AI, ML a Deep Learning: Jaký je rozdíl?

Proč by se stroje měly učit? Protože lidé nemohou stát.

Současný vrchol AI / ML v pokroku ve specifickém přístupu k učení je výsledkem Deep Learning. Umělá inteligence, strojové učení a hluboké učení jsou zodpovědné za některé z největších úspěchů uplynulého roku a lidé tyto technologie navzájem oslavují. V poslední době byly technologické konference stejné s lidmi, kteří se chtějí dozvědět více o umělé inteligenci, strojovém učení a hlubokém učení. Každá z těchto technologií má za sebou dobrou historii, ale jednoduchý způsob, jak sledovat rozdíl, je naše motivace.

V roce 2017 se stovky lidí shromáždily o strojovém učení na AI Frontiers pro Tensorflow Workshop.

Rozdíl v pohybu

Auta se učí, protože lidé mohou dělat více. Dělám si srandu, ale je to dobrý začátek. Samozřejmě existuje více technických informací o tom, jak jsou propojeny AI, ML a Deep Learning.

Rozdíl v definicích

Umělá inteligence je inteligence vyvinutá, inspirovaná tím, co prožíváme jako lidské bytosti. Učení není jen tento aspekt, je to také nástroj, který používáme k dosažení větší inteligence. Umělá inteligence je nástroj, strojové učení je způsob, jak vytvořit nástroj. Hluboké učení je druh strojového učení, které se používá k dosažení umělé inteligence. Vizuální je zde učebnicový diagram vztahu mezi AI, ML a Deep Learning.

http://www.deeplearningbook.org/

Pokud se mě někdo zeptal, co to znamená pracovat v AI, řekl bych: „Snažím se vylepšit počítač tím, co lidé dělají.“ Pokud někdo požádá o způsob, jak dosáhnout AI, mohl bych říci „Se strojem“. abych byl přesnější, nebo „hluboké učení“.

Rozdíl v historii

Tento standard strojů, které fungují lépe než lidé, byl populární (založený na napodobovací hře) od Alana Turinga ve své knize „Testovací stroj“ z roku 1950. Stand Up naznačuje, že stroje lze testovat pomocí diskrétních pravidel a omezených strojů, což je to, co dnes většina počítačových programů dělá. Na samém konci své práce popisuje myšlenku „učících se strojů“, což je režim složitosti nad myslícími stroji. Připravte se na to: „Mohou auta myslet?“ Zeptali se. Na konci článku se zeptá: „Může být stroj tak kritický?“ První otázkou je, zda můžeme dosáhnout umělé inteligence. Druhou otázkou je, zda můžeme dosáhnout ML.

ML byl představen v roce 1950 Alan Turing. První program počítačového školení byl postaven v roce 1952 ke studiu strategií pro koncepty. První neuronová síť byla vytvořena v roce 1957. Deep Learning je další rozvoj umělých neuronových sítí, ale do roku 2006 nemělo jméno. Od roku 2010 bylo ve strojovém učení dosaženo velkého pokroku. Současný rozmach ML / AI je hlavně o úspěších hlubokého učení.

Podle Forbese jsou zde hlavní průlomy v AI, ML a Deep Learning

Dalším dobrým začátkem pochopení rozdílu mezi AI, ML a Deep Learning je pochopit, proč jsme vytvořili stroje, abychom se naučili na prvním místě. Čím lepší (nebo lepší) počítač je pro lidi, aby vykonávali určité úkoly, tím důležitější jsme pro AI. Strojové učení ukázalo, že v mnoha případech je to nejlepší způsob, jak tyto kroky projít.

Proč se auta učí

Jednou z největších kritik návrhu Alana Turinga na testování AI je argument asociačního primingu (a jeho další problém s rámečkem). Říkají, že kvůli naší složitosti inteligence nelze tento proces dosáhnout stroji. Tento proces se nazývá učení a počítače (dosud) byly malé.

Myšlenka zní: V průběhu života si lidé vytvářejí určitá sdružení, která mají různé síly. Jediným způsobem, jak prakticky každý dokáže identifikovat, i když v průměru, je vzájemná provázanost lidských konceptů - zažít svět jako lidský kandidát a partner. (Francouzsky, 1990)

Jak je lidská zkušenost složitá a složitá, jak převádíme naše zkušenosti v strojovém učení? Stroje podle Turingovy hypotézy mohou potřebovat studovat koncepty, které jsou pro nás běžně přijímány.

