Искусственный интеллект и машинное обучение: обзор и их основное различие!

Искусственный интеллект и машинное обучение — модные словечки этого века. Их широкий спектр приложений изменил аспекты технологии во всех областях, начиная от здравоохранения, производства, бизнеса, образования, банковского дела, информационных технологий и многого другого!

Искусственный интеллект и машинное обучение — это части информатики, которые коррелируют друг с другом. Эти две технологии являются самыми трендовыми технологиями, которые используются для создания интеллектуальных систем.

Вы можете думать о глубоком обучении, машинном обучении и искусственном интеллекте как о наборе матрешек, вложенных друг в друга, начиная с самого маленького и заканчивая развитием. Глубокое обучение — это подмножество машинного обучения, а машинное обучение — это подмножество ИИ, который является общим термином для любой компьютерной программы, которая делает что-то умное. Другими словами, все машинное обучение — это ИИ, но не все ИИ — это машинное обучение и так далее.

В этом блоге мы рассмотрим эти модные словечки и узнаем разницу между ними.

Искусственный интеллект

Искусственный интеллект — это область компьютерных наук, которая создает компьютерную систему, которая может имитировать человеческий интеллект. Он состоит из двух слов «искусственный» и «интеллект», что означает «сила мышления, созданная человеком». Следовательно, мы можем определить его как

• Раздел информатики, занимающийся моделированием интеллектуального поведения компьютеров.
• Способность машины имитировать разумное поведение человека.
• Компьютерная система может выполнять задачи, которые обычно требуют человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод между языками.

Существует множество способов имитации человеческого интеллекта, и некоторые из них более интеллектуальны, чем другие.

ИИ может быть набором утверждений «если-то» или сложной статистической моделью, отображающей необработанные сенсорные данные в символические категории. Операторы if-then — это просто правила, явно запрограммированные человеческой рукой. В совокупности эти утверждения «если-то» иногда называют механизмами правил, экспертными системами, графами знаний или символическим ИИ. В совокупности они известны как «Хороший старомодный ИИ» (GOFAI).

Обычно, когда компьютерная программа, разработанная исследователями ИИ, в чем-то преуспевает — например, в шахматах — многие люди говорят, что она «не очень умна», потому что внутренности алгоритма хорошо изучены. Критики считают, что интеллект должен быть чем-то неосязаемым и исключительно человеческим. Озорник сказал бы, что настоящий ИИ — это то, на что компьютеры пока не способны.

Искусственный интеллект (ИИ), машинное обучение и глубокое обучение — три термина, часто используемые взаимозаменяемо для описания программного обеспечения, которое ведет себя разумно. Однако полезно понимать основные различия между ними.

Где мы сегодня с ИИ?

С помощью ИИ вы можете задавать машине вопросы — вслух — и получать ответы о продажах, запасах, удержании клиентов, обнаружении мошенничества и многом другом. Компьютер также может обнаружить информацию, которую вы никогда не думали спросить. Он предложит описательную сводку ваших данных и предложит другие способы их анализа. Он также будет делиться информацией, связанной с предыдущими вопросами от вас или кого-либо еще, кто задавал подобные вопросы. Вы получите ответы на экране или просто в разговоре.

Как это будет происходить в реальном мире? В здравоохранении эффективность лечения можно определить быстрее. В розничной торговле дополнительные товары могут предлагаться быстрее. В финансах мошенничество можно предотвратить, а не просто обнаружить. И многое другое.

В каждом из этих примеров машина понимает, какая информация нужна, смотрит на связи между всеми переменными, формулирует ответ — и автоматически сообщает его вам с вариантами последующих запросов.

У нас есть десятилетия исследований искусственного интеллекта, благодаря которым мы находимся сегодня. И у нас впереди десятилетия интеллектуального взаимодействия человека с машиной.

