AI, ML και Deep Learning: Ποια είναι η διαφορά;

Γιατί πρέπει να μάθουν οι μηχανές; Επειδή οι άνθρωποι δεν μπορούν να σταθούν.

Η σημερινή AI / ML κορυφή στις προόδους μιας συγκεκριμένης προσέγγισης της μάθησης είναι το αποτέλεσμα της βαθιάς μάθησης. Τεχνητή Νοημοσύνη, Μηχανική Μάθηση και Βαθιά Μάθηση είναι όλα υπεύθυνα για μερικά από τα μεγαλύτερα επιτεύγματα του περασμένου έτους και οι άνθρωποι γιορτάζουν αυτές τις τεχνολογίες μεταξύ τους. Τελευταία, τα συνέδρια τεχνολογίας ήταν τα ίδια με ανθρώπους που θέλουν να μάθουν περισσότερα για την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τη βαθιά μάθηση. Κάθε μία από αυτές τις τεχνολογίες έχει μια καλή ιστορία πίσω από αυτήν, αλλά ένας απλός τρόπος για να εντοπίσουμε τη διαφορά είναι το κίνητρό μας.

Το 2017, εκατοντάδες άνθρωποι συγκεντρώθηκαν για την εκμάθηση μηχανών στο AI Frontiers για το Tensorflow Workshop.

Η διαφορά στις κινήσεις

Τα αυτοκίνητα μαθαίνουν επειδή οι άνθρωποι μπορούν να κάνουν περισσότερα. Είμαι μισά αστείο, αλλά είναι ένα καλό ξεκίνημα. Φυσικά, υπάρχουν περισσότερες τεχνικές πληροφορίες για το πώς συνδέονται τα AI, ML και Deep Learning.

Διαφορά στους ορισμούς

Η Τεχνητή Νοημοσύνη είναι μια έξυπνη νοημοσύνη, εμπνευσμένη από αυτό που βιώνουμε ως ανθρώπινα όντα. Η μάθηση δεν είναι μόνο αυτή η πτυχή, είναι επίσης ένα εργαλείο που χρησιμοποιούμε για την επίτευξη μεγαλύτερης νοημοσύνης. Η τεχνητή νοημοσύνη είναι ένα εργαλείο, η μηχανική μάθηση είναι ένας τρόπος να δημιουργηθεί ένα εργαλείο. Η βαθιά μάθηση είναι ένας τύπος μηχανικής μάθησης που χρησιμοποιείται για την επίτευξη τεχνητής νοημοσύνης. Για το οπτικό, εδώ είναι ένα διάγραμμα του βιβλίου της σχέσης μεταξύ AI, ML και Deep Learning.

http://www.deeplearningbook.org/

Αν κάποιος με ρώτησε τι σήμαινε να δουλέψω στο AI, θα έλεγα: «Προσπαθώ να βελτιώσω τον υπολογιστή κάνοντας αυτό που κάνουν οι άνθρωποι». Αν κάποιος ζητήσει έναν τρόπο να επιτύχει AI, θα μπορούσα να πω "με μια μηχανή". για να είμαι πιο ακριβής, ή "βαθιά μάθηση".

Η διαφορά στην ιστορία

Αυτό το πρότυπο της ύπαρξης μηχανών που λειτουργούν καλύτερα από τους ανθρώπους ήταν δημοφιλές (βασισμένο σε παιχνίδι μίμησης) από τον Alan Turing στο βιβλίο του "Testing Machine" του 1950. Το Stand Up υποδεικνύει ότι οι μηχανές μπορούν να δοκιμαστούν χρησιμοποιώντας διακριτούς κανόνες και περιορισμένες μηχανές, κάτι που σήμερα κάνουν τα περισσότερα προγράμματα ηλεκτρονικών υπολογιστών. Στο τέλος της εργασίας του περιγράφει την ιδέα των "μηχανών μάθησης", ενός τρόπου πολυπλοκότητας πέρα ​​από τις μηχανές σκέψης. Προχωρήστε: "Μπορούν τα αυτοκίνητα να σκέφτονται;" Ρώτησαν. Στο τέλος της εργασίας, ρωτάει, "Μπορεί το μηχάνημα να είναι τόσο κρίσιμο;" Το πρώτο ερώτημα είναι εάν μπορούμε να επιτύχουμε την ΑΠ. Το δεύτερο ερώτημα είναι αν μπορούμε να φτάσουμε στο ML.

