Hluboké učení a strojové učení jsou dvě důležité oblasti umělé inteligence. Ale jak se liší?

Oblast umělé inteligence (AI) zažívá v posledních letech rychlý růst, tažený několika faktory včetně vytvoření procesorů ASIC, zvýšeného zájmu a investic ze strany velkých společností a dostupnosti velká data. A díky OpenAI a TensorFlow dostupným pro veřejnost má mnoho menších společností a jednotlivců se rozhodli připojit a trénovat vlastní umělou inteligenci prostřednictvím různých strojových učení a hlubokého učení algoritmy.

Pokud vás zajímá, co je strojové učení a hluboké učení, jejich rozdíly a problémy a omezení jejich používání, pak jste na správném místě!

Co je strojové učení?

Strojové učení je obor v rámci umělé inteligence, který trénuje počítače, aby inteligentně předpovídaly a rozhodovaly se bez explicitního programování. V závislosti na cvičném algoritmu může strojové učení trénovat model pomocí jednoduchých pravidel if-then, složitých matematických rovnic a/nebo architektur neuronových sítí.

Mnoho algoritmů strojového učení používá k trénování modelů strukturovaná data. Strukturovaná data jsou data organizovaná ve specifickém formátu nebo struktuře, jako jsou tabulky a tabulky. Trénink modelu se strukturovanými daty umožňuje rychlejší tréninkové časy a menší požadavky na zdroje a poskytuje vývojářům jasnou představu o tom, jak model řeší problémy.

Modely strojového učení se často používají v různých odvětvích, jako je zdravotnictví, elektronický obchod, finance a výroba.

Co je hluboké učení?

Hluboké učení je podpolí strojového učení, které se zaměřuje na tréninkové modely napodobováním toho, jak se lidé učí. Vzhledem k tomu, že není možné seřadit kvalitativnější informace do tabulek, bylo vyvinuto hluboké učení, které se zabývá všemi nestrukturovanými daty, která je třeba analyzovat. Příklady nestrukturovaných dat mohou být obrázky, příspěvky na sociálních sítích, videa a zvukové nahrávky.

Protože počítače mají problém přesně identifikovat vzorce a vztahy od nestrukturovaných data, modely trénované pomocí algoritmů hlubokého učení se trénují déle, potřebují obrovské množství dat, a specializované cvičné procesory AI.

Použití umělých neuronových sítí také ztěžuje pochopení hlubokého učení, protože vstup prochází složitým, nelineární a vysokorozměrný algoritmus, kde je obtížné zjistit, jak neuronová síť dospěla ke svému výstupu nebo Odpovědět. Modely hlubokého učení se staly tak těžko pochopitelnými, že je mnozí začali označovat jako černé skříňky.

Modely hlubokého učení se používají pro složité úkoly, které normálně vyžadují člověk, jako je zpracování přirozeného jazyka, autonomní řízení a rozpoznávání obrazu.

Rozdíl mezi strojovým učením a hlubokým učením

Strojové učení a hluboké učení jsou dvě důležité oblasti v rámci umělé inteligence. Přestože obě metodiky byly použity k trénování mnoha užitečných modelů, mají své rozdíly. Zde je několik:

Složitost algoritmů

Jedním z hlavních rozdílů mezi strojovým učením a hlubokým učením je složitost jejich algoritmů. Algoritmy strojového učení obvykle používají jednodušší a lineárnější algoritmy. Naproti tomu algoritmy hlubokého učení využívají umělé neuronové sítě, které umožňují vyšší úroveň složitosti.

Množství požadovaných dat

Hluboké učení využívá umělé neuronové sítě k vytváření korelací a vztahů s danými daty. Vzhledem k tomu, že každý kus dat bude mít různé vlastnosti, algoritmy hlubokého učení často vyžadují velké množství dat k přesné identifikaci vzorů v sadě dat.

Na druhou stranu bude strojové učení vyžadovat podstatně menší množství dat, aby bylo možné dělat poměrně přesná rozhodnutí. Protože algoritmy strojového učení jsou často jednodušší a vyžadují méně parametrů, modely trénované pomocí algoritmů strojového učení si mohou vystačit s menším souborem dat.

Interpretovatelnost

Strojové učení vyžaduje strukturovaná data a také blízký zásah vývojářů k vytvoření efektivních modelů. To usnadňuje interpretaci strojového učení, protože vývojáři jsou často součástí procesu při trénování AI. Úroveň transparentnosti plus menší soubor dat a méně parametrů usnadňuje pochopení toho, jak model funguje a jak se rozhoduje.

Hluboké učení využívá umělé neuronové sítě k učení z nestrukturovaných dat, jako jsou obrázky, videa a zvuk. Použití komplexních neuronových sítí udržuje vývojáře v nevědomosti, pokud jde o pochopení toho, jak byl model schopen dospět ke svému rozhodnutí. To je důvod, proč jsou algoritmy hlubokého učení často považovány za modely „černé skříňky“.

Požadované zdroje

Jak již bylo zmíněno dříve, algoritmy strojového učení a hlubokého učení vyžadují různá množství dat a složitost. Protože algoritmy strojového učení jsou jednodušší a vyžadují výrazně menší soubor dat, lze model strojového učení trénovat na osobním počítači.

Naproti tomu algoritmy hlubokého učení by vyžadovaly podstatně větší soubor dat a složitější algoritmus pro trénování modelu. I když trénovací modely hlubokého učení lze provádět na spotřebitelském hardwaru, často se používají specializované procesory, jako jsou TPU, aby se ušetřilo značné množství času.

Typy problémů

Algoritmy strojového učení a hlubokého učení se lépe hodí k řešení různých druhů problémů. Strojové učení se nejlépe hodí pro jednodušší a lineárnější problémy, jako jsou:

  • Klasifikace: Klasifikujte něco na základě vlastností a atributů.
  • Regrese: Předvídejte další výsledek na základě předchozích vzorců nalezených na vstupních prvcích.
  • Redukce rozměrů: Snižte počet funkcí při zachování základní nebo základní myšlenky něčeho.
  • Shlukování: Seskupte podobné věci dohromady na základě funkcí bez znalosti již existujících tříd nebo kategorií.

Algoritmy hlubokého učení se lépe používají pro složité problémy, u kterých byste důvěřovali člověku. Mezi takové problémy patří:

  • Rozpoznávání obrazu a řeči: Identifikujte a klasifikujte předměty, tváře, zvířata atd. v rámci obrázků a videa.
  • Autonomní systémy: Autonomně řídit/řídit auta, roboty a drony s omezeným nebo žádným lidským zásahem.
  • AI herní roboti: Nechte AI hrát, učte se a vylepšujte strategie při vyhrávání soutěžních her, jako jsou šachy, Go a Dota 2.
  • Zpracování přirozeného jazyka: Porozumět lidské řeči v textu i řeči.

Ačkoli byste pravděpodobně mohli vyřešit jednoduché a lineární problémy pomocí algoritmů hlubokého učení, jsou pro ně nejvhodnější algoritmy strojového učení, protože ke svému běhu vyžadují méně zdrojů, mají menší soubory dat a vyžadují minimální školení čas.

Existují další podpole strojového učení

Nyní chápete rozdíl mezi strojovým učením a hlubokým učením. Pokud budete mít někdy zájem trénovat svůj vlastní model, mějte na paměti, že hluboké učení je pouze jednou doménou ve stroji učení, ale mohou existovat další subdomény strojového učení, které by lépe odpovídaly problému, o který se pokoušíte řešit. Pokud ano, pak učení dalších subdomén strojového učení by mělo zvýšit vaši efektivitu při řešení problému.