Kunstmatige intelligentie versus machinaal leren versus diep leren | Het verschil

De termen Artificial Intelligence (AI), Machine Learning (ML) en Deep Learning (DL) zijn tegenwoordig heel gewoon geworden. Ze worden vaak door elkaar gebruikt, vooral als het gaat om Big Data, analyses en zoeken en indexeren. Hoewel deze drie termen erg verwant zijn, zijn ze niet hetzelfde.

In het verhaal van vandaag leggen we je uit wat AI, ML en DL precies zijn en hoe ze van elkaar verschillen. Maak je geen zorgen; we zullen geen ingewikkelde wetenschappelijke term gebruiken - we houden het kort en zo eenvoudig mogelijk.

Kunstmatige intelligentie

AI is de onderverdeling van de computerwetenschap, voor het eerst bedacht in 1956 door John McCarthy. De computer voert meestal taken uit die wij bevelen. AI is echter een manier om een ​​machine of software te bouwen die intelligent kan denken en zichzelf kan presteren, net als mensen. Dit omvat zaken als taal begrijpen, geluiden en beelden herkennen, leren, plannen en problemen oplossen.

Een conventioneel programma kan bijvoorbeeld alleen specifieke vragen beantwoorden, maar het AI-programma kan de generieke vragen beantwoorden.

Er zijn vier soorten AI –

1. Volledig reactief: Basistype, kan geen conclusies trekken. Voorbeeld – AlphaGo van Google, DeepBlue van IBM
2. Beperkt geheugen: Kan de juiste beslissingen nemen en acties ondernemen. Voorbeeld – Chatbots, zelfrijdende voertuigen
3. Theory of Mind: Kan gedachten, emoties begrijpen en sociaal communiceren. — Nog niet gebouwd*
4. Zelfbewust: Kan representaties over zichzelf vormen, zich bewust zijn van de zelftoestand en gevoelens van anderen voorspellen. –Nog niet gebouwd*

*Hoewel het derde en vierde type machine niet echt bestaan, worden ze gedemonstreerd in sciencefictionfilms, zoals R2D2 (type-3) uit Star Wars en Eva (type-4) uit Ex Machina.

Machineleren

ML is een subset van AI die het systeem de mogelijkheid biedt om te leren, te handelen en te verbeteren uit ervaring zonder expliciet geprogrammeerd te zijn. Dus in plaats van alle methoden expliciet te schrijven met specifieke instructies om een ​​bepaalde taak te volbrengen, is ML een techniek om een ​​programma te trainen zodat het kan leren van ervaringen uit het verleden. Hier verwijst training naar het invoeren van een grote hoeveelheid gegevens aan het programma en het programma zichzelf laten configureren en verbeteren.

Als u bijvoorbeeld duizenden kattenfoto's aan het ML-algoritme levert, begint het te herkennen hoe een kat eruitziet:hun lengte, kleur, gezichtsvorm, enzovoort. Uiteindelijk kan het katten identificeren en automatisch taggen op de foto's. Zodra het nauwkeurigheidsniveau hoog genoeg is, kan het algoritme precies vertellen hoe een kat eruit ziet.

Soorten machine learning:

1. Onder toezicht: Laat de machine expliciet leren door middel van gegevens met gedefinieerde uitvoer.
2. Zonder toezicht: Machine begrijpt gegevens (patroon/structuur) en trekt conclusies uit datasets.
3. Versterking: Een benadering van AI, leer van positieve en negatieve bekrachtiging en beloon de positieve resultaten.

Deep Learning

Deep Learning is een deelgebied van machine learning dat zich bezighoudt met algoritmen die zijn geïnspireerd op de structuur en functie van het menselijk brein, of de onderlinge verbinding van veel neuronen. Deze algoritmen staan ​​bekend als kunstmatige neurale netwerken (ANN's) die de biologische structuur van de hersenen nabootsen.

De neuronen hebben discrete lagen en verbindingen met andere neuronen. Men kan deze lagen visualiseren als een geneste hiërarchie van verwante concepten of beslissingsbomen. Elke laag kan een bepaald kenmerk selecteren om te leren of een specifiek pad te volgen. Diepte wordt opgebouwd door meerdere lagen. Hoe meer laag een netwerk heeft, hoe dieper/complexer het is.

Om goed opgeleid te zijn, hebben deep learning-netwerken grote hoeveelheden items nodig. In plaats van code te schrijven voor elke rand die items definieert, leert het systeem van blootstelling aan miljoenen datapunten.

Google-brein is een perfect voorbeeld van diepgaand leren om katten te herkennen na het nemen van meer dan tien miljoen afbeeldingsmonsters. Deze netwerken hoeven niet te worden gecodeerd met specifieke criteria die items definiëren; ze kunnen randen identificeren na blootstelling aan een groot aantal monsters.

In oktober 2017 zei Google Brain-chef, Jeff Dean op VB Summit, Berkeley -

Tegenwoordig zijn beeldherkenningssystemen die zijn ontwikkeld op basis van diep leren beter dan mensen - dit varieert van het herkennen van katten tot het identificeren van indicatoren van bloedkanker en tumoren in MRI-scans.

Google AlphaGo trainde op het spel Go (veel ingewikkelder dan schaken), en het ontwikkelde zijn neurale netwerk door keer op keer tegen zichzelf te spelen. In maart 2016 werd het het eerste computerprogramma dat een professionele menselijke Go-speler versloeg.

Lezen:18 beste schaakmachines op basis van hun beoordelingen

AI ML en DL visualiseren

Afbeelding tegoed:Nvidia 

De eenvoudigste manier om de relatie tussen AI, ML en DL te zien, is door ze te visualiseren als concentrische cirkels, waarin kunstmatige intelligentie op de eerste plaats komt, vervolgens machine learning en ten slotte deep learning, wat de huidige AI-explosie stimuleert.

Van buste tot boem

Kunstmatige intelligentie maakt sinds 1956 deel uit van de menselijke verbeelding en suddert al sinds 1956 in onderzoekslaboratoria. We hebben sinds 2012 meer vooruitgang geboekt in 7 jaar dan in de voorgaande 25 jaar op tal van belangrijke AI-problemen, zoals onderschatting van tekst, signaalverwerking, spraak en beeld erkenning (een zware klus).

De belangrijkste reden voor de explosie van AI in de afgelopen jaren is de brede beschikbaarheid van GPU's die parallelle verwerking nog sneller en goedkoper maken. Het heeft ook te maken met praktisch oneindige opslag en de hele Big Data-beweging – tekst, beeld, transacties, noem maar op.

Tegenwoordig investeren alle techgiganten zwaar in AI-projecten, en miljarden mensen werken dagelijks met AI-software via zoekmachines, sociale media en e-commerceplatforms. En een van de typen (of je kunt zeggen het enige type) AI waar we het meest mee omgaan, is machine learning.
Volgens statista zou de wereldwijde omzet van de AI-markt in 2025 $ 59 biljoen bedragen.

Lees:18 meest interessante feiten over kwantumcomputers

AI is de toekomst, dankzij deep learning

Deep Learning heeft verschillende praktische toepassingen van Machine Learning mogelijk gemaakt door taken op te splitsen op manieren die alle soorten machine-assistentie mogelijk maken. Betere productaanbevelingen en verhaalsuggesties, betere preventieve gezondheidszorg, voertuigen zonder bestuurder - tegenwoordig is dit allemaal mogelijk. Met behulp van Deep Learning kan AI zelfs die sci-fi-staat bereiken die mensen zich al lang hebben voorgesteld.