Uczenie maszynowe (ML) a sztuczna inteligencja (AI) — kluczowe… — w kierunku sztucznej inteligencji

Uwaga: Poniższy artykuł pomoże Ci w: Uczenie maszynowe (ML) a sztuczna inteligencja (AI) — kluczowe… — w kierunku sztucznej inteligencji

Niestety, niektóre organizacje technologiczne oszukują klientów, ogłaszając, że używają uczenia maszynowego (ML) i sztucznej inteligencji (AI) w swoich technologiach, nie mówiąc jasno o ograniczeniach swoich produktów.

Niedawno opublikowano raport dotyczący nadużyć firm twierdzących, że używają sztucznej inteligencji [29] [30] na ich produktach i usługach. Według Krawędź [29], 40% europejskich startupów, które twierdzą, że używają sztucznej inteligencji, nie korzysta z tej technologii. Ostatni rok, TechTalksnatknęli się również na takie nadużycia ze strony firm, które twierdzą, że wykorzystują uczenie maszynowe i zaawansowaną sztuczną inteligencję do gromadzenia i analizowania tysięcy danych użytkowników w celu poprawy komfortu korzystania z ich produktów i usług [2] [33].

Niestety, wśród opinii publicznej i mediów nadal panuje wiele niejasności co do tego, czym naprawdę jest sztuczna inteligencja [44] i czym dokładnie jest uczenie maszynowe [18]. Często terminy te są używane jako synonimy. W innych przypadkach są one wykorzystywane jako dyskretne, równoległe postępy, podczas gdy inne wykorzystują trend do tworzenia szumu i ekscytacji w celu zwiększenia sprzedaży i przychodów [2] [31] [32] [45].

? Sprawdź nasze rekomendacje redakcyjne dotyczące najlepszych książek o uczeniu maszynowym. ?

Poniżej przedstawiamy kilka głównych różnic między sztuczną inteligencją a uczeniem maszynowym.

Co to jest uczenie maszynowe?

Co to jest uczenie maszynowe | Tom M. Mitchell, Uczenie maszynowe, McGraw Hill, 1997 [18]

Cytując tymczasowego dziekana Wydziału Informatyki CMU, profesora i byłego przewodniczącego Wydziału Uczenia Maszynowego na Uniwersytecie Carnegie Mellon, Toma M. Mitchella:

Dziedzinę naukową najlepiej definiuje główne pytanie, które bada. Dziedzina Machine Learning stara się odpowiedzieć na pytanie:

„Jak możemy budować systemy komputerowe, które automatycznie ulepszają się wraz z doświadczeniem i co
są podstawowymi prawami rządzącymi wszystkimi procesami uczenia się? [1]”

Uczenie maszynowe (ML) to gałąź sztucznej inteligencji zdefiniowana przez informatyka i pioniera uczenia maszynowego [19] Tom M. Mitchell: „Uczenie maszynowe to badanie algorytmów komputerowych, które umożliwiają programom komputerowym automatyczne ulepszanie poprzez doświadczenie.”[18]— ML to jeden ze sposobów, w jaki spodziewamy się osiągnąć AI. Uczenie maszynowe polega na pracy z małymi i dużymi zbiorami danych poprzez badanie i porównywanie danych w celu znalezienia wspólnych wzorców i zbadania niuansów.

Na przykład, jeśli dostarczysz model uczenia maszynowego z wieloma utworami, które lubisz, wraz z odpowiadającymi im statystykami audio (umiejętności taneczne, instrumentalne, tempo lub gatunek). Następnie powinien móc zautomatyzować (w zależności od zastosowanego nadzorowanego modelu uczenia maszynowego) i wygenerować system rekomendacji [43] aby zaproponować Ci w przyszłości muzykę, która (z wysokim procentem prawdopodobieństwa) Ci się spodoba, podobnie jak robią to Netflix, Spotify i inne firmy [20] [21] [22].

W prostym przykładzie, jeśli załadujesz program uczenia maszynowego ze znacznym dużym zbiorem danych zdjęć rentgenowskich wraz z ich opisem (objawy, elementy do rozważenia i inne), powinien on mieć zdolność wspomagania (a może automatyzacji) późniejsza analiza danych zdjęć rentgenowskich. Model uczenia maszynowego analizuje każdy obraz w zróżnicowanym zbiorze danych i znajduje wspólne wzorce znalezione na obrazach z etykietami o porównywalnych wskazaniach. Ponadto (zakładając, że używamy akceptowalnego algorytmu ML dla obrazów), gdy ładujesz model nowymi zdjęciami, porównuje on swoje parametry z przykładami, które zebrał wcześniej, aby ujawnić, na ile prawdopodobne jest, że zdjęcia zawierają którekolwiek ze wskazań, które wcześniej analizował .

