ИИ против машинного обучения: объяснение основных различий
3 апреля 2023 г.ИИ и машинное обучение (МО) часто используются взаимозаменяемо, но технически это не одно и то же. Однако разница меньше, чем вы думаете, и как только вы ее поймете, вы больше никогда не ошибетесь. Ниже приводится очень простое объяснение, в котором опущены многие технические аспекты AI и ML, которые выходят за рамки предполагаемой аудитории. В следующих определениях и примерах делается попытка заложить основу для дальнейшего изучения этих тем.
ИИ включает в себя широкий спектр технологий и методов, включая обработку естественного языка, компьютерное зрение, робототехнику и экспертные системы в дополнение к машинному обучению. С другой стороны, машинное обучение — это особый подход к созданию систем ИИ, основанный на идее предоставления машинам возможности учиться на данных без явного программирования.
Искусственный интеллект: весь робот
Искусственный интеллект (ИИ) – это широкий термин, обозначающий создание машин, способных выполнять задачи, для которых обычно требуется человеческий интеллект. Примеры таких задач включают зрительное восприятие, распознавание речи, принятие решений и языковой перевод.
Существует множество подмножеств и подполей ИИ, которые пытаются решить конкретную проблему и/или используют другой подход к созданию «разума». Вот пять наиболее известных подмножеств ИИ:
- Обработка естественного языка (NLP) позволяет машинам понимать, интерпретировать и генерировать человеческий язык. НЛП используется в таких приложениях, как чат-боты, голосовые помощники и переводчики. ChatGPT — это НЛП.
2. Компьютерное зрение позволяет машинам интерпретировать и понимать визуальные данные из окружающего их мира. Компьютерное зрение используется в таких приложениях, как обнаружение объектов или распознавание лиц. Автономные транспортные средства, такие как некоторые модели Tesla, используют компьютерное зрение.
3. Робототехника разрабатывает машины, которые могут физически и автономно взаимодействовать с окружающим миром для выполнения таких задач, как работа на конвейере или спасательные операции. Boston Dynamics специализируется на робототехнике.
4. Экспертные системы предназначены для имитации способности эксперта в определенной области, например в медицинской диагностике или финансовом анализе, принимать обоснованные решения. Благодаря экспертным системам вы постоянно слышите о юристах с искусственным интеллектом, защищающих людей в суде.
5. Машинное обучение включает в себя ввод данных в алгоритм машинного обучения и предоставление ему возможности учиться на этих данных, чтобы делать точные прогнозы или классификации новых данных.
Итак, машинное обучение — это подмножество ИИ. Это первая большая разница, на которую стоит обратить внимание. Хотя ИИ — это термин, который охватывает широкий спектр технологий и методов, машинное обучение — это конкретный подход к созданию систем ИИ.
Полезно думать об ИИ как о «полноценном роботе» — полностью автономной машине, способной думать и действовать как человек. Однако каждое подмножество является лишь частью всего робота. Робототехника пытается разработать «тело» для взаимодействия с окружающей средой.
Компьютерное зрение дает роботу возможность визуализировать свой мир. НЛП вооружает его способностью общаться. ML дарует способность к обучению. И экспертные системы отправляют его в университет. Это настоящее чудовище Франкенштейна, состоящее из разрозненных частей, но когда они собраны вместе, мы наконец реализуем цель ИИ.
Что такое машинное обучение?
Вы много слышали об машинном обучении, потому что это важный этап в создании всего робота. Почти все, что мы считаем живым, должно быть способно учиться. Это делают птицы. Пчелы к этому. Черт возьми, даже амебы это делают. Но, несмотря на повсеместное распространение в мире живых, обучение невероятно сложно. Таким образом, машинное обучение сталкивается с одной из самых больших проблем, но это триумф, который обеспечивает наибольшую рентабельность инвестиций. Как только мы создадим обучающуюся машину, мы сможем научить ее принимать более правильные решения. Так как же создать машину для обучения?
