Dirbtinis intelektas: skirtumas tarp mašininio ir gilaus mokymosi

Dirbtinis intelektas, arba AI, tapo tokia svarbi ir neatsiejama mūsų šiuolaikinės visuomenės dalis. „Forbes“ duomenimis, net prieš dvejus metus 2017 m. 51% šiuolaikinių įmonių jau įgyvendina AI, o pati pramonė vertinama 16 milijardų USD. Prognozuojama, kad tai dar labiau augs ir 2025 m. Sieks 190 milijardų JAV dolerių.

Du iš šiandien labiausiai įtakojamų PG tipų yra mašininis mokymasis ir gilaus mokymosi sistemos. Bet kas tiksliai yra šie du? Ir kaip mes apibrėžtume dirbtinį intelektą šių dviejų kontekste?

Kas yra dirbtinis intelektas?

2019 m. Oficialiame Oksfordo žodyno įraše teigiama, kad dirbtinis intelektas yra „kompiuterinių sistemų, galinčių atlikti užduotis, kurioms paprastai reikalingas žmogaus intelektas, teorija ir tobulinimas“.

Kitaip tariant, AI interpretuoja informaciją panašiai kaip jūs ir aš, nesvarbu, ar ji reikalinga vaizdo aptikimui, kalbos atpažinimui ar kitai automatizuotai sprendimų priėmimo sistemai. Vienas labai paprastas PG pavyzdys yra vaizdo žaidimų kompiuterio priešininkas. Tam naudojami žaidimo duomenys, taip pat žaidėjo įvestys, siekiant sudaryti sprendimų ir užduočių seką žaidėjui sudominti. PG buvo pristatyta dar šeštajame dešimtmetyje, tačiau ji realiai pradėjo kilti tik 70–80-aisiais, kai asmeniniai kompiuteriai ir žaidimų pultai AI kūrimą pradėjo paversti pagrindiniu jos veiklos reikalavimu.

Kiti PG pavyzdžiai mūsų kasdieniniame gyvenime gali būti:

  1. Simuliatoriai
  2. Išmanieji įrenginiai
  3. Biržos botai
  4. Duomenų atpažinimas (kalba, balsas, veidas ir kt.)

Šiandien daugelis AI sistemų yra naudojamos beveik bet kurioje programoje, kur naudojami duomenys, pavyzdžiui, valdymo programinė įranga, rekomendacijų algoritmai, žiniasklaidos analizė ar net balso padėjėjai. Tiesą sakant, net paprastos stebėjimo programos dabar naudoja AI. Paprastai tariant, jei yra gana sudėtingas užduočių atlikimo procesas, kurį reikia reguliariai vykdyti be tiesioginio žmogaus įsikišimo, greičiausiai jame būtų AI.

Kas yra mašinų mokymasis?

Mašinų mokymasis yra dirbtinio intelekto (taigi ir jo pogrupio) rūšis, kuri specializuojasi analizuodama ir analizuodama duotus duomenis, kad galėtų nuo jų prisitaikyti ir priimti pakankamai intelektualius sprendimus. Paprasčiau tariant, ši AI yra sukurta stebėti ir pastebėti daugybę dalykų, o tada atlikti vieną ar daugiau veiksmų, remiantis gauta informacija.

Įprastos mašinų mokymosi užduotys šiandien galėtų būti:

  1. Susieti rekomendacijas
  2. Turinio tvarkymas
  3. Paieškos rezultatų rodymas
  4. Kuravimo grafikai (socialinėje žiniasklaidoje)

Mašinų mokymosi sistema geba per trumpą laiką išanalizuoti didžiulį duomenų kiekį, iš jos sudaryti sprendimus ar išvadas. Tai optimizuoja savo algoritmą, kad suteiktų tikslius aiškinimus, daug daugiau nei tai, ką žmonės gali padaryti su tais pačiais laiko apribojimais. Pavyzdžiui, norime automatiškai nustatyti, ar tam tikras el. Paštas yra šlamštas, ar ne. Mašinų mokymosi sistema perduos tūkstančius el. Laiškų, kad surastų šablonų, kurie padėtų nustatyti šlamšto el. Laiškus. Tada jis apytiksliai klasifikuotų šlamštą ir įprastą el. Paštą, kurio duomenis jis vėl naudotų, norėdamas rasti dar daugiau šablonų, kurie padėtų dar labiau patikslinti analizę.

