AI, ML ir gilus mokymasis: koks skirtumas?

Kodėl mašinos turi mokytis? Nes žmonės negali suspėti.

Dabartinis AI / ML bumas yra pažangos pasiekus specifinį požiūrį į mokymąsi, giluminį mokymąsi, rezultatas. Dirbtinis intelektas, mašinų mokymasis ir giluminis mokymasis yra atsakingi už keletą didžiausių pastarųjų metų pasiekimų, ir žmonės šias technologijas švenčia pakaitomis. Pastaruoju metu technologijų konferencijos užplūsta žmonių, norinčių daugiau sužinoti apie dirbtinį intelektą, mašininį mokymąsi ir giluminį mokymąsi, tarsi tai būtų tas pats dalykas. Kiekviena iš šių technologijų yra nemažai istorijos, tačiau paprasčiausias būdas atsekti skirtumą yra mūsų motyvacija.

Šimtai žmonių susirenka sužinoti apie mašinų mokymąsi „AI Frontiers“ į „Tensorflow“ seminarą 2017 m.

Motyvacijos skirtumas

Mašinos mokosi, nes žmonės turi geresnių dalykų. Aš pusiau juokauju, bet tai gera pradžia. Žinoma, yra daugiau techninių dalykų, susijusių su AI, ML ir giluminiu mokymusi.

Apibrėžčių skirtumas

Dirbtinis intelektas yra inžinerinis intelektas, įkvėptas to, ką patiriame kaip žmonės. Mokymasis yra ne tik to aspektas, bet ir priemonė, kurią mes patys naudojame siekdami didesnio intelekto. Dirbtinis intelektas yra įrankis, o mašininis mokymasis yra būdas sukurti įrankį. Giluminis mokymasis yra mašininio mokymosi rūšis, naudojama dirbtiniam intelektui pasiekti. Vaizdo dėlei čia yra AI, ML ir giluminio mokymosi santykių sąsiuvinio schema.

http://www.deeplearningbook.org/

Jei kas nors paklaustų, ką reiškia dirbti AI, atsakyčiau: „Aš stengiuosi, kad kompiuteriai būtų geresni, kad padaryčiau tai, ką daro žmonės.“ Jei kas nors paprašytų vieno būdo, kaip pasiekti AI, galėčiau atsakyti: „Su mašinų mokymu“. arba „gilus mokymasis“, kad būtų konkrečiau.

Istorijos skirtumas

Šį standartą turėti mašinas, kurios veikia geriau nei žmonės, garsiai pristatė Alanas Turingas savo 1950 m. Dokumente „Skaičiavimo technika ir intelektas“, populiariai žinomu kaip Turingo testas (paremtas mėgdžiojimo žaidimu). Turingas siūlo, kad mašinos galėtų išlaikyti testą su atskirais taisyklių rinkiniais ir baigtinių būsenų mašinomis - taip šiandien veikia dauguma kompiuterių programų. Pačiame darbo pabaigoje jis įsivaizduoja „mokymosi mašinų“ idėją, kuri yra sudėtingesnė nei mąstymo mašinos. Pirmasis Turingo paklausė: „Ar mašinos gali galvoti?“ Straipsnio pabaigoje jis klausia: „Ar mašina gali būti superkritiška?“ Pirmasis klausimas yra, ar galime pasiekti AI. Pastarasis klausimas yra apie tai, ar galime pasiekti ML.

ML pristatė Alanas Turingas 1950 m. 1952 m. Buvo sukurta pirmoji kompiuterio mokymosi programa, skirta išmokti šaškių žaidimo strategijas. Pirmasis neuroninis tinklas buvo sukurtas 1957 m. Giluminis mokymasis yra tolimesnis dirbtinių neuroninių tinklų vystymas, tačiau jis dar nesupranta jo pavadinimo iki 2006 m. Nuo 2010 m. Mašinų intelektas padarė didelę pažangą. Dabartinis ML / AI bumas daugiausia susijęs su pažangumu giluminiame mokymesi.

