Förstå skillnaden mellan maskininlärning och artificiell intelligens

A inteligência artificiell och maskininlärning är modeord inom teknikbranschen de senaste åren, men vad betyder de egentligen? Här du kan kolla in ett inlägg som vi gjorde som förklarar i detalj vad maskininlärning är, men frågan vi vill ta upp här är hur vi kan skilja mellan dessa två termer.

digitalt lärande

De två termerna blandas ofta ihop och används felaktigt av företag som vill göra sin teknik sofistikerad. Faktum är att artificiell intelligens och maskininlärning är väldigt olika, med olika implikationer för vad datorer kan göra och hur de interagerar med oss.

O maskininlärning är datorparadigmet som driver tillväxten av "Big data" e IA. Den bygger på utvecklingen av neurala nätverk och Djup lärning. Detta brukar beskrivas som att efterlikna hur människor lär sig, men detta är felaktigt. Maskininlärning relaterar verkligen till statistisk analys och iterativ inlärning.

Istället för att bygga ett traditionellt program sammansatt av logiska påståenden e beslutsträd, En neuralt nätverk är byggd speciellt för träning och inlärning med hjälp av ett parallellt nätverk av neuroner, var och en konfigurerad för ett specifikt syfte.

Naturen hos ett visst neuralt nätverk kan vara mycket komplicerat, men nyckeln till hur de fungerar är att applicera vikter (eller faktorer av betydelse) till något attribut för ingången. Med hjälp av nätverk av olika vikter och lager är det möjligt att producera en sannolikhet eller uppskattning av att din input matchar en eller flera av de definierade utgångarna.

Problemet med den här typen av beräkningar, liksom med vanlig programmering, är beroendet av hur den mänskliga programmeraren ställer in det, och att omjustera alla dessa vikter för att finjustera utdatans noggrannhet kan ta många mantimmar att vara genomförbart. Ett neuralt nätverk övergår till maskininlärningsdomänen när en korrigerande återkopplingsslinga introduceras.

"Träna" maskinen

Genom att övervaka utgången, jämföra den med ingången och gradvis minska neuronvikten, kan ett nätverk träna sig för att förbättra noggrannheten. Den viktiga delen här är att en maskininlärningsalgoritm kan lära sig och agera utan programmerare och specificerar alla möjligheter inom datamängden.

Att träna ett nätverk kan göras på ett antal olika sätt, men alla involverar en iterativ brute-force-metod för att maximera utdatanoggrannheten och träna de optimala vägarna genom nätverket. Denna självträning är dock fortfarande en effektivare process än att manuellt optimera en algoritm och tillåter algoritmer att ändra och sortera mycket större mängder data på mycket snabbare tider än vad som annars skulle vara möjligt.

När den väl är utbildad kan en maskininlärningsalgoritm klassificera nya indata över nätverket med stor hastighet och noggrannhet i realtid. Detta gör den till en viktig teknik för datorseende, taligenkänning, språkbehandling och vetenskapliga forskningsprojekt.

Vad är och inte är AI

Maskininlärning är en smart bearbetningsteknik, men den har ingen riktig intelligens. En algoritm behöver inte förstå exakt varför den själv korrigerar, bara hur den kan bli mer exakt i framtiden.

En maskininlärningsalgoritm som kan sålla igenom en databas med bilder och identifiera huvudobjektet i bilden ser inte riktigt smart ut, eftersom den inte tillämpar den informationen på ett "mänskligt" sätt.

Artificiell intelligens kan delas in i två huvudgrupper, applicerad ou allmän. En tillämpad artificiell intelligens det är mycket mer lönsamt nu. Den är mer knuten till exemplen på maskininlärning ovan och utformad för att utföra specifika uppgifter. Det kan vara kommersiell inventering, hantera trafik i en smart stad eller hjälpa till att diagnostisera patienter.

A allmän artificiell intelligens den är, som namnet antyder, bredare och mer kapabel. Den kan hantera ett bredare utbud av uppgifter, förstå praktiskt taget alla datauppsättningar och verkar därför tänka bredare, precis som människor gör. Allmän AI skulle teoretiskt kunna lära sig utanför sin ursprungliga kunskapsuppsättning, vilket potentiellt kan leda till en skenande tillväxt i dess förmågor.

Ser till framtiden

Trots all vetenskaplig jargong och all teknisk prat, är tillämpningar av maskininlärning och artificiell intelligens redan här. Vi är fortfarande långt ifrån att leva vid sidan av allmän AI, men om du använder Google Assistant eller Amazon Alexa, interagerar du redan med en form av tillämpad AI.

Maskininlärning som används för språkbehandling är en av de viktigaste möjliggörarna för dagens smarta enheter, även om de verkligen inte är tillräckligt smarta för att svara på alla dina frågor.

Det smarta hemmet är bara det sista användningsfallet. Maskininlärning har använts inom big data-domänen ett tag nu, och dessa användningsfall inkräktar alltmer på AI-territorium. DE Google använder det för sökmotorverktyg. DE Facebook använder för att optimera reklam.

Det är stor skillnad mellan maskininlärning och artificiell intelligens, även om den förra är en mycket viktig komponent i den senare. Vi kommer säkert att fortsätta att höra mycket prat om de två under 2018 och framåt.