в чем отличия и связь искусственного интеллекта и машинного обучения
Искусственный интеллект, машинное обучение и глубокое обучение: в чём различия
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.
Коммерческий автор и переводчик
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.
В статье расскажу, каковы отличия между искусственным интеллектом, машинным и глубоким обучением, а затем объясню, как ИИ и интернет вещей связаны друг с другом.
Различия между терминами
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.
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.
Машинное обучение — это процесс реализации искусственного интеллекта.
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.
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.
С помощью машинного обучения была значительно улучшена способность компьютера распознавать объект на изображении или видео — компьютерное зрение. Для этого вы собираете сотни тысяч картинок, а затем люди отмечают на них, например, кошек. Алгоритм строит для компьютера модель, чтобы тот смог определять и выделять картинки с кошками так, как это делает человек. В результате он «узнаёт», как выглядят кошки, и научится распознавать их без ошибок.
Глубокое обучение — один из множества подходов к машинному обучению.
Примеры других подходов: анализ дерева решений, индуктивное логическое программирование, кластеризация, обучение с подкреплением, Байесовская сеть.
Глубокое обучение вдохновлено строением человеческого мозга и взаимодействием нейронов. Появились алгоритмы, имитирующие организацию головного мозга — искусственные нейронные сети (ИНС).
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.
Искусственный интеллект и интернет вещей неразрывно связаны
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.
Все подключенные датчики интернета вещей работают как наше тело — собирают исходные данные о том, что происходит в мире вокруг. Искусственный интеллект, как и мозг, интерпретирует эту информацию и решает, какие действия предпринять. Затем устройства, подключенные к интернету вещей, выполняют команду или взаимодействуют между собой.
Как использовать искусственный интеллект для решения бытовых задач
Гайд в мир Data Science для начинающих
Раскрытие потенциала
Искусственный интеллект и интернет вещей стали важными и перспективными технологиями благодаря друг другу.
За последние годы машинное и глубокое обучение привели к прорыву в области искусственного интеллекта. При машинном и глубоком обучении компьютер обрабатывает большое количество данных, которые собирают миллиарды датчиков, составляющих интернет вещей.
Развитие ИИ также будет способствовать внедрению интернета вещей и приведёт к стремительному росту обеих областей.
С помощью интернета вещей искусственный интеллект совершенствуется. Благодаря искусственному интеллекту интернет вещей становится доступным для человека.
ИИ может прогнозировать необходимость ремонта или анализировать процесс производства. Это помогает увеличить эффективность работы и сэкономить миллионы долларов.
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.
Объединение технологических достижений
Компьютерные чипы становятся меньше, а техники производства — лучше. Появляются более дешёвые и мощные датчики. Технология изготовления аккумуляторов стремительно развивается, и скоро датчики будут работать много лет без подзарядки.
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.
Конечно, влияние искусственного интеллекта на наше общество и будущее вызывает опасения. Но его развитие и внедрение в связке с интернетом вещей абсолютно точно повлияют на весь мир.
курс
Big Data с нуля
Мнение автора и редакции может не совпадать. Хотите написать колонку для Нетологии? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.
Искусственный интеллект, машинное обучение и глубокое обучение: в чём разница
Компьютер запросто диагностирует рак, управляет автомобилем и умеет обучаться. Почему же машины пока не захватили власть над человечеством?
Мы пользуемся Google-картами, позволяем сайтам подбирать для нас интересные фильмы и советовать, что купить. И, в общем-то, слышали, что под капотом всех этих умных вещей — искусственный интеллект, машинное обучение и deep learning. Но сможете ли вы с ходу отличить одно от другого? Разбираемся на примерах.
Что такое искусственный интеллект
Искусственный интеллект (англ. artificial intelligence) — это способность компьютера обучаться, принимать решения и выполнять действия, свойственные человеческому интеллекту.
Кроме того, ИИ — это наука на стыке математики, биологии, психологии, кибернетики и ещё кучи всего. Она изучает технологии, которые позволяют человеку писать «интеллектуальные» программы и учить компьютеры решать задачи самостоятельно. Главная задача ИИ — понять, как устроен человеческий интеллект, и смоделировать его.
