В чем разница между искусственным интеллектом и машинным обучением?

Искусственный интеллект (ИИ) и машинное обучение (далее ML от англ. Machine Learning) настолько популярны, что они стали модными словами, и это не ограничивается технологической индустрией. Несмотря на неоспоримую популярность, они все еще недостаточно понятны широкой публике и, как термины, часто используются взаимозаменяемо. Все больше общедоступных приложений утверждают, что они основаны на искусственном интеллекте, но до сих пор недостаточно понимания значения, которое искусственный интеллект может принести как пользователям, так и компаниям. Так существует ли разница между искусственным интеллектом и машинным обучением?

Искусственный интеллект машинное обучение

Искусственный интеллект

Когда дело доходит до машинного обучения и ИИ, последнее, вероятно, легче понять людям. Вы видели фильмы «Терминатор», «Матрица» и другие подобные фильмы? Все они сфокусированы на искусственном интеллекте, и мы привыкли к тому, что ИИ – это человекоподобная машина, способная мыслить сама. На самом деле это не так, поскольку искусственный интеллект – это гораздо более широкое понятие.

Искусственный интеллект – это любой код или алгоритм, который позволяет машинам имитировать, развивать и демонстрировать поведение человека. Сейчас мы находимся в эпохе «слабого ИИ» – это означает, что существующая технология все еще находится в зачаточном состоянии, хотя ожидается, что в будущем машины будут способны на все, что могут делать люди. Еще проще: ИИ – это концепция машин, способных выполнять задачи, типичные для человеческого интеллекта, включая распознавание объектов и звуков, понимание языка, планирование и решение проблем.

ИИ – захватывающая тема, потому что она дает нам место для мечты о том, куда может пойти человечество. Люди как вид всегда выражали желание развиваться дальше, и, поскольку мы хотим, чтобы технологии помогали нам в этом, вполне естественно, что мы используем себя в качестве образца. Вероятно, поэтому ИИ часто ассоциируется с физической формой робота, когда на самом деле он не должен выглядеть как робот.

Когда мы хотим понять, куда движется ИИ, нам сначала нужно понять ИИ таким, какой он есть сейчас. В этой области есть две фундаментальные группы: прикладной ИИ и обобщенный ИИ. Прикладной ИИ использует похожие на человека шаблоны для выполнения одной конкретной задачи. Именно в этой области уже происходят прорывы, так как мы видим все больше передовых технологий, которые можно использовать, например, в медицине для диагностики пациентов. С другой стороны, обобщенный ИИ – это разработка интеллектуальных систем, которые могут легко выполнить любую задачу, как настоящий человек. Эта область может быть самой интригующей для людей, но это все еще в будущем, хотя, вероятно, не очень далеко, поскольку исследователи постоянно развивают эту концепцию.

Машинное обучение

Машинное обучение — это методы и процессы, которые приближают машины к «пониманию» человеческого познания и поведения. ML как способ достижения ИИ основан на идее, что мы должны предоставить машинам доступ к данным, которые они могут анализировать для изучения. Фактически, машинное обучение стало настолько неотъемлемой частью современного ИИ, что термины «искусственный интеллект» и «машинное обучение» иногда используются взаимозаменяемо.

Тем не менее, это неточное использование терминов, так как машинное обучение представляет собой современное состояние в более широкой области ИИ. Основа машинного обучения заключается в том, что вместо того, чтобы учить делать все шаг за шагом, машины могут учиться работать, наблюдая, классифицируя и учась на своих ошибках, точно так же, как и мы.

Глубокое обучение

Говоря о машинном обучении, нельзя избежать темы «глубокого обучения». Точно так же, как ML является частью ИИ, глубокое обучение является подкатегорией машинного обучения. Глубокое обучение было вдохновлено структурой и функционированием человеческого мозга и требует искусственных нейронных сетей. Такая сеть содержит узлы на разных уровнях и обеспечивает связь между уровнями. Предполагается, что глубокое обучение имеет смысл для объемных наборов данных, но оно «учится» по-другому. В ML машина учится на основе данных, предоставленных ей. Если мы хотим, чтобы ИИ мог отличить кошку от собаки, мы дадим ей сотни изображений.

Если вам дать изображения лошадей, вы узнаете их как лошадей, даже если никогда раньше не видели этого изображения. Вы можете узнать лошадь, потому что вы знаете о различных элементах, которые определяют лошадь: форму ее головы, количество и расположение ног, и т.д.
Глубокое обучение может сделать это. И это важно для многих вещей, включая автономные транспортные средства. Прежде чем автомобиль сможет определить свое следующее действие, он должен знать, что вокруг него. Он должен уметь распознавать людей, велосипеды, другие транспортные средства, дорожные знаки и многое другое. И делать это в сложных визуальных условиях. Стандартные методы машинного обучения не могут этого сделать.

Поделиться ссылкой:

0 0 vote
Article Rating
guest
0 Комментарий
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x