Inteligjenca artificiale: Dallimi midis të mësuarit të makinës dhe mësimit të thellë

Inteligjenca artificiale, ose UA, është bërë një pjesë kaq e rëndësishme dhe integruese e shoqërisë sonë moderne. Sipas Forbes, edhe aq larg sa dy vjet më parë në 2017, 51% e ndërmarrjeve moderne tashmë implementojnë AI, me vetë industrinë e vlerësuar në 16 miliard dollarë dollarë. Kjo parashikohet të rritet në mënyrë eksponenciale më tej, duke arritur deri në 190 miliard dollarë dollarë në vitin 2025.

Dy nga llojet më me ndikim të UA-së sot janë sistemet e mësimit të makinerive dhe sistemet e mësimit të thellë. Por, cilat janë saktësisht këto dy? Dhe për këtë çështje, si e përcaktojmë inteligjencën artificiale në kontekstin e këtyre dyve?

Farë është inteligjenca artificiale?

Hyrja zyrtare e vitit 2019 e Fjalorit të Oksfordit thotë se inteligjenca artificiale është "teoria dhe zhvillimi i sistemeve kompjuterike në gjendje të kryejnë detyra që normalisht kërkojnë inteligjencën njerëzore".

Me fjalë të tjera, AI interpreton informacionin në një mënyrë të ngjashme me ju dhe mua, nëse është e nevojshme për zbulimin e imazhit, njohjen e të folurit ose ndonjë sistem tjetër të automatizuar, të vendimmarrjes. Një shembull shumë i thjeshtë i AI është kundërshtari i një kompjuteri me lojëra video. Ai përdor të dhëna nga loja, si dhe hyrje nga lojtari, në mënyrë që të krijojë një seri vendimesh dhe detyrash në mënyrë që të angazhohet lojtari. AI është prezantuar qysh në vitet '50, por ajo vetëm filloi të hiqet me të vërtetë gjatë viteve '70 dhe '80, kur kompjuterët personalë dhe konzollat ​​e lojërave filluan të bëjnë zhvillimin e AI-së një kërkesë themelore për operacionet e tij.

Shembuj të tjerë të AI në jetën tonë të përditshme mund të përfshijnë:

  1. Simulators
  2. Pajisjet e zgjuara
  3. Aksionet e bursës
  4. Njohja e të dhënave (fjalimi, zëri, fytyra, etj.)

Sot, shumë sisteme AI përdoren pothuajse në çdo aplikacion, kur të dhënat përdoren, siç janë programi i menaxhimit, algoritmet e rekomandimit, analiza e mediave, apo edhe asistentët e zërit. Në fakt, madje edhe aplikacionet e thjeshta për përcjelljen tani përdorin AI. Si rregull, nëse ekziston një proces relativisht kompleks i përfundimit të detyrave që duhet të ekzekutohet rregullisht pa ndërhyrje të drejtpërdrejtë njerëzore, ka shumë të ngjarë që të ketë AI në të.

Isfarë është mësimi i makinerisë?

Mësimi i makinerisë është një lloj inteligjence artificiale (dhe për këtë arsye edhe një nënbërje e tij) që specializohet në analizimin dhe analizimin e të dhënave të dhëna në mënyrë që të përshtaten prej tij dhe të marrin vendime sa duhet inteligjente. Për ta thënë më thjeshtë, kjo UA është bërë për të vëzhguar dhe vërejtur shumë sende, dhe pastaj të ndërmarrë një ose më shumë kurse veprimi bazuar në informacionin e marrë.

Detyrat tipike të mësimit të makinerisë sot mund të kenë:

  1. Rekomandime lidhëse
  2. Moderimi i përmbajtjes
  3. Rezultatet e kërkimit shfaqin
  4. Afatet kohore kuruese (në mediat sociale)

Një sistem mësimi makinerish është i aftë të analizojë një sasi të madhe të të dhënave në një kohë të shkurtër, duke krijuar zgjidhje ose përfundime nga ai. Ai optimizon algoritmin e tij për të dhënë interpretime të sakta, shumë më tepër sesa ato që njerëzit mund të bëjnë me të njëjtat kufizime kohore. Për shembull, ne duam të përcaktojmë automatikisht nëse një email i caktuar është spam apo jo. Një sistem mësimi makinerie do të shohë mijëra e mijëra e-mail në mënyrë që të gjeni modele që do ta ndihmojnë atë të përcaktojë një email spam. Më pas do të jepte një klasifikim të përafërt të spam-it dhe postës elektronike të rregullt, të dhënat e të cilave do të përdorte përsëri për të gjetur edhe më shumë modele që do ta ndihmojnë atë të rafinojë analizat e saj edhe më tej.