Машинное обучение использует статистические алгоритмы, чтобы машины могли учиться на данных и со временем улучшать свою производительность при выполнении определенных задач. Алгоритмы машинного обучения анализируют большие объемы данных для выявления закономерностей, которые используются для прогнозирования или принятия решений по новым данным. Как и люди, машинное обучение — это процесс, который требует, чтобы машины «обучались», предоставляя им информацию.
Пример машинного обучения: оценщик цен на жилье
Предположим, вы хотите создать алгоритм обучения машинного обучения, который прогнозирует цену дома на основе его размера и местоположения. Вам понадобятся два набора данных: обучающий набор и тестовый набор. Сначала мы создаем обучающий набор данных, состоящий из недавно проданных домов с их продажной ценой и местоположением.
Затем ML обрабатывает обучающие данные для поиска закономерностей. Допустим, после некоторой обработки он «выучил» следующие «правила»:
- Дома площадью более 2000 кв. футов продаются по цене > 200 000 долларов
- Дома площадью менее 2000 кв. футов продаются по цене < 200 000 долларов
- Дома в пределах 5 миль от аэропорта продаются по цене < 100 000 долларов
- Дома в пределах 8 км от озера продаются по цене > 300 000 долларов
Алгоритм затем может использовать эти знания для прогнозирования цены дома за пределами обучающего набора данных (т. е. тестового набора). Например, дом, который:
* 2500 кв. футов и 3 миль от аэропорта.
Поскольку площадь нового дома превышает 2000 кв. футов, алгоритм применит «> 200 000 долл. США, но, поскольку он находится менее чем в 8 км от аэропорта, будет применяться правило "<100 000 долл. США". Поэтому прогноз алгоритма, скорее всего, будет «150 000 долл. США».
Затем алгоритм машинного обучения сравнивает свое предположение с фактической ценой, которая составляет 170 000 долл. США. Теперь у него есть несоответствие в размере 20 000 долларов, которое необходимо устранить. Он проверяет наличие дополнительных шаблонов и узнает, что по мере того, как дома одинакового размера становятся ближе к аэропорту, их цена снижается. С помощью некоторых вычислений программа может определить изменения цены по близости и применить данные как взвешенное значение в своем следующем прогнозе. Например, каждая миля ближе к аэропорту означает снижение цены на 10 %.
Машина использует этот постоянный процесс угадывания и проверки (называемый обратным распространением) для улучшения своих прогнозов. Чем больше итераций и входных данных, тем «умнее» становится алгоритм.
«Ну и что?», спросите вы, «Разве это не простая логика? Зачем нам машина, чтобы делать это?» Ну, во-первых, машинное обучение может просеивать данные, находить закономерности и проверять свои предположения на реальных данных с поразительной скоростью. Короче говоря, он может «учиться» намного быстрее, чем люди. Во-вторых, он может манипулировать гораздо большим количеством параметров, чем мы когда-либо могли, поэтому его догадки со временем неизбежно станут более точными.
Подумайте обо всех факторах, влияющих на цену дома, помимо размера и местоположения. Это возраст дома, состояние, количество комнат, рыночные условия и мотивация продавца, и это лишь некоторые из них. Но есть и другие менее типичные соображения, такие как текущие процентные ставки, расположение участков или тип крыши. Если углубиться глубже, вы обнаружите, что фактическое количество факторов огромно. Например, как насчет истории дома или будущего района, в котором он находится? Чем лучше наши возможности прогнозирования, тем важнее становятся эти «второстепенные» соображения.
ML может выполнять итерации намного быстрее и с большей детализацией, чем мы, что делает его более эффективным при обнаружении таких «скрытых» шаблонов. Что, если бы дома темного цвета продавались дороже, чем дома светлого цвета? Возможно, дома с большим количеством окон, выходящих на восток, были дешевле, чем с окнами, выходящими на запад. Машинное обучение может учитывать все эти факторы, а затем и некоторые другие, и делать это в режиме реального времени.
Наконец, визуализация добавляет к этому алгоритму обучения возможность поиска, мониторинга и сбора информации о ценах на жилье для большого региона страны. Это будет полностью автономная машина для обучения и прогнозирования, которая будет становиться умнее, чем дольше она будет работать. Вот где сегодня ML.
Также опубликовано здесь
Оригинал