Το ML εισήχθη το 1950 από τον Alan Turing. Το πρώτο πρόγραμμα εκπαίδευσης ηλεκτρονικών υπολογιστών χτίστηκε το 1952 για να μελετήσει στρατηγικές για σχέδια. Το πρώτο νευρωνικό δίκτυο δημιουργήθηκε το 1957. Η Deep Learning είναι μια περαιτέρω εξέλιξη των τεχνητών νευρωνικών δικτύων, αλλά μέχρι το 2006 δεν είχε όνομα. Από το 2010, έχει σημειωθεί μεγάλη πρόοδος στη μηχανική μάθηση. Η σημερινή έκρηξη του ML / AI αφορά κυρίως τα επιτεύγματα της Deep Learning.

Σύμφωνα με τον Forbes, εδώ είναι οι σημαντικές ανακαλύψεις στο AI, ML και Deep Learning

Μια άλλη καλή αρχή στην κατανόηση της διαφοράς μεταξύ AI, ML και Deep Learning είναι να καταλάβουμε γιατί δημιουργήσαμε μηχανές για να μάθουμε πρώτα. Ο καλύτερος (ή καλύτερος) υπολογιστής είναι για τους ανθρώπους να εκτελούν ορισμένα καθήκοντα, τόσο πιο σημαντικό είμαστε για το AI. Η Μηχανική Μάθηση έχει δείξει ότι σε πολλές περιπτώσεις είναι ο καλύτερος τρόπος να περάσετε αυτά τα βήματα.

Γιατί τα αυτοκίνητα μαθαίνουν

Μία από τις μεγαλύτερες επικρίσεις της πρότασης του Alan Turing να δοκιμάσει το AI είναι το επιχείρημα Associative Priming (και το πρόσθετο θέμα του πλαισίου). Λένε ότι λόγω της πολυπλοκότητάς μας της νοημοσύνης, αυτή η διαδικασία δεν μπορεί να επιτευχθεί με μηχανές. Αυτή η διαδικασία ονομάζεται μάθηση και οι υπολογιστές (μέχρι στιγμής) είναι μικροί.

Η ιδέα είναι: Καθ 'όλη τη ζωή, οι άνθρωποι αναπτύσσουν ορισμένες ενώσεις που έχουν διαφορετικές δυνάμεις. Ο μόνος τρόπος για τον οποίο σχεδόν ο καθένας μπορεί να εντοπίσει, ακόμη και κατά μέσο όρο, είναι η διασύνδεση των ανθρώπινων εννοιών - να βιώσει τον κόσμο ως υποψήφιο και συνομιλητή. (Γαλλικά, 1990)

Καθώς η ανθρώπινη εμπειρία είναι πολύπλοκη και σύνθετη, πώς μεταφράζουμε την εμπειρία μας στη μηχανική μάθηση; Οι μηχανές σύμφωνα με την υπόθεση Turing ίσως χρειαστεί να μελετήσουν τις έννοιες που είναι κοινώς αποδεκτές για εμάς.

Ένα σημαντικό χαρακτηριστικό μιας μηχανής εκμάθησης είναι ότι ο καθηγητής του συχνά δεν γνωρίζει τι συμβαίνει μέσα του, παρόλο που είναι ακόμα σε θέση να προβλέψει τη συμπεριφορά του μαθητή του. Αυτός ο βέλτιστα σχεδιασμένος σχεδιασμός (ή πρόγραμμα) θα πρέπει να χρησιμοποιείται πολύ αυστηρά για μεταγενέστερη εκμάθηση μηχανών από παιδικές μηχανές. Όταν χρησιμοποιείτε μια μηχανή για να πραγματοποιήσετε υπολογισμούς, αυτό είναι εντελώς διαφορετικό από μια απλή διαδικασία και στη συνέχεια κάθε λεπτό του υπολογισμού είναι απαραίτητο να έχετε μια σαφή διανοητική εικόνα της κατάστασης της μηχανής. (Turing, 1950)

Οι μηχανές μαθαίνουν επειδή είναι καλύτερο (για τώρα) να προγραμματίζουν υπολογιστές για να μελετήσουν τη διάνοια παρά να προγραμματίσουν τους υπολογιστές για να είναι άμεσα ευφυείς για έναν συγκεκριμένο σκοπό. Αυτό μπορεί να είναι προτιμότερο επειδή (1) υπάρχει μικρή ανθρώπινη δύναμη για τη μάθηση της νοημοσύνης (αντί για δημιουργία άμεσης νοημοσύνης). ή (2) κατά προτίμηση επειδή η μηχανή λειτουργεί καλύτερα όταν αυτο-τρένα.