Pateikus naujesnius ir naujesnius duomenų rinkinius, mašininio mokymosi sistemos galėtų pritaikyti ir atnaujinti savo algoritmus, kad dar geriau suprastų, ką daro. Arba bent jau sumažinkite klaidų tikimybę. Būtent todėl mašinų mokymasis yra labai svarbus dabartinėje duomenų bazėje.

Kas yra gilus mokymasis?

Gilus mokymasis yra dar vienas pogrupis, šis mašininio mokymosi laikas. Pagrindinis gilaus mokymosi sistemų dizainas remiasi organinėmis smegenimis. Nors mes formuojame naujus prisiminimus naudodami sudėtingą neuroninių modelių tinklą, tokia sistema audžia savo sudėtingą sprendimų tinklą, naudodama dirbtinį neuronų tinklą, sudarytą iš daugybės algoritminių sluoksnių.

Keletas gana pastebimų giluminio mokymosi sistemų yra:

  1. Watsonas (nugalėjo Jeopardy varžovus!)
  2. „AlphaGo“ (2016 m. Kovo mėn. Nugalėjo profesionalų „Go“ žaidėją Lee Sedol)
  3. Gilus fakelis (sukuriantis baisiai tikroviškus, bet dirbtinius tikrųjų žmonių vaizdus)
  4. „OpenAI Five“ (žaidimų giluminio mokymosi projektas, pralaimėjęs „Pro DOTA“ žaidėją „Dendi“ praėjusiais 2017 m.)

Skirtingai nuo standartinių mašininio mokymosi sistemų, kurios vis dar gali veikti gana gerai net ir turėdamos palyginti pagrindinius duomenų rinkinius, giluminio mokymosi pradžia tiesiogine prasme prasidėtų nuo nulio. Jam būdingas „šlubuojantis laikotarpis“, kai pirmosios kelios AI kartos pradės teikti realius rezultatus jau po kelių nesuskaičiuojamų nesėkmingų kartų adaptacijos laikotarpio.

Kai pasiekia gana sudėtingą efektyvumo lygį, giluminio mokymosi sistemos paprasčiausiai pradeda sumenkinti visa kita. Pavyzdžiui, „DeepMind“ „AlphaGo“ pradėjo naudoti pradinį 160 000 mėgėjų „Go“ žaidimų rinkinį, kol jis sukliuvo prieš profesionalių „Go“ žaidėjų mušimą žaisdamas milijonus kartų prieš save.

Giluminio mokymosi sistemos, skirtingai nuo kitų anksčiau sukurtų mašininio mokymosi sistemų, duomenų generavimui labai priklauso nuo matricos daugybos. Iš esmės komerciniai GPU paprastai yra geriausia šių sistemų aparatinė įranga, nes jie gali patenkinti aukšto lygio lygiagretaus apdorojimo reikalavimus, reikalingus operatyvumui palaikyti.

Standartinis AI ir mašinų mokymasis

Nors dirbtinį intelektą ir mokymąsi mašinomis galima pakaitomis naudoti daugelyje įprastų programų, svarbu pažymėti, kad mašininis mokymasis turi vieną labai ryškų požymį: adaptaciją. Tai reiškia, kad mokosi. Gali būti padaryta daug pradinių klaidų, skirtingai nei iš anksto sukurta AI, tačiau ji skirta mokytis iš jų, kurti iš jų ir galų gale pakeisti viską, kas skirta jų optimizavimui.

Dizaino aspektu mašinų mokymasis taip pat įgyja pranašumo, nes nėra sudėtingas dėl pradinio jų kūrimo. Tipinei PG gali prireikti specializuoto kodavimo arba specialių instrukcijų kiekvienai situacijai, kurią kūrėjas gali numatyti. Bet mašininio mokymosi sistema gali tiesiog veikti pagal sprendimų medį, pridėdama mokymosi standartą ar du, taip pat suteikdama reikiamas apdorojimo galimybes, ir tada galės geriau ir geriau atlikti savo užduotį.

Mašinų mokymosi sistemų diferencijavimo svarba kyla iš to, kad mes vis dar naudojame standartinę, įprastą tokių sistemų AI kitoms mažiau svarbioms užduotims ir užduotims atlikti. Galų gale jums nebūtinai reikės kompiuterinio mokymosi sistemų, tarkime, automatizuoti paprastesnius failų tvarkymo sprendimus. Tuo pačiu būdu gali būti netinkama klasifikuoti kažką tokio modernaus kaip kalbos atpažinimo sistema kaip „tiesiog AI“, taigi mes jį tinkamai klasifikuojame.