Uczenie nadzorowane (klasyfikacja/regresja) | Uczenie się bez nadzoru (grupowanie) | Kredyty: Western Digital [13]

Typ uczenia maszynowego z naszego poprzedniego przykładu, zwany „Nadzorowana nauka”, gdzie algorytmy uczenia nadzorowanego próbują modelować relacje i zależności między docelowymi wynikami predykcji a cechami wejściowymi, tak abyśmy mogli przewidzieć wartości wyjściowe dla nowych danych na podstawie tych relacji, których nauczył się z poprzednich zestawów danych [15] karmiony.

Uczenie się bez nadzoru, inny rodzaj uczenia maszynowego, to rodzina algorytmów uczenia maszynowego, które mają główne zastosowania w wykrywaniu wzorców i modelowaniu opisowym. Te algorytmy nie mają kategorii danych wyjściowych ani etykiet na danych (model pociągi z danymi bez etykiet).

Uczenie się ze wzmocnieniem | Kredyty: Rodzaje algorytmów ML, które powinieneś znać David Fumo [3]

Uczenie się ze wzmocnieniem, trzeci popularny rodzaj uczenia maszynowego, ma na celu wykorzystanie obserwacji zebranych podczas interakcji z otoczeniem do podjęcia działań, które zmaksymalizują nagrodę lub zminimalizują ryzyko. W tym przypadku algorytm uczenia się przez wzmacnianie (zwany agentem) stale uczy się ze swojego otoczenia za pomocą iteracji. Świetnym przykładem uczenia się przez wzmacnianie jest to, że komputery osiągają stan nadludzki i pokonują ludzi w grach komputerowych [3].

Uczenie maszynowe może być olśniewające, szczególnie jego zaawansowane podgałęzie, czyli uczenie głębokie i różne rodzaje sieci neuronowych. W każdym razie jest to „magia” (teoria obliczeniowego uczenia się) [16], niezależnie od tego, czy opinia publiczna ma czasami problemy z obserwowaniem jej wewnętrznych działań. Podczas gdy niektórzy mają tendencję do porównywania głębokiego uczenia się i sieci neuronowych do sposobu działania ludzkiego mózgu, istnieją między nimi zasadnicze różnice [2] [4] [46].

Czym jest sztuczna inteligencja (AI)?

Stos sztucznej inteligencji, wyjaśniony przez profesora i dziekana, School of Computer Science, Carnegie Mellon University, Andrew Moore | youtube [14]

Z drugiej strony sztuczna inteligencja ma szeroki zakres. Według Andrew Moore’a [6] [36] [47]były dziekan Wyższej Szkoły Informatyki przy ul Carnegie Mellon University„Sztuczna inteligencja to nauka i inżynieria, dzięki którym komputery zachowują się w sposób, który do niedawna uważaliśmy za wymagany od człowieka”.

To świetny sposób na zdefiniowanie sztucznej inteligencji w jednym zdaniu; jednak nadal pokazuje, jak szerokie i niejasne jest to pole. Pięćdziesiąt lat temu program do gry w szachy był uważany za formę sztucznej inteligencji [34] ponieważ teoria gier i strategie gier były zdolnościami, które mógł wykonać tylko ludzki mózg. W dzisiejszych czasach gra w szachy jest nudna i przestarzała, ponieważ jest częścią systemu operacyjnego prawie każdego komputera [35]; dlatego „do niedawna” to coś, co postępuje z czasem [36].

Adiunkt i pracownik naukowy na CMU Zachary Lipton wyjaśnia w przybliżeniu poprawnie [7], termin AI „jest aspiracją, ruchomym celem opartym na tych zdolnościach, które posiadają ludzie, ale których nie mają maszyny”. Sztuczna inteligencja obejmuje również znaczną miarę postępu technologicznego, który znamy. Uczenie maszynowe to tylko jeden z nich. Wcześniejsze prace AI wykorzystywały różne techniki. Na przykład Deep Blue, sztuczna inteligencja, która pokonała mistrza świata w szachach w 1997 roku, zastosowała metodę zwaną algorytmami wyszukiwania drzew [8] oceniać miliony ruchów na każdym kroku [2] [37] [52] [53].

Przykład rozwiązania zagadki Osiem Królowych przy użyciu Głębokiego Przeszukiwania | Wprowadzenie do sztucznej inteligencji |. how2Przykłady

Jak wiemy, sztuczna inteligencja jest symbolizowana przez gadżety do interakcji między człowiekiem a sztuczną inteligencją, takie jak Google Home, Siri i Alexa, oraz oparte na uczeniu maszynowym systemy przewidywania wideo, które napędzają serwisy Netflix, Amazon i YouTube. Te postępy technologiczne stopniowo stają się niezbędne w naszym codziennym życiu. To inteligentni asystenci, którzy zwiększają nasze umiejętności jako ludzi i profesjonalistów, czyniąc nas bardziej produktywnymi.

W przeciwieństwie do uczenia maszynowego, AI jest ruchomym celem [51]a jego definicja zmienia się w miarę dalszego rozwoju związanego z nim postępu technologicznego [7]. Być może w ciągu kilku dekad dzisiejsze innowacyjne postępy w zakresie sztucznej inteligencji powinny być uważane za tak samo nudne, jak telefony z klapką.

