Künstliche Intelligenz: Unterschied zwischen maschinellem Lernen und tiefem Lernen

Künstliche Intelligenz oder KI ist ein wichtiger und integraler Bestandteil unserer modernen Gesellschaft geworden. Laut Forbes haben vor zwei Jahren, im Jahr 2017, 51 Prozent der modernen Unternehmen bereits KI implementiert, und allein die Branche hat einen Wert von 16 Milliarden US-Dollar. Diese Zahl wird voraussichtlich 2025 190 Milliarden US-Dollar erreichen und noch weiter wachsen.

Heute sind zwei der einflussreichsten Arten von KI maschinelles Lernen und vertiefte Lernsysteme. Aber was genau sind die beiden? Und wie definieren wir in dieser Hinsicht künstliche Intelligenz in beiden Kontexten?

Was ist künstliche Intelligenz?

In der offiziellen Einführung des Oxford Dictionary von 2019 ist künstliche Intelligenz "die Theorie und Entwicklung von Computersystemen, die Aufgaben ausführen können, die menschliche Intelligenz erfordern".

Mit anderen Worten, AI interpretiert die Informationen so, wie Sie und ich sie für die Bilderkennung, Spracherkennung oder andere automatisierte Entscheidungssysteme benötigen. Ein sehr einfaches Beispiel für KI ist der Rivale eines Videospielcomputers. Es verwendet Spieldaten sowie Spielerinformationen, um Sequenzen von Entscheidungen und Aufgaben zu erstellen, um den Spieler einzubeziehen. KI erschien in den 1950er Jahren, begann jedoch erst in den 1970er und 1980er Jahren, als PCs und Spielekonsolen die KI-Entwicklung zu einer wichtigen Anforderung für ihre Aktivitäten machten.

Andere Beispiele für KI in unserem täglichen Leben können sein:

  1. Simulatoren
  2. Intelligente Geräte
  3. Bots an der Börse
  4. Informationserkennung (Sprache, Stimme, Gesicht usw.)

Viele KI-Systeme werden heutzutage in fast jeder Anwendung verwendet, die Daten wie Verwaltungssoftware, Überweisungsalgorithmen, Medienanalysen oder sogar Sprachassistenten verwendet. Tatsächlich verwenden jetzt sogar einfache Überwachungsprogramme KI. Als Faustregel gilt: Wenn es kompliziertere Aufgaben gab, die regelmäßig ohne direktes Eingreifen einer Person ausgeführt werden sollten, dann hatte sie KI.

Was ist maschinelles Lernen?

Maschinelles Lernen ist eine Art künstliche Intelligenz (und daher ein Teil davon), die sich auf die Analyse und Analyse von Daten spezialisiert hat, um sich an die gegebenen Daten anzupassen und kluge Entscheidungen zu treffen. Einfach ausgedrückt, diese KI wurde entwickelt, um viele Dinge zu verfolgen und zu entdecken und dann eine oder mehrere Maßnahmen auf der Grundlage der erhaltenen Informationen durchzuführen.

Typische Aufgaben des maschinellen Lernens heute können die folgenden sein

  1. Link zu den Empfehlungen
  2. Content Management
  3. Suchergebnisse anzeigen
  4. Behandlungszeit (in sozialen Netzwerken)

Das maschinelle Lernsystem ist in der Lage, sehr große Datenmengen in kurzer Zeit zu analysieren und Entscheidungen oder Schlussfolgerungen zu treffen. Es optimiert seinen Algorithmus, um genaue Kommentare zu liefern, mehr als die Leute mit den Zeitbeschränkungen machen können. Beispielsweise möchten wir automatisch feststellen, ob es sich bei einer bestimmten E-Mail um Spam handelt oder nicht. Das maschinelle Lernsystem durchsucht Tausende von E-Mails, um Muster zu finden, mit denen Spam-E-Mails identifiziert werden können. Anschließend wird eine eindeutige Klassifizierung von Spam oder einfachen E-Mails bereitgestellt und erneut verwendet, um genauere Muster zu finden, mit denen die Analyse verbessert werden kann.

