Uczenie maszynowe a sztuczna inteligencja

Uczenie maszynowe a sztuczna inteligencja

Cały świat jest obecnie zamknięty z powodu pandemii COVID-19. Szkoły, uczelnie, a nawet biura zostały zamknięte, aby uniknąć dalszego rozprzestrzeniania się wirusa. Jeśli kiedykolwiek chciałeś podnieść swoje umiejętności w zakresie nowych technologii lub chcesz dowiedzieć się o nich więcej, to jest najlepszy czas.

Powiedzmy, że uczenie maszynowe (ML) i sztuczna inteligencja (AI) to jedna z umiejętności lub technologii, które chcesz poznać, wtedy jesteś we właściwym miejscu. Istnieje wiele kursów dotyczących sztucznej inteligencji i uczenia maszynowego dostępnych w sieci WWW prowadzonych przez kilka instytutów szkoleniowych online. W przeciwieństwie do większości z nich, omówimy podstawy ML i AI w większości laików. W podsumowaniu omówimy również kilka różnic między nimi. Bez zbędnych ceregieli zacznijmy.

Sztuczna inteligencja (AI):

Jeśli oglądałeś któryś z filmów Iron-Mana lub używasz dość nowoczesnego smartfona, prawdopodobnie słyszałeś o sztucznej inteligencji (AI). Aby dać ci odświeżenie, JARVIS w filmach Iron-Man to sztuczna inteligencja. Ponadto Asystent Google w urządzeniu z Androidem lub Siri w urządzeniu Apple, które wszyscy znamy, to najlepszy przykład, jaki możemy pomyśleć o sztucznej inteligencji. Jednak sztuczna inteligencja to znacznie więcej niż twój asystent.

Przejdźmy przez definicję właściwie, aby zrozumieć, czym jest sztuczna inteligencja:

„ Informatyka definiuje badania nad sztuczną inteligencją jako uczenie się „ inteligentnych agentów ”: każdego urządzenia, które dostosowuje się do swojego otoczenia i podejmuje niezbędne działania, które maksymalizują jego szanse na pomyślne osiągnięcie zamierzonych celów. Bardziej szczegółowa definicja opisuje sztuczną inteligencję jako „zdolność systemu do prawidłowego rozumienia danych pochodzących od agentów zewnętrznych, uczenia się na podstawie takich danych i wykorzystywania tych wiedzy do osiągania określonych celów i zadań poprzez elastyczną adaptację”.

Mówiąc potocznie, sztuczna inteligencja to sztucznie stworzony system, który próbuje naśladować ludzkie zachowania i działania, zwłaszcza podczas rozwiązywania złożonych problemów, takich jak klasyfikacja kotów i psów na podstawie obrazów, rozpoznawanie twarzy, badania nad lekami medycznymi, tworzenie muzyki itp.

Większość kursów dotyczących sztucznej inteligencji i uczenia maszynowego nie wprowadza nas w następujące trzy rodzaje systemów uczenia się sztucznej inteligencji:

• Narrow AI (Słaba AI) : Obecnie wszystkie aplikacje szumu i sztucznej inteligencji są tutaj. To system sztucznej inteligencji, który może wykonać określone zadanie tak samo lub lepiej niż ludzie. Na ogół nie jest w stanie doświadczać świadomości. Np. wykrywacze twarzy w mediach społecznościowych, rozpoznawanie obiektów i kształtów, sztuczna inteligencja w grach itp.
• Ogólna sztuczna inteligencja (silna sztuczna inteligencja) : jest to system sztucznej inteligencji, który osiągnął stan ogólny, w którym może realizować każde zadanie intelektualne z tym samym poziomem dokładności, co ludzie. Jest zdolny do doświadczania świadomości.
• Super AI (teoretyczna sztuczna inteligencja) : to system sztucznej inteligencji, który we wszystkich aspektach przewyższa ludzką inteligencję. Potrafi nawet pokonać najbystrzejszego człowieka. Większość ludzi martwi się tego typu sztuczną inteligencją. Znane twarze, takie jak Elon Musk, uważają, że te systemy sztucznej inteligencji prawdopodobnie doprowadzą do wyginięcia ludzi.