Στην πράξη, η μηχανική μάθηση είναι χρήσιμη όταν χρειάζεται ακριβή πρόβλεψη προβλημάτων. Αποκτήστε το παιχνίδι "Είκοσι ερωτήματα". Αρχικά έπαιξε ανάμεσα στους ανθρώπους. Προκειμένου να αντικαταστήσουμε ένα από αυτά με ένα αυτοκίνητο, πρέπει να ενισχύσουμε την ομοιότητα της ανθρώπινης νοημοσύνης. Για είκοσι ερωτήσεις, η μηχανική μάθηση δεν είναι ο μόνος τρόπος για να επιτευχθεί τεχνητή νοημοσύνη, αλλά είναι ο καλύτερος τρόπος, όπως φαίνεται παρακάτω.

(1) Παραδείγματα ΜΙ που απαιτούν λιγότερη ανθρώπινη κίνηση:

Είκοσι ερωτήσεις, το 20ο και δύο εκδόσεις ιστού του Akinator, αντικαθίστανται από ένα πρόγραμμα. Πώς λοιπόν άλλαξαν τον άνθρωπο; Αντί να δημιουργήσετε μια βάση δεδομένων για όλα τα δημόσια πρόσωπα (πάντα), μπορείτε να σχεδιάσετε ένα πρόγραμμα για να εξερευνήσετε τα χαρακτηριστικά των διασημοτήτων μέσω των ανθρώπων που απαντούν σε ερωτήσεις στο παιχνίδι. Αξίζει να καταβληθεί προσπάθεια.

(2) Ένα παράδειγμα μηχανών που λειτουργούν καλά για ML

Ανεξάρτητα από το πόση προσπάθεια χρειάζεται, η Machine Learning μπορεί να αποδώσει καλύτερα από άλλους αλγόριθμους. Ο Sundar Pichai, σε πρόσφατη εκδήλωση Google I / O, έδειξε ότι οι υπολογιστές είναι ανώτεροι από τους αναγνώστες εικόνων. Αυτή η φάση θεωρήθηκε μια σημαντική ανακάλυψη στην Μηχανική Μάθηση, ιδιαίτερα την επιτυχία της Deep Learning.

Από το Google IO Keynote 2017

Παραδείγματα διαφορών ML σε AI

Όπως φαίνεται στο παραπάνω γράφημα, οι υπολογιστές είναι (με πολλούς τρόπους) καλύτεροι στην πρόβλεψη, την ανίχνευση και τον έλεγχο της εικόνας. Παρακάτω είναι ένα κολάζ από σκυλιά διασκέδασης που μοιάζουν με muffins, bagels και σφουγγαρίστρα. Πώς γνωρίζουμε τη διαφορά; Πώς ο υπολογιστής γνωρίζει τη διαφορά; Για να είναι ένα AI, δεν έχει σημασία πώς ο υπολογιστής μπορεί να πει τη διαφορά, μόνο μπορεί να το κάνει. Για να είναι ML, ένας υπολογιστής έπρεπε να διδάξει και να διδάξει τη διαφορά η ίδια.

Το πρότυπο για τη νοημοσύνη ήταν πάντα η διάνοια και η συμπεριφορά μας. Αν συγκρίνουμε τις ικανότητές μας με τις επιστημονικές εξελίξεις στον ΑΠ και τις αναδυόμενες τεχνολογίες, η μάθηση δεν είναι μόνο οι δεξιότητες που γνωρίζουν οι άνθρωποι, αλλά και ο τρόπος με τον οποίο αποκτούν δεξιότητες.