Вертикальный ИИ

Это сервисы, ориентированные на одну работу, будь то планирование встреч, автоматизация повторяющейся работы и т. д. Вертикальные ИИ-боты выполняют за вас только одну работу и делают это так хорошо, что мы можем принять их за человека.

Горизонтальный ИИ

Эти услуги таковы, что они могут выполнять несколько задач. Одной работы не бывает. Cortana, Siri и Alexa — некоторые из примеров горизонтального ИИ. Эти сервисы работают более массово, как настройки вопросов и ответов, такие как «Какая температура в Нью-Йорке?» или «Позвонить Алексею». Они работают для нескольких задач, а не только для конкретной задачи целиком.

ИИ достигается путем анализа того, как работает человеческий мозг при решении проблемы, а затем с использованием этих аналитических методов решения проблем для создания сложных алгоритмов для выполнения аналогичных задач. ИИ — это автоматизированная система принятия решений, которая постоянно учится, адаптируется, предлагает и автоматически выполняет действия. По сути, им нужны алгоритмы, которые могут учиться на их опыте. Здесь на помощь приходит машинное обучение.

Три широкие категории искусственного интеллекта

• Искусственный узкий интеллект. Системы искусственного узкого интеллекта разработаны и обучены для выполнения одной конкретной задачи и часто называются слабым ИИ/узким ИИ. Чат-боты, которые отвечают на вопросы на основе пользовательского ввода, голосовые помощники, такие как Siri, Alexa и Cortana, системы распознавания лиц, системы ИИ, которые выполняют поиск в Интернете, являются примерами слабого ИИ. Они умны в выполнении определенных задач, на которые они запрограммированы.
• Общий искусственный интеллект. Общий искусственный интеллект — это когда системы/машины ИИ будут работать наравне с другим человеком. Это также означает способность машины интерпретировать и понимать тон и эмоции человека и действовать соответственно. Это также называется сильным ИИ, и мы все еще царапаем поверхность сильного ИИ. Поскольку возможности машинного обучения продолжают развиваться, ИИ будет развиваться, и мы скоро достигнем этого.
• Искусственный суперинтеллект. Искусственный суперинтеллект/суперИИ — это когда машина с искусственным интеллектом обретает самосознание и превосходит человеческий интеллект и способности. Хотя в этой области проводится так много захватывающих исследований, есть и предупреждения от ученых.

Машинное обучение

Искусственный интеллект и машинное обучение в настоящее время очень популярны, а также запутывают термины. Машинное обучение (ML) — это часть искусственного интеллекта. ML — это наука о разработке и применении алгоритмов, которые могут извлечь уроки из прошлых случаев. Если какое-то поведение существовало в прошлом, вы можете предсказать, может ли оно повториться снова. Это означает, что если нет прошлых случаев, то нет и предсказания.

Машинное обучение можно применять для решения сложных задач, таких как обнаружение мошенничества с кредитными картами, создание беспилотных автомобилей, а также обнаружение и распознавание лиц. ML использует сложные алгоритмы, которые постоянно перебирают большие наборы данных, анализируя шаблоны в данных и облегчая машинам реагировать на различные ситуации, для которых они не были явно запрограммированы. Машины учатся на истории, чтобы давать надежные результаты. Алгоритмы ML используют информатику и статистику для прогнозирования рациональных результатов.

