Beyond the Hype: Munurinn á gervigreind, vélinám og djúpt nám

Gervigreind (AI) hefur gengið inn í daglegt líf okkar með höggi. Allt frá markaðssetningu til lækninga virðist hafa áhrif á öll viðskipti og atvinnugreinar. Tæknifyrirtæki keppa um yfirburði í kapphlaupinu um að leiða markaðinn og eignast nýstárlegustu og efnilegustu AI fyrirtækin.

Þú gætir þegar verið að nota AI í daglegu lífi, með forritum eins og talþekkingu, sýndaraðstoð á snjallsímanum, ráðleggingaralgrímum verslunarvefja og tónlistar- eða vídeóstraumþjónustu, eða jafnvel þegar þú heimsækir lækninn og hann ber saman röntgenmynd eða aðrar læknisfræðilegar myndir með öðrum læknisfræðilegum gögnum.

Og svo eru það hugtökin vélanám og djúpt nám, sem virðast rugla marga. Of oft eru þau notuð til skiptis, en þó þau séu náskyld hvert öðru, þá hafa þau mismunandi merkingu. Svo, hver er munurinn á AI, vélanámi og djúpt námi?

Gervigreind

Í víðasta skilningi, samkvæmt stofnendum þess, er AI vísindi og verkfræði við að búa til greindar vélar, einkum greindar tölvuforrit. Þetta er leið til að gera tölvu, tölvustýrða vélmenni eða hugbúnað að hugsa á greindan hátt á svipaðan hátt og menn hugsa um leið og þeir nýta mun meiri hraða og kraft tölvunnar.

Þekkingartækni er kjarni hluti af AI rannsóknum. Vélar geta aðeins virkað eins og menn ef þær hafa mikið af upplýsingum um heiminn. Sjálfstæður bíll getur aðeins ekið á öruggan hátt með nægileg gögn um umhverfi sitt. Reiknirit fyrir ákvarðanatöku eru aðeins eins góðir og innsláttargögnin.

Með öðrum orðum, gervigreind verður að hafa aðgang að hlutum, flokkum, eiginleikum og samskiptum þeirra allra til að innleiða þekkingarfræði. Að hefja heilbrigða skynsemi, rökhugsun og leysa vandamál í vélum er erfið og leiðinleg nálgun. Við erum hvergi nærri virkilega greindar vélar.

Vélarnám

Þrátt fyrir að gervigreind nái yfir allt svið vélanáms hefur hugtakið vélinám mun þrengri merkingu, nefnilega „hæfileikinn til að læra án þess að vera beinlínis forritaður.“ Tilviljun, þetta er þar sem mestu breytingarnar eru að gerast núna: að fóðra gríðarleg gagnasöfn inn í tölvur og bíða eftir að þær komi með árangur.

Vélarnám er tegund AI sem auðveldar tölvu getu til að læra og kennir sjálfri sér að þróast þegar hún verður fyrir nýjum og síbreytilegum gögnum. Til dæmis notar fréttastraumur vélarinnar nám í vélum í því skyni að sérsníða fóður hvers og eins út frá því sem þeim líkar. Helstu þættir hefðbundins vélanámshugbúnaðar eru tölfræðigreining og forspárgreining sem notuð er til að koma auga á mynstur og finna falinn innsýn byggðan á gögnum sem hafa sést frá fyrri útreikningum án þess að vera forrituð um hvert eigi að leita.

Vélanám hefur sannarlega þróast í gegnum árin með getu sinni til að sigta í gegnum flókið gagnasett. Oft er kallað þetta „stór gögn“. Margir geta verið hissa á að vita að þeir lenda í forritum til að læra vélar í daglegu lífi sínu í gegnum streymisþjónustur eins og Netflix og reiknirit á samfélagsmiðlum sem vekja athygli á stefnumótum eða hashtags. Aðdráttur útdráttar í námi í vélum krefst þess að forritari segi tölvunni hvaða tegundir af hlutum hún ætti að vera að leita að sem verða mótandi við ákvörðun, sem getur verið tímafrekt ferli. Þetta hefur einnig í för með sér að vélinám hefur minnkað nákvæmni vegna þáttar mannlegra mistaka við forritunarferlið.

Djúpt nám

Djúpt nám er yngsta svið rannsókna á vélanámi sem kynnt hefur verið með það að markmiði að færa vélinám nær gervigreind.

Það snýr að rannsókn á „djúpum taugakerfum“ í mannheilanum og undir þessu sjónarhorni reynir djúpnámið að líkja eftir virkni innri laga mannheilans og skapa þekkingu úr mörgum lögum upplýsingavinnslu. Þar sem djúpt námstækni er byggð á eftir heila manna, í hvert skipti sem nýjum gögnum er hellt inn, þá batnar getu hennar.

Undir djúpu námstækifræðinni er vélin í raun 'þjálfuð' og notar mikið magn gagna og reiknirita til að veita henni getu til að læra hvernig á að framkvæma verkefnið. Þessi gögn eru gefin í gegnum taugakerfi sem spyrja röð tvöfaldra sannra / rangra spurninga eða tölulegra gilda, af hverjum bita af gögnum sem fara í gegnum þau og flokka þau samkvæmt svörunum sem berast. Í dag er myndgreining véla sem eru þjálfaðir í djúpu námi notuð til að þjálfa sjálfstæð vélmenni og farartæki, í læknisfræði til að bera kennsl á sjúkdómamerki og alls konar myndir.

Fyrir nokkru lærði AlphaGo Google leikinn leikinn á nokkrum klukkustundum með því að spila á móti sér aftur og aftur og aftur. Þessi ómeðhöndlaða og sífellt hraðari hæfni til að læra er lykillinn að núverandi eflingu yfir djúpt nám. En næsta byltingartækni er ekki langt í burtu.