Разница между искусственным интеллектом и машинным обучением, и почему она так важна
К сожалению, некоторые высокотехнологичные компании обманывают клиентов, утверждая, что используют технологии искусственного интеллекта, и не обозначая пределы возможностей своей продукции.
Недавно был опубликован отчет, в котором говорилось о неправильном применении терминологии со стороны компаний, заявляющих об использовании искусственного интеллекта в своих продуктах и услугах. По данным Verge, 40% европейских старапов, утверждающих, что используют искусственный интеллект, на самом деле, не применяют данную технологию. В прошлом году TechTalks уже сталкивался со случаями такого неверного использования терминологии компаниями, которые сообщали об использовании машинного обучения и новейших технологий искусственного интеллекта для сбора и обработки данных тысяч пользователей с целью улучшения качества предоставляемых продуктов и услуг.
К сожалению, и широкая публика, и средства массовой информации до сих пор не до конца понимают, что такое искусственный интеллект, и что такое машинное обучение. Нередко эти термины используются как синонимы, иногда они упоминаются как параллельные разработки, а некоторые компании просто пользуются этим модным трендом для создания ажиотажа и увеличения объема продаж и прибыли.
Далее мы рассмотрим основные различия между ИИ и машинным обучением.
Так что же такое машинное обучение?
К сожалению, и широкая публика, и средства массовой информации до сих пор не до конца понимают, что такое искусственный интеллект, и что такое машинное обучение. Нередко эти термины используются как синонимы, иногда они упоминаются как параллельные разработки, а некоторые компании просто пользуются этим модным трендом для создания ажиотажа и увеличения объема продаж и прибыли.
Далее мы рассмотрим основные различия между ИИ и машинным обучением.
Так что же такое машинное обучение?
Что такое машинное обучение | Том М. Митчелл, Машинное обучение, изд-во МакГроу Хилл, 1997
Как писал и.о. декана Школы компьютерных наук университета Карнеги-Меллона, профессор и бывший руководитель факультета Машинного обучения университета Карнеги-Меллона, Том М. Митчелл:
Точнее всего научную область определяет центральный вопрос, который она изучает. Направление машинного обучения старается ответить на следующий вопрос:
"Как создать компьютерную систему, которая могла бы автоматически совершенствоваться по мере получения опыта, и на каких фундаментальных законах основан любой процесс обучения?"
"Как создать компьютерную систему, которая могла бы автоматически совершенствоваться по мере получения опыта, и на каких фундаментальных законах основан любой процесс обучения?"
Машинное обучение – отрасль искусственного интеллекта. Специалист в области компьютерных технологий и родоначальник машинного обучения Том М. Митчелл так определяет эту отрасль: "Машинное обучение – это изучение компьютерных алгоритмов, которые позволяют компьютерным программам автоматически развиваться на основе полученного опыта". Машинное обучение – это один из способов, с помощью которого мы надеемся создать ИИ. Машинное обучение основано на работе с наборами данных разных размеров, их изучении и сравнении в поисках общих принципов и для исследования нюансов.
Например, если загрузить в модель машинного обучения огромное количество понравившихся вам песен и соответствующую статистику (танцевальность, набор инструментов, темп или жанр), то система сможет обработать (в зависимости от используемой модели машинного обучения) и сгенерировать индивидуальную систему, которая в будущем будет использоваться, чтобы предлагать вам музыку, которая (с большой долей вероятности) вам понравится – как делают Netflix, Spotify и другие компании.
Еще один простой пример – если вы загрузите в программу машинного обучения достаточно большой объем рентгеновских снимков с описанием (симптомы, объекты особого внимания и т.д.), позже эта система сможет оказывать помощь в процессе анализа таких снимков (а может, и полностью автоматизировать его). Модель машинного обучения изучит каждый снимок в разрозненном наборе данный, найдет на этих изображениях общие принципы, сопровождаемые сопоставимыми показателями.
Более того, (при условии, что мы используем качественный алгоритм машинного обучения для анализа изображений) когда вы загружаете в модель новые снимки, она сравнит их параметры с ранее собранными примерами и покажет, какова вероятность, что на новых снимках будут наблюдаться те же показатели, что и ранее проанализированные.
