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

Искусственные нейронные сети

Распознавание именованных сущностей — это метод глубокого обучения, который воспринимает фрагмент текста в качестве входных данных и преобразует его в предварительно определенный класс. Эта новая информация может быть почтовым индексом, датой или кодом продукта. Затем эти сведения можно хранить в структурированной схеме для создания списка адресов или служить эталоном для подсистемы проверки кода.

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).

Полина Кабирова, коммерческий автор и переводчик, специально для блога Нетологии перевела статью Калума Макклилланда о том, чем отличаются искусственный интеллект, машинное и глубокое обучение и как интернет вещей и искусственный интеллект влияют друг на друга.

Сверточная нейронная сеть — это особо эффективная искусственная нейронная сеть, имеющая уникальную архитектуру. Слои в ней организованы в трех измерениях: ширина, высота и глубина. Нейроны в одном слое соединяются не со всеми нейронами в следующем слое, а только с небольшой областью нейронов этого слоя. Окончательный результат сокращается до одного вектора оценки вероятности, упорядоченного по глубине в одном из измерений.

Американский информатик Джон Маккарти, впервые употребив термин «искусственный интеллект» в 1956 году, понимал под этим компьютеры, способные выполнять характерные для человеческого интеллекта задачи: планирование, понимание языка, распознавание объектов и звуков, умение обучаться и решать задачи.

В этой статье сравнивается глубокое обучение и машинное обучение, а также описывается, как эти технологии соотносятся с более широким понятием искусственного интеллекта. Узнайте о решениях для глубокого обучения, которые можно создавать с помощью Машинного обучения Azure, предназначенных для обнаружения мошенничества, распознавания речи и лиц, анализа тональности и прогнозирования временных рядов.

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.

С помощью соответствующего преобразования данных нейронная сеть может понимать текст, звук и визуальные сигналы. Машинный перевод можно использовать для распознавания фрагментов звука в больших звуковых файлах и преобразовывать устную речь или изображения в текст.

ИИ против машинного обучения

Наконец, глубокое обучение требует значительно больше данных, чем стандартные алгоритмы машинного обучения. Машинное обучение часто работает с тысячами точек данных, тогда как глубокое обучение может работать с миллионами. Из-за своей сложной многослойной структуры системы глубокого обучения нуждаются в большом наборе данных, чтобы уменьшить или устранить колебания и делать качественные интерпретации.

Благодаря структуре искусственной нейронной сети глубокое обучение прекрасно справляется с поиском закономерностей в неструктурированных данных, таких как изображения, звук, видео и текст. По этой причине глубокое обучение ведет к быстрым преобразованиям в различных отраслях, включая здравоохранение, электроэнергетику, финансы и транспорт. Эти отрасли теперь реорганизуют традиционные бизнес-процессы.

Взаимодействие между искусственным интеллектом и интернетом вещей похоже на отношение между человеческим телом и головным мозгом. Тело собирает информацию через зрение, слух, осязание. Мозг её обрабатывает и придаёт смысл — превращает свет в узнаваемые объекты, а звуки в понятную речь. Затем мозг принимает решения и подаёт телу сигнал, например, взять что-то или начать говорить.

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!

Базовые модели в Машинное обучение Azure — это предварительно обученные модели глубокого обучения, которые можно точно настроить для конкретных вариантов использования. Дополнительные сведения о моделях Foundation (предварительная версия) см. в Машинное обучение Azure и использовании базовых моделей в Машинное обучение Azure (предварительная версия).

Технология адаптируется сама и не требует вмешательства человека. Не надо нажимать на кнопки, набирать текст, искать информацию — только сообщить, что нужно. Например, узнать прогноз погоды или подготовить дом ко сну — выключить кондиционер, закрыть двери, погасить свет.

Различия между терминами

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.

Компании используют глубокое обучение для анализа текста, чтобы обнаруживать торговлю инсайдерской информацией и обеспечивать соответствие требованиям законодательства. Еще один распространенный пример — мошенничество в области страхования: машинный анализ текста часто используется для анализа больших объемов документов, чтобы распознать случаи возможного мошенничества, выдаваемые за страховой случай.

Наибольшее преимущество нейронной сети в том, что она может легко адаптироваться к изменяющимся паттернам выходных данных. Кроме того, вам не нужно корректировать её каждый раз на основе предоставляемого ввода, что может быть достигнуто с помощью контролируемого или неконтролируемого обучения.

Бесконечные споры вокруг искусственного интеллекта приводят к путанице. Существует много терминов, которые кажутся похожими, но это не так. Мы постараемся разобраться и противопоставить искусственный интеллект (ИИ или artificial intelligence, AI), машинное обучение (machine learning, ML), глубокое обучение (deep learning) и нейронные сети (neural networks), чтобы их разграничить.

С появлением смартфонов и беспроводной связи можно дёшево передавать данные в большом объёме, отправляя информацию с датчиков в облако. С облачными технологиями место для хранения данных практически неограниченно, а вычислительные мощности для их обработки — бесконечны.

Структура нейронных сетей такова, что первый набор слоев обычно содержит признаки более низкого уровня, а последний — признаки более высокого уровня, которые нас интересуют. Используя последние слои применительно к новой задаче или области рассмотрения, можно значительно сократить количество времени, данных и вычислительных ресурсов, необходимых для обучения новой модели. Например, у вас имеется модель, которая распознает легковые автомобили, можно переориентировать эту модель путем переноса обучения, чтобы начать распознавать грузовики, мотоциклы и другие виды транспортных средств.