Anot „Forbes“, čia yra svarbiausi AI, ML ir Deep Learning pagrindiniai pasiekimai

Norint suprasti skirtumą tarp AI, ML ir giluminio mokymosi, dar viena gera pradžia yra supratimas, kodėl sukūrėme mašinas, skirtas mokytis pirmiausia. Kai kompiuteriai tampa tokie pat geri (arba geresni nei) žmonėms atliekant tam tikras užduotis, mes pasiekiame svarbiausius PG etapus. Mašinų mokymasis daugeliu atvejų parodė, kad yra geriausias būdas pasiekti šias gaires.

Kodėl mašinos mokosi

Vienas didžiausių Alano Turingo pasiūlymo išbandyti AI kritikos yra asociatyvaus pradėjimo argumentas (ir jį papildanti rėmo problema). Dėl to, kad sudėtinga įgyti mūsų intelektą, teigiama, kad mašinos negali pasiekti šio proceso. Šis procesas vadinamas mokymu, o kompiuteriai dar nebuvo tokie puikūs (iki šiol).

Idėja yra tokia: Žmonės per savo gyvenimą susiformuoja tam tikros įvairaus stiprumo asociacijos tarp sąvokų. Iš esmės vienintelis būdas, kuriuo mašina gali nustatyti net ir vidutiniškai visas asociatyvias stipriąsias žmogaus sąvokas, yra patirti pasaulį tokį, kokį turėjo kandidatas į žmogų ir apklaustieji. (Prancūzų kalba, 1990 m.)

Žmogaus patirtis yra sudėtinga ir sudėtinga, pagal kokią pedagogiką mes perteikiame savo patirtį mašinoms? Turingas iškėlė hipotezę, kad mašinoms gali tekti patiems išmokti supratimo, kurį laikome savaime suprantamu dalyku.

Svarbus mokymosi mašinos bruožas yra tas, kad jos mokytojas dažniausiai iš esmės nežino, kas vyksta viduje, nors jis vis tiek gali tam tikru mastu numatyti savo mokinio elgesį. Tai turėtų būti griežčiausiai taikoma vėlesniam kompiuterio mokymui, atsirandančiam iš gerai išbandytos konstrukcijos vaikų programos (arba programos). Tai aiškiai prieštarauja įprastai procedūrai, kai skaičiavimams naudojama mašina, o objektas yra aiškus mašinos būsenos vaizdas kiekvienu skaičiavimo momentu. (Turingas, 1950 m.)

Mašinos mokosi, nes tam tikriems tikslams (šiuo metu) labiau mėgstama programuoti kompiuterius, kad jie išmoktų žvalgybos, nei programuoti kompiuterius, kad būtų tiesiogiai intelektualūs. Gali būti teikiama pirmenybė, nes (1) išmoktoms žvalgyboms sukurti reikia mažiau žmogaus pastangų (nei tiesiogiai kurti žvalgybinius duomenis); arba (2) gali būti teikiama pirmenybė, nes mašina veikia geriau, kai moko.

Praktikoje mašininis mokymasis yra naudingas, kai problemoms reikia tikslių prognozių. Paimkite žaidimą Dvidešimt klausimų. Iš pradžių jis buvo žaidžiamas tarp žmonių. Norėdami pakeisti vieną iš jų mašina, mums reikia, kad aparatas šiek tiek primintų žmogaus intelektą. Dvidešimčiai klausimų mašininis mokymasis nėra vienintelis būdas pasiekti dirbtinį intelektą, bet, be abejo, geresnis būdas, kaip parodyta žemiau.

(1) ML, reikalaujančio mažiau žmogaus pastangų, pavyzdys:

Dviejose „Dvidešimt klausimų“, „20Q“ ir „Akinator“ internetinėse versijose žmogus pakeičiamas programa. Taigi kaip jie pakeitė žmogų? Užuot sukūrę visų (visų laikų) visuomenės veikėjų informacijos duomenų bazę, galite išmokyti programą, kad išmoktumėte garsių žmonių savybių per žmones, atsakinėjančius į žaidimo klausimus. Tai taupo pastangas tai padaryti tokiu būdu.