В области искусственного интеллекта есть подразделы. К ним относятся робототехника, наука о компьютерном зрении, обработка естественного языка и машинное обучение.
Хотите знать, может ли машина мыслить и чувствовать как человек? Приходите на курс «Философия искусственного интеллекта». Здесь вы получите новые знания об ИИ, обсудите актуальные вопросы с преподавателями и однокурсниками и прокачаете навык публичных выступлений.
Пишет про digital и машинное обучение для корпоративных блогов. Топ-автор в категории «Искусственный интеллект» на Medium. Kaggle-эксперт.
Каким бывает искусственный интеллект
Исследователи обычно делят ИИ на три группы:
Слабый ИИ (Weak, или Narrow AI)
Слабый интеллект — тот, что нам уже удалось создать. Такой ИИ способен решать определённую задачу. Зачастую даже лучше, чем человек. Например, как Deep Blue — компьютерная программа, которая обыграла Гарри Каспарова в шахматы ещё в 1996 году. Но такая Deep Blue не умеет делать ничего другого и никогда этому не научится. Слабый ИИ используют в медицине, логистике, банковском деле, бизнесе:
Это несколько примеров, в реальности применений намного больше.
Сильный ИИ (Strong, или General AI)
Как выглядел бы сильный искусственный интеллект, можно увидеть в игре Detroit: Become Human.
Во вселенной Detroit роботы способны учиться, мыслить, чувствовать, осознавать себя и принимать решения. Одним словом, становятся похожи на человека. А в обычной жизни ближе всего к General AI чат-боты и виртуальные ассистенты, которые имитируют человеческое общение. Здесь ключевое слово — имитируют. Siri или Алиса не думают — и неспособны принимать решения в ситуациях, которым их не обучили. Сильный искусственный интеллект пока остаётся мечтой.
Суперинтеллект (Superintelligence)
Мы не только не создали суперинтеллект, но и не имеем пока что ни малейшего представления, как это сделать и можно ли вообще. Это не просто умные машины, а компьютеры, которые во всём превосходят людей. Проще говоря, что-то из области фантастики.
Машинное обучение: как учится ИИ
Машинное обучение (англ. machine learning) — это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо. Вместо того чтобы кодировать набор команд вручную, машину обучают и дают ей возможность научиться выполнять поставленную задачу самостоятельно.
Чтобы машина могла принимать решения, необходимы три вещи:
В машинном обучении много разных алгоритмов. Один из самых простых — линейная регрессия. Её применяют, если есть линейная зависимость между переменными. Пример: чем больше сумма заказа, тем больше вы оставите чаевых. По имеющимся данным можно предсказать сумму чаевых в будущем. В общем-то, простая математика.
Есть байесовские алгоритмы. В их основе применение теоремы Байеса и теории вероятности. Эти алгоритмы используют для работы с текстовыми документами — например, для спам-фильтрации. Программе нужно дать наборы данных по категориям «спам» и «не спам». Дальше алгоритм будет самостоятельно оценивать вероятность того, что слова «Бесплатные туры для пенсионеров» и «Закажи маме тур, пожалуйста» относятся к той или иной категории.
А ещё есть нейронные сети, о них вы наверняка слышали. Они относятся к методам глубокого машинного обучения, и об этом чуть подробнее.
Deep learning: глубокое обучение для разных целей
Глубокое обучение — подраздел машинного обучения. Алгоритмам глубокого обучения не нужен учитель, только заранее подготовленные (размеченные) данные.
Самый популярный, но не единственный метод глубокого обучения, — искусственные нейронные сети (ИНС). Они больше всего похожи на то, как устроен человеческий мозг.
Нейронные сети — это набор связанных единиц (нейронов) и нейронных связей (синапсов). Каждое соединение передаёт сигнал от одного нейрона к другому, как в мозге человека. Обычно нейроны и синапсы организованы в слои, чтобы обрабатывать информацию. Первый слой нейросети — это вход, который получает данные. Последний — выход, результат работы. Например, несколько категорий, к одной из которых мы просим отнести то, что было отправлено на вход. И между ними — скрытые слои, которые выполняют преобразование.
