност и поведение. Ако бихме съпоставили способностите си с академичните занимания в ИИ и произтичащите от тях технологии, откриваме, че ученето не е само сред уменията, които хората вършат добре, а начин да постигнем овладяване на уменията.

Ученето е умение, което ви помага да получите други умения

За да може компютърът да разпознае разликата между изображенията на кучета и кифли, е доказано, че ML се е справил по-добре от другите методи. Не всички проблеми с анализа на изображения обаче се нуждаят от ML. Откриването на линии например в изображение може да бъде направено чрез официално идентифициране на правилната организация на пиксели без ML. По подобен начин автономните превозни средства не се нуждаят от машинно обучение за откриване на близки обекти. Той може просто да използва лидар. Tic Tac Toe AI също не се нуждае от ML и нито една игра на шах.

Tic Tac Toe като проблем с търсенето.

По-конкретно, ако проблемите могат да бъдат картографирани в управляемо пространство за търсене (като горното дърво на играта Tic Tac Toe), тогава евристиката на търсенето може да помогне за връщане на оптимален отговор. За да дадете пример за повече учебник, направете проследяване на пътя. A *, алчно първо дълбоко търсене или най-добро първо, е добре известен алгоритъм за намиране на най-кратки пътища от една точка до друга. Способността A * да прогнозира оптимални пътища (показани по-долу) не изисква машинно обучение.

https://en.wikipedia.org/wiki/A*_search_algorithm

Въпреки че се твърди, че тези проблеми се лишават от интелигентни занимания (тъй като те могат да бъдат решени алгоритмично), също е малко късогледство да се дискредитира цялата история на ИИ. Ако не друго, бъдещето на AI е някаква смесена инициатива на човешко направление, формални модели, евристика на търсенето и машинно обучение.

Какво е задълбочено обучение?

Дълбокото обучение отговаря на въпросите как машината може да научи нещо. Машинното обучение е как сме научили компютрите да виждат по-добре, отколкото го правим (по определени начини), но има допълнителна сложност на начина, по който Машината е била в състояние да се научи да вижда. Подобно на хората, има различни подходи (и тепърва предстои да бъдат открити) в начина, по който компютрите могат да учат. Настоящият бум на AI / ML е резултат от напредъка в специфичния подход към обучението, задълбочено обучение.

Едно от най-определящите качества на Deep Learning от други форми на AI е колко добре (не) разбираме изчисленията, стоящи зад решенията и прогнозите, които се правят. Например, формалната логика е обратима. Ако A-> B-> C, можете да моделирате тази логика на ръка. Дълбокото обучение използва скрити слоеве от изкуствени неврони и няма такива дискретни, детерминирани или проследими стъпки. Изображението по-долу показва опростена илюстрация на Deep Learning.

Изображението по-горе показва животно в препятствие. Ако искахме да предвидим дали това е котка или куче, мозъците ни (може би) ще разберат дължината на косъма и формата на главата към кучето. За компютър пикселите от изображението са входният слой за извода, между входния слой и изхода са скрити изчислителни слоеве, който се опитва да идентифицира какви точно групировки от пиксели вероятно представляват.

Пикселите на снимката са присъщи неструктурирани. Въпреки че качествата, които търсим, могат да бъдат официално обосновани (като дължина на косъма или форма на главата на животното), доказано е по-ефективно да позволим на компютъра да разбере какво означава да бъдеш куче и да изгради свой собствен модел. Тези модели се обучават, като изпращат множество снимки на кучета и котки за компютъра, за да се научат предварително.

Но какво ще стане, ако в данните има повече структура? Не всички проблеми включват неструктурирани данни. Нека да кажем, че играем играта „Познай кой?“. Подобно на предсказването дали в кошницата има куче или котка, познайте кой? позволява на играчите да намалят пространството за търсене, докато не могат точно да предскажат какво е избраното от противника изображение. В този случай можем да проследим логиката, защото имаме дискретни свойства / качества, с които да работим. Поради тази причина няма да ви е необходимо задълбочено обучение, за да научите машина, за да спечелите тази игра.

Akinator и 20Q, онлайн версиите на настолната игра, познайте кой ?, са страхотни примери за AI, изградени чрез машинно обучение, но не непременно задълбочено обучение. Akinator може да бъде моделиран официално на ръка, но беше също толкова добър в ученето чрез игра отново и отново.

Chess and Tic Tac Toe може да се играе от компютър с правилата и заявява твърдо кодирано. Akinator и 20Q са по-ефективно обучени от игрални места. Това, което прави игрите като Go и Starcraft различни, е, че те имат много по-големи пространства за търсене, състояния и стратегии. И докато нашите машини станат достатъчно мощни, за да картографират тези цели игри, ние разчитаме на Deep Learning.

Обобщение на примерите

Ето обобщение на примерите и как те са посочени в дискусията

Как да бъдете в крак с Джоузесите

И така, къде, ако изобщо, машинното обучение се вписва в живота ви? Добро място за начало биха били местата, където се извършва демократизацията на ИИ. Наскоро Google обяви Google.ai, който разделя пространството на ML в три категории: изследвания, инструменти и инфраструктура и приложение. В „Научни изследвания“ работите върху начини за измисляне на по-добър ИИ. В Инструменти ще намерите начини да накарате AI да работи ефективно. И накрая, в Application, вие работите за практики и начини за използване на AI. Компании като Google се стремят да направят ML достъпна за стотици хиляди разработчици, където AI се използва от обикновените хора.

www.google.ai

(Ако наистина се интересувате от представянето на AI, ето изследователска статия за Authorial Leverage.)