Důležitým rysem učícího se stroje je to, že jeho učitel často nevědí, co se v něm děje, přestože je stále schopen předvídat chování svého žáka. Tento nejlépe navržený design (nebo program) by měl být používán velmi přísně pro pozdější strojové učení od dětských strojů. Pokud používáte stroj k provádění výpočtů, je to úplně odlišné od jednoduchého postupu, a pak každou minutu výpočtu je třeba mít jasný mentální obraz o stavu stroje. (Turing, 1950)

Stroje se učí, protože je (zatím) lepší programovat počítače ke studiu intelektu, než programovat počítače tak, aby byly přímo inteligentní pro určitý účel. To může být vhodnější, protože (1) existuje jen malá lidská kapacita pro naučenou inteligenci (spíše než vytváření přímé inteligence); nebo (2) nejlépe proto, že stroj pracuje lépe, když se sám trénuje.

V praxi je strojové učení užitečné, když potřebuje přesnou předpověď problémů. Získejte hru „Dvacet otázek“. Původně se hrálo mezi lidmi. Abychom nahradili jeden z nich autem, musíme zvýšit podobnost lidské inteligence. U dvaceti otázek není strojové učení jediným způsobem, jak dosáhnout umělé inteligence, ale je nejlepším způsobem, jak je uvedeno níže.

(1) Příklady ML, které vyžadují méně lidského pohybu:

Dvacet otázek ve 20Q a ve dvou webových verzích Akinator je nahrazeno programem. Jak tedy změnili muže? Namísto vytvoření databáze dat pro všechny veřejné osobnosti (vždy) můžete navrhnout program, který prozkoumá vlastnosti celebrit prostřednictvím lidí, kteří ve hře odpovídají na otázky. Stojí to za úsilí.

(2) Příklad strojů, které dobře fungují pro ML

Bez ohledu na to, kolik úsilí vyžaduje, může strojové učení pracovat lépe než jiné algoritmy. Sundar Pichai na nedávné události I / O Google ukázal, že počítače jsou v rozpoznávání obrázků lepší než lidé. Tato fáze byla považována za průlom ve strojovém učení, zejména úspěch Deep Learning.

Od Google IO Keynote 2017

Příklady ML rozdílů v AI

Jak je znázorněno na výše uvedeném grafu, počítače (v mnoha ohledech) lépe předpovídají, detekují a kontrolují, co je na obrázku. Níže jsou koláže zábavných psů, které vypadají jako muffiny, bagely a mop. Jak poznáme rozdíl? Jak počítač pozná rozdíl? Chcete-li být AI, nezáleží na tom, jak počítač dokáže rozeznat rozdíl, pouze to dokáže. Aby byl ML, počítač musel učit a učit rozdíl sám.

Standardem pro inteligenci byl vždy náš intelekt a chování. Porovnáme-li naše schopnosti s vědeckým pokrokem v umělé inteligenci a jejich vznikajícími technologiemi, učení není jen dovednostmi, které lidé znají, ale také způsobem, jakým získávají dovednosti.

Učení je dovednost, která vám může pomoci získat další dovednosti

Počítač dokázal, že ML funguje lépe než jiné metody pro vysvětlení rozdílu mezi obrázky psů a koček. Ne všechny problémy s analýzou obrazu však vyžadují ML. Určení čar v obraze lze provést například formalizováním správného uspořádání pixelů bez ML. Podobně autonomní vozidla nevyžadují strojové učení k detekci blízkých objektů. Může použít pouze lidar. Tic Tac Toe AI nepotřebuje ML, ani to není šachová hra.

Tic Tac Toe jako problém při hledání.

Zejména pokud lze tyto problémy porovnat se spravovaným vyhledávacím polem (jako je hrací strom Tic Tac Toe výše), pak vám heuristika vyhledávání pomůže získat optimální odpověď. Podívejte se na chyby a uveďte další příklady učebnic. *, Chamtivá hloubka nebo hledání toho nejlepšího je známý algoritmus, po kterém může následovat nejkratší cesta z jednoho bodu do druhého. Schopnost předpovídat optimální cesty pro A * (ukázáno níže) nevyžaduje strojové učení.

