Машинное обучение (далее – ML) и искусственный интеллект (далее – AI) давно стали основными методами решения проблем во многих областях исследований и промышленности, не в последнюю очередь из-за успехов в области глубокого обучения (далее – DL). И иногда в сети можно встретить мнение, что AI, ML и DL являются синонимами. Так ли это на самом деле?
AI и ML очень взаимосвязаны. Как сказал Маккарти, один из основателей этой области, AI – это «наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Это связано с аналогичной задачей использования компьютеров для понимания человеческого интеллекта, но AI не должен ограничиваться биологически наблюдаемыми методами».
Это довольно общий характер и включает в себя несколько задач, таких как абстрактное рассуждение и обобщение о мире, решение головоломок, планирование достижения целей, перемещение по миру, распознавание объектов и звуков, перевод, выполнение социальных или деловых операций, творческая работа. (например, создание произведений искусства или поэзии) и управление роботами. Более того, поведение машины – это не только результат программы, на него также влияет ее «тело» и среда, в которую она физически встроена. Однако для простоты, если вы можете написать очень умную программу, которая имеет, скажем, человеческое поведение, это может быть AI. Но если он автоматически не учится на данных, это не ML.
Итак, AI и ML предназначены для создания интеллектуальных компьютерных программ, и DL, являясь экземпляром машинного обучения, не является исключением. DL, которое достигло значительных успехов во многих областях, включая распознавание объектов, распознавание речи и управление, может рассматриваться как построение компьютерных программ, а именно программирование уровней абстракции дифференцируемым образом с использованием многоразовых структур, таких как свертка, объединение, автокодировщики и т. д. Другими словами, мы заменяем сложность написания алгоритмов, которые охватывают все возможные варианты, на сложность поиска правильной общей схемы алгоритмов – например, в форме глубокой нейронной сети – и обработки данных.
В итоге AI и ML действительно похожи, но не совсем одинаковы. AI – это решение проблем, рассуждение и обучение в целом. ML – это именно обучение – обучение на примерах, определениях, рассказах и поведении.
AI и ML дополняют друг друга, и следующий прорыв заключается не только в том, чтобы подтолкнуть каждое из них, но и в их сочетании. Наши алгоритмы должны поддерживать обучаемые, составляемые модели вычислений и облегчать рассуждение и взаимодействие по отношению к этим моделям на правильном уровне абстракции. Чтобы добиться этих достижений, необходимо сотрудничать во многих дисциплинах и областях исследований. Использование вычислений в качестве общего языка имеет потенциал для развития концепций обучения и вывода информации, которую людям легко и сложно усвоить.