Mašinų mokymasis ir giluminis mokymasis

Galbūt svarbesnis skirtumas, kurį turime išmokti, yra skirtumas tarp mašininio ir gilaus mokymosi. Visų pirma, kaip minėta anksčiau, giluminis mokymasis yra mašininis mokymasis, techniškai vieno tipo arba jo pogrupis. Tačiau mašinų mokymasis ne visada yra gilus mokymasis. Skirtumas daugiausia susijęs su tuo, kaip abu yra sukurti.

Mašinų mokymasis buvo plėtojamas toje pačioje kompiuterinėje aplinkoje kaip ir daugelis mūsų programinės įrangos per pastaruosius kelis dešimtmečius. Iš esmės, jis yra linijinis ir net jei jis yra sukurtas pritaikyti Moore'io dėsniui, jį vis tiek riboja sprendimų medžiai ir algoritmai. Kita vertus, gilus mokymasis apima visus jo algoritmus neuroniniame tinkle. Jis skirtas aukšto lygio lygiagrečiam skaičiavimui, ką dabar galime laikyti nauja mašinų mokymosi karta.

Vienas gana patikimas būdas nustatyti, ar taikoma gilaus mokymosi sistema, yra įvertinti AI užduoties sudėtingumą. Paprastai kuo daugiau skaitinių, savavališkų kintamųjų reikia apsvarstyti, tuo didesnė tikimybė, kad tai bus gilaus mokymosi sistema. Pavyzdžiui, „Netflix“ rekomendacijos nėra tokios sudėtingos kaip vertimas kalba, net jei jos mokomasi iš duomenų, surinktų iš visos interneto vartotojų bazės. Šis skirtumas gali būti taikomas dviem panašioms užduotims, tokioms kaip dvi atskiros savarankiško vairavimo sistemos. Tai, kas labiau remiasi krintančiais jutiklių duomenimis, turėtų būti bendroji mašininio mokymosi sistema, o giluminis mokymasis greičiausiai labiau pasikliauja žmoniškai matomais aplinkos ženklais, panašiai kaip tai, ką šiuo metu kuria „Tesla“.

Nepaisant to, ar diferenciacija aiški, ar ne, visiškai aišku, kad gilus mokymasis yra ateitis. Tačiau mūsų tikslams svarbu atskirti giluminio mokymosi PG nuo standartinio mašininio mokymosi PG, norint suprasti, koks jis iš tikrųjų yra skirtingas ir koks jis gali būti pažengęs. Nepaisant to, kad ji vis dar yra vystymosi stadijoje, ji šiandien jau yra nepalyginama su viskuo kitu, kas buvo prieš tai.

Netikras Barackas Obama, pateikdamas keletą trumpų sakinių vienodai netikrame fone, normaliam žiūrovui gali atrodyti nemalonus, tačiau mums, kurie jau supranta skirtumą, mes žinome, kad tai tik viena iš didžiausių tokios žaidimą keičiančios technologijos galimybių. .

Vietnamo AI didysis iššūkis

Norite sužinoti daugiau apie dirbtinį intelektą? „Kambria“ vadovauja Vietnamo „AI Grand Challenge 2019“ - hackathon serijai, kurios misija yra mokyti jaunus AI kūrėjus. Bendradarbiaujant su Vietnamo vyriausybe, „McKinsey & Company“ ir VietAI, „Grand Challenge“ suvienys geriausius šalies AI talentus remti korporacijas Vietname ir visame pasaulyje kuriant aukščiausią AI virtualų asistentą.

Kaip dalyvauti:
 1. Registruokitės „Kambria“ platformoje: https://bounty.kambria.io/
 2. Sekite „Grand Challenge“ „Facebook“ puslapį, kur rasite visą informaciją apie artėjančius renginius: https://www.facebook.com/VietnamAIGC/

2019 m. Birželio 1 d., Šeštadienį, Kambrijoje Da Nange vyks seminaras „Sukurkite savo virtualų asistentą iš nulio“, kad mokytų ir lavintų Vietnamo „AI Grand Challenge“ dalyvius. Norėdami gauti daugiau informacijos apie seminarą, spustelėkite čia. Vietos yra ne daugiau kaip 40 dalyvių, todėl būtinai užsiregistruokite netrukus!

Iš pradžių paskelbta „Kambria“.