W ostatnich latach, wraz z eksplozją rewolucji przemysłowej 4.0 , pojęcia takie jak sztuczna inteligencja (AI), uczenie maszynowe i głębokie uczenie się stopniowo zyskują na popularności i stają się pojęciami, które obywatele ery 4.0 muszą zrozumieć.
Związek pomiędzy tymi trzema koncepcjami można wyjaśnić wyobrażając sobie je jako kręgi, w których największym kołem jest sztuczna inteligencja – pomysł, który pojawił się najwcześniej, następnie uczenie maszynowe – koncepcja, która pojawiła się później. obecny boom AI - to najmniejsze kółko.
Połączenie sztucznej inteligencji, uczenia maszynowego i głębokiego uczenia się
Budowa systemu AI jest oczywiście niezwykle skomplikowana, ale jego zrozumienie nie jest takie trudne. Większość obecnych sztucznych inteligencji to po prostu naprawdę dobre maszyny zgadujące (maszyny zgadujące, podobne do naszych mózgów). Dajesz systemowi zestaw danych (takich jak cyfry od 1 do 10) i prosisz system o modelowanie (x + 1, zaczynając od 0) i przewidywanie. (Następną liczbą będzie jedenaście). Nie ma magii, tak właśnie robi ludzki mózg na co dzień: wykorzystujemy to, co wiemy, do odgadywania tego, czego nie wiemy.
Tym, co odróżnia sztuczną inteligencję od innych programów komputerowych, jest to, że zamiast konieczności tworzenia konkretnych programów dla każdego przypadku, możemy całkowicie nauczyć AI (uczenia maszynowego), a także ma ona możliwość automatycznego głębokiego uczenia się. Te trzy pojęcia można zasadniczo zdefiniować w następujący sposób:
Sztuczna inteligencja (AI): maszyna potrafiąca naśladować ludzkie zachowanie i sposób myślenia.
Uczenie maszynowe: funkcja sztucznej inteligencji, która pozwala ekspertom szkolić sztuczną inteligencję w rozpoznawaniu wzorców danych i formułowaniu prognoz.
Głębokie uczenie się: niewielka technika uczenia maszynowego, umożliwiająca maszynom samokształcenie.
Związek między sztuczną inteligencją, uczeniem maszynowym i głębokim uczeniem
- Czym jest sztuczna inteligencja?
- Co to jest uczenie maszynowe?
- Co to jest głębokie uczenie się?
- Wyciągnąć wniosek
Czym jest sztuczna inteligencja?
Sztuczna inteligencja - ludzki mózg w postaci maszyny
Sztuczną inteligencję można zdefiniować jako dziedzinę informatyki zajmującą się automatyzacją inteligentnych zachowań. Sztuczna inteligencja jest częścią informatyki i dlatego musi opierać się na solidnych, mających zastosowanie zasadach teoretycznych w tej dziedzinie. Mówiąc najprościej, łatwo to zrozumieć: to inteligencja maszyn stworzonych przez człowieka. Ta inteligencja może myśleć, myśleć, uczyć się... jak inteligencja ludzka. Przetwarzaj dane na większym, bardziej skalowanym, systematycznym, naukowym i szybszym poziomie niż ludzie.
Jednak obecnie technologia AI nadal ma wiele ograniczeń. Na przykład Alexa – świetna gospodyni, jeden z najpopularniejszych symboli zastosowań sztucznej inteligencji, a mimo to nie może przejść testu Turinga.
Krótko mówiąc, to, co dzisiaj robimy ze sztuczną inteligencją, mieści się w koncepcji „wąskiej sztucznej inteligencji”. Technologia ta jest w stanie wykonywać określone zadania podobnie lub lepiej niż ludzie. Przykładami „wąskiej sztucznej inteligencji” w praktyce są technologia klasyfikacji obrazów Pinteresta czy rozpoznawanie twarzy w celu oznaczania znajomych na Facebooku .
Technologie te demonstrują pewne aspekty ludzkiej inteligencji, ale w jaki sposób można je osiągnąć? Skąd bierze się ta mądrość? Przejdźmy do kolejnego kręgu: uczenia maszynowego.
Co to jest uczenie maszynowe?
