Wprowadzenie
W ostatnich latach pojęcia sztucznej inteligencji i uczenia maszynowego często pojawiały się w wiadomościach technicznych i na stronach internetowych. Oba są często używane jako synonimy, ale wielu ekspertów twierdzi, że mają subtelne, ale rzeczywiste różnice.
I oczywiście czasami eksperci nie zgadzają się co do tych różnic.
Zasadniczo jednak dwie rzeczy wydają się jasne: po pierwsze, pojęcie sztucznej inteligencji (AI) jest starsze niż pojęcie uczenia maszynowego (ML), a po drugie, większość ludzi postrzega uczenie maszynowe jako podzbiór sztucznej inteligencji.
Sztuczna inteligencja vs. uczenie maszynowe
Chociaż sztuczna inteligencja jest definiowana na wiele sposobów, najczęstszą definicją „obszar informatyki poświęcony rozwiązywaniu problemów poznawczych powszechnie kojarzonych z ludzką inteligencją, takich jak uczenie się, rozwiązywanie problemów i rozpoznawanie wzorców”, jest zasadniczo pojęciem, że maszyny Będąc w stanie mieć inteligencję.
Sercem systemu sztucznej inteligencji jest jego model. Model jest niczym więcej niż programem, który poprawia swoją wiedzę poprzez proces uczenia się poprzez obserwację otoczenia. Ten typ modelu opartego na uczeniu się jest podsumowany w ramach nauki nadzorowanej. Istnieją inne modele, które należą do kategorii modeli uczenia bez nadzoru.
Termin „uczenie maszynowe” pochodzi również z połowy ubiegłego wieku. W 1959 r. Arthur Samuel definiuje ML jako „umiejętność uczenia się bez wyraźnego programowania”. I opracował aplikację do testowania komputerów, która była jednym z pierwszych programów, które mogły uczyć się na własnych błędach i z czasem poprawiać swoją wydajność.
Podobnie jak badania AI, ML na długo wyszedł z mody, ale znów stał się popularny, gdy koncepcja eksploracji danych rozpoczęła się około lat 90. Eksploracja danych wykorzystuje algorytmy do wyszukiwania wzorców w określonym zestawie informacji. ML robi to samo, ale idzie o krok dalej – zmienia zachowanie swojego programu w oparciu o to, czego się uczy.
Jedną z aplikacji ML, która stała się ostatnio bardzo popularna, jest rozpoznawanie obrazów. Aplikacje te należy najpierw przeszkolić – innymi słowy, ludzie muszą spojrzeć na serię zdjęć i powiedzieć systemowi, co mają zobaczyć na obrazie. Po tysiącach powtórzeń oprogramowanie uczy się, jakie wzorce pikseli są ogólnie kojarzone z końmi, psami, kotami, kwiatami, drzewami, domami itp., I może rozsądnie odgadnąć zawartość obrazów.
Wiele firm internetowych używa również ML do uruchamiania swoich mechanizmów rekomendacji. Na przykład, gdy Facebook decyduje, co pokazać w swoim kanale wiadomości, kiedy Amazon wyróżnia produkty, które możesz chcieć kupić, a gdy Netflix sugeruje filmy, które możesz chcieć obejrzeć, wszystkie te rekomendacje są oparte na przewidywaniach opartych na wzorcach w istniejących Wynik danych
Granice sztucznej inteligencji i uczenia maszynowego: głębokie uczenie się, sieci neuronowe i przetwarzanie poznawcze
Oczywiście „ML” i „AI” nie są jedynymi terminami związanymi z tą dziedziną informatyki. IBM często używa terminu „przetwarzanie poznawcze”, które jest mniej więcej równoznaczne z AI.
Jednak niektóre inne terminy mają bardzo jasne znaczenie. Na przykład sztuczna sieć neuronowa lub sieć to system zaprojektowany do przetwarzania informacji w sposób podobny do działania mózgu biologicznego. Sprawy mogą być mylące, ponieważ sieci neuronowe są szczególnie dobre w uczeniu maszynowym, więc czasami te dwa terminy łączą się.
Ponadto sieci neuronowe stanowią podstawę głębokiego uczenia się, specjalnego rodzaju uczenia maszynowego. Głębokie uczenie się wykorzystuje wiele algorytmów uczenia maszynowego, które są wykonywane na kilku poziomach. Jest to częściowo możliwe dzięki systemom wykorzystującym procesory graficzne do przetwarzania dużej ilości danych w tym samym czasie.
Jeśli jesteś zdezorientowany tymi wszystkimi różnymi warunkami, nie jesteś sam. Informatycy nadal dyskutują o ich dokładnych definicjach i prawdopodobnie będą to robić jeszcze przez jakiś czas. A ponieważ firmy będą nadal inwestować pieniądze w badania nad sztuczną inteligencją i uczeniem maszynowym, prawdopodobnie pojawi się jeszcze kilka terminów, które jeszcze bardziej skomplikują problemy.
[ff id=”4″]