Kur u jepen grupe më të reja dhe më të reja të të dhënave, sistemet e mësimit të makinerive mund të adaptojnë dhe azhurnojnë algoritmet e saj për t'u marrë edhe më mirë në atë që bën. Ose të paktën, minimizoni mundësinë e gabimeve. Kjo është ajo që e bën mësimin e makinerisë shumë të rëndësishëm në epokën tonë aktuale të drejtuar nga të dhënat.

Isfarë është mësimi i thellë?

Mësimi i thellë është, përsëri, një nën-bashkim, këtë herë të të mësuarit të makinerive. Dizajni themelor i sistemeve të mësimit të thellë bazohet në një tru organik. Ndërsa ne formojmë kujtime të reja duke përdorur një rrjet kompleks të modeleve nervore, ky lloj sistemi gërsheton rrjetin e tij kompleks të vendimeve duke përdorur një rrjet nervor artificial, i cili është i përbërë nga shtresa të panumërta algoritmi.

Disa sisteme mjaft të dukshëm të mësimit të thellë janë:

  1. Watson (garues të mposhtur në Jeopardy!)
  2. AlphaGo (mposhtur lojtarin profesionist të Go, Lee Sedol në Mars 2016)
  3. Deepfake (gjenerimi i përfaqësimeve jashtëzakonisht realiste por artificiale të njerëzve aktualë)
  4. OpenAI Five (një projekt i mësimit të thellë të lojrave, mundi lojtarin pro DOTA Dendi të fundit 2017)

Për dallim nga sistemet standarde të mësimit të makinerive, të cilat akoma mund të performojnë mjaft mirë madje edhe duke pasur parasysh grupe relativisht themelore të të dhënave, një sistem fillimi i mësimit të thellë do të fillonte fjalë për fjalë nga e para. Karakterizohet nga 'periudha e tij e ngutshme', ku gjeneratat e para të UA-së së tij do të fillojnë të japin rezultate aktuale pas një periudhe adaptimi nga disa gjenerata të panumërta të dështuara.

Kur arrin një nivel mjaft kompleks të efikasitetit, sistemet e mësimit të thellë thjesht fillojnë të mbingarkojnë gjithçka tjetër para tij. AlphaGo i DeepMind, për shembull, filloi të përdorë një grup fillestar prej 160,000 ndeshjesh amatore të Go para se të ngecte rrugën drejt rrahjes së lojtarëve profesionistë të Go duke luajtur miliona herë kundër vetvetes.

Sistemet e mësimit të thellë, ndryshe nga sistemet e tjera të mësimit të makinave të dizajnuara më parë, mbështeten shumë në shumëzimet e matricës për të gjeneruar të dhëna. Si e tillë, GPU-të komerciale janë zakonisht pajisja më e mirë për këto sisteme, pasi ato janë të afta të ofrojnë kërkesat paralele të nivelit të lartë të përpunimit të nevojshëm për të ruajtur operacionalitetin.

AI standarde dhe mësimi i makinerive

Megjithëse inteligjenca artificiale dhe mësimi i makinerisë mund të përdoren në mënyrë të ndërsjellë për shumë aplikime të zakonshme, është e rëndësishme të theksohet se mësimi i makinerisë ka një karakteristikë shumë të veçantë: adaptimin. Kjo do të thotë se mëson. Mund të bëjë shumë gabime fillestare, për dallim nga AI të paracaktuara, por është krijuar që të mësojë prej tyre, të ndërtojë prej tyre dhe përfundimisht të shfuqizojë çdo gjë që është krijuar për të optimizuar.

Nga aspekti i projektimit, mësimi i makinerisë gjithashtu fiton avantazhin e të mos qenit të mbingarkuar me ndërtimet fillestare të tij. Një UA tipike mund të ketë nevojë për kodim të specializuar ose udhëzime specifike për çdo situatë të vetme që zhvilluesi mund të parashikonte. Por një sistem mësimi makinerish thjesht mund të funksionojë në një pemë vendimesh, plus një standard ose dy standarde mësimore, si dhe aftësinë e nevojshme të përpunimit, dhe më pas të bëjë rrugën e tij për t'u bërë më të mirë dhe më të mirë në detyrën e tij.

Rëndësia e diferencimit të sistemeve të mësimit të makinerisë vjen nga fakti që ne ende përdorim standardin, rregullt të AI të sistemeve të tilla në detyra dhe detyra të tjera më pak të rëndësishme sot. Në fund të fundit, nuk do të keni nevojë domosdoshmërisht për sisteme mësimi makinerish, le të themi, automatizimi i vendimeve më të thjeshta për menaxhimin e skedarëve. Në të njëjtën mënyrë, nuk mund të jetë e përshtatshme të kategorizoni diçka aq të sofistikuar sa një sistem të njohjes së të folurit si "thjesht AI", dhe kështu ta klasifikojmë si duhet.