Uczenie maszynowe – podejście do AI
Uczenie maszynowe to szerokie pojęcie określające czynność uczenia komputera, jak usprawniać wykonywane przez niego zadania. Mówiąc dokładniej, uczenie maszynowe odnosi się do dowolnego systemu, w którym wydajność komputera podczas wykonywania zadania poprawia się po wielokrotnym wykonaniu tego zadania. Innymi słowy, najbardziej podstawową umiejętnością uczenia maszynowego jest wykorzystywanie algorytmów do analizowania dostępnych informacji, wyciągania z nich wniosków, a następnie podejmowania decyzji lub przewidywań na jakiś temat. Zamiast tworzyć oprogramowanie zawierające szczegółowe działania i instrukcje dotyczące wykonania określonego zadania, komputery są „szkolone” przy użyciu danych i algorytmów, aby dowiedzieć się, jak wykonać zadanie.
Bez uczenia maszynowego obecna sztuczna inteligencja byłaby dość ograniczona, ponieważ daje komputerom możliwość rozwiązywania problemów bez bezpośredniego programowania. Jako przykład uczenia maszynowego załóżmy, że potrzebujesz programu, który będzie w stanie zidentyfikować koty na zdjęciach:
- Najpierw zapewniasz AI zestaw cech kota do rozpoznania przez maszynę, takich jak kolor futra, kształt ciała, rozmiar itp.
- Następnie przekazujesz AI kilka obrazów, gdzie niektóre lub wszystkie obrazy mogą zostać oznaczone jako „kot”, dzięki czemu maszyna może skuteczniej wychwytywać szczegóły i cechy związane z kotami.
- Gdy maszyna otrzyma wszystkie niezbędne dane o kotach, musi wiedzieć, jak znaleźć kota na obrazku – „Jeśli obraz zawiera pewne szczegóły X, Y lub Z, istnieje 95% szans, że może to kot .”
Ogólnie rzecz biorąc, zastosowanie uczenia maszynowego jest dziś niezwykle popularne, a jego użyteczność nie podlega dyskusji.
Co to jest głębokie uczenie się?
Deep learning – technika uczenia maszynowego
Można powiedzieć, że do tej pory sztuczna inteligencja osiągnęła wiele wielkich postępów. Pomyśl o tym jako o rodzaju uczenia maszynowego z głębokimi „ sieciami neuronowymi ”, które mogą przetwarzać dane w taki sam sposób, jak ludzki mózg. Główna różnica polega na tym, że ludzie nie będą musieli uczyć programu głębokiego uczenia się, jak wygląda kot, ale po prostu dostarczą mu wszystkie niezbędne zdjęcia kotów, a on sam to zrozumie. , samouczenie się. Kroki, które należy wykonać, są następujące:
- Nakarm maszynę dużą ilością zdjęć kotów.
- Algorytm przeanalizuje zdjęcia, aby zobaczyć wspólne cechy i szczegóły między zdjęciami.
- Każde zdjęcie zostanie szczegółowo odkodowane na wielu poziomach, od dużych, ogólnych kształtów po małe i mniejsze komórki. Jeśli kształt lub linia powtórzy się wiele razy, algorytm oznaczy go jako ważny element.
- Po przeanalizowaniu wystarczającej liczby zdjęć algorytm wie teraz, które próbki dostarczają najwyraźniejszych dowodów na obecność kotów, a człowiek musi jedynie dostarczyć surowe dane.
W skrócie: głębokie uczenie się to rodzaj uczenia maszynowego, w którym maszyna sama się szkoli. Głębokie uczenie się wymaga znacznie więcej danych wejściowych i mocy obliczeniowej niż uczenie maszynowe, ale zaczęło być wdrażane przez duże firmy technologiczne, takie jak Facebook i Amazon. Wśród nich jedną z najbardziej znanych nazw w dziedzinie uczenia maszynowego jest AlphaGo, komputer, który może grać w Go przeciwko sobie, dopóki nie będzie w stanie przewidzieć najdokładniejszych ruchów wystarczających do pokonania wielu mistrzów świata.
Wyciągnąć wniosek
Głębokie uczenie umożliwiło zastosowanie wielu rzeczywistych problemów maszynowych, jednocześnie poszerzając ogólny obszar sztucznej inteligencji. Głębokie uczenie zakłóca sposób, w jaki ludzie pracują, umożliwiając wszelkiego rodzaju maszynom wspomagającym działanie podobne do ludzkich lub identyczne. Samochody bez kierowcy, lepsza opieka zdrowotna... Wszystko to jest realizowane w dzisiejszych czasach. AI to teraźniejszość i przyszłość świata. Dzięki głębokiemu uczeniu się sztuczna inteligencja może zrealizować marzenia science fiction, o których marzyliśmy od tak dawna.
Zobacz więcej:


