Искусственный интеллект (AI), машинное обучение и глубокое обучение: в чём разница

Deep learning: глубокое обучение для разных целей

Обучение происходит на основе размеченных данных, где каждый пример имеет правильный ответ. Этот тип обучения используется для задач классификации объектов на основе определенных характеристик, предсказания численных значений и прогнозирования будущих событий, например, определение, является ли электронное письмо спамом или нет, предсказание цены на недвижимость.

Чтобы обучить нейросеть, нужны гигантские наборы тщательно отобранных данных. Например, для распознавания сортов огурцов нужно обработать 1,5 млн разных фотографий. Не получится просто слить рандомные картинки или текст из интернета — их нужно подготовить: привести к одному формату и удалить то, что точно не подходит (например, мы классифицируем пиццу, а в наборе данных у нас фото грузовика). На разметку данных — подготовку и систематизацию — уходят тысячи человеко-часов.

Искусственный интеллект – это область информатики и инженерии, которая занимается созданием программ и систем, способных выполнять задачи, требующие человеческого мышления. Например, распознавать изображения, анализировать данные, диагностировать заболевания, принимать решения, делать прогнозы и другое.

Машинное обучение – это раздел искусственного интеллекта, который отвечает за решение задач с помощью анализа и интерпретации данных, без программирования. Это метод обучения компьютеров позволяет программам обучаться на определенном наборе информации, запоминать ее и самостоятельно делать достоверные выводы. Компьютерная программа, которая использует машинное обучение, обрабатывает данные, извлекает из них общие закономерности и правила, которые используются для решения новых задач. Это позволяет создавать более гибкие и адаптивные системы, которые могут легко приспосабливаться к изменяющимся условиям и требованиям.

Кроме того, ИИ — это наука на стыке математики, биологии, психологии, кибернетики и ещё кучи всего. Она изучает технологии, которые позволяют человеку писать «интеллектуальные» программы и учить компьютеры решать задачи самостоятельно. Главная задача ИИ — понять, как устроен человеческий интеллект, и смоделировать его.

Нейронные сети, используемые в глубоком обучении, могут содержать до нескольких тысяч слоев, что позволяет изучать сложные структуры данных. Каждый слой нейронов в нейронной сети вычисляет свою функцию, преобразуя входные данные для передачи на следующий слой. Глубокое обучение позволяет создавать модели, которые могут быстро распознавать объекты на изображениях, работать с текстом и аудиофайлами, а также прогнозировать будущие события.

Во вселенной Detroit роботы способны учиться, мыслить, чувствовать, осознавать себя и принимать решения. Одним словом, становятся похожи на человека. А в обычной жизни ближе всего к General AI чат-боты и виртуальные ассистенты, которые имитируют человеческое общение. Здесь ключевое слово — имитируют. Siri или Алиса не думают — и неспособны принимать решения в ситуациях, которым их не обучили. Сильный искусственный интеллект пока остаётся мечтой.

История развития искусственного интеллекта началась еще в 1940-х годах, когда в научном сообществе появилась идея создания компьютеров, способных моделировать человеческое мышление. В 1950-60-х годах исследователи начали разработку машинного обучения, попробовали применить системы и методы, использующие логическое программирование для решения таких задач как игра в шахматы, распознавание речи. К концу 1960-х годов развитие искусственного интеллекта замедлилось из-за ограниченности вычислительной мощности компьютеров.

Глубокое обучение (Deep learning)

Основным преимуществом глубокого обучения является способность автоматически извлекать признаки из данных, что позволяет создавать более точные модели. Кроме того, глубокое обучение позволяет работать с большими объемами данных и обучать модели на многих ядрах процессора или графических процессорах (GPU), что ускоряет процесс обучения.

Несколько лет назад развитие искусственного интеллекта (ИИ) вышло на совершенно новый уровень. Искать применение ИИ в своей работе стали компании практически во всех сферах деятельности. Расскажем простыми словами что такое искусственный интеллект и в каких отраслях его можно использовать.

Машинное обучение (англ. machine learning) — это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо. Вместо того чтобы кодировать набор команд вручную, машину обучают и дают ей возможность научиться выполнять поставленную задачу самостоятельно.

Есть байесовские алгоритмы. В их основе применение теоремы Байеса и теории вероятности. Эти алгоритмы используют для работы с текстовыми документами — например, для спам-фильтрации. Программе нужно дать наборы данных по категориям «спам» и «не спам». Дальше алгоритм будет самостоятельно оценивать вероятность того, что слова «Бесплатные туры для пенсионеров» и «Закажи маме тур, пожалуйста» относятся к той или иной категории.

Мы пользуемся Google-картами, позволяем сайтам подбирать для нас интересные фильмы и советовать, что купить. И, в общем-то, слышали, что под капотом всех этих умных вещей — искусственный интеллект, машинное обучение и deep learning. Но сможете ли вы с ходу отличить одно от другого? Разбираемся на примерах.

Слабый интеллект — тот, что нам уже удалось создать. Такой ИИ способен решать определённую задачу. Зачастую даже лучше, чем человек. Например, как Deep Blue — компьютерная программа, которая обыграла Гарри Каспарова в шахматы ещё в 1996 году. Но такая Deep Blue не умеет делать ничего другого и никогда этому не научится. Слабый ИИ используют в медицине, логистике, банковском деле, бизнесе:

В машинном обучении много разных алгоритмов. Один из самых простых — линейная регрессия. Её применяют, если есть линейная зависимость между переменными. Пример: чем больше сумма заказа, тем больше вы оставите чаевых. По имеющимся данным можно предсказать сумму чаевых в будущем. В общем-то, простая математика.

По сути, скрытые слои выполняют какую-то математическую функцию. Мы её не задаём, программа сама учится выводить результат. Можно научить нейросеть классифицировать изображения или находить на изображении нужный объект. Помните, как reCAPTCHA просит найти все изображения грузовиков или светофоров, чтобы доказать, что вы не робот? Нейронная сеть выполняет то же самое, что и наш мозг, — видит знакомые элементы и понимает: «О, кажется, это грузовик!»