Co kryje się wewnątrz sztucznej inteligencji i dlaczego ludzie wciąż mylą ją z uczeniem maszynowym oraz uczeniem głębokim?
Krótka odpowiedź brzmi: te pojęcia są powiązane, ale pełnią różne funkcje. Sztuczna inteligencja to szeroka dziedzina. Uczenie maszynowe to jeden ze sposobów budowania sztucznej inteligencji. Uczenie głębokie to specyficzny rodzaj uczenia maszynowego, który wykorzystuje sieci neuronowe.
Ludzie rzucają tymi słowami tak, jakby oznaczały to samo. Nie oznaczają. Jeśli utrzymasz ten jeden fakt w głowie, wiele rozmów o sztucznej inteligacji stanie się łatwiejsze do śledzenia.
Sztuczna inteligencja to największe pudełko
Sztuczna inteligencja to termin uogólniający. Obejmuje każdy system komputerowy, który wykonuje pracę wymagającą normalnie ludzkiej oceny, planowania lub rozpoznawania wzorców.
Ta definicja jest celowo szeroka. Obejmuje stare systemy oparte na regułach, silniki wyszukiwarki z logiką rankingu, programy szachowe oraz nowoczesne systemy uczące się. Jeśli maszyna wykonuje coś, co wygląda jak mądre decyzje, może ona znajdować się pod parasolem sztucznej inteligencji.
Ta szerokość jest częścią problemu. Sztuczna inteligencja to kategoria, a nie jedna metoda. Kiedy ludzie mówią „sztuczna inteligencja”, mogą mieć na myśli prosty silnik reguł lub duży model neuronowy. Samo słowo nie mówi ci, jak działa system.
Uczenie maszynowe to metoda
Uczenie maszynowe znajduje się wewnątrz sztucznej inteligencji. To podejście, w którym nie piszemy każdej reguły ręcznie. Dajemy systemowi dane i pozwalamy mu znaleźć wzorce.
To jest wielka zmiana. Tradycyjne oprogramowanie wykonuje instrukcje, które napisaliśmy. Uczenie maszynowe uczy się na przykładach i buduje własne wewnętrzne reguły na podstawie tych przykładów.
Prosty sposób myślenia o tym to filtrowanie spamu w e-mailach. Programista nie wymienia na zawsze każdego słowa kluczowego spamu i każdego triku. Model uczy się na wielu oznaczonych wiadomościach e-mail i zaczyna wyłapywać sygnały pasujące do spamu. Wykorzystuje przeszłość, aby zgadywać o następnej wiadomości.
Dlatego uczenie maszynowe wydaje się tak użyteczne. Jest dobre w rozpoznawaniu wzorców, przewidywaniu i sortowaniu. Jest również ograniczone przez swoje dane. Jeśli dane są słabe, niekompletne lub źle oznaczone, model nauczy się błędnych rzeczy z ogromną pewnością siebie. To bardzo ludzki błąd, który jest niegrzeczny, ale użyteczny.
Uczenie głębokie to podejście neuronowe
Uczenie głębokie znajduje się wewnątrz uczenia maszynowego. Wykorzystuje sieci neuronowe z wieloma warstwami. Te warstwy pozwalają systemowi uczyć się złożonych wzorców z dużych, chaotycznych danych.
Słowo „głębokie” pochodzi od liczby warstw. Każda warstwa przekształca wejście nieco bardziej. Wczesne warstwy mogą wyłapywać proste sygnały. Późniejsze warstwy łączą te sygnały w bardziej użyteczne wzorce.
Działa to dobrze dla zadań, których nie da się łatwo zakodować ręcznie. Rozpoznawanie obrazów to klasyczny przypadek. Model uczenia głębokiego może nauczyć się wzorców w pikselach, które pomagają rozróżnić kota od psa lub linię pasa ruchu od krawędzi drogi. Odblokowanie telefonu twarzą to kolejny powszechny przykład.
Ale uczenie głębokie wymaga dużo. Często potrzebuje dużych zbiorów danych, mocnego sprzętu i ostrożnego treningu. Może być kosztowne w budowie i trudne do wyjaśnienia. Głęboki model może działać dobrze, nie ułatwiając inspekcji swojej logiki. To jest w porządku, gdy działa. To problem, kiedy ludzie udają, że model jest bardziej przejrzysty, niż jest w rzeczywistości.
Mały przykład: sortowanie e-maili
Weźmy jedno proste zadanie. Aplikacja pocztowa chce oznaczać spam.
System sztucznej inteligencji oparty na regułach mógłby użyć stałych instrukcji, takich jak: „Jeśli temat zawiera X, oznacz go jako spam”. To jest sztuczna inteligencja, ale nie jest to uczenie maszynowe.