По сути, скрытые слои выполняют какую-то математическую функцию. Мы её не задаём, программа сама учится выводить результат. Можно научить нейросеть классифицировать изображения или находить на изображении нужный объект. Помните, как reCAPTCHA просит найти все изображения грузовиков или светофоров, чтобы доказать, что вы не робот? Нейронная сеть выполняет то же самое, что и наш мозг, — видит знакомые элементы и понимает: «О, кажется, это грузовик!»
А ещё нейросети могут генерировать объекты: музыку, тексты, изображения. Например, компания Botnik скормила нейросети все книги про Гарри Поттера и попросила написать свою. Получился «Гарри Поттер и портрет того, что выглядит как огромная куча пепла». Звучит немного странно, но как минимум с точки зрения грамматики это сочинение имеет смысл.
Сегодня нейронные сети могут применяться практически для любой задачи. Например, при диагностике рака, прогнозировании продаж, идентификации лиц в системах безопасности, машинных переводах, обработке фотографий и музыки.
Чтобы обучить нейросеть, нужны гигантские наборы тщательно отобранных данных. Например, для распознавания сортов огурцов нужно обработать 1,5 млн разных фотографий. Не получится просто слить рандомные картинки или текст из интернета — их нужно подготовить: привести к одному формату и удалить то, что точно не подходит (например, мы классифицируем пиццу, а в наборе данных у нас фото грузовика). На разметку данных — подготовку и систематизацию — уходят тысячи человеко-часов.
Чтобы создать новую нейросеть, требуется задать алгоритм, прогнать через него все данные, протестировать и неоднократно оптимизировать. Это сложно и долго. Поэтому иногда проще воспользоваться более простыми алгоритмами — например, регрессией.
Подведём итоги
Искусственный интеллект — одновременно и наука, которая помогает создавать «умные» машины, и способность компьютера обучаться и принимать решения.
Машинное обучение — одна из областей искусственного интеллекта. МО использует алгоритмы для анализа данных и получения выводов.
А глубокое обучение — лишь один из методов машинного обучения, в рамках которого компьютер учится без учителя подспудно, с помощью данных.
Если чувствуете, что вас привлекает проектирование машинного интеллекта, продолжить образование можно на нашем курсе. Вы научитесь писать алгоритмы, собирать и сортировать данные и получите престижную профессию Data Scientist — специалист по машинному обучению.
Первичное, обычно регулярное, обследование тех, у кого нет клинических симптомов. Проводится с целью ранней диагностики заболевания.
До покупки Google, Waymo cars была самостоятельной компанией по производству самопилотируемых автомобилей.
Умный облачный помощник для устройств Apple.
Виртуальный голосовой помощник, созданный компанией «Яндекс».
Одна из основных теорем элементарной теории вероятностей. Позволяет переставить причину и следствие: по известному факту события вычислить вероятность того, что оно было вызвано этой причиной.
Искусственный интеллект, машинное и глубокое обучение — в чём разница
Сейчас много пишут и говорят об искусственном интеллекте (ИИ). Наряду с другими связанными понятиями — такими, как машинное обучение (machine learning) и глубокое обучение (deep learning). Многие люди склонны неправильно понимать термины, используемые в контексте ИИ, поэтому данная статья призвана помочь вам различать и лучше понимать роли, которые упомянутые возможности могут играть в управлении ИТ-услугами (ITSM).
Что такое ИИ?
Как следует из названия, это созданная человеком система интеллекта, это способность машины работать и рассуждать, как человек.
ИИ работает и ведет себя, как человек. Примеры применения ИИ включают распознавание лиц, сканирование сетчатки глаза, перевод текстов и цифровую биометрию. Теперь это все чаще можно увидеть – а часто даже не увидеть, потому что всё это просто работает на заднем плане – в нашей повседневной жизни.
Что такое машинное обучение?
Машинное обучение — это подраздел искусственного интеллекта. Это способность машины получать знания посредством анализа данных, позволяющего стать ей искусственно разумной через обучение.
