AI, ML и глубокое обучение: в чем разница?

Почему машины должны учиться? Потому что люди не могут стоять.

Текущий пик AI / ML в достижении определенного подхода к обучению является результатом глубокого обучения. Искусственный интеллект, машинное обучение и глубокое обучение ответственны за некоторые из величайших достижений прошлого года, и люди празднуют эти технологии друг с другом. В последнее время технологические конференции были тем же самым с людьми, которые хотят больше узнать об искусственном интеллекте, машинном обучении и глубоком обучении. У каждой из этих технологий хорошая история, но наша мотивация - это простой способ отследить разницу.

В 2017 году сотни людей собрались о машинном обучении на AI Frontiers для семинара Tensorflow.

Разница в движениях

Автомобили учатся, потому что люди могут делать больше. Я наполовину шучу, но это хорошее начало. Конечно, есть больше технической информации о том, как AI, ML и Deep Learning связаны.

Разница в определениях

Искусственный интеллект - это развитый интеллект, вдохновленный тем, что мы ощущаем как люди. Обучение - это не только этот аспект, это также инструмент, который мы используем для достижения большего интеллекта. Искусственный интеллект - это инструмент, машинное обучение - это способ создать инструмент. Глубокое обучение - это тип машинного обучения, который используется для достижения искусственного интеллекта. Для наглядности, вот схема из учебника о взаимоотношениях между AI, ML и Deep Learning.

http://www.deeplearningbook.org/

Если бы кто-то спросил меня, что значит работать в ИИ, я бы сказал: «Я пытаюсь улучшить компьютер, делая то, что делают люди». Если кто-то спрашивает, как достичь ИИ, я могу сказать: «С машиной». чтобы быть более точным, или «глубокое обучение».

Разница в истории

Этот стандарт наличия машин, которые работают лучше людей, был популярен (на основе имитационной игры) Аланом Тьюрингом в его книге 1950 года «Машина для испытаний». Stand Up предполагает, что машины можно тестировать с использованием дискретных правил и ограниченных машин, что и делают большинство компьютерных программ сегодня. В самом конце своей статьи он описывает идею «обучающих машин», сложного способа, превосходящего мыслительные машины. Забегай вперед: "Могут ли машины думать?" Они спросили. В конце статьи он спрашивает: «Может ли машина быть настолько критичной?» Первый вопрос: можем ли мы достичь ИИ. Второй вопрос: можем ли мы достичь ОД?

ML был представлен в 1950 году Аланом Тьюрингом. Первая компьютерная программа обучения была построена в 1952 году для изучения стратегий для шашек. Первая нейронная сеть была создана в 1957 году. Deep Learning - это дальнейшее развитие искусственных нейронных сетей, но до 2006 года у него не было названия. С 2010 года был достигнут значительный прогресс в машинном обучении. Текущий бум ML / AI в основном касается достижений глубокого обучения.

По словам Forbes, вот главные прорывы в AI, ML и Deep Learning.

Еще одно хорошее начало для понимания различий между искусственным интеллектом, ML и глубоким обучением - это понимание того, почему мы в первую очередь создали машины для обучения. Чем лучше (или лучше) компьютер для выполнения определенных задач, тем важнее мы для ИИ. Машинное обучение показало, что во многих случаях это лучший способ выполнить эти шаги.

Почему машины учатся

Одной из самых больших критических замечаний в отношении предложения Алана Тьюринга о тестировании ИИ является аргумент «Ассоциативное заполнение» (и проблема его дополнительного фрейма). Они говорят, что из-за нашей сложности интеллекта, этот процесс не может быть достигнут машинами. Этот процесс называется обучением, и компьютеры (до сих пор) были маленькими.

Идея такова: на протяжении всей жизни люди развивают определенные ассоциации, которые имеют разные полномочия. Единственный способ, который может идентифицировать практически каждый, даже в среднем, - это взаимосвязь человеческих представлений - воспринимать мир как человека-кандидата и собеседника. (Французский, 1990)

Поскольку человеческий опыт сложен и сложен, как мы можем перевести наш опыт в машинном обучении? Машины согласно гипотезе Тьюринга могут нуждаться в изучении общепринятых для нас концепций.