Wenn neue und neue Datensätze bereitgestellt wurden, konnten maschinelle Lernsysteme ihre Algorithmen anpassen und aktualisieren, um ihre Arbeit weiter zu verbessern. Oder zumindest die Fehlerwahrscheinlichkeit minimieren. Dies macht maschinelles Lernen in unserem datengetriebenen Zeitalter sehr wichtig.

Was ist eine eingehende Studie?

Deep Learning ist wiederum eine Zeit des maschinellen Lernens. Das grundlegende Design von Deep-Learning-Systemen basiert auf dem organischen Gehirn. Wenn wir neue Erinnerungen unter Verwendung eines komplexen Netzes neuronaler Muster bilden, erzeugt ein solches System ein eigenes komplexes Netzwerk von Entscheidungen unter Verwendung eines künstlichen neuronalen Netzwerks, das aus unzähligen algorithmischen Schichten besteht.

Eine Reihe bemerkenswerter Deep-Learning-Systeme:

  1. Watson (Konkurrenten in "Jeopardy")
  2. AlphaGo (besiegt den professionellen Go-Spieler Lee Sedol im März 2016)
  3. Deepfake (erstellt eine sehr reale, aber realistische, künstliche Darstellung realer Menschen)
  4. OpenAI Five (Game Deep Learning-Projekt, DOTA-Spieler Dandy wurde im vergangenen Jahr besiegt)

Im Gegensatz zu herkömmlichen maschinellen Lernsystemen können sie sogar relativ einfache Datensätze verarbeiten, wobei ein detailliertes Lernsystem bei Null beginnt. Es zeichnet sich durch seine „träge Zeit“ aus, in der die ersten KI-Generationen nach der Anpassung echte Ergebnisse aus unzähligen gescheiterten Generationen hervorbringen.

Wenn es ein sehr hohes Maß an Effizienz erreicht, werden Deep-Learning-Systeme beginnen, alles zu übertreffen, was ihm vorausging. DeepMinds AlphaGo zum Beispiel begann mit seinen 160 Millionen Amateur-Go-Spielen, bevor es spontan Millionen von professionellen Go-Spielern besiegte.

Deep-Learning-Systeme stützen sich im Gegensatz zu anderen zuvor entwickelten maschinellen Lernsystemen stark auf die Matrixmultiplikation zur Datengenerierung. Kommerzielle GPUs sind daher normalerweise die besten Werkzeuge für diese Systeme, da sie die hohen Anforderungen an die parallele Verarbeitung erfüllen können, die zur Aufrechterhaltung der Betriebsleistung erforderlich sind.

Standard-KI und maschinelles Lernen

Obwohl künstliche Intelligenz und maschinelles Lernen für viele gängige Anwendungen austauschbar verwendet werden können, weist maschinelles Lernen ein einzigartiges Merkmal auf: Anpassung. Es bedeutet, dass er lernt. Im Gegensatz zu vorgefertigten KI kann es viele anfängliche Fehler machen, aber es soll das ersetzen, woraus sie lernen, daraus bauen und letztendlich optimieren.

In Bezug auf das Design hat maschinelles Lernen auch den Vorteil, dass es nicht mit seinem ursprünglichen Design verwechselt wird. Gewöhnliche KI benötigt möglicherweise eine spezifische Codierung oder spezifische Anweisungen für jede Situation, die der Hersteller vorhersehen kann. Das maschinelle Lernsystem kann jedoch neben zwei oder zwei Trainingsstandards auch einfach an einem Entscheidungsbaum arbeiten und seine Funktion verarbeiten und anschließend verbessern.

Die Bedeutung der Unterscheidung von maschinellen Lernsystemen besteht darin, dass wir jetzt reguläre Standard-AIs dieser Systeme für andere unbedeutende Aufgaben und Aufgaben verwenden. Letztendlich benötigen Sie keine maschinellen Lernsysteme, um einfach die Dateiverwaltungsentscheidungen zu automatisieren. Ebenso ist es möglicherweise nicht richtig, komplexe Elemente wie Spracherkennungssysteme als "nur KI" zu kategorisieren, und daher klassifizieren wir sie korrekt.