Podsumowując część AI :

To szeroka dziedzina informatyki, która umożliwia maszynom posiadanie inteligencji podobnej do ludzkiej. Większość prac związanych ze sztuczną inteligencją jest obecnie wykonywana w kategorii „Wąska sztuczna inteligencja”. Daleko nam do tworzenia General lub Super AI.

Uczenie maszynowe (ML):

Jeśli śledzisz niedawne ogłoszenia jakiegokolwiek dużego giganta technologicznego, słyszałbyś ten termin. Tak jak Microsoft ogłosił niedawno swoje prace nad ulepszoną funkcją „ZNAJDŹ” w MS-Word, która teraz używa ML do znajdowania zamierzonych słów, nawet jeśli popełniłeś literówkę w polu tekstowym Znajdź („Ctrl + F”).

Przejdźmy najpierw przez definicję:

„ Uczenie maszynowe to szczegółowe badanie algorytmów komputerowych, które dostosowują się automatycznie dzięki doświadczeniu. “

Jest to sekcja sztucznej inteligencji. Umożliwia systemom automatyczne uczenie się i ulepszanie na podstawie ich doświadczeń, bez konieczności ich wyraźnego programowania. Dzieje się tak, ponieważ ML opiera się na wyrafinowanym zestawie algorytmów oraz uporządkowanych i oczyszczonych danych z etykietami (głównie) . Systemy ML próbują uczyć się relacji między cechami (kolumnami lub atrybutami lub istotnymi fragmentami danych) danych. Dane są dostarczane do modelu ML przez Ciebie.

Podstawowym zrozumieniem jest wykorzystanie podstawowych funkcji i ich związku z etykietą w celu uzyskania rozwiązania zadania. Ucząc się relacji, identyfikuje wzorce, nieodłączny charakter danych i sposób, w jaki ich wartości wpływają na nazwę. Na podstawie tego, co zrozumiał z analizy danych, podejmuje świadome decyzje przy użyciu różnych algorytmów. Model jest szkolony na danych używanych podczas uczenia, sprawdzany pod kątem wydajności i dokładności na danych walidacyjnych i testowany na danych testowych.

Systemy ML, w przeciwieństwie do tradycyjnych metod, nie wymagają jawnie zakodowanej logiki dla rozwiązania. Na przykład, zamiast zakodować na sztywno przez programistę formułę/tezę do przewidywania sprzedaży, sam model uczy się filozofii w oparciu o wzorce i relacje, które przyswaja w fazie szkolenia. Istnieją trzy rodzaje algorytmów ML:

• Uczenie nadzorowane : tutaj dane treningowe składają się z etykiet. Pełni funkcję nadzorcy modelu ML. Stąd nazwana Supervised Learning. Np. regresja liniowa, drzewa decyzyjne itp.
• Nauka nienadzorowana : tutaj dane treningowe nie mają żadnych etykiet. Zamiast tego model ML sam znajduje wzorce i wyodrębnia przydatne funkcje na podstawie danych. Nazywa się to uczeniem bez nadzoru, ponieważ nie ma nadzorcy. Są one powszechnie używane do grupowania — np. klastrowanie K-średnich, asocjacja itp.
• Wzmacnianie uczenia : większość kursów dotyczących sztucznej inteligencji i uczenia maszynowego nie mówi zbyt wiele o tym typie. Kluczową ideą jest nagradzanie agenta za wykonanie prawidłowych działań. Ponadto karaj ich za każdy błędny krok. Postępuj zgodnie z metodą prób i błędów, podobnie jak w przypadku gier, na przykład Q-Learning.

Typowe zastosowanie ML obejmuje – prognozy sprzedaży, prognozowanie, wykrywanie oszustw itp.

Podsumowanie AI vs. ML

AI

• Naśladuje ludzką inteligencję lub zachowanie
• Szerszy termin
• To wciąż dziedzina badań.
• Jest obecnie wdrażany w kilku sektorach i rozwoju produktów.

ML

• Jest to technika, która umożliwia komputerowi uczenie się na podstawie istniejących danych.
• Większość aplikacji ML jest już wykorzystywana w kilku sektorach i rozwoju produktów.

Dlatego wybierając dowolne kursy AI i Machine Learning sprawdź, czy wszystkie te sekcje są uwzględnione.