Важной особенностью обучающей машины является то, что ее учитель часто не знает о том, что происходит внутри него, хотя он все еще способен предсказать поведение своего ученика. Этот лучший дизайн (или программа) должен использоваться очень строго для последующего машинного обучения на дочерних машинах. При использовании машины для выполнения расчетов это полностью отличается от простой процедуры, и затем каждую минуту расчета необходимо иметь четкое представление о состоянии машины. (Тьюринг, 1950)

Машины учатся, потому что (на данный момент) лучше программировать компьютеры для изучения интеллекта, чем программировать компьютеры, чтобы они были непосредственно интеллектуальными для определенной цели. Это может быть предпочтительнее, потому что: (1) человеческая способность к научному интеллекту ограничена (вместо создания прямого интеллекта); или (2) предпочтительно, потому что машина работает лучше, когда она самообучается.

На практике машинное обучение полезно, когда необходимо точное прогнозирование проблем. Получите игру «Двадцать вопросов». Первоначально играли между людьми. Чтобы заменить один из них на автомобиль, нам нужно усилить сходство человеческого интеллекта. Для двадцати вопросов, машинное обучение - не единственный способ достичь искусственного интеллекта, но это лучший способ, как показано ниже.

(1) Примеры ОД, которые требуют меньше человеческого движения:

Двадцать вопросов в 20Q и две веб-версии Akinator заменены программой. Так как они изменили человека? Вместо того, чтобы создавать базу данных данных для всех общественных деятелей (всегда), вы можете разработать программу для изучения характеристик знаменитостей через людей, которые отвечают на вопросы в игре. Это стоит усилий, чтобы сделать это.

(2) Пример машин, которые хорошо работают для ML

Независимо от того, сколько усилий требуется, машинное обучение может работать лучше, чем другие алгоритмы. Сандар Пичай (Sundar Pichai) на недавнем мероприятии ввода / вывода Google показал, что компьютеры превосходят людей в распознавании изображений. Этот этап был расценен как прорыв в машинном обучении, в частности успех глубокого обучения.

Из Google IO Keynote 2017

Примеры ML Различий в ИИ

Как показано на графике выше, компьютеры (во многих отношениях) лучше предсказывают, обнаруживают и проверяют, что находится на изображении. Ниже приведен коллаж забавных собак, которые выглядят как кексы, рогалики и швабра. Как мы узнаем разницу? Как компьютер узнает разницу? Чтобы быть ИИ, не имеет значения, как компьютер может различить разницу, только он может это сделать. Чтобы стать ML, компьютер должен был учить и учить разницу самому.

Стандартом интеллекта всегда был наш интеллект и поведение. Если мы сравним наши способности с научными достижениями в области ИИ и их появляющимися технологиями, обучение - это не только навыки, с которыми люди знакомы, но и способ, которым они приобретают навыки.

Обучение - это навык, который может помочь вам приобрести другие навыки.

Компьютер доказал, что ML работает лучше, чем другие методы, чтобы объяснить разницу между изображениями собак и кошек. Однако не все проблемы с анализом изображений требуют ML. Определение линий на изображении может быть сделано, например, путем формализации правильного расположения пикселей без ML. Точно так же автономные транспортные средства не требуют машинного обучения для обнаружения близлежащих объектов. Можно просто использовать лидар. ИИ Tic Tac Toe не нуждается в ML и не является шахматной игрой.

Крестики-нолики как проблема поиска.

В частности, если проблемы можно сравнить с управляемым полем поиска (например, деревом игр Tic Tac Toe выше), то эвристика поиска поможет вам получить оптимальный ответ. Проверьте на ошибки, чтобы дать больше примеров учебников. *, Жадная глубина или поиск лучшего - это хорошо известный алгоритм, за которым может следовать кратчайший путь из одной точки в другую. Способность прогнозировать оптимальные пути для A * (показано ниже) не требует машинного обучения.