Например, если загрузить в модель машинного обучения огромное количество понравившихся вам песен и соответствующую статистику (танцевальность, набор инструментов, темп или жанр), то система сможет обработать (в зависимости от используемой модели машинного обучения) и сгенерировать индивидуальную систему, которая в будущем будет использоваться, чтобы предлагать вам музыку, которая (с большой долей вероятности) вам понравится – как делают Netflix, Spotify и другие компании.
Еще один простой пример – если вы загрузите в программу машинного обучения достаточно большой объем рентгеновских снимков с описанием (симптомы, объекты особого внимания и т.д.), позже эта система сможет оказывать помощь в процессе анализа таких снимков (а может, и полностью автоматизировать его). Модель машинного обучения изучит каждый снимок в разрозненном наборе данный, найдет на этих изображениях общие принципы, сопровождаемые сопоставимыми показателями.
Более того, (при условии, что мы используем качественный алгоритм машинного обучения для анализа изображений) когда вы загружаете в модель новые снимки, она сравнит их параметры с ранее собранными примерами и покажет, какова вероятность, что на новых снимках будут наблюдаться те же показатели, что и ранее проанализированные.
Контролируемое обучение (Классификация/Регрессия) | Неконтролируемое обучение (Кластеризация) | Источник: WesternDigital
В предыдущем примере мы рассмотрели тип машинного обучения, который называется "контролируемое обучение", в рамках которого на основании контролируемых алгоритмов обучения моделируется взаимосвязь и зависимость между целевым прогнозом и входными параметрами, чтобы мы могли предсказать получаемые показатели новых данных на основании связей, которые модель установила на основании ранее загруженных массивов данных .
Еще один тип машинного обучения – неконтролируемое – семейство алгоритмов, которые в основном используются для выявления общих принципов и создания описательных моделей. В таких алгоритмах нет результирующих категорий или пометок на данных (эти модели обучаются на непомеченных данных).
Еще один тип машинного обучения – неконтролируемое – семейство алгоритмов, которые в основном используются для выявления общих принципов и создания описательных моделей. В таких алгоритмах нет результирующих категорий или пометок на данных (эти модели обучаются на непомеченных данных).
Обучение с подкреплением | Источник: типы алгоритмов машинного обучения, которые вам необходимо знать, автор Давид Фумо
Целью обучения с подкреплением, третьего популярного типа машинного обучения, является использование наблюдений, собранных в ходе взаимодействия со средой, для выполнения действий, максимизирующих вознаграждение или минимизирующих риски.
В таком случае, алгоритм обучения с подкреплением (который называется агентом) постоянно обучается в ходе неоднократного взаимодействия со средой. Отличным примером обучения с подкреплением являются компьютеры, которые достигают сверхчеловеческих возможностей и побеждающие людей в компьютерных играх.
Машинное обучение поражает воображение; особенно, в смежных областях передовых технологий, включая технологии глубокого обучения и различные типы нейронных сетей. В любом случае, это просто волшебство (теория вычислительного обучения), независимо от того, что общество иногда имеет возможность наблюдать работу этой модели изнутри. На самом деле, хотя некоторые пытаются сравнивать технологии глубокого обучения и нейронные сети с работой человеческого мозга, между ними существуют существенные различия.
Что такое искусственный интеллект (ИИ)?
В таком случае, алгоритм обучения с подкреплением (который называется агентом) постоянно обучается в ходе неоднократного взаимодействия со средой. Отличным примером обучения с подкреплением являются компьютеры, которые достигают сверхчеловеческих возможностей и побеждающие людей в компьютерных играх.
Машинное обучение поражает воображение; особенно, в смежных областях передовых технологий, включая технологии глубокого обучения и различные типы нейронных сетей. В любом случае, это просто волшебство (теория вычислительного обучения), независимо от того, что общество иногда имеет возможность наблюдать работу этой модели изнутри. На самом деле, хотя некоторые пытаются сравнивать технологии глубокого обучения и нейронные сети с работой человеческого мозга, между ними существуют существенные различия.
Что такое искусственный интеллект (ИИ)?
Технологии ИИ, объясненные профессором и деканом Школы компьютерных наук университета Карнеги-Меллона Эндрю Муром | Youtube.