Машинное обучение предполагает использование алгоритмов для сбора данных и обучения. В конце этапа обучения машина анализирует данные и создает модель, на основе которой можно принимать решения или делать прогнозы. Например, вам, возможно, доводилось получать от Facebook рекомендации относительно сайтов электронной коммерции — это связано с тем, что данные о просмотренных вами ресурсах анализируются Facebook, чтобы понять, в какой рекламе вы будете заинтересованы.
Что такое глубокое обучение?
Глубокое обучение — это подраздел машинного обучения, то есть также подраздел ИИ. Глубокое обучение имеет сходство с машинным обучением, но отличается тем, что машинное обучение нуждается в некотором наблюдении при выполнении своих задач обучения, в то время как модель глубокого обучения будет эффективно выполнять свою задачу даже без человеческого руководства (глубокое обучение может контролироваться, частично контролироваться или выполняться без участия человека).
Различия между искусственным интеллектом, машинным обучением и глубоким обучением
Учитывая, что эти термины и практики тесно связаны, и их порой сложно дифференцировать, я считаю, что практический пример является лучшим способом описать различия. В качестве примера я буду использовать планирование дорожного движения.
Если вы создали приложение искусственного интеллекта, которое уведомляет инженеров дорожного движения и планировщиков о том, где находятся основные точки заторов в городе, то это может помочь им составить планы по обслуживанию дорог, светофоров и других факторов, которые уменьшат количество заторов.
Вторым шагом будет программирование ИИ для поиска и идентификации определенных закономерностей (паттернов) в данных. Например, что движение в некоторых районах города не затруднено между 14 и 16 часами и перегружено вечером (возможно, из-за наложения часа пик и футбольного матча). Модель, созданная на основе этих данных, даст больше информации и, таким образом, поможет проектировщикам и инженерам составить планы, чтобы избежать пробок в дни футбольных матчей. Это приложение машинного обучения.
Технологии глубокого обучения предполагают выход за рамки простого считывания необработанных данных и распознавания закономерностей. Здесь используется несколько слоев, чтобы постепенно получить больше информации из данных, возможно без участия человека.
Почему важно различать типы ИИ
Способность классифицировать различия между ИИ, машинным обучением и глубоким обучением имеет решающее значение, потому что помогает осознанно применять решения в области ИИ на различных уровнях управления и способствовать развитию бизнеса.
Например, если городу удастся провести всесторонний анализ своих дорог в следующем году, чтобы выяснить, где образуется больше всего пробок и какие дороги нуждаются в обслуживании, на следующий год город будет иметь возможность прогнозировать пробки в часы пик и в других ситуациях. После этого у города появится возможность информировать пассажиров о местах заторов и предлагать им альтернативные маршруты. К третьему году у города будет достаточно понимания ситуации, чтобы строить планы на будущее, учитывая численность население и рост интенсивности дорожного движения, планы обслуживания инфраструктуры, а также учитывать влияние других факторов на дорожное движение, таких как изменение климата.
Искусственный интеллект и машинное обучение: в чем разница?
Согласно статистике Gartner, с 2015 по 2019 годы количество предприятий, использующих ИИ, выросло на 270%. А рынок ИИ к концу 2020 года вырастет на 12,3% — до 156,5 млрд долларов, и это несмотря на кризис. Мы расскажем, что такое искусственный интеллект, какой он бывает, а также почему ИИ и машинное обучение — не одно и то же.
Что такое искусственный интеллект
Искусственный интеллект — особая технология разработки компьютерных систем. Она позволяет создавать программы, способные выполнять задачи, требующие человеческого интеллекта: распознавание речи или изображений, принятие решений, анализ информации, перевод с одного языка на другой.
Чтобы лучше понять, чем AI отличается от обычных программ, рассмотрим пример с чат-ботом.
Обычный чат-бот без ИИ. Программист вписывает конкретные реплики и триггеры, на которые чат-бот отвечает заготовленными фразами. Например, на фразу «Хочу заказать пиццу» отвечает: «Какой размер: 30 или 50 см?».