Η μάθηση είναι μια ικανότητα που μπορεί να σας βοηθήσει να αποκτήσετε άλλες δεξιότητες

Ο υπολογιστής έχει αποδείξει ότι το ML λειτουργεί καλύτερα από άλλες μεθόδους για να εξηγήσει τη διαφορά μεταξύ των εικόνων των σκύλων και των γατών. Ωστόσο, δεν είναι όλα τα προβλήματα με την ανάλυση εικόνας να χρειάζονται ML. Ο προσδιορισμός των γραμμών στην εικόνα μπορεί να γίνει, για παράδειγμα, επισημοποιώντας τη σωστή διάταξη των εικονοστοιχείων χωρίς ML. Ομοίως, τα αυτόνομα οχήματα δεν απαιτούν μηχανική μάθηση για τον εντοπισμό κοντινών αντικειμένων. Μπορεί να χρησιμοποιήσει μόνο ένα lidar. Το Tic Tac Toe AI δεν χρειάζεται ML, ούτε είναι ένα παιχνίδι σκακιού.

Tic Tac Toe ως πρόβλημα αναζήτησης.

Συγκεκριμένα, αν τα προβλήματα μπορούν να συγκριθούν με ένα πεδίο διαχειριζόμενης αναζήτησης (όπως το δέντρο παιχνιδιών Tic Tac Toe παραπάνω), τότε η ευρετική αναζήτηση θα σας βοηθήσει να πάρετε τη βέλτιστη απάντηση. Ελέγξτε για σφάλματα για να δώσετε περισσότερα παραδείγματα εγχειριδίων. A *, άπληστος βάθος ή αναζήτηση για το καλύτερο είναι ένας πολύ γνωστός αλγόριθμος που μπορεί να ακολουθήσει η συντομότερη διαδρομή από το ένα σημείο στο άλλο. Η δυνατότητα πρόβλεψης βέλτιστων διαδρομών για το A * (που φαίνεται παρακάτω) δεν απαιτεί εκμάθηση μηχανών.

https://en.wikipedia.org/wiki/A*_search_algoritm

Αν και αυτά τα προβλήματα έχουν στερηθεί ευφυών προσδοκιών (αφού μπορούν να επιλυθούν αλγοριθμικά), η δυσφήμιση ολόκληρης της ιστορίας του AI είναι λίγο μυωπικός. Είτε έτσι είτε αλλιώς, το μέλλον του AI είναι μια ανάμικτη πρωτοβουλία του ανθρώπινου προσανατολισμού, των επίσημων μοντέλων, της ευρετικής έρευνας και της Machine Learning.

Τι είναι μια εις βάθος μελέτη;

Η Deep Learning απαντά σε ερωτήσεις σχετικά με το πώς μια μηχανή μπορεί να μάθει κάτι. Η μηχανική μάθηση είναι ο τρόπος με τον οποίο διδάσκουμε υπολογιστές (με κάποιους τρόπους) να φαίνονται καλύτερα από εμάς, αλλά επιπλέον το μηχάνημα είναι ικανό να μας διδάξει πώς να το δούμε. Όπως και οι άνθρωποι, υπάρχουν (και πρόκειται να ανακαλυφθούν) διαφορετικές προσεγγίσεις στη μάθηση υπολογιστών. Η σημερινή AI / ML κορυφή στις προόδους μιας συγκεκριμένης προσέγγισης της μάθησης είναι το αποτέλεσμα της βαθιάς μάθησης.

Ένα από τα πιο σημαντικά χαρακτηριστικά της σε βάθος μελέτης άλλων μορφών AI είναι πόσο καλά δεν καταλαβαίνουμε τον υπολογισμό με βάση τις αποφάσεις και τις υποθέσεις. Για παράδειγμα, μπορείτε να επιστρέψετε στην τυπική λογική. Εάν A-> B-> C, μπορείτε να διαμορφώσετε με μη αυτόματο τρόπο αυτή τη λογική. Η Deep Learning χρησιμοποιεί κρυφά στρώματα τεχνητών νευρώνων και δεν έχει διακριτά, προκαθορισμένα ή παρατηρήσιμα στάδια. Η παρακάτω εικόνα είναι μια απλοποιημένη εικόνα της βαθιάς μάθησης.

Το παραπάνω σχήμα δείχνει το ζώο στο φράκτη. Αν θέλουμε να μαντέψουμε αν πρόκειται για γάτα ή σκύλο, ο εγκέφαλός μας αναλύει το μήκος των μαλλιών και το σχήμα του κεφαλιού του σκύλου. Για τον υπολογιστή, τα εικονοστοιχεία της εικόνας είναι το στρώμα εισόδου για την αναφορά και υπάρχουν κρυφά επίπεδα υπολογισμών μεταξύ του στρώματος εισόδου και της εξόδου και προσπαθούν να καθορίσουν ποιες ομάδες εικονοστοιχείων μπορούν να αναπαρασταθούν.

