Ми всі знайомі з терміном «штучний інтелект». Можливо, з таких популярних фільмів, як Термінатор чи Матриця. Але ви, напевно, також чули про такі поняття, як «Машинне навчання» (ML — Machine Learning) та «Глибоке навчання» (DL — Deep Learning) , які часто плутають із поняттям штучного інтелекту. В результаті різниця між AI, ML і DL могла загубитися.
Почнемо з короткого пояснення цих понять та їх відмінностей. Потім поговоримо про те, як пов’язані AI та IoT та як технології, сплітаючись в одне ціле, заклали основу для прогресу. У чому різниця між AI, ML і DL?
Штучний інтелект (Artificial intellegence, AI)
Штучний інтелект – це машина, здатна виконувати завдання, характерні для людського інтелекту: планування, розпізнавання об’єктів та звуків, навчання та вирішення завдань.
За масштабом сфери застосування AI можна розділити на дві категорії: загальні та вузькі. Загальний AI буде мати всі характеристики людського інтелекту, включаючи вищезгадані можливості. Вузький AI віртуозно володіє деякими аспектами людського інтелекту, а в інших областях – повний нуль. Наприклад, AlphaGo.
З промислової точки зору AI застосовується для прогнозування та аналізу виробничих процесів, щоб досягти більшої ефективності.
Тепер споживачам не потрібно пристосовуватися до технологій, технології самі адаптуються під нас. Замість того, щоб натискати, вводити текст і шукати, ми просто запитуємо машини, що нам потрібно. Наприклад, інформацію про погоду чи маршрут.
Машинне навчання (Machine learning, ML)
Machine Learning – це спосіб отримання AI. Фразу вигадав Артур Самуель, піонер у галузі штучного інтелекту, в 1959 році. Він визначив ML як «здатність до навчання, не будучи явно запрограмованим». Ви можете отримати AI і без використання машинного навчання, але для цього потрібно написати мільйони рядків коду зі складними правилами та деревами рішень .
Тож на відміну «жорсткого кодингу» ПЗ з інструкціями до виконання конкретної завдання, тобто. прямого розв’язання задачі, ML – це процес «навчання» алгоритму . «Навчання» передбачає подачу величезної кількості даних до алгоритму, що дозволяє алгоритму самостійно коригуватися та покращуватись.
Машинне навчання використовується, наприклад, для вдосконалення комп’ютерного зору (здатність машини розпізнавати об’єкт зображення або відео). Для цього необхідно зібрати базу зображень, потім розмітити на них об’єкти. Наприклад, можна вибрати зображення, на яких є кішка. Порівнюючи фото з/без кішки алгоритм побудує модель, яка точно помітить картинку як кішку, що містить. Як тільки рівень точності стане досить високим, можна робити висновок, що машина “дізналася”, як виглядає кішка.
Глибоке навчання (Deep Learning, DL)
Deep Learning – один із багатьох підходів до Machine Learning. Інші підходи включають навчання на основі дерева рішень, індуктивне логічне програмування, кластеризацію, навчання з підкріпленням, байєсовські мережі та інші.
Deep Learning заснований на структурі та функціональності мозку, а саме на нейронних мережах. Нейромережі (Artificial Neural Networks, або штучні нейронні мережі) – це алгоритми, що імітують біологічну структуру мозку.
Нейромережі складаються з “нейронів”, які мають дискретні шари та з’єднання з іншими “нейронами”. Кожен шар виділяє певну функцію вивчення, як криві/ребра при розпізнаванні зображень. Саме це розшарування дає Deep Learning його назву. Глибина створюється використанням кількох, а чи не одного шару.
Синергетичний ефект
В останні роки машинне навчання та глибоке навчання привели до великого стрибку у розвитку AI. Як згадувалося вище, ML і DL вимагають величезної кількості даних для роботи, вони збираються мільярдами датчиків і надходять до Internet of Things (пристрої, що знаходяться в мережі та взаємодіють між собою за участю або без участі людини). Таким чином, IoT створює датасети для покращення AI.
Удосконалення технологій спрямоване виробництво більш дешевих і потужних пристроїв, що дозволило зробити ривок у розвитку AI останніми роками. Наприклад, нові батареї можуть служити роками без підключення до джерела живлення. Бездротовий зв’язок, зумовлений появою смартфонів, дозволив надсилати великі обсяги даних за низькими цінами, дозволяючи датчикам надсилати інформацію в хмару. У свою чергу, хмара дозволяє зберігати терабайти даних та обробляти їх із “нескінченною” обчислювальною здатністю.
Звичайно, проблеми взаємодії AI із суспільством до кінця не вивчені. Але по тому, з якою швидкістю зростають прогрес і впровадження AI та IoT, цей вплив збільшуватиметься в геометричній прогресії.
