В чем разница между ИИ и машинным обучением и почему это важно

Russian Hackers

Машинное обучение – это направление работы с ИИ, которое традиционно определяется как: «наука о компьютерных алгоритмах, которые автоматически улучшаются благодаря опыту». Машинка – это один из способов, с помощью которого человечество пытается создать «настоящий ИИ». Машинное обучение основывается на работе с большими наборами данных, путем изучения и сравнения данных для поиска общих паттернов и изучения нюансов.

В отличие от машинного обучения, ИИ – это цель, которая постоянно изменяется, потому что тесно связана с технологическими достижениями. Поэтому есть очень размытые грани определения чего-то как ИИ, в то время как машинное обучение – это четко определенная технология. Возможно, лет через 20 сегодняшние инновации в областии ИИ будут считаться такими же простыми, как для нас сегодня калькуляторы.

В 1959 году Артур Сэмюэл придумал термин «машинное обучение» — способность компьютера учиться без участия человека. То есть искусственный интеллект возможен без машинного обучения, но для этого понадобится миллион строк кода со сложными правилами и условиями.

ИНС состоит из искусственных нейронов, которые взаимодействуют между собой. Они расположены слоями — каждый слой реагирует на определённые признаки, например, изгибы и границы фигур при распознавании изображения. Именно из-за множества слоёв обучение называется глубоким.

Глубокое обучение начало выполнять задачи, которые невозможно было сделать с классическим программированием, основанным на строгих правилах. Области, такие как распознавание речи и лица, классификация изображений и обработка естественного языка, которые были на этапе зарождения, внезапно совершили огромные скачки в развитии. А зарплаты специалистов по машинному и глубокому обучению лишь подчеркивают, насколько эти технологии актуальны на сегодняшний день.

Метод машинного обучения из предыдущего примера называется «обучение с учителем» («supervised learning»). Алгоритмы обучения пытаются смоделировать отношения и зависимости между целевым прогнозируемым выходом и входными данными. Далее мы сможем прогнозировать выходные значения для новых данных на основе предыдущих, на которых алгоритм обучался.

Искусственный интеллект и интернет вещей неразрывно связаны

Другими словами, вместо прописывания подробных инструкций для каждой конкретной задачи используется алгоритм, который учится находить решения самостоятельно. Обрабатывая огромное количество данных в процессе машинного обучения, компьютер приспосабливается к условиям задачи и совершенствуется.

Различают сильный и слабый искусственный интеллект. Сильный обладает всеми свойствами человеческого интеллекта, упомянутыми выше. Слабый интеллект способен качественно выполнять только ограниченное количество действий. Компьютер, который распознаёт изображения, но больше ничего не умеет, — пример слабого ИИ.

Например, если предоставить программе машинного обучения много рентгеновских снимков с соответствующими симптомами, она сможет упростить или даже автоматизировать анализ рентгеновских изображений в будущем. Алгоритм будет сравнивать все эти разные изображения и находить общие шаблоны на изображениях, которые были помечены аналогичными симптомами. Кроме того, если добавить еще изображений, алгоритм будет сравнивать содержимое с установленными шаблонами, и сможет определять вероятность наличия симптомов, которые он выучил.

Мы все знакомы с термином «искусственный интеллект» (ИИ). О нём снято много фильмов — «Терминатор», «Матрица», «Из машины». Но вы, наверное, слышали и о других терминах — машинное обучение (Machine Learning) и глубокое обучение (Deep Learning). Их иногда используют как синонимы искусственного интеллекта, и в результате не видно разницы между искусственным интеллектом, машинным обучением и глубоким обучением.

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.

«Обучение без учителя» («unsupervised learning»), еще один метод машинного обучения – это семейство алгоритмов машинного обучения, которые в основном используются для поиска шаблонов и описательного моделирования («descriptive modeling»). Эти алгоритмы не имеют выходных категорий или меток данных (модель обучается с немаркированными данными).

«Обучение с подкреплением» («reinforcement learning»), третий популярный способ машинного обучения, направлен на использование наблюдений, собранных в результате взаимодействия с окружающей средой, для принятия мер, которые максимизируют выигрыш. В этом случае алгоритм обучения подкрепления (называемый агентом) непрерывно учится из своей среды на протяжении многих итераций. В конце каждой итерации в модели обновляются значения весов – вероятность лучших исходов на каждом шаге.

Все вышеперечисленное привело к возрождению шумихи вокруг искусственного интеллекта. Поэтому многие организации считают более выгодным использовать абстрактный термин «ИИ», который источает мистическую ауру, а не рассказывать более конкретно о том, какие технологии они используют. Это помогает им лучше продавать свои продукты.