(2) ML, leidžiančio mašinoms veikti geriau, pavyzdys

Nepriklausomai nuo to, kiek pastangų tai sutaupo, mašinų mokymasis gali būti paprasčiau geresnis nei kitų tipų algoritmų. Neseniai vykusiame „Google I / O“ renginyje Sundaras Pichai parodė, kad kompiuteriai vaizdo atpažinimo srityje pranoko žmones. Šis etapas buvo įskaitytas į pažangą mašininio mokymosi srityje, visų pirma, giluminio mokymosi srityje.

Iš „Google IO Keynote 2017“

Pavyzdžiai, kaip ML skiriasi nuo AI

Kaip parodyta aukščiau pateiktoje diagramoje, kompiuteriai dabar (daugeliu atžvilgių) geriau nei žmonės prognozuoja, nustato ir tikrina, kas yra paveikslėlyje, nei žmonės. Žemiau yra linksmas šunų koliažas, kuris atrodo kaip keksas, bagelis ir mopsas. Kaip mes žinome skirtumą? Kaip kompiuteris žino skirtumą? Kad tai būtų PG, nesvarbu, kaip kompiuteris sugeba pasakyti skirtumą, tiesiog kad gali. Kad tai būtų ML, kompiuteris turėjo būti išmokęs ir išmokęs skirtumą.

Žvalgybos standartas visada buvo mūsų pačių intelektas ir elgesys. Jei turėtume susieti savo sugebėjimus su AI akademiniais siekiais ir iš jų išplaukiančiomis technologijomis, pastebėtume, kad mokymasis yra ne tik tas, kuris žmonėms sekasi gerai, bet ir būdas įgyti įgūdžių.

Mokymasis yra įgūdis, padedantis įgyti kitų įgūdžių

Kad kompiuteris galėtų pasakyti skirtumą tarp šunų ir keksų atvaizdų, įrodyta, kad L. L. padarė geriau nei kiti metodai. Tačiau ne visoms vaizdo analizės problemoms reikia ML. Pavyzdžiui, aptikti paveiksle esančias linijas galima oficialiai nustatant teisingą pikselių organizavimą be ML. Taip pat autonominėms transporto priemonėms nereikia mašinų mokymosi, kad būtų galima aptikti šalia esančius objektus. Tai gali tiesiog įdarbinti lidar. „Tic Tac Toe AI“ taip pat nereikia ML ir šachmatų žaidimo.

„Tic Tac Toe“ kaip paieškos problema.

Tiksliau, jei problemas galima priskirti prie valdomos paieškos vietos (pvz., Aukščiau pateikto žaidimo medžio „Tic Tac Toe“ medis), tada paieškos euristika gali padėti grąžinti optimalų atsakymą. Jei norite pateikti daugiau vadovėlių pavyzdžių, apsižvalgykite. A *, žaliuojanti pirmo gylio paieška arba geriausia pirmoji paieška, yra gerai žinomas algoritmas trumpiausiems keliams iš vieno taško į kitą rasti. Norint A * nuspėti optimalius kelius (parodyta žemiau), nereikia mokytis mašinų.

https://en.wikipedia.org/wiki/A*_search_algorithm

Nors teigiama, kad šios problemos atima protingus užsiėmimus (nes jas galima išspręsti algoritmiškai), bet ir trumparegiška yra diskredituoti visą PG istoriją. Jei kas, AI ateitis yra tam tikra mišrioji žmogaus krypties, oficialių modelių, paieškos euristikos ir mašininio mokymosi iniciatyva.

Kas yra gilus mokymasis?

Giluminis mokymasis atsako į klausimus, kaip mašina gali kažko išmokti. Mašinų mokymasis yra tai, kaip išmokėme kompiuterius matyti geriau nei mes (tam tikrais būdais), tačiau dar sudėtingesnis yra tas, kaip mašina sugebėjo išmokyti save matyti. Kaip ir žmonės, kompiuterių mokymosi būdai yra įvairūs (ir dar neatrastų). Dabartinis AI / ML bumas yra pažangos pasiekus specifinį požiūrį į mokymąsi, giluminį mokymąsi, rezultatas.