С другой стороны, искусственный интеллект - чрезвычайно широкое понятие. Эндрю Мур, бывший декан Школы компьютерных наук университета Карнеги-Меллона, определяет искусственный интеллект как "Науку и технологию изготовления компьютеров, которые могут выполнять операции, до недавнего времени считавшиеся прерогативой человеческого интеллекта".
Это прекрасное определение ИИ в одном предложении. Однако это лишь подтверждает, насколько это широкая и абстрактная область. Пятьдесят лет назад считалось, что программа, играющая в шахматы, - форма ИИ, ведь теория игр и игровая стратегия считались способностями, присущими только человеческому разуму. Сегодня шахматные программы воспринимаются как скучные и устаревшие, ведь их можно найти в программном обеспечении практически каждого компьютера. Поэтому понятие «до недавнего времени» является весьма относительным.
Доцент и исследователь университета Карнеги-Меллона Захари Липтон на Approximately Correct определяет термин ИИ как «вдохновляющая, динамичная цель, основанная на способностях, которыми обладают люди, но не машины». Также ИИ охватывает значительное количество передовых технологий, которыми мы уже овладели. Машинное обучение – лишь одна из них. Предыдущие работы на тему ИИ использовали различные техники. Например, Deep Blue – ИИ, который в 1997 году победил чемпиона мира по шахматам, для оценки каждого хода использовал метод, который называется алгоритмом древовидного поиска.
Это прекрасное определение ИИ в одном предложении. Однако это лишь подтверждает, насколько это широкая и абстрактная область. Пятьдесят лет назад считалось, что программа, играющая в шахматы, - форма ИИ, ведь теория игр и игровая стратегия считались способностями, присущими только человеческому разуму. Сегодня шахматные программы воспринимаются как скучные и устаревшие, ведь их можно найти в программном обеспечении практически каждого компьютера. Поэтому понятие «до недавнего времени» является весьма относительным.
Доцент и исследователь университета Карнеги-Меллона Захари Липтон на Approximately Correct определяет термин ИИ как «вдохновляющая, динамичная цель, основанная на способностях, которыми обладают люди, но не машины». Также ИИ охватывает значительное количество передовых технологий, которыми мы уже овладели. Машинное обучение – лишь одна из них. Предыдущие работы на тему ИИ использовали различные техники. Например, Deep Blue – ИИ, который в 1997 году победил чемпиона мира по шахматам, для оценки каждого хода использовал метод, который называется алгоритмом древовидного поиска.
Пример решения задачи о восьми ферзях с использованием поиска в глубину | Введение в искусственный интеллект | how2Example
Как мы знаем, сегодня воплощением ИИ являются устройства, обеспечивающие взаимодействие между ИИ и человеком, такие как Google Home, Siri и Alexa, а также системы видео прогнозирования на основе машинного обучения, которыми пользуются Netflix, Amazon и YouTube. Эти технологические новинки все плотнее входят в нашу повседневную жизнь. Фактически, это умные помощники, которые улучшают наши человеческие и профессиональные способности – что все больше повышает нашу производительность.
В отличие от машинного обучения, ИИ – цель динамическая, и его определение меняется по мере того, как технологический прогресс заходит все дальше и дальше. Возможно, через несколько десятилетий сегодняшние достижения ИИ будут считаться такими же скучными, как и телефоны-раскладушки для сегодняшнего пользователя.
Почему компании подменяют понятия ИИ и МО?
В отличие от машинного обучения, ИИ – цель динамическая, и его определение меняется по мере того, как технологический прогресс заходит все дальше и дальше. Возможно, через несколько десятилетий сегодняшние достижения ИИ будут считаться такими же скучными, как и телефоны-раскладушки для сегодняшнего пользователя.
Почему компании подменяют понятия ИИ и МО?
"… мы хотим создать машину, которая могла бы обучаться на основании полученного опыта". – Алан Тернинг
Термин "искусственный интеллект" был изобретен в 1956 году группой ученый, включая Аллена Ньювелла и Герберта А. Саймона. С тех пор отрасль ИИ претерпела множество изменений. В первые десятилетия развития эта сфера вызывала нешуточный ажиотаж, и многие ученые считали, что создание ИИ равного человеку уже не за горами. Однако невыполненные обещание привели к тому, что общество разочаровалось в этой сфере и последующему застою в исследованиях, когда финансирование и интерес к разработкам значительно снизились.
