Изкуствен интелект: Разликата между машинното обучение и задълбоченото обучение

Изкуственият интелект, или AI, се превърна в толкова важна и неразделна част от нашето модерно общество. Според Forbes, дори още преди две години през 2017 г., 51% от съвременните предприятия вече прилагат AI, като самата индустрия се оценява на $ 16 милиарда USD. Предвижда се това да нараства експоненциално още повече, достигайки 190 милиарда долара през 2025 година.

Два от най-влиятелните видове AI днес са машинното обучение и системите за дълбоко обучение. Но какви са точно тези двама? И по този въпрос, как да дефинираме изкуствения интелект в контекста на тези две?

Какво е изкуствен интелект?

В официалното влизане на 2019 г. на Оксфордския речник се казва, че изкуственият интелект е „теорията и развитието на компютърните системи, които могат да изпълняват задачи, които обикновено изискват човешки интелект“.

С други думи, AI интерпретира информация по начин, подобен на вас и мен, независимо дали е необходима за откриване на изображения, разпознаване на реч или някаква друга автоматизирана система за вземане на решения. Един много прост пример за AI е компютърният противник на видеоигри. Той използва данни от играта, както и данни от играча, за да създаде последователност от решения и задачи, за да ангажира играча. AI е въведен още през 50-те години на миналия век, но той започва наистина да излита през 70-те и 80-те години, когато личните компютри и игровите конзоли започват да правят развитието на AI основно изискване за неговата работа.

Други примери на AI в ежедневието ни могат да включват:

  1. Симулатори
  2. Умни устройства
  3. Борсови ботове
  4. Разпознаване на данни (реч, глас, лице и т.н.)

Днес много AI системи се използват в почти всяко приложение, където се използват данни като софтуер за управление, алгоритми за препоръки, анализ на медии или дори гласови асистенти. Всъщност дори прости приложения за проследяване сега използват AI. Като правило, ако има сравнително сложен процес на изпълнение на задачите, който трябва редовно да се изпълнява без пряка човешка намеса, най-вероятно ще има AI в него.

Какво е машинно обучение?

Машинното обучение е вид изкуствен интелект (и следователно негов подмножество), който е специализиран в анализиране и анализ на дадени данни, за да се адаптират от него и да вземат адекватно интелигентни решения. По-просто казано, този AI е направен да наблюдава и забелязва много неща и след това да предприеме един или повече начини на действие въз основа на получената информация.

Типичните задачи за машинно обучение днес могат да имат:

  1. Препоръки за връзка
  2. Модериране на съдържанието
  3. Показване на резултатите от търсенето
  4. Срокове на уреждане (в социалните медии)

Системата за машинно обучение е способна да анализира огромно количество данни за кратко време, създавайки решения или заключения от нея. Той оптимизира алгоритъма си, за да дава точни интерпретации, много повече от това, което хората могат да направят със същите ограничения във времето. Например, искаме да определим автоматично дали определен имейл е спам или не. Система за машинно обучение ще пресее хиляди и хиляди имейли, за да намери модели, които да му помогнат да определи спам имейл. След това ще даде груба класификация на спам и редовен имейл, данните от които ще използват отново, за да намерят още повече модели, които ще му помогнат да усъвършенства анализа си още повече.

Когато им се предоставят все по-нови и по-нови набори от данни, системите за машинно обучение могат да се адаптират и актуализират своите алгоритми, за да станат още по-добри в това, което прави. Или най-малкото, минимизирайте вероятността от грешки. Това прави машинното обучение много важно в сегашната ни ера, управлявана от данни.

Какво е задълбочено обучение?

Дълбокото обучение е, отново, още едно подмножество, това време на машинно обучение. Основният дизайн на системите за дълбоко обучение се основава на органичен мозък. Докато ние формираме нови спомени, използвайки сложна мрежа от невронни модели, този вид система тъче собствена сложна мрежа от решения, използвайки изкуствена невронна мрежа, която е съставена от безброй алгоритмични слоеве.

Няколко доста забележителни системи за задълбочено обучение са:

  1. Уотсън (победени състезатели в Jeopardy!)
  2. AlphaGo (победен професионалист на Go Go Lee Sedol през март 2016 г.)
  3. Deepfake (генерира зловещо реалистични, но изкуствени представи на реални хора)
  4. OpenAI Five (геймърски проект за дълбоко обучение, победен за DOTA плейъра Dendi миналата 2017 г.)

За разлика от стандартните системи за машинно обучение, които все още могат да се представят доста добре дори и при сравнително основни набори от данни, една стартираща система за дълбоко обучение буквално ще започне от нулата. Той се характеризира със своя „период на накуцване“, при който първите няколко поколения от AI ще започнат да дават реални резултати само след период на адаптация от няколко безброй неуспешни поколения.

Когато достигне доста сложно ниво на ефективност, системите за дълбоко обучение просто започват да затрупват всичко останало преди него. Например, AlphaGo на DeepMind започна да използва първоначален набор от 160 000 аматьорски мача за Go, преди да препъне пътя си към побеждаване на професионални играчи на Go, като играе милиони пъти срещу себе си.