Viena iš labiausiai apibūdinančių giluminio mokymosi iš kitų AI savybių yra tai, kaip gerai (nesuprantame) suprantame priimamų sprendimų ir prognozių skaičiavimus. Pavyzdžiui, „Formal Logic“ yra grįžtamoji. Jei A-> B-> C, šią logiką galite modeliuoti ranka. Giluminis mokymasis naudoja paslėptus dirbtinių neuronų sluoksnius ir neturi tokių atskirų, deterministinių ar atsekamų žingsnių. Žemiau esančiame paveikslėlyje parodyta supaprastinta gilaus mokymosi iliustracija.

Aukščiau esančiame paveikslėlyje pavaizduotas gyvūnas kliūtyje. Jei norėtume nuspėti, ar tai katė, ar šuo, mūsų smegenys (galbūt) parsineša plaukų ilgį ir galvos formą šuns link. Kompiuteryje vaizdo elementai yra įvesties sluoksnis išvadoms, tarp įvesties ir išvesties yra paslėpti skaičiavimo sluoksniai, kuriais bandoma nustatyti, kurios konkrečios pikselių grupės gali atstovauti.

Fotografijos taškai iš esmės yra nestruktūruoti. Nors mūsų ieškomos savybės gali būti oficialiai pagrįstos (pvz., Plaukų ilgis ar gyvūno galvos forma), įrodyta, kad veiksmingiau leisti kompiuteriui išsiaiškinti, ką reiškia būti šunimi, ir sukurti savo modelį. Šie modeliai yra apmokyti siunčiant daugybę šunų ir kačių nuotraukų, kad kompiuteris galėtų išmokti iš anksto.

O kas, jei duomenyse būtų daugiau struktūros? Ne visos problemos susijusios su nestruktūruotais duomenimis. Tarkime, kad mes žaidžiame žaidimą „Atspėk, kas?“ Panašus į numatymą, ar krepšyje yra šuo ar katė, atspėk, kas? leidžia žaidėjams sumažinti paieškos vietą, kol jie gali tiksliai nuspėti, koks yra priešininko pasirinktas vaizdas. Tokiu atveju galime atsekti logiką, nes turime atskiras savybes / savybes, su kuriomis turime dirbti. Dėl šios priežasties jums nereikės „Deep Learning“, jei norite išmokti mašinos, kad laimėtumėte šį žaidimą.

„Akinator“ ir „20Q“, internetinės stalo žaidimų versijos „Atspėk, kas?“ Versijos, yra puikūs PG pavyzdžiai, sukurti naudojant mašininį mokymąsi, tačiau nebūtinai giluminį mokymąsi. „Akinator“ gali būti oficialiai modeliuojamas rankomis, tačiau buvo toks pat geras mokantis žaisti vėl ir vėl.

Šachmatais ir „Tic Tac Toe“ gali žaisti kompiuteris, kurio taisyklės ir būsenos yra griežtai užkoduotos. „Akinator“ ir „20Q“ yra efektyviau treniruojami žaidžiant. Tokie žaidimai kaip „Go“ ir „Starcraft“ skiriasi tuo, kad jie turi daug didesnes paieškos erdves, būsenas ir strategijas. Ir kol mūsų mašinos taps pakankamai galingos, kad būtų galima nustatyti visus šiuos žaidimus, mes pasikliaujame giluminiu mokymu.

Pavyzdžių santrauka

Čia yra pavyzdžių ir kaip jie buvo paminėti diskusijoje, santrauka

Kaip „suspėti su Joneses“

Taigi, kur, jei iš viso, mašinų mokymasis tinka jūsų gyvenime? Gera vieta pradėti būtų vietos, kuriose vyksta AI demokratizavimas. Neseniai „Google“ paskelbė „Google.ai“, kuri ML erdvę padalija į tris kategorijas: „Tyrimai“, „Įrankiai ir infrastruktūra“ bei „Taikymas“. Tyrime dirbate apie geresnio PG išradimo būdus. „Tools“ įrankyje rasite būdų, kaip efektyviai veikti AI. Galiausiai, taikydami programą, stenkitės, kad būtų galima naudotis AI praktika ir būdais. Tokios kompanijos kaip „Google“ siekia padaryti ML prieinamą šimtams tūkstančių kūrėjų, kur AI naudoja kasdieniai žmonės.

www.google.ai

(Jei jus tikrai domina AI atlikimas, pateikiame mokslinį dokumentą apie autorinį svertą.)