Dlaczego firmy technologiczne używają zamiennie sztucznej inteligencji i uczenia maszynowego?

„… to, czego chcemy, to maszyna, która może uczyć się na podstawie doświadczenia”. ~Alana Turinga

Termin „sztuczna inteligencja” został wprowadzony w 1956 roku przez grupę badaczy, w tym Allena Newella i Herberta A. Simona [9]. Od tego czasu branża sztucznej inteligencji przeszła wiele wahań. We wczesnych dziesięcioleciach branża była bardzo szumna i wielu naukowców zgadzało się, że sztuczna inteligencja na poziomie człowieka jest tuż za rogiem. Jednak niedostarczone twierdzenia wywołały ogólne rozczarowanie branży i opinii publicznej i doprowadziły do ​​zimy AI, okresu, w którym finansowanie i zainteresowanie tą dziedziną znacznie spadły [2] [38] [39] [48].

Następnie organizacje próbowały oddzielić się od terminu AI, który stał się synonimem bezpodstawnego szumu i używały różnych nazw w odniesieniu do swojej pracy. Na przykład IBM opisał Deep Blue jako superkomputer i wyraźnie stwierdził, że nie wykorzystuje sztucznej inteligencji [10]podczas gdy tak było [23].

W tym okresie różne inne terminy, takie jak duże zbiory danych, analizy predykcyjne i uczenie maszynowe, zaczęły zyskiwać na popularności i popularności. [40]. W 2012 r. uczenie maszynowe, uczenie głębokie i sieci neuronowe poczyniły ogromne postępy i znalazły zastosowanie w coraz większej liczbie dziedzin. Organizacje nagle zaczęły używać terminów „uczenie maszynowe” i „uczenie głębokie” do reklamowania swoich produktów [41].

Głębokie uczenie zaczęło wykonywać zadania, które były niemożliwe do wykonania przy klasycznym programowaniu opartym na regułach. Dziedziny, takie jak rozpoznawanie mowy i twarzy, klasyfikacja obrazów i przetwarzanie języka naturalnego, które znajdowały się na wczesnym etapie, nagle zrobiły wielki skok [2] [24] [49]a w marcu 2019 r. trzech najbardziej uznanych pionierów głębokiego uczenia się zdobyło nagrodę Turinga dzięki ich wkładowi i przełomowym odkryciom, dzięki którym głębokie sieci neuronowe stały się kluczowym elementem współczesnej informatyki [42].

Stąd, do rozpędu, widzimy zmianę biegów z powrotem do AI. Dla tych, którzy są przyzwyczajeni do ograniczeń staromodnego oprogramowania, efekty głębokiego uczenia wydawały się niemal „magiczne” [16]. Zwłaszcza, że ​​ułamek dziedzin, w które wkraczają sieci neuronowe i głębokie uczenie się, uznano za niedostępne dla komputerów, a obecnie inżynierowie zajmujący się uczeniem maszynowym i głębokim uczeniem zarabiają wysokie pensje, nawet jeśli pracują w organizacjach non-profit, co mówi o tym, jak gorące jest pole [50] [11].

Źródło: Świergot | GPT-2 Lepsze modele językowe i ich implikacje, Otwórz sztuczną inteligencję

Niestety, jest to coś, co firmy medialne często zgłaszają bez dogłębnej analizy i często dołączają do artykułów AI ze zdjęciami kryształowych kul i innych nadprzyrodzonych przedstawień. Takie oszustwo pomaga tym firmom generować szum wokół ich ofert [27]. Jednak w przyszłości, ponieważ nie spełniają oczekiwań, organizacje te są zmuszone zatrudniać ludzi, aby nadrobić ich tak zwaną sztuczną inteligencję [12]. W końcu mogą wywołać nieufność w terenie i wywołać kolejną zimę AI ze względu na krótkoterminowe zyski [2] [28].

Zawsze jestem otwarty na opinie, podziel się w komentarzach, jeśli zauważysz coś, co może wymagać ponownego zbadania. Dziękuję za przeczytanie!

Podziękowanie:

Autor pragnie serdecznie podziękować Bena Dicksonainżynierowi oprogramowania i blogerowi technicznemu, za życzliwość polegania na jego wiedzy i opowiadaniu historii, a także kilku członkom społeczności AI za ogromne wsparcie i konstruktywną krytykę podczas przygotowywania tego artykułu.

ZASTRZEŻENIE: Poglądy wyrażone w tym artykule są poglądami autora(ów) i nie reprezentują poglądów Carnegie Mellon University ani innych firm (bezpośrednio lub pośrednio) powiązanych z autorem(ami). Te pisma nie mają być produktami końcowymi, ale raczej odzwierciedleniem obecnego sposobu myślenia i katalizatorem dyskusji i ulepszeń.