System uczenia maszynowego uczyłby się na poprzednich e-mailach oznaczonych jako spam lub nie jako spam. Szukałby wzorców, takich jak dziwne zachowanie nadawcy, powtarzające się frazy lub podejrzane linki. Klasyfikowałby na podstawie danych, a nie sztywnego skryptu.
Wersja uczenia głębokiego użyłaby sieci neuronowej do nauki bogatszych wzorców z dużych ilości tekstu e-mail i metadanych. Mogłaby wyłapać bardziej subtelne sygnały, ale także kosztuje więcej szkolenie i dostrajanie.
Cel tego przykładu jest prosty. Cel jest taki sam we wszystkich trzech przypadkach. Metoda się zmienia.
Dlaczego rozróżnienie ma znaczenie
To nie jest gra słów. Etykieta mówi ci, z jakim rodzajem systemu masz do czynienia.
Jeśli zespół mówi, że używa sztucznej inteligencji, to mówi ci prawie nic. Nadal musisz wiedzieć, czy system jest oparty na regułach, oparty na uczeniu maszynowym, czy oparty na uczeniu głębokim. Te wybory wpływają na koszty, potrzeby dotyczące danych, tryby awarii i to, jak łatwy jest system w debugowaniu.
Wpływa to również na rodzaj obietnicy, która jest składana. Sztuczna inteligencja jest często używana jako błyszczący termin uogólniający. Prowadzi to do złych rozmów. Podstawowy system rankingowy i model generatywny to oba „sztuczna inteligencja”, ale wcale nie są tą samą maszyną.
Czysty model mentalny jest następujący:
Sztuczna inteligencja to dziedzina. Uczenie maszynowe to metoda nauki. Uczenie głębokie to metoda sieci neuronowej wewnątrz uczenia maszynowego.
Ta hierarchia to część warta zapamiętania. Gdy to kliknie, wiele rozmów o produktach staje się mniej śliskich.
Generatywna sztuczna inteligencja mieści się też w tym obrazie
Generatywna sztuczna inteligencja jest częścią tej samej rodziny, a nie osobnego uniwersum. Zazwyczaj wykorzystuje uczenie głębokie do tworzenia nowego tekstu, obrazów, kodu, audio lub wideo.
Tradycyjne uczenie maszynowe często klasyfikuje lub przewiduje. Generatywna sztuczna inteligencja produkuje treści. To jest core różnica. Może napisać e-mail, napisać fragment kodu lub stworzyć obraz na podstawie promptu.
Dlatego obecna fala sztucznej inteligacji wydaje się inna wielu ludziom. System nie tylko sortuje świat. Produkuje nowe wyjścia z nauczonych wzorców. To jest potężne, i łatwo je przesadzić. Te modele mogą być użyteczne bez bycia magicznymi. Mogą też być błędne w płynny, wypolerowany sposób.
Praktyczny sposób czytania twierdzeń o sztucznej inteligencji
Kiedy słyszę twierdzenie o sztucznej inteligencji, pytam najpierw o jedno podstawowe pytanie: jaki to rodzaj systemu?
Jeśli odpowiedzią jest sztuczna inteligencja, to za szerokie. Jeśli odpowiedzią jest uczenie maszynowe, chcę wiedzieć, z jakich danych się uczyło. Jeśli odpowiedzią jest uczenie głębokie, chcę wiedzieć, czy zadanie naprawdę wymaga tego rodzaju modelu. Jeśli odpowiedzią jest generatywna sztuczna inteligencja, chcę wiedzieć, co generuje i jak zawodzi.
Ta nawyk przecina dużo huku. Zastępuje niewyraźne etykiety rzeczywistym projektowaniem systemu.
Teraz terminy mają kształt
Możesz teraz umieścić słowa w właściwej kolejności. Sztuczna inteligencja to parasol. Uczenie maszynowe to metoda napędzana danymi w jej wnętrzu. Uczenie głębokie to podejście sieci neuronowej wewnątrz uczenia maszynowego. Generatywna sztuczna inteligencja to styl tworzenia treści, który często wykorzystuje uczenie głębokie pod spodem.
To oznacza, że możesz czytać artykuły o sztucznej inteligencji, twierdzenia produktów i diagramy systemów z mniejszym zamieszaniem. Wiesz, co etykieta powinna oznaczać, i wiesz, kiedy robi zbyt dużo pracy.
To jest rodzaj jasności, którą The Model Log stara się utrzymać przy życiu: jeden praktyczny koncept sztucznej inteligencji, jeden działający przykład i jeden szczery spojrzenie na to, co faktycznie działa.