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

Хотя эти проблемы лишают себя интеллектуальных устремлений (поскольку они могут быть решены алгоритмически), дискредитация всей истории ИИ является несколько близорукой. В любом случае, будущее ИИ - это смешанная инициатива человеческой ориентации, формальных моделей, эвристики поиска и машинного обучения.

Что такое углубленное изучение?

Deep Learning отвечает на вопросы о том, как машина может чему-то научиться. Машинное обучение - это то, как мы учим компьютеры (в некотором смысле) выглядеть лучше, чем мы, но, кроме того, машина способна научить нас видеть себя. Как и у людей, существуют (и еще не открыты) разные подходы к обучению компьютерам. Текущий пик AI / ML в достижении определенного подхода к обучению является результатом глубокого обучения.

Одной из наиболее важных особенностей углубленного изучения других форм ИИ является то, насколько хорошо мы не понимаем вычисления, основанные на решениях и предположениях. Например, вы можете вернуться к формальной логике. Если A-> B-> C, вы можете вручную смоделировать эту логику. Глубокое обучение использует скрытые слои искусственных нейронов и не имеет дискретных, детерминированных или наблюдаемых стадий. Картинка ниже - это упрощенная картина глубокого обучения.

На рисунке выше показано животное на заборе. Если мы хотим угадать, кошка это или собака, наш мозг анализирует длину волос и форму головы собаки. Для ПК пиксели в изображении являются входным слоем для эталона, и между входным слоем и выходом есть скрытые уровни вычислений, и они пытаются определить, какие группы пикселей могут быть представлены.

Пиксели фотографии не имеют естественной структуры. В то время как те черты, которые мы ищем (например, длина волос или форма головы животного), могут быть формально оправданы, компьютер оказался более эффективным с точки зрения того, что представляет собой собака, и для создания своей собственной модели. Этим моделям учат, отправляя множество фотографий собак и кошек на компьютер заранее.

Но что, если в данных будет больше структуры? Все проблемы не включают неструктурированные данные. Допустим, мы играем в игру "Кого ты находишь?" позволяют игрокам сузить окно поиска, пока они не будут точно предсказать выбранное изображение противника. В этом случае мы можем следовать логике, потому что у нас есть отдельные особенности / качества для работы. Поэтому вам не нужно глубокое обучение, чтобы научить машину побеждать в этой игре.

Akinator и 20Q, онлайн-версии настольных игр "Знаешь ли ты, кого искать?" Это отличный пример ИИ, построенного с использованием машинного обучения, но это определенно не глубокое обучение. Акинатор может быть формально смоделирован вручную, но он отлично подходит для обучения через игру снова и снова.

Играть в шахматы и крестики-нолики можно с помощью компьютера со строго закодированными правилами и состояниями. Преподает более эффективно через Akinator и плей-офф 20Q. Отличительной чертой таких игр, как Go и Starcraft, является то, что они имеют очень большие поля поиска, ситуации и стратегии. Мы доверяем Deep Learning, пока наши машины не станут достаточно сильными, чтобы наносить на карту эти игры.

Резюме примеров

Вот краткое описание примеров и как они были рассмотрены в обсуждении

Как "поддержать Jonesz"?

Так, если вообще, машинное обучение вписывается в вашу жизнь? Где можно начать демократизацию ИИ. Google недавно анонсировал Google.ai, который разделяет область ML на три категории: исследования, инструменты, инфраструктура и приложения. В исследованиях вы работаете над способами изобрести хороший искусственный интеллект. В инструментах вы найдете эффективные способы управления ИИ. Наконец, в Приложении вы будете ссылаться на методы и методы ИИ. Такие компании, как Google, стремятся получить доступ к ML для сотен тысяч разработчиков, где люди используют ИИ каждый день.

www.google.ai

(Если вы действительно заинтересованы в производительности ИИ, вот исследовательская статья Authorive Leverage.)