Aprendizado de máquina versus inteligência artificial

Publicados: 2020-08-07

O mundo inteiro está atualmente em confinamento devido à pandemia do COVID-19. Escolas, faculdades e até escritórios foram fechados para evitar a propagação do vírus. Se você sempre quis se aprimorar com algumas novas tecnologias ou quer saber mais sobre elas, este é o melhor momento.

Digamos que Machine Learning (ML) e Inteligência Artificial (AI) seja uma das habilidades ou tecnologias que você deseja explorar, então você está no lugar certo. Existem muitos cursos de IA e Machine Learning disponíveis na world wide web fornecidos por vários institutos de treinamento online. Ao contrário da maioria deles, veremos o básico de ML e IA na maioria dos termos leigos. Também analisaremos várias diferenças entre os dois na seção de resumo. Sem mais delongas, vamos começar.

Inteligência Artificial (IA):

Se você assistiu a algum dos filmes do Homem de Ferro ou está usando um smartphone razoavelmente moderno, provavelmente já deve ter ouvido falar em Inteligência Artificial (IA). Para relembrar, JARVIS nos filmes do Homem de Ferro é uma IA. Além disso, o Google Assistant em seu dispositivo Android ou Siri em seu dispositivo Apple, que todos nós conhecemos, é o melhor exemplo que podemos pensar em Inteligência Artificial. No entanto, a Inteligência Artificial é muito mais do que seu assistente.

Vamos passar pela definição de fato para entender o que é Inteligência Artificial:

“ A ciência da computação define a pesquisa em Inteligência Artificial como o aprendizado de “ agentes inteligentes ”: qualquer dispositivo que se adapte ao seu ambiente e tome as ações necessárias que maximizem sua chance de alcançar seus objetivos com sucesso. Uma definição mais detalhada descreve a IA como “a capacidade de um sistema de entender corretamente os dados derivados dos agentes externos, aprender com esses dados e usar esses aprendizados para atingir objetivos e tarefas específicos por meio de adaptação flexível”.

Em termos leigos, a IA é um sistema criado artificialmente que tenta imitar o comportamento e as ações humanas, especialmente ao resolver problemas complexos como a classificação de cães e gatos com base em imagens, reconhecimento facial, pesquisa de medicamentos, criação de música etc.

A maioria dos cursos de IA e Machine Learning não nos apresenta os três tipos de sistemas de aprendizado de IA a seguir:

Narrow AI (Weak AI) : Atualmente, todos os aplicativos de hype e AI estão aqui. É um sistema de Inteligência Artificial que pode realizar uma tarefa específica igual ou melhor que os humanos. Geralmente não é capaz de experimentar a consciência. Por exemplo, detectores de rosto em mídias sociais, reconhecimento de objetos e formas, IA em jogos, etc.
General AI (Strong AI) : É um sistema de IA que atingiu um estado geral onde pode conduzir qualquer tarefa intelectual com o mesmo nível de precisão dos humanos. É capaz de experimentar a consciência.
Super AI (IA teórica) : É um sistema de IA que supera a inteligência humana em todos os aspectos. Pode até vencer o humano mais brilhante. A maioria das pessoas está preocupada com esse tipo de IA. Rostos famosos como Elon Musk acham que esses sistemas de IA provavelmente levarão à extinção humana.

Para resumir a parte da IA :

É uma ampla área da ciência da computação que permite que as máquinas tenham inteligência semelhante à humana. A maior parte do trabalho de IA atualmente é feita na categoria “Narrow AI”. Estamos longe de criar General ou Super AI.

Aprendizado de máquina (ML):

Se você está acompanhando os anúncios recentes de qualquer grande gigante da tecnologia, já deve ter ouvido esse termo. Como a Microsoft anunciou recentemente seu trabalho no recurso “FIND” aprimorado no MS-Word, que agora usa ML para encontrar palavras pretendidas, mesmo que você tenha cometido um erro de digitação na caixa de texto Localizar (“Ctrl + F”).

Vamos primeiro a definição:

“ O aprendizado de máquina é um estudo detalhado de algoritmos de computador que se ajustam automaticamente por meio da experiência. “

É uma seção de IA. Ele permite que os sistemas aprendam e melhorem automaticamente com sua experiência, sem serem explicitamente programados. Isso acontece porque o ML conta com um conjunto sofisticado de algoritmos, bem como dados estruturados e limpos com rótulos (principalmente) . Os sistemas de ML tentam aprender as relações entre os recursos (colunas ou atributos ou dados essenciais) dos dados. Os dados são fornecidos ao modelo de ML por você.

O entendimento básico é usar os recursos essenciais e sua relação com o rótulo para derivar a solução da tarefa. Ao aprender a relação, identifica padrões, natureza inerente dos dados e como seus valores afetam o nome. Com base no que entendeu ao analisar os dados, ele toma decisões informadas usando vários algoritmos. O modelo é treinado nos dados usados no treinamento, validado para desempenho e precisão nos dados de validação e testado nos dados de teste.

Os sistemas de ML, ao contrário dos métodos tradicionais, não precisam de lógica explicitamente codificada para a solução. Por exemplo, em vez do programador codificar a fórmula/tese para previsão de vendas, o próprio modelo aprende a filosofia com base em padrões e relações que absorve durante a fase de treinamento. Existem três tipos de algoritmos de ML:

Aprendizado Supervisionado : Aqui, os dados de treinamento consistem em rótulos. Ele atua como um supervisor para o modelo de ML. Daí o nome de Aprendizagem Supervisionada. Por exemplo, Regressão Linear, Árvores de Decisão, etc.
Aprendizado não supervisionado : aqui, os dados de treinamento não possuem rótulos. Em vez disso, o modelo de ML encontra padrões e extrai recursos úteis por si só com base nos dados. Chama-se Aprendizagem Não Supervisionada, pois não há supervisor. Eles são comumente usados para clustering, por exemplo, K-Means Clustering, Association, etc.
Aprendizado por reforço : a maioria dos cursos de IA e aprendizado de máquina não fala muito sobre esse tipo. A ideia-chave é recompensar o agente por realizar ações corretas. Além disso, penalize-os por cada passo incorreto. Siga a abordagem de tentativa e erro, assim como jogos, por exemplo, Q-Learning.

Uma aplicação típica do ML inclui – previsões de vendas, previsão, detecção de fraude, etc.

Resumo de IA vs. ML

Imita a inteligência ou o comportamento humano
Um termo mais amplo
Ainda é um campo de pesquisa.
Atualmente está implementado em diversos setores e desenvolvimento de produtos.

É uma técnica que permite que um computador aprenda com os dados existentes.
A maioria dos aplicativos de ML já está em uso em diversos setores e desenvolvimento de produtos.

Assim, ao selecionar qualquer curso de IA e Machine Learning , verifique se todas essas seções estão cobertas.