Интернет сегодня бурно развивается благодаря облакам, большим данным, машинному обучению, глубокому обучению, Интернету вещей и ИИ (искусственному интеллекту). Причина в том, что эти технологии сближают мир, интегрируя различные системы и выполняя человеческие задачи, повышая производительность и экономя кучу денег и времени!
В то время как мир сходит с ума по поводу ИИ и его потенциального использования, во многих случаях мы можем слышать слово «машинное обучение» наряду с ИИ.
Термины ИИ и машинное обучение часто путают и используют как синонимы. Однако, углубляясь в обе концепции, мы понимаем, что они разные. Прежде чем перейти к различиям, давайте разберемся с важной информацией об обоих на общих примерах.
Что такое машинное обучение?
К настоящему времени большинство из нас привыкли к покупкам в Интернете с такими крупными брендами, как Flipkart, Amazon и другими, которые предлагают огромный ассортимент товаров. Допустим, вы хотите купить новый телефон на Amazon. Вы просматриваете различные модели, собираете данные, читаете обзоры — и оставляете все на этом, думая вернуться позже. В следующий раз, когда вы откроете Amazon, у вас будет более персонализированный опыт. Amazon покажет вам больше телефонов и аксессуаров, связанных с тем, что вы видели в последний раз. Это даст вам предложения, основанные на вашей предыдущей тенденции просмотра. По сути, Amazon пытается улучшить ваш опыт просмотра! Нет! Никто за тобой не шпионит! Это происходит со всеми миллионами пользователей, просматривающих онлайн! Существует алгоритм, который работает повсюду, который отслеживает ваши тенденции просмотра только для того, чтобы постоянно улучшать его каждый раз!
Проще говоря, машинное обучение — это изучение алгоритмов, которые выполняют определенные задачи без явных инструкций. Система опирается на общие закономерности и интерференцию. Хорошие системы машинного обучения должны уметь подготавливать и интерпретировать различные типы данных, иметь интеллектуальные алгоритмы, следовать итеративным и автоматизированным процессам и быть масштабируемыми.
Машинное обучение может быть разных типов — контролируемое обучение, неконтролируемое обучение , частично контролируемое обучение и активное обучение.
Что такое искусственный интеллект (ИИ)?
ИИ шире по своему охвату по сравнению с машинным обучением. То, что до сих пор могли сделать только люди, ИИ пытается сделать все это. Например, игра в теннис на Xbox, где вы играете против компьютера, или виртуальные помощники, взаимодействующие с человеком и искусственным интеллектом, такие как Alexa, Cortana или Siri, которые понимают ваши вопросы и отвечают соответствующим образом.
Определение ИИ развивалось вместе с новыми достижениями в области технологий, и то, что мы сегодня считаем ИИ, может не быть действительным примером, скажем, через 20 лет. Например, два десятилетия назад игра в шахматы с компьютером считалась искусственным интеллектом, но позже каждая ОС могла реализовать ее с помощью алгоритма поиска по дереву, который стал довольно предсказуемым и скучным.
Таким образом, мы можем с уверенностью заключить, что, хотя определение машинного обучения является постоянным и ограниченным, у ИИ, похоже, есть определение, которое развивается со временем и технологическим прогрессом. ИИ можно рассматривать как надмножество машинного обучения или машинного обучения, обладающее собственным интеллектом, подобным человеческому.
На рисунке выше показано, как машинное обучение эволюционировало из ранней концепции ИИ. ИИ существует уже давно с 1950-х годов, после чего он разветвился на различные цели, одной из которых является машинное обучение.
Как все началось?
Немного истории никогда не помешает. Скорее, это может помочь вам еще больше заинтересоваться темой. Искусственный интеллект основан исключительно на том факте, что человеческий мозг можно механизировать и обучить. Наблюдение о том, что между человеческим интеллектом и машинами может существовать связь, не было заметным до конца 1950-х годов.
Норберт Вайнер, американский математик, был первым, кто теоретически проанализировал, что разумное поведение является результатом механизмов постоянной обратной связи. Это породило мысль о том, что машины могут моделировать и механизмы! Основываясь на этом, первая программа ИИ «Теоретик логики» была разработана Ньюэллом и Саймоном в 1955 году. Однако официальный термин ИИ был придуман Джоном Маккарти в 1956 году, которого считают отцом ИИ.
Между тем, в 1950-х годах были проведены новаторские исследования в области машинного обучения с использованием базовых алгоритмов. К концу 1960-х машины могли играть в шашки, крестики-нолики и ближайшего соседа, используя распознавание образов. Однако только в 1990-х годах ученые начали создавать программы для анализа огромных объемов данных и извлечения уроков из них посредством статистического анализа.
По состоянию на 2016 год AlphaGo от Google стала первой программой, которая использует машинное обучение и методы поиска по дереву, чтобы победить игрока-человека.
Возможности ИИ кажутся безграничными. В 2018 году Google анонсировала Google duplex, расширение помощника Google, которое записывает встречи от вашего имени по телефону. Человек на другой стороне может даже не знать, является ли человек, с которым он разговаривает, человеком или нет!
Ключевые различия между ИИ и машинным обучением
Теперь, когда у нас есть четкое представление о том, что означает каждый термин, давайте проведем подробное сравнение обоих —
МАШИННОЕ ОБУЧЕНИЕ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
1 Набор статистических данных и методов, которые машина использует, чтобы улучшить себя и узнать о своей среде с опытом. Любая техника, которая расширяет возможности компьютера имитировать человеческий интеллект, используя набор правил, деревья решений и логику машинного обучения.
