Изкуствен интелект, машинно обучение и задълбочено обучение - каква е разликата?

Google Mini Mini. Снимка на Кевин Бхагат на Unsplash

Това е първият въпрос, който имах, когато за първи път започнах да изследвам тези теми преди месец. Сега разбирам по-добре условията, така че нека да се задълбочим.

Изкуствен интелект

Мисля, че като цяло, когато хората мислят за изкуствен интелект (AI), те мислят за изкуствения общ интелект (AGI) или за способността на небиологично същество да може успешно да изпълнява голямо разнообразие от задачи на човешко ниво (или по-добре ) опитност. Това контрастира с тесния ИИ, който може да изпълнява специфични задачи с човешки умения. Вече имаме примери за тесен AI във всекидневния живот, като в личния си телефон или домашни асистенти, самоуправляващи се автомобили или AlphaGo. Все още обаче нямаме примери за AGI и няма консенсус за това кога това може да се случи, но светият граал на изследванията на AI е насочен към развитието на AGI на човешко ниво, с възможността супер интелигентният AI не би искал “ да не е много по-назад.

Машинно обучение

Машинното обучение е поле, в което машините се обучават да разработват алгоритми за изпълнение на задача. Това поле лети пред традиционното програмиране, в което хората сглобяват алгоритмите и програмните машини, за да ги изчислят. При машинното обучение хората предоставят данните за обучението (входни данни, които водят до определени резултати) и програмни машини, за да определят как определени входове ще доведат до определени резултати. Това е мощна парадигма, тъй като освобождава хората от необходимостта да знаят как сами да стигнат до резултатите, просто трябва да предоставят достатъчно данни за обучение за машина, за да разберат как определена комбинация от входни данни може да доведе до резултат. Например, ако задачата е да хване риба, традиционното програмиране ще научи машината как да използва въдица - как да държи въдицата, как да освободи макарата, как да хвърли линия. Машинното обучение би дало на машината библиотека от видеоклипове, показващи, че хората успяват или не успяват да уловят риба, оставяйки я на машината да премине през всеки видеоклип и да определи / научи как да улови риба. Може би някои техники за леене са по-добри от други, или може би времето играе голяма роля, машината може да избере модели, които човек дори не мисли.

Дълбоко учене

Дълбокото обучение е подмножество от машинно обучение, при което стилът на обучение на машината се основава слабо на нервните китки на биологичния мозък. Тоест машината е програмирана да възпроизвежда начина, по който мозъците учат, чрез изкуствена невронна мрежа. Ще говоря за това по-нататък в следващ пост, но тези невронни мрежи ще имат много слоеве „неврони“, които изследват много възможни пътища за набор от входни данни, които да се окажат като набор от резултати. Това, което е увлекателно, е, че е много трудно да се анализират тези невронни мрежи, тъй като те по същество представляват смесица от тегла, които изчисляват модели във входните данни. Вземете изкуствена невронна мрежа (ANN), която може да разпознае дали котка е на снимка. За хората ние идентифицираме котките чрез черти, които смятаме за котешки (заострено ухо, пухкави тела, мустаци). ANN може да забележи, че някаква група пиксели се отнася до някаква друга група пиксели по начин, който подсказва, че котка е налице, но за човек това просто прилича на куп математика и данни. За всичко, което знаем, ANN може да измисли по-прецизен начин да разпознае котките, за които никой човек не е мислил, някакъв фин модел, който прави простото разпознаване на функции (има чизбургери?) Остарял.

Така или иначе всичко е доста вълнуващо и с нетърпение очаквам да прекъсна познанията си за повърхностно ниво на дълбоко обучение, машинно обучение и ИИ. Един въпрос отговори, още много.

Правопис Bee Tldr;

Дълбокото обучение е техника в областта на машинното обучение, която ни приближава към създаването на изкуствен общ интелект.