Mësimi i makinerisë dhe mësimi i thellë

Ndoshta dallimi më i rëndësishëm që duhet të mësojmë është ndryshimi midis të mësuarit të makinerisë dhe mësimit të thellë. Para së gjithash, siç u përmend më herët, të mësuarit e thellë është Mësimi i makinerisë IS, teknikisht një lloj, ose një nëndegë e tij. Mësimi i makinerisë, megjithatë, nuk është gjithmonë mësimi i thellë. Dallimi kryesisht ka të bëjë me mënyrën e ndërtimit të të dyjave.

Mësimi i makinerisë është zhvilluar brenda të njëjtit mjedis kompjuterik si shumë prej programeve tona gjatë dekadave të fundit. Si i tillë, është në një farë mënyre, lineare, dhe madje edhe nëse është ndërtuar për t'iu përshtatur Ligjit të Moore, ai është akoma i kufizuar nga pemët dhe algoritmet e tij. Mësimi i thellë, nga ana tjetër, gërryen të gjithë algoritmet e tij brenda një rrjeti nervor. Isshtë krijuar për llogaritjen paralele të nivelit të lartë, atë që ne tani mund ta konsiderojmë si gjeneratën tjetër në mësimin e makinerisë.

Një mënyrë mjaft e besueshme për të përcaktuar nëse po përdoret një sistem i thellë mësimi është të vlerësoni kompleksitetin e detyrës AI. Zakonisht, sa më shumë variabla jo-numerike, arbitrare duhet të merren parasysh, aq më shumë ka të ngjarë të jetë një sistem i thellë mësimi. Për shembull, rekomandimet e Netflix nuk janë aq komplekse sa përkthimi i gjuhës, edhe nëse mësojnë nga të dhënat e grumbulluara nga e gjithë baza e përdoruesit të internetit. Ky dallim mund të zbatohet për dy detyra të ngjashme, siç janë dy sisteme të veçanta të vetë-drejtimit. Ai që mbështetet më shumë në shtypjen e të dhënave të sensorit duhet të jetë sistemi i përgjithshëm i mësimit të makinerive, me një mësim të thellë që ka të ngjarë të mbështetet më shumë në shenjat mjedisore të dukshme njerëzore, diçka si ajo që Tesla aktualisht po zhvillon për momentin.

Pavarësisht nëse diferencimi është i qartë apo jo, është absolutisht e sigurt që mësimi i thellë është e ardhmja. Për qëllimet tona, sidoqoftë, ndarja e UA-së për të mësuar thellë nga AI e të mësuarit standard të makinës është thelbësore për të kuptuar se sa ndryshe është me të vërtetë, dhe sa e avancuar mund të ishte. Pavarësisht se është ende në fazat e tij të zhvillimit sot, ai është pothuajse tashmë i pakrahasueshëm me gjithçka tjetër që erdhi para tij.

Një Barack Obama i rremë që thotë disa fjali të shkurtra në një sfond po aq të rremë mund të duket i panjohur për shikuesin normal, por për ne që tashmë e kuptojmë dallimin, ne e dimë se është vetëm një nga mundësitë e mëdha të një teknologjie të tillë ndryshimi të lojës .

Sfida e Madhe e AI e Vietnamit

Dëshironi të mësoni më shumë rreth inteligjencës artificiale? Kambria po drejton drejtimin e Vietnamit AI Grand Challenge 2019, një seri hackathon, misioni i së cilës është të trajnojë zhvilluesit e rinj të AI. Në bashkëpunim me qeverinë Vietnameze, McKinsey & Company dhe VietAI, Grand Challenge do të sjellë së bashku talentin më të mirë të vendit për të mbështetur korporatat në Vietnam dhe globalisht në hartimin e ndihmësit të fundit virtual të AI.

Si të merrni pjesë:
 1. Regjistrohuni në platformën Kambria: https://bounty.kambria.io/
 2. Ndiqni faqen e Grand Challenge në Facebook për të gjitha informacionet e ardhshme të ngjarjes: https://www.facebook.com/VietnamAIGC/

Të Shtunën, 1 Qershor 2019, Kambria do të organizojë një punëtori në Da Nang të quajtur "Krijoni Asistent Virtual Your Own Virtual From Scratch" për të ofruar trajnime dhe arsimim për pjesëmarrësit e Vietnamit të Sfida Grande të Vietnamit. Klikoni këtu për më shumë informacione rreth punëtorisë. Hapësira është e kufizuar në 40 pjesëmarrës, prandaj sigurohuni që të regjistroheni së shpejti!

Botuar fillimisht në Kambria.