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

Přestože se tyto problémy připravily o inteligentní aspirace (protože je lze řešit algoritmicky), diskreditace celé historie AI je trochu krátkozraká. Budoucnost AI je v každém případě smíšenou iniciativou lidské orientace, formálních modelů, heuristiky vyhledávání a strojového učení.

Co je to hloubková studie?

Hluboké učení odpovídá na otázky o tom, jak se stroj může něco naučit. Strojové učení je to, jak učíme počítače (v některých ohledech), aby vypadaly lépe než my, ale stroj je navíc schopen nás naučit, jak se vidět. Stejně jako lidé existují (a ještě musí být objeveny) různé přístupy k učení počítačů. Současný vrchol AI / ML v pokroku ve specifickém přístupu k učení je výsledkem Deep Learning.

Jednou z nejdůležitějších vlastností hloubkového studia dalších forem umělé inteligence je to, jak dobře nerozumíme výpočetní technice na základě rozhodnutí a předpokladů. Můžete se například vrátit k Formální logice. Pokud A-> B-> C, můžete tuto logiku modelovat ručně. Hluboké učení používá skryté vrstvy umělých neuronů a nemá diskrétní, deterministické nebo pozorovatelné fáze. Obrázek níže je zjednodušený obrázek hlubokého učení.

Na obrázku výše je zvíře na plotě. Pokud chceme hádat, jestli je to kočka nebo pes, náš mozek analyzuje délku srsti a tvar psí hlavy. Pro PC jsou pixely v obrázku vstupní vrstvou pro referenci a mezi vstupní vrstvou a výstupem jsou skryté vrstvy výpočtu a snaží se určit, které skupiny pixelů mohou být reprezentovány.

Pixely fotografie nejsou přirozeně strukturovány. Zatímco rysy, které hledáme (jako je délka vlasů nebo tvar zvířecí hlavy), mohou být formálně odůvodněné, počítač se ukázal být účinnější při identifikaci toho, co je pes sám, a vytváření vlastního modelu. Tyto modely se učí zasláním mnoha fotografií psů a koček do počítače předem.

Ale co když je v datech více struktury? Všechny problémy nezahrnují nestrukturovaná data. Řekněme, že hrajeme hru, „Koho to najdete?“ umožní hráčům zúžit vyhledávací pole, dokud přesně nepředpovídají vybraný obrázek soupeře. V tomto případě můžeme sledovat logiku, protože máme diskrétní funkce / vlastnosti, se kterými můžeme pracovat. Proto nepotřebujete Deep Learning, abyste stroj naučili vyhrát tuto hru.

Akinator a 20Q, online verze stolních her, „Víte, koho najít?“ Toto je skvělý příklad umělé inteligence vytvořené pomocí strojového učení, ale ve skutečnosti to není hluboké učení. Akinator může být formálně modelován ručně, ale bylo to skvělé v učení prostřednictvím hry znovu a znovu.

Šachové a Tic Tac prsty lze hrát pomocí počítače s přísně kódovanými pravidly a stavy. Vyučuje efektivněji prostřednictvím Akinator a 20Q play-off. Jedna věc, která dělá hry jako Go a Starcraft vyniknout, je, že mají velmi velká vyhledávací pole, situace a strategie. Věříme v hluboké učení, dokud naše stroje nebudou dostatečně silné, aby tyto hry zmapovaly.

Shrnutí příkladů

Zde je krátký popis příkladů a způsobu, jakým byly řešeny v diskusi

Jak „podpořit Jonesze“?

Takže, pokud vůbec, zapadá strojové učení do vašeho života? Tam, kde může být dobrým místem pro demokratizaci AI. Google nedávno oznámil Google.ai, který rozděluje pole ML do tří kategorií: výzkum, nástroje a infrastruktura a aplikace. Ve výzkumu se snažíte vymyslet dobré AI. V nástrojích najdete efektivní způsoby správy AI. Nakonec se v dodatku budete odkazovat na postupy a metody umělé inteligence. Společnosti jako Google usilují o přístup k ML pro stovky tisíc vývojářů, kde lidé používají AI každý den.

www.google.ai

(Pokud vás opravdu zajímá výkon AI, zde je výzkumný dokument Authorive Leverage.)