2 Сосредоточен на большей точности за счет улучшения алгоритмов с течением времени.Больше внимания уделяется увеличению процента успеха, а не 100-процентной точности.
3 Машина принимает факты и данные, анализирует данные и учится на данных. Этот цикл продолжается. Это компьютерная программа, которая использует свой собственный интеллект, чтобы думать и действовать, как человек.
4 Конечная цель состоит в том, чтобы максимизировать производительность машины для конкретной задачи на основе данных.Основная цель — смоделировать человеческий интеллект с помощью нейронных сетей для решения сложных задач.
5 Система учится на данных. Оно не принимает собственных решений.Система принимает решения.
6 Поскольку весь вывод основан на данных, поведенческого обучения нет. Например, пользователь может по ошибке щелкнуть несколько ссылок, но данные все равно будут интерпретироваться как выбор или интерес пользователя. ИИ приводит к разработке системы, которая имитирует поведение человека в определенных обстоятельствах. Например, беспилотный автомобиль попытается думать и водить как человек.
7 Машинное обучение — это центр информации и знаний, основанный на фактах и данных, собранных с течением времени. ИИ — это интеллект, основанный на обработке речи, восприятии, движении и манипулировании, а также на социальном интеллекте.
8 ML — одна из многих целей ИИ. У ИИ несколько целей, таких как рассуждение, компьютерное зрение, робототехника, машинное обучение и т. д.…
9 Некоторые примеры включают –
1 Набор статистических данных и методов, которые машина использует, чтобы улучшить себя и узнать о своей среде с опытом. Любая техника, которая расширяет возможности компьютера имитировать человеческий интеллект, используя набор правил, деревья решений и логику машинного обучения.
2 Сосредоточен на большей точности за счет улучшения алгоритмов с течением времени.Больше внимания уделяется увеличению процента успеха, а не 100-процентной точности.
3 Машина принимает факты и данные, анализирует данные и учится на данных. Этот цикл продолжается. Это компьютерная программа, которая использует свой собственный интеллект, чтобы думать и действовать, как человек.
4 Конечная цель состоит в том, чтобы максимизировать производительность машины для конкретной задачи на основе данных.Основная цель — смоделировать человеческий интеллект с помощью нейронных сетей для решения сложных задач.
5 Система учится на данных. Оно не принимает собственных решений.Система принимает решения.
6 Поскольку весь вывод основан на данных, поведенческого обучения нет. Например, пользователь может по ошибке щелкнуть несколько ссылок, но данные все равно будут интерпретироваться как выбор или интерес пользователя. ИИ приводит к разработке системы, которая имитирует поведение человека в определенных обстоятельствах. Например, беспилотный автомобиль попытается думать и водить как человек.
7 Машинное обучение — это центр информации и знаний, основанный на фактах и данных, собранных с течением времени. ИИ — это интеллект, основанный на обработке речи, восприятии, движении и манипулировании, а также на социальном интеллекте.
8 ML — одна из многих целей ИИ. У ИИ несколько целей, таких как рассуждение, компьютерное зрение, робототехника, машинное обучение и т. д.…
9 Некоторые примеры включают –
- Обнаружение спам-писем
- Персонализированный опыт покупок в Интернете
- Анализ фондового рынка
Некоторые примеры включают –
- Личные помощники, такие как Alexa, Siri и Cortana
- Беспилотные автомобили
- Обнаружение и предотвращение мошенничества в онлайн-транзакциях
- Распознавание языка, образов и изображений
Из различий мы видим, что машинное обучение развилось из ИИ, как и многие другие цели ИИ. Рассматривайте ИИ как огромный потолок, который содержит машинное обучение и многие другие связанные с ним цели.
Что впереди?
Машинное обучение влияет на бизнес более чем одним способом. Он стал неотъемлемой частью всех предприятий, и в настоящее время технологи ищут способы совместить IoT и машинное обучение, чтобы найти еще один прорыв. Машинное обучение может способствовать инновациям за счет изучения различных закономерностей в данных. На основе алгоритмов и данных можно создавать новые решения или улучшать существующие.
Конечная цель сильного ИИ — превзойти людей почти в каждой когнитивной задаче. Тем не менее, ИИ — это одна из областей, которую необходимо использовать осторожно. Например, когда система искусственного интеллекта управляет вашим автомобилем, вы можете подумать о том, насколько безопасно будет, чтобы система полностью управляла автомобилем, которому нужны органы чувств человека для точной работы. Как мы видели ранее, ИИ еще не достиг 100% точности, но, скорее всего, это будет достигнуто, потому что ИИ продолжает развиваться с постоянной обратной связью и самосовершенствованием. При правильном использовании сверхразума искусственного интеллекта можно вылечить больше болезней, искоренить бедность, и люди станут ближе к технологиям, чем когда-либо прежде. С другой стороны, поскольку роботы с поддержкой ИИ могут проявлять различные человеческие эмоции, если отрицательные эмоции пересилят, могут быть последствия.
По прогнозам Gartner,
- К 2020 году 20% граждан в развитых странах будут использовать помощников ИИ для выполнения множества повседневных оперативных задач.
- В 2020 году ИИ создаст 2,3 миллиона рабочих мест, сократив лишь 1,8 миллиона рабочих мест.
- К 2022 году корпоративные проекты искусственного интеллекта со встроенной прозрачностью будут на 100 % чаще получать финансирование от ИТ-директоров.
- К 2024 году нехватка специалистов по данным больше не будет препятствовать внедрению науки о данных и машинного обучения в организациях.
Будьте первыми в курсе последних новостей о HR-сфере и IT-рекрутменте - подписывайтесь на наш блог в Telegram!