В чем отличие машинного обучения от искусственного интеллекта?

0
523

Применяя термин «машинное обучение», мы обозначаем дисциплину, которая занимается вопросами обучения систем, т.е. автоматизации процесса построения системы искусственного интеллекта. Формально система искусственного интеллекта может быть создана не только в результате обучения. Более того, вот очень интересный факт: часто, когда ко мне обращаются журналисты и просят им ответить на какой-то набор вопросов, то встречается вот такой вопрос: а могут ли машины учиться? И не смотря на то, что первые машины, которые были способны учиться, были созданы еще в 50-е годы, для широкой публики до сих пор это остается откровением. Людям кажется, что способность обучаться – это что-то такое, совершенно уникальное, что отличает машины, искусственный интеллект от интеллекта человеческого. На самом деле, примитивные системы искусственного интеллекта могут быть и не основаны на обучении, например, это системы искусственного интеллекта, которые построены на заранее заданном наборе правил. Набор правил может быть, например, сформулирован человеком. Это могут быть просто какие-то условия. Если вам на вход попали такие иероглифы, то на выход выдавайте такие, как та самая книжка в китайской комнате у Сёрла. Здесь, на самом деле очень похожая ситуация. Такого рода система искусственного интеллекта не будет относиться к области машинного обучения. Не будет являться продуктом машинного обучения, именно потому что интеллектуальная компонента будет изначально задана в виде некоторого фиксированного алгоритма. Соответственно, все системы машинного обучения, в которых их способность решать ту или иную интеллектуальную задачу, приобретается в ходе некоторого процесса обучения, автоматизированного процесса обучения, это система машинного обучения.

Машинное обучение делится на три крупных направления.

Первое направление – это, так называемое «обучение с учителем».

Обучение с учителем — это подход машинного обучения, в котором на входе процесса мы имеем некоторый набор правильных решений, данных некоторым, условно говоря, учителем. И, в ходе обучения машина должна на вот этих примерах правильных решений каким-то образом реконструировать способ, которым правильный ответ получается из входных данных задачи, и затем уже успешно решать какие-то новые задачи.

Вторым направлением машинного обучения является задача обучения без учителя.

Задачи обучения без учителя – это задачи, в которых заранее известного ответа нет. Но, каким-то образом, можно решать задачи машинного обучения даже в таком случае. Например – это задачи кластеризации, когда мы объекты на основе их признака группируем на некоторые классы, некоторые кластеры. В данном случае мы заранее не знаем, к какому кластеру относится какой объект, у нас есть просто наборы объектов, наборы их параметров. Но, тем не менее, проанализировав этот набор данных, машина может объединить на основании какой-то общности параметров объекты в какие-то классы. Это как раз классический пример обучения без учителя.

Существует промежуточная, переходная зона обучения с частичным привлечением учителя.

Обучение с подкреплением

Отдельный, важный подкласс обучения с учителем – так называемое обучение с подкреплением. Это режимы обучения, в которых у нас нет в явной форме правильных ответов для каждой учебной ситуации, но у нас есть какая-то модельная среда, которая на действие агента, действие нашего искусственного интеллекта определенным образом реагирует. И дает либо негативный сигнал, либо позитивный сигнал. Например, представим себе искусственный интеллект, который управляет самолетиком, который может летать в двухмерном пространстве и стрелять. Вот два самолетика соревнуются, кто кого собьет. Каждый их этих самолетиков управляется, например, нейронной сетью. У нас нет заранее набора правильных ответов, что при таком то взаимном расположении самолетиков нужно повернуть вверх или повернуть вниз или выстрелить. Каким образом будет идти процесс обучения? Вначале нейронные сети будут инициализированы случайными значениями, а затем под воздействием вот этих случайных весов в нейронных сетях эти самолетики будут перемещаться хаотически, периодически стрелять, и в какой-то момент один самолетик выстрелит и попадет в своего противника. Соответственно, от среды будет получен сигнал, положительный сигнал в отношении того самолетика, который стрелял, отрицательный в отношении того, в которого попал снаряд. Ну и по определенному алгоритму, который мы будем использовать, мы будем, например, штрафовать те веса в нейронной сети, которые привели к принятию решений за последние, скажем, 10 шагов. Это для того самолетика, который проиграл. Ну и наоборот, будем усиливать веса той нейронной сети, которая управляла победившим самолетиком. Таким образом постепенно мы увидим, что в этой системе поведение этих самолетиков будет постепенно упорядочиваться и среда будет таким образом тем самым квазиучителем, который будет подсказывать нашим агентам правильные действия.

В сущности технология обучения искусственного интеллекта на сегодняшний день претендует на роль достаточно фундаментальной технологии, затрагивающей практически все направления человеческой жизни.