Сравниваем искусственный интеллект, машинное обучение, глубокое обучение и нейронные сети: в чем разница

Основные выводы

Самое любопытное в нейросетях — их способность к самообучению на основе «сырых данных». Если для обычного ИИ программист обязан заготавливать подходящий формат информации, то нейросети можно «скармливать» почти что угодно: она сама будет выделять из массива бесполезных слов и изображений то, что ей нужно.

Машинное обучение — это подполе искусственного интеллекта. Глубокое обучение — это подполе машинного обучения, а нейронные сети составляют основу алгоритмов глубокого обучения. Количество слоев узлов, или глубина, нейронных сетей отличает одну нейронную сеть от алгоритма глубокого обучения, который должен иметь более трех слоев.

Следовательно, лучше рассматривать то, что делает глубокое обучение уникальным в рамках машинного обучения, вместо противопоставления глубокого обучения и машинного обучения. В широком смысле, особенности, которые делают глубокое обучение уникальным, включают структуру алгоритма нейронной сети, меньшую необходимость в человеческом вмешательстве и более обширные требования к данным. Давайте рассмотрим их по отдельности:

Во-первых, традиционные алгоритмы машинного обучения имеют относительно простую структуру, включая линейную регрессию или модель решающего дерева. В то время как модели глубокого обучения основаны на искусственной нейронной сети. Эти нейронные сети имеют много слоев и (как и человеческий мозг) сложны и переплетены через узлы (аналог нейронов человека).

Что такое интеллект? Одно из возможных определений гласит: «Интеллект — способность воспринимать информацию и сохранять ее в качестве знания для построения адаптивного поведения в среде или контексте». Таким образом, интеллект делится на следующие составляющие: сохраняемую информацию, взаимодействие с миром и то, как первое влияет на второе и наоборот. В данном определении есть еще кое-что примечательное — отсутствие понятия «сознание».

Этим процессом «глубокого обучения» мы обязаны профессору Торонтского университета Джеффри Хинтону и его нейросети AlexNet, победительнице соревнования ImageNet по распознаванию изображений. В 2012 г. ей удалось определить содержимое тысяч изображений с ошибкой в 15% — немыслимый по тем временам показатель.

ИИ и его многочисленные подполе остаются актуальными, и чем быстрее мы адаптируемся к этим изменениям, тем быстрее сможем в полной мере использовать их возможности и применить их в мире ИТ и решений для обслуживания и прогнозной аналитики. Так что, пожалуйста, больше никаких страшилок. Специалисты по данным уже выяснили, что сценарии с Скайнетом, Терминаторами и апокалипсисом Матрицы не произойдут в ближайшее время!

Все изменилось, когда в 1997 г. компьютер под названием Deep Blue одолел в шахматной битве чемпиона мира Гарри Каспарова* (*Настоящий материал (информация) произведен, распространен и (или) направлен иностранным агентом Каспаров Гарри Кимович либо касается деятельности иностранного агента Каспаров Гарри Кимович). Это пока еще не был полноценный обучаемый ИИ, компьютер просто перебирал ходы и выбирал наилучший. И все равно его победа была впечатляющей — с этого момента человек все сильнее начнет отставать от компьютеров в силе шахматного «гения».

ИИ против глубокого обучения

С чего же тогда началась история ИИ? Сама по себе идея роботов и автоматонов существовала еще во времена Древней Греции: созданная Зевсом искусственная женщина Пандора вполне попадает под определение ИИ. А вот реализовать эту идею люди впервые смогли не так уж давно — в XX в.

Что же такое нейросеть? Это ИИ, работающий по тому же принципу, что и человеческий мозг. Существуют «нейроны», хранящие и обрабатывающие информацию, существуют «синапсы», по которым информация переходит от нейрона к нейрону. Вместе они образуют нейронную сеть, в которой информация постоянно обрабатывается, видоизменяется, обучая сеть, создавая в ней новые связи или нейроны.

Другой вывод заключается в том, что важно развеять путаницу вокруг нейронных сетей и глубокого обучения, а также машинного обучения и глубокого обучения. Необходимо помнить, что глубокое обучение — это просто система нейронных сетей с более чем тремя слоями, и алгоритмы глубокого обучения фактически являются алгоритмами машинного обучения.

Как уже упоминалось, ИИ относится к машинам, которые могут имитировать когнитивные навыки человека. Нейронные сети, с другой стороны, представляют собой сеть искусственных нейронов или узлов. Они отдаленно вдохновлены биологическими нейронными сетями, которые составляют человеческий мозг.

Глубокое обучение описывает алгоритмы, которые анализируют данные с логической структурой, подобной тому, как человек делает выводы из исследования данных и проб и ошибок. Обратите внимание, что это может происходить как через контролируемое, так и через неконтролируемое обучение.

Мы уже говорили о том, что нейронные сети и глубокое обучение не являются полностью независимыми концепциями. Когда мы говорим о глубоком обучении, мы имеем в виду “глубину” слоев и узлов в нейронной сети. Таким образом, нейронная сеть, состоящая из более чем трех слоев (включая входной и выходной), считается алгоритмом глубокого обучения.

Искусственный интеллект — это способность компьютерной системы имитировать человеческие когнитивные функции, такие как обучение и решение проблем. С помощью ИИ компьютерная система использует математику и логику, чтобы имитировать рассуждения человека, учиться на новой информации и принимать решения.

Модели глубокого обучения обычно более точны, поскольку объем данных для обучения увеличивается, хотя стандартные модели машинного обучения, такие как SVM / Naive Bayes / Classified Model, перестают улучшаться после достижения точки насыщения. Модели глубокого обучения масштабируются лучше с увеличением доступной информации.