Фразы вроде «Привези мне пиццу, умираю с голоду» или «Хочу пицу 50 сантиметров» введут такого бота в ступор. Предугадать все возможные запросы пользователей программист не сможет.
Чат бот с ИИ. Такой чат-бот анализирует лексику, сравнивает похожие запросы, улавливает общий контекст фразы. Он поймет, что «пица» — это «пицца», а «привези» — это «хочу заказать». Еще такой бот может учиться, со временем он будет всё лучше понимать пользователей и отвечать на их запросы. Например, предугадывать, какой именно сорт пиццы понравится человеку.
Так выглядит разница в переписке с обычным ботом и с ботом-ИИ. Искусственный интеллект быстрее решает вопрос и лучше понимает собеседника
Есть задачи, с которыми обычные программы вообще не справляются. Например, только искусственный интеллект может распознавать лица и голос, сортировать изображения и решать прочие, более «творческие» задачи.
Искусственный интеллект используют для разных задач. Один из первых широко известных ИИ — Deep Blue, создали в 1992 году, чтобы играть в шахматы — и в 1997 году он обыграл Гарри Каспарова. Позже стали появляться другие такие программы для игры в го, покер или компьютерную игру Dota 2.
Также ИИ разрабатывают для автоматизации производства, прогнозирования спроса на товары или блокировки подозрительных банковских операций. Обычно всё это — конкретные прикладные задачи, которые раньше решали люди.
ИИ часто лучше справляется с рутинными задачами, работает быстрее людей и совершает меньше ошибок. Но он всё еще плохо работает в нестандартных ситуациях и может решать только очень конкретные, прикладные задачи. Полностью заменить людей искусственный интеллект пока не в состоянии.
Какой бывает искусственный интеллект
Сейчас любой существующий искусственный интеллект далек от человеческого. Самые совершенные AL не обладают сознанием и не осознают себя как личность. Они могут обучаться, но это просто алгоритмы, способные только к решению конкретных задач, но не к настоящему творчеству и изобретательству. Такие ИИ называют слабыми.
Есть теория, что когда-нибудь люди разработают сильный ИИ. Он будет близок к человеку: осознает себя как личность, сможет работать в разных условиях, решать нетипичные задачи, творить и создавать что-то совершенно новое. Пока такого не существует.
Слабые ИИ можно поделить еще на две группы:
Ограниченные ИИ. Такие программы способны решать только одну конкретную задачу. Например, чат-бот может общаться с клиентами, но не способен контролировать датчики на производстве или предсказывать спрос.
Универсальные ИИ. Такие ИИ способны решать несколько разных задач. Для этого их не нужно перепрограммировать — достаточно обучить новому делу. Один из таких ИИ — Watson IBM. Он знаменит тем, что выиграл в интеллектуальной викторине Jeopardy, но его используют также для постановки диагнозов, лингвистического анализа, финансовых советов и множества других задач. На видео Watson IBM обыгрывает знатоков в интеллектуальной викторине.
Чем искусственный интеллект отличается от машинного обучения
Часто между понятиями «искусственный интеллект» и «машинное обучение» ставят знак равенства. На самом деле машинное обучение — это способ создания и обучения искусственного интеллекта.
Чтобы понять разницу, представим схему работы:
Сначала программист создает программу, которая способна обучаться. Пока она еще ничего не умеет.
Затем программист обучает программу с помощью методов машинного обучения. Это могут быть, например, нейросети или генетические алгоритмы.
После обучения программа приобретает искусственный интеллект. Можно сказать, что она сама становится искусственным интеллектом.
Сегодня машинное обучение — единственный способ создания искусственного интеллекта. Любая современная технология или алгоритм — это, так или иначе, обучение компьютера.
Но искусственный интеллект — это не только машинное обучение. Для работы ИИ необходимы вычислительные мощности, данные и другие программы и технологии. Поэтому знак равенства между этими терминами не поставить.
Возможно, в будущем появятся другие способы создания искусственного интеллекта. Например, люди научатся копировать мозг человека и имитировать биологические процессы. В таком случае машинное обучение может исчезнуть, но искусственный интеллект никуда не денется и, может быть, даже станет более совершенным.