После этого компании попытались дистанцироваться от понятия ИИ, которое стало синонимом ничем не подкрепленной шумихи, и стали пользоваться другими терминами для описания своей деятельности. Например, компания IBM назвала Deep Blue суперкомпьютером и ясно дала понять, что он не использует искусственный интеллект, хотя это не соответствовало действительности.
В этот период зародились и приобрели популярность многие другие понятия, среди которых супермассив данных, предиктивная аналитика и машинное обучение. В 2012 году машинное обучение, глубинное обучение и нейронные сети достигли значительного прогресса и стали использоваться в значительном количестве областей. Неожиданно в рекламе своих продуктов компании начали использовать понятия "машинное обучение" и "глубинное обучение".
Технология глубинного обучения позволяла выполнять задачи, которые оставались недоступны классическому продукционному программированию. Области, находящиеся на ранних стадиях своего развития, такие как распознавание лиц и речи, классификация изображений и обработка с использованием естественного языка, неожиданно совершили огромный прорыв, и в марте 2019 года три из наиболее известных исследователей глубинного обучения получили премию Тьюринга за разработку нейронных сетей, которые стали основным компонентом развития современных компьютерных технологий.
Таким образом, сегодня мы наблюдаем смещение акцента обратно к ИИ. Тем, кто привык к ограничениям старого программного обеспечения, возможности глубинного обучения кажутся практически волшебством, особенно с тех пор, как нейронные сети и глубинное обучение вышли далеко за пределы сферы компьютерных технологий. Специалисты в области машинного и глубинного обучения получают баснословные деньги, даже работая в некоммерческих организациях, что свидетельствует о востребованности сферы.
После этого компании попытались дистанцироваться от понятия ИИ, которое стало синонимом ничем не подкрепленной шумихи, и стали пользоваться другими терминами для описания своей деятельности. Например, компания IBM назвала Deep Blue суперкомпьютером и ясно дала понять, что он не использует искусственный интеллект, хотя это не соответствовало действительности.
В этот период зародились и приобрели популярность многие другие понятия, среди которых супермассив данных, предиктивная аналитика и машинное обучение. В 2012 году машинное обучение, глубинное обучение и нейронные сети достигли значительного прогресса и стали использоваться в значительном количестве областей. Неожиданно в рекламе своих продуктов компании начали использовать понятия "машинное обучение" и "глубинное обучение".
Технология глубинного обучения позволяла выполнять задачи, которые оставались недоступны классическому продукционному программированию. Области, находящиеся на ранних стадиях своего развития, такие как распознавание лиц и речи, классификация изображений и обработка с использованием естественного языка, неожиданно совершили огромный прорыв, и в марте 2019 года три из наиболее известных исследователей глубинного обучения получили премию Тьюринга за разработку нейронных сетей, которые стали основным компонентом развития современных компьютерных технологий.
Таким образом, сегодня мы наблюдаем смещение акцента обратно к ИИ. Тем, кто привык к ограничениям старого программного обеспечения, возможности глубинного обучения кажутся практически волшебством, особенно с тех пор, как нейронные сети и глубинное обучение вышли далеко за пределы сферы компьютерных технологий. Специалисты в области машинного и глубинного обучения получают баснословные деньги, даже работая в некоммерческих организациях, что свидетельствует о востребованности сферы.
Источник: Twitter | Улучшенные языковые модели GPT-2 и их сущность, Open AI
К сожалению, нередко средства массовой информации рассказывают об этих разработках без должной подготовки, а статьи об ИИ сопровождаются изображениями хрустальных шаров и других паранормальных объектов. Такой обман играет на руку компаниям, которые раздувают ажиотаж вокруг своих продуктов. Однако в дальнейшей работе они не могут выполнить свои обещания и вынуждены компенсировать недостатки своего так называемого ИИ, нанимая дополнительных специалистов-людей. В конце концов, это может привести к новому разочарованию в ИИ и спровоцировать еще один застой в развитии отрасли только ради достижения краткосрочной выгоды.
Спасибо за прочтение!
Спасибо за прочтение!
Автор: Roberto Iriondo Оригинал статьи на Medium.com
Повысьте эффективность вашего бизнеса
Заполните форму и мы расскажем как искусственный интеллект поможет вашему бизнесу
Нажимая "Отправить", вы соглашаетесь на обработку персональных данных
