РАЗЛИЧАТА МЕЖДУ ИЗКУСТВЕНОТО ИНТЕЛИГЕНТНОСТ и УЧЕБНОТО УЧЕНИЕ В СИГУРНОСТ.

Термините AI и Deep Learning се появяват по-често в контекста на физическата сигурност, така че е важно да можем да разграничаваме тези заглавия. Кратката история ще ви помогне да разберете как са възникнали термините и да обясните какво означават.

Изкуственият интелект (AI) е човешкият интелект, изложен от машини. Терминът възниква през 1956 г. и е демонстриран от ранните компютри, показващи ограничени страни на човешкия интелект. В началото само „Тесен AI“ беше постижим, като технологиите можеха да изпълняват само прости специфични задачи, както и, или по-добри от хората.

През 80-те години ранните полупроводникови процесори достигат критичен праг на изчислителна мощност. Тази мощност може да бъде приложена икономически за голямо разнообразие от електронно контролирани машини и да доведе до ера на машинно обучение (ML), подмножество на AI, но с по-сложни и полезни приложения. Бързото намаляване на разходите и увеличаването на възможностите за обработка даде възможност за прилагане на все по-сложни алгоритми и усъвършенстване на практическите ML.

ОБУЧЕНИЕ НА МАШИНИ:

В ML алгоритмите използват данни за извършване на прости или много сложни изчисления, за да намерят отговор, да го предадат правилно и по най-ефективния начин. Използването на алгоритъм за прогнозиране на резултат от събитие не е ML. Използването на резултата от прогноза за подобряване на бъдещи прогнози е истински пример за ML.

Използването на алгоритъм за изчисляване на отговорите не означава автоматично, че се използва ML или AI. ML алгоритмите трябва да бъдат създадени, за да се научат как да класифицират и обработват информация, ефективно обучавайки системата за подобрена производителност във времето. Ефективността и точността на алгоритъма зависи от това доколко алгоритъмът е проектиран за своите планирани задачи.

AI е широкото понятие, докато ML се занимава с използването на компютри за имитиране на когнитивните функции на хората. AI е, когато машините изпълняват задачи въз основа на алгоритми по „интелигентен“ начин. ML е подмножество на AI и се фокусира върху способността на машините да получават набор от данни и да учат за себе си, променяйки алгоритмите, докато научат повече за информацията, която обработват.

Обучението на компютри за възпроизвеждане на човешкото мислене се постига отчасти чрез използването на невронни мрежи. Мозъкът непрекъснато се опитва да осмисли информацията, която обработва, и за да направи това, той маркира и присвоява елементи на категории. Когато се сблъскаме с нещо ново, ние се опитваме да го сравним с известни предмети, за да ни помогне да го разберем и осмислим.

Невронните мрежи правят същото в компютрите. Точно както мозъкът може да разпознава модели и да се опитва да категоризира и класифицира информация, така и невронните мрежи възпроизвеждат същата в компютрите:

• Извличане на значението от големи и сложни данни

• Откриване на тенденциите и идентифициране на модели

• Учете чрез пример

ДЪЛБО ОБУЧЕНИЕ:

До 2010 г. напредъкът на полупроводниците позволи на програмистите да достигнат много по-високо ниво на производителност, отваряйки пътя към задълбоченото обучение (DL). Заглавието му показва друго ниво, по-дълбоко от ML, и по този начин DL се счита за допълнителен подмножество на AI. Концепцията за задълбочено обучение понякога се нарича „дълбоки невронни мрежи“, отнасяща се до множеството слоеве. Невронната мрежа може да има един слой данни, докато дълбоката невронна мрежа има два или повече. Слоевете могат да се разглеждат като вложена йерархия на свързани понятия или дървета на решения, където отговорът на един въпрос води до набор от по-дълбоко свързани въпроси.

Следователно DL е подмножество на ML. Той използва някои техники на МЛ за решаване на проблеми в реалния свят чрез докосване до невронни мрежи, които симулират вземането на човешки решения. DL изисква масивни набори от данни, на които да се обучава. Това е така, защото има огромен брой параметри, които трябва да бъдат разбрани от алгоритъм за учене, който първоначално може да генерира много неверни положителни резултати. Например алгоритъмът за задълбочено обучение може да бъде инструктиран да „научи“ как изглежда натрапник, да оцени поведението му и да проследи напредъка му. Ще е необходим масивен набор от данни с точна информация, за да се разберат много незначителните детайли, които отличават хората един от друг въз основа на ограничен вход за видеонаблюдение. DL трябва да се научи как да попълва липсващите части от информация.

DL мрежите трябва да виждат големи количества елементи, за да бъдат обучени. Вместо да се програмира с ръбовете, които определят елементи, системата се учи от излагане на много милиони точки от данни. Ранен пример за това е Google Brain се научи да разпознава котки, след като им се показват над десет милиона изображения. Мрежите за дълбоко обучение не трябва да бъдат програмирани с критериите, които определят елементите; те са в състояние да идентифицират ръбовете чрез излагане на големи количества данни.

DL също има бизнес приложения. Може да отнеме огромно количество данни - например милиони изображения - и да разпознае определени характеристики. Търсене на текст, откриване на измами, откриване на спам, разпознаване на почерк, търсене на изображения, разпознаване на реч, откриване на Street View и превод са всички задачи, които могат да бъдат изпълнени чрез задълбочено обучение. Мрежите за дълбоко обучение замениха много ръчно изработени и базирани на правила системи.

Висококачествените данни са ключът към успешното използване на алгоритми, независимо дали са за AI, ML или DL. Решенията трябва да се основават на огромни, чисти и смислени данни. DL е силно податлив на пристрастия, ако няма всички необходими данни. Изходът не може да се вярва, ако има недостатъчни данни или не е изчистен.