Jaki jest najczystszy sposób na rozróżnienie sztucznej inteligencji (AI), uczenia maszynowego (ML), głębokiego uczenia (deep learning) oraz generatywnej AI?
Krótka odpowiedź brzmi, że te terminy tworzą stos. AI to szerokie pojęcie. Uczenie maszynowe to jeden ze sposobów budowania AI. Głębokie uczenie to rodzaj uczenia maszynowego. Generatywna AI to rodzaj głębokiego uczenia, który tworzy nową treść.
Brzmi to prosto. W praktyce ludzie często mylą te terminy. Skutkuje to zamieszaniem, a zamieszanie jest kosztowne, gdy budujesz systemy.
Zacznij od AI
AI oznacza sztuczną inteligencję. To szeroki termin obejmujący wiele innych. Jeśli system wykazuje zachowanie, które wygląda na inteligentne, ludzie umieszczają go pod parasolem AI.
Mogą to być asystent głosowy, filtr spamu, silnik rekomendacji lub system autonomiczny. Wspólnym mianownikiem nie jest magia. To oprogramowanie, które wykonuje zadanie w sposób, który wydaje się nam mądry.
Lubię trzymać AI na szczycie stosu, ponieważ pomaga to uniknąć niedbałego myślenia. AI to etykieta celu, a nie etykieta metody.
Uczenie maszynowe to sposób, w jaki wiele systemów AI się uczy
Uczenie maszynowe, czyli ML, to jeden ze sposobów budowania AI. Zamiast ręcznie pisać każde reguły, dajesz systemowi dane i pozwalasz mu nauczyć się wzorców z tych danych.
Prostym przykładem jest wykrywanie oszustw. Jeśli model widzi wiele przeszłych transakcji oznaczonych jako oszustwo lub nieoszustwo, może nauczyć się wzorców, które pomogą mu oceniać nowe transakcje później. Nie zapamiętuje on każdego przypadku. Ucz się z przykładów.
To jest prawdziwa zmiana. W klasycznym oprogramowaniu programista pisze reguły. W uczeniu maszynowym model uczy się reguł z danych. Dlatego jakość danych ma tak ogromne znaczenie. Złe dane dają Ci zły model, nawet jeśli kod jest schludny i czysty.
ML jest szeroki. Obejmuje wiele rodzajów algorytmów i wiele rodzajów zadań. Niektóre modele klasyfikują dane. Niektóre przewidują liczbę. Niektóre rangują elementy. Niektóre znajdują wzorce. Ta dziedzina jest większa niż większość ludzi myśli, gdy po raz pierwszy usłyszy ten termin.
Głębokie uczenie to ML z wielowarstwowymi sieciami neuronowymi
Głębokie uczenie to podzbiór uczenia maszynowego. Wykorzystuje sieci neuronowe z wieloma warstwami. Te warstwy uczą się funkcji krok po kroku z danych.
Sieć neuronowa to model złożony z połączonych jednostek. Wczesne warstwy uczą się prostych wzorców. Późniejsze warstwy łączą te wzorce w bardziej użyteczne idee. Dla obrazu wczesne warstwy mogą reagować na krawędzie i kształty. Późniejsze warstwy mogą reagować na części obiektów. Ostatnia warstwa dokonuje ostatecznej predykcji.
Dlatego głębokie uczenie dobrze działa na nieuporządkowane dane rzeczywiste. Obrazy, mowa, tekst i wideo mają wszystkie strukturę, którą trudno jest przepisać do reguł ręcznie. Model głęboki może nauczyć się tej struktury z wystarczającej ilości danych treningowych.
Istnieje jednak koszt. Głębokie uczenie zazwyczaj wymaga dużo danych i dużo mocy obliczeniowej. Tendencja do bycia trudniejszym do wyjaśnienia niż prostsze metody ML również występuje. Może być potężny i nadal irytujący. Obie rzeczy są prawdziwe jednocześnie, co bardzo pasuje do marki oprogramowania.
Generatywna AI to głębokie uczenie, które tworzy nową treść
Generatywna AI, czyli Gen AI, to szczególny rodzaj głębokiego uczenia. Zamiast tylko klasyfikować lub przewidywać, tworzy nowe wyjście.
