Во время моего «пребывания» я вспоминал коллегу, чья Тесла отвезла ее из дома в аэропорт Ньюарка, а затем сама поехала домой - без нее в машине. Я все еще не верю. Это было связано с тем, когда я смотрел новости, и Budweiser проехал 50 000 банок пива через 120 миль по шоссе, что стало первой коммерческой поставкой на беспилотном транспортном средстве. Я все еще поражаюсь. Это также имело связь с активациями IBM Integrated Account, где я слышал о стольких клиентах, создающих приложения для когнитивных исследований и анализа данных. Я сделал паузу ... Я знаю, что все это работает на основе Cognitive, но в чем на самом деле разница между искусственным интеллектом, машинным обучением и глубоким обучением? Они взаимозаменяемы, но одно и то же? Как и где наши предложения вписываются в каждый домен? Я хотел выяснить и действительно упростить это для наших продавцов, особенно тех, которые поступают из подразделений, не относящихся к Watson & Analytics (примеры: облачные сервисы, гибридное облако), чтобы они могли подумать о разговорах со своими клиентами по поводу этой трансформации.
Это мой первый пост из серии из трех частей:
1. Поймите разницу между ИИ, машинным обучением и глубоким обучением.
2. Объясните, что находится в грузовике и как клиенты используют искусственный интеллект, машинное обучение и глубокое обучение.
3. Начни прямо сейчас!
После бесконечных поисков в Google и нескольких действительно отличных видеороликов на Coursera я собираюсь выделить из них самый простой способ, которым я объяснил это своему шестилетнему ребенку, который одержим роботами и все еще думает, что получает Watson на свой день рождения. (… Он часами играет с Anki’s Cozmo. Безусловно, лучший робот для детей, которого я когда-либо встречал!)
Искусственный интеллект, машинное обучение и глубокое обучение существуют уже некоторое время, так почему сейчас такая шумиха? Три ключевых усовершенствования в технологии:
· Данные: структурированные и неструктурированные данные, а также объем их хранения за последнее десятилетие вырос в геометрической прогрессии. Данные также более доступны.
· Алгоритмы: алгоритмы и модели используют преимущества как графических процессоров, так и больших данных для обучения больших глубоких нейронных сетей с большими наборами данных.
· Вычислительная техника. Вычислительная мощность графического процессора значительно улучшилась, а оборудование стало более доступным по более низкой цене.
Чем отличаются ИИ, машинное обучение и глубокое обучение? ДА. Теперь я хочу, чтобы вы подумали о трех матрешках, в которых искусственный интеллект (ИИ) является самым большим, внутри него - машинное обучение, а внутри - глубокое обучение. Искусственный интеллект - это то, как мы делаем машины интеллектуальными - «наука», а машинное обучение - это вычислительные методы (алгоритмы), которые делают машины умнее без их специального программирования. Все машинное обучение - это ИИ, но не все ИИ - это машинное обучение. Это самая быстрорастущая и многообещающая часть ИИ. Глубокое обучение - это подмножество машинного обучения и еще более узко фокусируется на подмножестве техник машинного обучения, которые требуют «мышления».
Искусственный интеллект (ИИ) существует с 1956 года, когда студенты Дартмутского колледжа решали задачи с автоматами, выигрывая в шашки. ИИ - это когда машина имитирует человеческую задачу. Он делает это путем «изучения» задачи, а не «зашивки» с использованием методов программирования. ИИ решает проблемы, которые можно связать с человеческим мышлением, такие как рассуждение, знание, планирование, обучение, понимание, обработка естественного языка и перевод, и многие другие. Он может решать конкретные или узкие задачи, например, научиться действительно хорошо отвечать на вопросы по обслуживанию автомобилей, или может быть общим, когда он может выполнять ряд задач.
