...

ИИ против ML против глубокого обучения: в чем разница?

ИИ против машинного обучения против глубокого обучения - в чем разница (2)

ИИ против машинного обучения и глубокого обучения: в чем разница?

Искусственный интеллект (ИИ) является определяющей технологией нашей эры, но терминология, окружающая его, постоянно используется. Вы часто слышите, как бизнес-лидеры и СМИ используют «ИИ», «машинное обучение» (ML) и «глубокое обучение» (DL), как будто они означают то же самое. они не делают.

Чтобы понять современные технологии — и где на самом деле подходят такие инструменты, как ChatGPT, — вам нужно знать разницу.

Вот полное, удобное для начинающих руководство по пониманию ИИ, машинного обучения и глубокого обучения, как они соотносятся друг с другом и когда именно вам следует использовать каждый термин.

Исполнительный ответ: 30-секундное резюме

Если вы ищете точные определения для использования на следующей встрече, вот они:

  • Искусственный интеллект (ИИ): Широкая концепция того, как заставить компьютеры действовать «умными» и имитировать возможности решения проблем человека.
  • Машинное обучение (мл): Конкретный способ сделать ИИ, где компьютер учится на данных, чтобы улучшить свою производительность, вместо того, чтобы полагаться на рукописные правила.
  • Глубокое обучение (DL): Высокопродвинутый тип машинного обучения, в котором используются несколько уровней искусственных «нейронных сетей», которые становятся исключительно мощными при передаче огромных объемов данных.

Как соотносятся термины (визуальная архитектура)

Самый простой способ представить отношения

Самый точный способ понять, как эти технологии сочетаются друг с другом, — это изобразить их в виде набора вложенных кругов.

  1. ИИ — это внешний зонт: Он содержит все.
  2. ML — средний круг: Это подмножество, полностью расположенное внутри круга AI.
  3. DL — центральный круг: Это меньшее подмножество, полностью расположенное внутри круга машинного обучения.

Что означает ИИ (и почему люди его путают)

Что означает ИИ (и почему люди его путают)

Концепция «искусственного интеллекта» не нова. Срок был официально введен во время 1955 Дартмутский колледж исследовательского предложения 1955 г., который стремился найти, как заставить машины использовать язык, формировать абстракции и решать проблемы, зарезервированные для людей. Незадолго до этого, в 1950 году, Pioneer Computing Pioneer Алан Тьюринг proposed the “imitation game”—now famous as the Turing Test—to measure a machine’s ability to exhibit intelligent behavior.

Причина, по которой люди путаются сегодня, заключается в том, что они забывают об основных фактах: Не все ИИ учится.

ИИ, основанный на правилах, и ИИ на основе обучения

Чтобы понять ИИ, вы должны разделить его на два исторических лагеря:

  • ИИ на основе правил (старый добрый ИИ): В первые дни программисты писали тысячи строгих правил «Если Х случится, делай Y». Рассмотрим налоговый калькулятор или знаменитый шахматный компьютер Deep Blue, который победил Гарри Каспарова в 1997 году. учиться шахматы; Он оценивал миллионы запрограммированных возможностей, основанных на правилах, написанных человеком.
  • Основанный на обучении ИИ: Это современная эпоха. Вместо жесткого кодирования каждого правила инженеры подают компьютерные данные и позволяют ему выяснять сами правила. Это подводит нас к машинному обучению.

Что значит машинное обучение

Что означает машинное обучение (как работает «обучение»)

Машинное обучение (ML) изменило парадигму информатики. Вместо того, чтобы программировать компьютер для решения задачи, мы программируем компьютер на учиться для решения задачи.

Два легендарных компьютерных ученых дали нам академические определения, которые мы используем до сих пор:

  • Артур Самуил (1959): описал ML как область исследования, которая дает компьютерам возможность учиться, не будучи запрограммированным.
  • Том Митчелл (1997): Приведено инженерное определение, заявив, что компьютерная программа учится на «опыте» в отношении некоторой «задачи», если ее производительность улучшается с этим опытом.

Простой рабочий процесс ML

Как на самом деле машина учится? Обычно он следует из четырех шагов цикла:

  1. Употребление данных: Вы предоставляете исторические данные (например, 100 000 электронных писем, некоторые помеченные «спам» и некоторые помеченные «Безопасные»).
  2. Фаза обучения: Алгоритм анализирует данные, ища математические шаблоны (например, электронные письма со словом «победитель лотереи» и ссылка, как правило, являются спамом).
  3. Фаза тестирования: Вы даете модели новые, невидимые электронные письма, чтобы узнать, верны ли ее прогнозы.
  4. Вывод (использование): Обученная модель развертывается для автоматической фильтрации вашего почтового ящика в режиме реального времени.

Три основных типа машинного обучения

  • Контролируемое обучение: Алгоритм обучается на четко маркированных данных. Пример: система, обученная на фотографиях с явным обозначением «кошка» или «собака», чтобы она могла классифицировать будущие фотографии.
  • Неконтролируемое обучение: Алгоритму дают беспорядочные, немаркированные данные и просят найти скрытые структуры или группы. Пример: кластерная кластеризация клиентов с подобными покупательскими привычками, не зная точно, как назвать эти кластеры.
  • Обучение с подкреплением: Алгоритм учится чисто методом проб и ошибок в смоделированной среде, зарабатывая математическую «награду» за правильные решения. Пример: ИИ учится ходить в симуляторе физики.

Что такое глубокое обучение

Что означает глубокое обучение (что делает его «глубоким»)

Deep Learning (DL) — это передовая технология, отвечающая за масштабный бум искусственного интеллекта, через который мы сейчас переживаем.

