В чем разница между искусственным интеллектом, машинным обучением и глубоким обучением?

0
393

Искусственный интеллект — это будущее. ИИ — это научная фантастика. Искусственный интеллект уже является частью нашей повседневной жизни. Все эти утверждения верны, это просто зависит от того, какой аромат ИИ вы имеете в виду.

Например, когда программа AlphaGo от Google DeepMind побеждала южнокорейского мастера Ли Седола в настольной игре Go в начале этого года, термины AI, машинное обучение и глубокое обучение использовались в средствах массовой информации для описания того, как DeepMind выиграла. И все три являются частью причины, по которой AlphaGo преследовал Ли Се-Дола. Но это не одно и то же.

Самый простой способ представить взаимосвязь — это визуализировать их как концентрические круги с ИИ — мысль, которая была первой — самое крупное, а затем машинное обучение — которое расцвело позже и, наконец, глубокое обучение, — которое внутри обоих.

ИИ был частью наших фантазий и кипел в исследовательских лабораториях, так как в 1956 году на конференциях в Дортмуте собралось несколько компьютерных ученых, которые создали поле ИИ. В течение десятилетий, с тех пор, ИИ поочередно был объявлен ключом к самому яркому будущему нашей цивилизации.

За последние несколько лет ИИ ворвался в нашу шизнь, и особенно с 2015 года. Большая часть этого связана с широкой доступностью графических процессоров, которые делают параллельную обработку все быстрее, дешевле и мощнее. Это также связано с одновременным  практически бесконечного хранилища и потоком данных каждого направления: изображений, текста, транзакций, картографических данных.

Давайте рассмотрим, как компьютерные ученые перешли от чего-то непрактичного — до 2012 года — к буму, который привел к созданию приложений с ИИ, используемые сотнями миллионов людей каждый день.

Еще летом этого года на конференции «56» мечта об этих пионерах AI заключалась в том, чтобы построить сложные машины, которые были созданы новыми компьютерами, которые обладали характеристиками человеческого интеллекта. Это концепция, которую мы считаем «General AI» — сказочные машины, которые имеют все наши чувства (может быть, даже больше), умеют строить  причинно-следственную связь и думают так же, как и мы. Вы видели эти машины бесконечно в фильмах как друг — C-3PO — и враг — The Terminator. Незначительные причины, по-видимому, были в машинах и научно-фантастических романах. Мы не можем это сделать, по крайней мере, пока.

То, что мы можем сделать, относится к понятию «Узкий ИИ». Технологии, способные выполнять конкретные задачи, а также, или лучше, чем мы, люди. Примерами узких ИИ являются такие вещи, как классификация изображений на службе, такой как Pinterest и распознавание лиц на Facebook.

Это примеры узкого ИИ на практике. Эти технологии демонстрируют некоторые аспекты человеческого интеллекта. Но как? Откуда этот интеллект? Это приведет нас к следующему понятию, Machine Learning (Машинное обучение).

Машинное обучение — это практика использования алгоритмов для анализа данных, изучения их, а затем определения или предсказания чего-то в мире.

Поэтому вместо рутинных программ для ручного кодирования с определенным набором инструкций для выполнения конкретной задачи машина «обучается» с использованием большого количества данных и алгоритмов, которые дают ему возможность узнать, как выполнить задачу.

Машинное обучение возникло непосредственно из практик AI, а алгоритмические подходы на протяжении многих лет включали в себя изучение дерева решений, индуктивное логическое программирование, кластеризация, обучение усилению, а также Байесовкая сеть. Как мы знаем, ни одна из них не достигла конечной цели общего ИИ, и даже Узкий ИИ был в основном недоступен с помощью ранних подходов к компьютерному обучению.

Как оказалось, одной из самых лучших областей применения машинного обучения на протяжении многих лет было компьютерное зрение, хотя для выполнения этой работы по-прежнему требуется большое количество ручного кодирования. Люди заходили и записывали классифицированные вручную классификаторы, такие как фильтры обнаружения границ, чтобы программа могла определить, где был запущен и остановлен объект; определение формы, чтобы определить, имеет ли она восемь сторон; классификатор для распознавания букв «STOP». Из всех этих классифицированных вручную классификаторов они разработали алгоритмы, чтобы понять смысл изображения и «узнать», чтобы определить, был ли это знак остановки.

Хороший, но не очень умный. Особенно в туманный день, когда знак не совсем заметен, или дерево скрывает его часть. Причина в том, что компьютерное зрение и обнаружение изображения не приблизились к соперничеству с людьми до недавнего времени, оно было слишком хрупким и слишком подверженным ошибкам.

Время и правильные алгоритмы обучения сделали все возможное.

Глубокое обучение — это метод внедрения машинного обучения.

Прорыв Andrew Ng из Google в 2012 состоял в том, чтобы взять эти нейронные сети и существенно сделать их огромными, увеличить слои и нейроны, а затем запустить огромное количество данных через систему для ее обучения. В случае с Andrew Ng это были изображения из 10 миллионов видео на YouTube. Он вложил понятие «глубокий» в глубокое обучение, которое описывает все слои в этих нейронных сетях.

Сегодня распознавание изображений машинами, обученными посредством глубокого обучения в некоторых сценариях, лучше, чем люди, и варьируется от кошек до определения показателей рака в крови и опухолях при МРТ-сканировании. AlphaGo от Google научился игре и тренировался для своего матча Go — он настраивал свою нейронную сеть — играя против себя снова и снова.

Благодаря глубокому обучению, AI имеет светлое будущее
Глубокое обучение позволило много практических приложений машинного обучения и, в дополнение, к общей области ИИ. Deep Learning разбивает задачи таким образом, что всевозможные машинные процесы кажутся возможными, даже вероятными. Авто без водителя, лучшее профилактическое здравоохранение, даже лучшие рекомендации по кино, все здесь сегодня или на горизонте. ИИ — настоящее и будущее. С помощью Deep Learning, AI может даже дойти до того уровня научной фантастики, о котором мы так долго думали.

Источник: Michael Copeland для блога nvidia