Maschinelles Lernen und tiefes Lernen

Der vielleicht wichtigste Unterschied, den wir lernen müssen, ist der Unterschied zwischen maschinellem Lernen und tiefem Lernen. Wie oben erwähnt, handelt es sich in erster Linie um eine eingehende Untersuchung der IS-Automatisierung, die technisch aus einem Typ oder einem Teil davon besteht. Maschinelles Lernen ist nicht immer eine eingehende Studie. Der Unterschied ist hauptsächlich auf die Art und Weise zurückzuführen, wie die beiden gebaut sind.

Maschinelles Lernen wurde in den letzten Jahrzehnten in derselben Computerumgebung wie die meisten unserer Software entwickelt. Obwohl es einheitlich, linear und sogar nach Moores Gesetz gebaut wurde, ist es dennoch durch Entscheidungsbäume und Algorithmen begrenzt. Durch eingehendes Lernen werden wiederum alle Algorithmen in ein neuronales Netzwerk integriert. Es wurde für paralleles Computing auf hoher Ebene entwickelt, das wir jetzt als die nächste Generation des maschinellen Lernens betrachten.

Ein todsicherer Weg, um festzustellen, ob ein Deep-Learning-System verwendet wird, besteht darin, die Komplexität der KI-Aufgabe zu bewerten. Im Allgemeinen sollten mehrere optionale Variablen berücksichtigt werden, bei denen es sich eher um ein Deep-Learning-System handelt. Beispielsweise sind Netflix-Empfehlungen nicht so komplex wie Sprachübersetzungen, obwohl sie aus den Daten lernen, die in der gesamten Internetnutzerbasis gesammelt wurden. Dieser Unterschied kann zwei ähnliche Funktionen erfüllen, beispielsweise zwei separate Selbstkontrollsysteme. Was wir mehr auf die Komprimierung von Sensordaten setzen, ist, dass es ein gängiges maschinelles Lernsystem sein sollte und dass tieferes Lernen umweltfreundlicher sein sollte als das, was Tesla derzeit entwickelt. müssen aufpassen.

Ob die Unterscheidung klar oder offensichtlich ist, tiefes Lernen ist die Zukunft. Für unsere Zwecke ist jedoch eine eingehende Untersuchung wichtig, um zu verstehen, wie unterschiedlich es von KI zu einfachem maschinellem Lernen ist und wie es wirklich ist. Obwohl es sich heute in der Entwicklung befindet, ist es nicht mit fast allem vergleichbar, was davor passiert ist.

Während es für den gewöhnlichen Betrachter verwirrend erscheinen mag, dass Barack Obama ein paar kurze Sätze vor einem falschen Hintergrund gemacht hat, wissen wir, dass dies für diejenigen, die den Unterschied verstehen, eine der großen Möglichkeiten der bahnbrechenden Technologie ist. .

Vietnam AI Grand Challenge

Möchten Sie mehr über künstliche Intelligenz erfahren? Cambria Vietnam führt die Hackerserie AI Grand Challenge 2019 an. Ihre Mission ist es, junge KI-Entwickler auszubilden. In Zusammenarbeit mit der vietnamesischen Regierung, McKinsey & Company und VietnamAI wird die Grand Challenge die besten KI-Fähigkeiten des Landes bei der Unterstützung von Unternehmen in Vietnam und beim Entwurf eines globalen virtuellen KI-Assistenten unterstützen.

Beitritt: Melden Sie sich auf der Cambria-Plattform an: https://bounty.kambria.io/ 2. Folgen Sie der Facebook-Seite der Challenge für alle bevorstehenden Veranstaltungen: https: / /www.facebook.com/VietnamAIGC/

Am Samstag, dem 1. Juni 2019, findet in Da Nang, Kambodscha, ein Workshop mit dem Titel "Create a Virtual AI Assistant" statt, der den Teilnehmern der Vietnam AI Grand Challenge Schulungen und Schulungen bietet. Klicken Sie hier für weitere Informationen zum Workshop. Der Platz ist auf 40 Teilnehmer begrenzt, also melde dich bald an!

Ursprünglich in Kambodscha veröffentlicht.