Один из наиболее распространенных вариантов использования ИИ, который, как мы видим, хотят принять наши клиенты, - это Разговорные приложения, использующие обработку естественного языка. Разговор фокусируется на стратегиях рассуждения о языке и содержании вопросов. Организации хотят встраивать разговорные приложения в свои приложения, чтобы улучшить обслуживание и отклик центров обработки вызовов, а также повысить удовлетворенность клиентов.
Другой вариант использования - Discovery, который получает неструктурированные и структурированные данные и использует стратегии рассуждений, помогая вам быстро находить ценность в данных. Он отвечает на 100 000 длиннохвостых вопросов, таких как «Мой двигатель издает дребезжащий звук, как мне его устранить?» в то время как Conversations отвечает на наиболее частые вопросы и запросы, такие как «включить мои заголовки». Дополнительными примерами использования Discovery могут быть такие вещи, как «Голос вашего клиента» - понимание того, что важно для клиентов, путем сбора, консолидации и открытия новых идей на основе отзывов клиентов. «Защита бренда», оставаясь в курсе общественного мнения, добавляя интеллектуальные новости в приложения, чтобы получить представление о восприятии продукта брендами, организациями, людьми и темами.
Машинное обучение существует с 1959 года, когда его изобрел Артур Сэмюэл, сотрудник IBM. Машинное обучение - это разновидность искусственного интеллекта, который использует исторические данные для распознавания закономерностей и более точного прогнозирования будущего. Алгоритмы машинного обучения итеративно обучаются на основе данных, что позволяет компьютерам находить скрытые идеи и закономерности, не запрограммировав явно, где искать. Примерами обнаружения шаблонов могут быть распознавание речи, распознавание объектов или распознавание изображений, и это лишь некоторые из них.
Машинное обучение можно разделить на две основные категории:
· Обучение с учителем - когда вы даете «правильные ответы», чтобы эти типы моделей автоматизировали предсказание этих ответов с более высокой точностью. Подумайте о приложении по недвижимости, которое оценивает продажную цену дома. Вы предоставляете набор обучающих данных, который содержит квадратные метры, количество комнат, почтовый индекс и продажные цены на дома. Вы можете продолжать кормить его значениями характеристик жилья, и он должен спрогнозировать цену по линии регрессии. Классификация - это еще один метод обучения с учителем, в котором вы получаете дискретное значение - что-то вроде «да» или «нет» (я думаю о «вкл» или «выкл»). Например, это мошенничество? - да или нет?
· Обучение без учителя - это когда у вас есть наборы данных, но вы не знаете правильного ответа. Подумайте о поступающих новостях и алгоритме, который группирует их в главные новости / заголовки, спорт, бизнес и технологии.
Глубокое обучение - это подмножество машинного обучения, основанного на искусственных нейронных сетях, где есть соединения, слои и пути узлов («нейронов») для распространения данных. Он вдохновлен нашим пониманием биологии нашего мозга - всех этих миллионов взаимосвязей и взаимодействий между нейронами. Он называется «Глубокий», потому что количество и глубина слоев может исчисляться сотнями. Вы можете, например, взять изображение и разрезать его на кучу плиток, которые вводятся в первый слой нейронной сети. На первом уровне отдельные нейроны затем передают данные на второй уровень. Второй слой нейронов выполняет свою задачу и так далее, пока не будет получен последний слой и окончательный результат. Нейронным сетям нужны сотни тысяч или миллионы обучающих наборов, чтобы предсказать, что что-то есть. Входы и выходы нейронов настроены таким образом, чтобы эта машина могла сама научиться, что такое туман, скажем, от дождя.
Надеюсь, это поможет с некоторыми основными определениями. Я хочу поблагодарить Эндрю Нг за курс машинного обучения на Coursera и серию подкастов Тайлера Ренелля по машинному обучению. Тайлер овладел искусством обучения с помощью подкастов, взяв что-то столь сложное, как нейронные сети, функции затрат и различные алгоритмы, и объяснив их очень простым способом.