To wyjście może być tekstem, obrazem, audio, wideo lub kodem. Model uczy się wzorców z dużych ilości danych, a następnie używa tych wzorców do wyprodukowania czegoś nowego w odpowiedzi na polecenie lub wejście.
To jest kluczowa różnica wobec wielu starszych systemów głębokiego uczenia. Zwykły model wizualny może powiedzieć: „To jest kot”. Model generatywny może napisać opis kota, narysować kota lub kontynuować prompt o kocie. Jeden system identyfikuje. Drugi produkuje.
Generatywna AI nie pojawiła się znikąd. Opiera się na głębokich sieciach neuronowych i nowszych architekturach, które uczyniły generowanie w skali makro praktycznym. Transformatory są dużą częścią tej historii. Pomogły one uczynić możliwym nowoczesne generowanie tekstu, a później wiele innych systemów generatywnych.
Jeden mały przykład, który rozjaśnia stos
Weź aplikację do zdjęć.
Jeśli aplikacja sortuje zdjęcia na „pies” i „nie pies”, to jest to AI. Dokładniej mówiąc, prawdopodobnie jest to uczenie maszynowe. Jeśli używa ona głębokiej sieci neuronowej wytrenowanej na wielu oznaczonych obrazach, to jest to głębokie uczenie.
Jeśli aplikacja zapisuje kilka notatek o psie i pisze nowy podpis, lub tworzy świeży obraz psa w nowej scenie, to jest to generatywna AI.
Ta sama szeroka rodzina. Inna praca. To jest ta część, której ludzie nie rozumieją, gdy traktują każdą funkcję AI jakby pochodziła z tego samego miejsca.
Relacja, zwykłymi słowami
Oto najprostszy sposób, aby to zapamiętać.
AI to szeroka dziedzina inteligentnych systemów.
ML to metoda budowania AI poprzez naukę z danych.
Głębokie uczenie to ML zbudowane na warstwowych sieciach neuronowych.
Gen AI to głębokie uczenie używane do tworzenia nowej treści.
Ten stos ma znaczenie, ponieważ mówi Ci, z jakim rodzajem systemu masz do czynienia. Powstrzymuje też hype na wodzy. Nie każdy produkt AI jest generatywny. Nie każdy model uczenia maszynowego jest głęboki. Nie każda sieć neuronowa jest użyteczna. Model nadal musi rozwiązywać właściwy problem.
Dlaczego te terminy są mylone
Często ludzie używają AI jako etykiety zbiorczej. To jest w porządku w swobodnej rozmowie, ale staje się bałaganem w pracy technicznej. Silnik rekomendacji, model oszustw, rozpoznawacz mowy i chatbot nie są tym samym. Mogą wszystkie znajdować się gdzieś pod parasolem AI, ale są budowane bardzo różnie.
To samo dotyczy głębokiego uczenia i generatywnej AI. Głębokie uczenie to rodzina metod. Generatywna AI to jedno zastosowanie tej rodziny. Jeśli utrzymujesz te role oddzielnie, architektura ma więcej sensu.
Dlatego też vague rozmowy o AI prowadzą do złych decyzji. Jeśli zespół mówi, że potrzebują „AI”, prawdziwym pytaniem jest, czy potrzebują predykcji, klasyfikacji, wyszukiwania, generowania czy czegoś innego. Samo słowo AI nie odpowiada na to pytanie.
Co czytelnik może zrobić teraz
Możesz teraz umieścić główne terminy w kolejności i wyjaśnić różnicę bez machania rękami. Możesz powiedzieć, kiedy system używa ML, kiedy używa głębokiego uczenia i kiedy faktycznie generuje nową treść.
To wystarczy, aby czytać roszczenia produktów AI ostrzejszym okiem. Daje Ci też czystszy sposób myślenia o systemach przed ich zbudowaniem.
The Model Log istnieje z tego samego powodu. Jeden praktyczny koncept AI, jeden działający przykład i jeden szczery spojrzenie na to, co naprawdę działa.