Системите за дълбоко обучение, за разлика от други проектирани по-рано системи за машинно обучение, разчитат много на матрично умножение за генериране на данни. Като такива, комерсиалните графични процесори обикновено са най-добрият хардуер за тези системи, тъй като те са в състояние да предоставят изискванията за паралелна обработка на високо ниво, необходими за поддържане на оперативността.

Стандартно AI и машинно обучение

Въпреки че изкуственият интелект и машинното обучение могат да се използват взаимозаменяемо за много често срещани приложения, важно е да се отбележи, че машинното обучение има една много различна характеристика: адаптация. Това означава, че се учи. Може да направи много първоначални грешки, за разлика от предварително изградения AI, но той е предназначен да се учи от тях, да изгражда от тях и в крайна сметка да измести всичко, за което е предназначен да оптимизира.

От гледна точка на дизайна машинното обучение също печели предимството да не е прекалено усложнено с първоначалната си конструкция. Типичният AI може да се нуждае от специализирано кодиране или конкретни инструкции за всяка отделна ситуация, която програмистът може да предвиди. Но системата за машинно обучение може просто да работи върху дървото на решенията, плюс стандарт за обучение или два, както и необходимата способност за обработка и след това да си проправи път към усъвършенстване и по-добро изпълнение на задачата си.

Значението на разграничаването на системите за машинно обучение идва от факта, че ние все още използваме стандартния, редовен AI на такива системи за други по-малко важни задачи и задачи. В крайна сметка няма да ви трябват задължително системи за машинно обучение за, да речем, автоматизиране на по-прости решения за управление на файлове. По същия начин може да не е правилно да категоризираме нещо толкова сложно като система за разпознаване на реч като „просто AI“ и по този начин ние го класифицираме правилно.

Машинно обучение и задълбочено обучение

Може би по-важното разграничение, което трябва да научим, е разликата между машинното обучение и дълбокото обучение. На първо място, както беше споменато по-рано, задълбоченото IS е машинно обучение, технически един вид или подмножество от него. Машинното обучение обаче не винаги е дълбоко учене. Разграничението до голяма степен е свързано с начина, по който са изградени и двете.

Машинното обучение е разработено в същата компютърна среда като много от нашия софтуер през последните няколко десетилетия. По този начин тя е по някакъв начин линейна и дори да е изградена така, че да се приспособява към закона на Мур, тя все още е ограничена от дърветата на решенията и алгоритмите си. Дълбокото обучение, от друга страна, свързва всичките си алгоритми в невронна мрежа. Той е предназначен за паралелно изчисляване на високо ниво, което вече можем да считаме за следващото поколение в машинното обучение.

Един сравнително надежден начин да се определи дали се използва система за дълбоко обучение е да се оцени сложността на AI задачата. Обикновено колкото по-нечислени, произволни променливи трябва да се вземат предвид, толкова по-вероятно е да се използва система за задълбочено обучение. Например, препоръките на Netflix не са толкова сложни, колкото превода на езици, дори и да се учат от данни, събрани от цялата интернет потребителска база. Това разграничение може да се прилага за две подобни задачи, като например две отделни системи за самостоятелно шофиране. Тази, която разчита повече на данните за смачкване на сензорите, трябва да бъде общата система за машинно обучение, като дълбокото обучение най-вероятно разчита повече на човешки видими екологични сигнали, нещо като това, което Tesla разработва в момента.

Независимо дали диференциацията е ясна или не, е абсолютно сигурно, че дълбокото обучение е бъдещето. За нашите цели, обаче, разделянето на AI на дълбокото обучение от стандартното машинно обучение AI е от съществено значение за разбирането на това колко различно е в действителност и колко наскоро може да бъде всъщност. Въпреки че все още е в етапите си на развитие днес, той вече е почти несравним с всичко останало, което идваше преди него.

Един фалшив Барак Обама, изказващ няколко кратки изречения на еднакво фалшив фон, може да изглежда странно за нормалния зрител, но за нас, които вече разбират разграничението, знаем, че това е просто само една от огромните възможности на такава технология за промяна на играта ,

Гранд предизвикателството на AI във Виетнам

Искате ли да научите повече за изкуствения интелект? Kambria оглавява Vietnam AI Grand Challenge 2019, серия хакатони, чиято мисия е да обучава млади AI разработчици. В сътрудничество с правителството на Виетнам, McKinsey & Company и VietAI, Grand Challenge ще обедини най-добрия талант на AI в страната за подкрепа на корпорациите във Виетнам и в световен мащаб при проектирането на върховния виртуален помощник AI.

Как да участвам:
 1. Регистрирайте се в платформата Kambria: https://bounty.kambria.io/
 2. Следвайте страницата на Grand Challenge във Facebook за цялата предстояща информация за събитието: https://www.facebook.com/VietnamAIGC/

В събота, 1 юни 2019 г., Камбрия ще бъде домакин на семинар в Да Нанг, наречен „Създайте свой собствен виртуален асистент от нулата“, за да предостави обучение и образование на участниците в Гранд предизвикателството на AI във Виетнам. Щракнете тук за повече информация за семинара. Пространството е ограничено до 40 участници, така че не забравяйте да се регистрирате скоро!

Първоначално публикуван в Kambria.