Классификация ОД

• Обучение с учителем. При обучении с учителем в систему передаются обучающие наборы данных. Алгоритмы обучения под наблюдением анализируют данные и выводят предполагаемую функцию. Полученное таким образом правильное решение можно использовать для отображения новых примеров. Обнаружение мошенничества с кредитными картами является одним из примеров алгоритма контролируемого обучения.
• Обучение без учителя. Алгоритмы обучения без учителя намного сложнее, потому что данные, которые нужно передать, не являются кластеризованными, а не наборами данных. Здесь цель состоит в том, чтобы машина обучалась самостоятельно без какого-либо надзора. Правильного решения любой задачи не предусмотрено. Алгоритм сам находит закономерности в данных. Одним из примеров контролируемого обучения являются механизмы рекомендаций, которые есть на всех сайтах электронной коммерции, а также в механизме предложения друзей в Facebook.
• Обучение с подкреплением. Этот тип алгоритма машинного обучения позволяет программным агентам и машинам автоматически определять идеальное поведение в определенном контексте, чтобы максимизировать его производительность. Обучение с подкреплением определяется характеристикой учебной проблемы, а не характеристикой методов обучения. Любой метод, который хорошо подходит для решения проблемы, мы считаем методом обучения с подкреплением. Обучение с подкреплением предполагает, что программный агент, то есть робот, компьютерная программа или бот, подключается к динамической среде для достижения определенной цели. Этот метод выбирает действие, которое эффективно и быстро даст ожидаемый результат.

Искусственный интеллект и машинное обучение всегда интересуют и удивляют нас своими инновациями. ИИ и машинное обучение проникли в такие отрасли, как обслуживание клиентов, электронная коммерция, финансы и другие. К 2020 году 85% взаимодействий с клиентами будут осуществляться без участия человека. Существуют определенные последствия ИИ и МО для включения анализа данных, такого как описательная аналитика, предписывающая аналитика и прогнозная аналитика.

Приложения AI и ML

Некоторые из лучших приложений AI & MI включают следующее:

• Распознавание изображений. Распознавание изображений — одно из наиболее распространенных приложений машинного обучения. Он используется для идентификации объектов, людей, мест, цифровых изображений и т. д. Популярным вариантом использования распознавания изображений и распознавания лиц является предложение автоматической пометки друзей.
• Динамическое ценообразование. Установление правильной цены на товар или услугу — старая проблема экономической теории. Существует огромное количество стратегий ценообразования, которые зависят от преследуемой цели. Будь то билет в кино, билет на самолет или проезд в такси, все оценивается динамически. В последние годы искусственный интеллект позволил ценовым решениям отслеживать тенденции покупок и определять более конкурентоспособные цены на продукты.
• Распознавание речи. При использовании Google мы получаем опцию «Поиск по голосу», которая относится к распознаванию речи и является популярным приложением машинного обучения. Распознавание речи — это процесс преобразования голосовых инструкций в текст, также известный как «речь в текст» или «компьютерное распознавание речи».
• Самоуправляемые автомобили. Вот одно из самых крутых применений машинного обучения. Он здесь, и люди уже используют его. Машинное обучение играет очень важную роль в беспилотных автомобилях, и я уверен, что вы, ребята, могли слышать о Tesla. Лидером в этом бизнесе и их нынешним искусственным интеллектом управляет производитель оборудования NVIDIA, который основан на алгоритме обучения без присмотра.
• Прогноз трафика: если мы хотим посетить новое место, мы пользуемся картами Google, которые показывают нам правильный путь с кратчайшим маршрутом и прогнозируют условия движения. Он прогнозирует условия движения, например, свободное движение, медленное движение или сильное скопление людей.
• Рекомендации по продуктам. Машинное обучение широко используется различными компаниями, занимающимися электронной коммерцией и развлечениями, такими как Amazon, Netflix и т. д., для рекомендаций продуктов пользователям. Всякий раз, когда мы ищем какой-либо продукт на Amazon, мы начинаем получать рекламу того же продукта во время интернет-серфинга в том же браузере, и это из-за машинного обучения.
• Переводчик Google: вспомните время, когда вы путешествовали в новое место, и вам было трудно общаться с местными жителями или находить местные места, где все написано на другом языке. Что ж, теперь те времена прошли. GNMT (Google Neural Machine Translation) от Google — это нейронное машинное обучение, которое работает с тысячами языков и словарей, использует обработку естественного языка для обеспечения наиболее точного перевода любого предложения или слова.
• Обнаружение мошенничества. Эксперты прогнозируют, что в 2020 году мошенничество с кредитными картами в Интернете вырастет до колоссальных 32 миллиардов долларов. Это больше, чем прибыль, полученная Coca-Cola и JP Morgan Chase вместе взятыми. Это повод для беспокойства. Обнаружение мошенничества — одно из самых необходимых приложений машинного обучения.
• Виртуальные личные помощники. Как следует из названия, виртуальные личные помощники помогают находить полезную информацию, когда их запрашивают с помощью текстового или голосового запроса.
• Торговля на фондовом рынке. Машинное обучение широко используется в торговле на фондовом рынке. На фондовом рынке всегда существует риск взлетов и падений акций, поэтому для прогнозирования тенденций фондового рынка в этом машинном обучении используется нейронная сеть с долговременной кратковременной памятью.