Он построен на искусственном Нейронные сети, вычислительная архитектура, вдохновленная биологическими нейронами в человеческом мозге. Хотя ранние нейронные сети существовали десятилетиями, основополагающие исследования ученых-компьютерщиков, таких как Янн Лекун, Йошуа Бенджио и Джеффри Хинтон доказали, что складывание этих сетей в сложные слои дает необычные результаты.

Слои глубокого обучения

Что делает глубокое обучение «глубоким»? Это относится к количеству уровней обработки данных, через которые данные должны проходить:

  1. Входной слой: В систему попадают необработанные данные (пиксели изображения, звуковые волны голоса).
  2. Скрытые слои: Это раздел «Глубокий». Данные проходят через несколько плотных слоев искусственных нейронов. Каждый слой извлекает более сложные функции. Для системы распознавания лиц уровень 1 может просто искать края и тени, слой 2 ищет формы (глаза, носы), а 3-й слой идентифицирует конкретное лицо.
  3. Выходной слой: Система предоставляет свой окончательный прогноз или сгенерированное содержимое.

Чтобы исправить свои ошибки, глубокое обучение основано на сложной математической процедуре, называемой обратное распространение, который регулирует внутренние «весы» (важность) соединений после каждого догадки, чтобы модель со временем стала умнее.

Где помещаются генеративные ИИ и LLM?

Генеративные инструменты искусственного интеллекта (такие как CHATGPT, Claude или Midjourney) — это новейшая эволюция этой технологии.

  • Генеративный ИИ обычно строится на моделях глубокого обучения.
  • Крупные языковые модели (LLMS) являются конкретным типом модели глубокого обучения, обученной на терабайтах человеческого текста. Поскольку они обрабатывают язык через невероятно глубокие нейронные слои, они могут предсказывать наиболее логичное «следующее слово» в последовательности, позволяя им писать эссе, код и разговорные ответы.

Руководство по принятию решений «Использовать правильное слово»

Прекратите смешивать терминологию. Используйте этот простой фреймворк, чтобы точно знать, какое слово использовать в профессиональных настройках.

Характеристика Искусственный интеллект (ИИ) Машинное обучение (мл) Глубокое обучение (DL)
Простое определение Любая система, имитирующая человеческий интеллект. Система, которая учится на данных для улучшения своей задачи. Многоуровневая система нейронных сетей для сложных данных.
Как это устроено Может использовать жестко закодированные правила или Учитесь на данных. Использует статистические алгоритмы для поиска закономерностей. Использует массивные массивы искусственных нейронов и обратного распространения.
Требования к данным Варьируется (на основе правил ИИ не нуждается в исторических данных). Требуется умеренный объем структурированных данных. Требуются колоссальные количества необработанных, неструктурированных данных.
вычислительная мощность от низкого до умеренного. умеренный Исключительно высокий (требуется мощный графический процессор).
Лучше всего использовать для Общее решение проблем, простая автоматизация. Прогнозирование цены, движки рекомендаций, спам-фильтры. Распознавание изображений, голосовой перевод, большие языковые модели.

Золотые правила терминологии ИИ

  • Правило 1: Если система умная, но полностью полагается на человеческие правила, скажите ай.
  • Правило 2: Если система активно смотрит на исторические данные, чтобы улучшить свои прогнозы без перепрограммирования, скажите машинное обучение.
  • Правило 3: Если система использует нейронные сети для обработки массивных, сложных наборов данных, таких как человеческая речь, изображения высокого разрешения или творческое письмо, скажем, Глубокое обучение.

Часто задаваемые вопросы (FAQ)

Что такое ИИ простыми словами?

Искусственный интеллект (ИИ) — это широкая наука о создании компьютерных систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта. Это включает в себя понимание языка, распознавание закономерностей, решение проблем и принятие решений.

Машинное обучение совпадает с ИИ?

Нет, они не совсем такие. Машинное обучение – это специализированное подразделение в пределах Искусственный интеллект. В то время как все машинное обучение является формой ИИ, не все ИИ использует машинное обучение.

Все ли системы искусственного интеллекта используют машинное обучение?

Нет. Многие ранние и высоконадежные системы искусственного интеллекта «основываются на правилах». Это означает, что они полагаются на строгие, написанные человеком коды «если-то», а не обучаются независимо от данных.

Является ли глубокое обучение частью машинного обучения?

да. Глубокое обучение — это высококлассная подкатегория машинного обучения. Он конкретно относится к алгоритмам машинного обучения, которые используют несколько уровней искусственных нейронных сетей для обработки информации.

В чем разница между глубоким обучением и нейронной сетью?

Нейронная сеть — это базовая архитектура (узлы, соединенные вместе), в то время как глубокое обучение относится конкретно к нейронным сетям, которые имеют много «скрытых слоев» между входом и выходом. Все глубокое обучение использует нейронные сети, но простая однослойная нейронная сеть не считается «глубокой».

Какое место в чате занимает AI, ML и DL?

ChatGPT — это большая языковая модель (LLM) под эгидой генеративного ИИ. Технологически он построен с использованием глубокого обучения (в частности, архитектуры нейронной сети, называемой трансформатором), которая представляет собой тип машинного обучения, которое в конечном итоге подпадает под искусственный интеллект.

 

Готовы обновить свои серверы Bare Metal?

Присоединяйтесь к 36 000+ компаниям, которые выбрали хостинг без рисков.

Готовы развернуть свой VPS-сервер?

Запустите быстрый, безопасный и масштабируемый VPS-хостинг уже сегодня.
Прокрутить вверх
Серафинит - АкселераторОптимизировано Серафинит - Акселератор
Включает высокую скорость сайта, чтобы быть привлекательным для людей и поисковых систем.