Τα εικονοστοιχεία μιας φωτογραφίας δεν είναι δομημένα φυσικά. Αν και τα χαρακτηριστικά που αναζητούμε (όπως το μήκος των μαλλιών ή το σχήμα των κεφαλών των ζώων) μπορεί να δικαιολογούνται επισήμως, ο υπολογιστής έχει αποδειχθεί αποτελεσματικότερος σε σχέση με τον ίδιο τον σκύλο και να δημιουργήσει το δικό του μοντέλο. Αυτά τα μοντέλα διδάσκονται στέλνοντας πολλές φωτογραφίες σκύλων και γάτων στον υπολογιστή εκ των προτέρων.

Αλλά τι γίνεται αν υπάρχει περισσότερη δομή στα δεδομένα; Όλα τα προβλήματα δεν περιλαμβάνουν μη δομημένα δεδομένα. Ας πούμε ότι παίζουμε ένα παιχνίδι, "Ποιον βρίσκετε;" επιτρέψτε στους παίκτες να περιορίσουν το πλαίσιο αναζήτησης μέχρι να προβλέψουν με ακρίβεια την επιλεγμένη εικόνα του αντιπάλου. Σε αυτή την περίπτωση, μπορούμε να ακολουθήσουμε τη λογική γιατί έχουμε ξεχωριστά χαρακτηριστικά / ιδιότητες για να δουλέψουμε. Επομένως, δεν χρειάζεστε Deep Learning για να διδάξετε τη μηχανή να κερδίσει αυτό το παιχνίδι.

Akinator και 20Q, ηλεκτρονικές εκδόσεις επιτραπέζιων παιχνιδιών, "Ξέρεις ποιον να βρεις;" Αυτό είναι ένα εξαιρετικό παράδειγμα της AI που χτίστηκε χρησιμοποιώντας Machine Learning, αλλά σίγουρα δεν είναι μια βαθιά μάθηση. Ο Akinator μπορεί να διαμορφωθεί τυπικά με το χέρι, αλλά ήταν σπουδαίος στην εκμάθηση μέσω του παιχνιδιού ξανά και ξανά.

Τα παιχνίδια Chess και Tic Tac μπορούν να παιχτούν χρησιμοποιώντας έναν υπολογιστή με αυστηρά κωδικοποιημένους κανόνες και καταστάσεις. Διδάσκει πιο αποτελεσματικά μέσω των παικτών Akinator και 20Q. Ένα πράγμα που κάνει τα παιχνίδια όπως το Go και το Starcraft ξεχωρίζουν είναι ότι έχουν πολύ μεγάλα πεδία αναζήτησης, καταστάσεις και στρατηγικές. Εμπιστευόμαστε τη βαθιά εκμάθηση μέχρι τα μηχανήματά μας να είναι αρκετά ισχυρά ώστε να χαρτογραφούν αυτά τα παιχνίδια.

Σύνοψη των παραδειγμάτων

Ακολουθεί μια σύντομη περιγραφή των παραδειγμάτων και του τρόπου με τον οποίο αντιμετωπίστηκαν στη συζήτηση

Πώς να "υποστηρίξεις τον Jonesz";

Έτσι, εάν καθόλου, η μηχανική μάθηση ταιριάζει στη ζωή σας; Όπου ο εκδημοκρατισμός του ΑΙ μπορεί να είναι ένα καλό μέρος για να ξεκινήσετε. Η Google ανακοίνωσε πρόσφατα το Google.ai, το οποίο χωρίζει το πεδίο ML σε τρεις κατηγορίες: έρευνα, εργαλεία και υποδομή και εφαρμογές. Στην έρευνα, εργάζεστε σε τρόπους για να επινοήσετε καλό AI. Στα εργαλεία, θα βρείτε αποτελεσματικούς τρόπους διαχείρισης της AI. Τέλος, στο Παράρτημα θα αναφερθώ στις πρακτικές και μεθόδους του AI. Εταιρείες όπως η Google στοχεύουν στην πρόσβαση ML για εκατοντάδες χιλιάδες προγραμματιστές, όπου οι άνθρωποι χρησιμοποιούν AI κάθε μέρα.

www.google.ai

(Εάν ενδιαφέρεστε πραγματικά για την απόδοση του AI, εδώ είναι το ερευνητικό χαρτί Authorary Leverage.)