Как и все остальное, машинное обучение имеет свои недостатки, и именно здесь на сцену выходит глубокое обучение!

Модели машинного обучения не очень хорошо работают, когда объем и сложность данных увеличиваются в несколько раз. Им нужно какое-то вмешательство человека и руководство, в то время как модели глубокого обучения учатся на данных и предыдущем опыте и постепенно корректируют себя.

AI vs ML

Искусственный интеллект

-Искусственный интеллект — это технология, позволяющая машине имитировать поведение человека.

- Цель искусственного интеллекта — создать интеллектуальную компьютерную систему, похожую на человека, для решения сложных задач.

— В ИИ мы создаем интеллектуальные системы, способные выполнять любые задачи, как человек.

- AI имеет очень широкий спектр возможностей.

-ИИ работает над созданием интеллектуальной системы, способной выполнять различные сложные задачи.

- Основными приложениями ИИ являются Siri, поддержка клиентов с помощью катеров, экспертная система, онлайн-игры, интеллектуальный робот-гуманоид и т. Д.

-AI полностью работает со структурированными, полуструктурированными и неструктурированными данными.

Машинное обучение

-Машинное обучение — это подмножество ИИ, которое позволяет машине автоматически учиться на прошлых данных без явного программирования.

— Цель машинного обучения — позволить машинам учиться на данных, чтобы они могли выдавать точные результаты.

- В ML мы учим машины с данными выполнять конкретную задачу и давать точный результат.

-Машинное обучение имеет ограниченную сферу применения.

-Машинное обучение работает над созданием машин, которые могут выполнять только те конкретные задачи, для которых они обучены.

- Основными приложениями ML являются онлайн-рекомендательная система, алгоритмы поиска Google, предложения по автоматической пометке друзей в Facebook и т. Д.

-ML имеет дело со структурированными и полуструктурированными данными.

Что дальше для ИИ?

Успехи, достигнутые исследователями из DeepMind, Google Brain, OpenAI и различных университетов, ускоряются. ИИ может решать все более и более сложные проблемы лучше, чем люди.

Это означает, что ИИ меняется быстрее, чем может быть написана его история, поэтому предсказания о его будущем также быстро устаревают. Стремимся ли мы к прорыву, подобному ядерному расщеплению (возможно), или пытаемся извлечь разум из кремния, что больше похоже на попытку превратить свинец в золото?

Учитывая, что мощность ИИ развивается рука об руку с мощностью вычислительного оборудования, прогресс в области вычислительных мощностей, таких как более совершенные чипы или квантовые вычисления, заложит основу для развития ИИ. На чисто алгоритмическом уровне большинство поразительных результатов, полученных в таких лабораториях, как DeepMind, являются результатом объединения различных подходов к ИИ, так же как AlphaGo сочетает глубокое обучение и обучение с подкреплением. Сочетание глубокого обучения с символическими рассуждениями, рассуждениями по аналогии, байесовскими и эволюционными методами — все это многообещающе.

Наконец, есть прагматики, которые занимаются математикой, борются с беспорядочными данными, дефицитом талантов ИИ и признанием пользователей. Они наименее религиозны из групп, делающих пророчества об ИИ — они просто знают, что это сложно.

Для связанных блогов проверьте наш сайт!