Чим відрізняється штучний інтелект, машинне глибоке навчання?

Штучний інтелект - це майбутнє. ІІ - це наукова фантастика. Штучний інтелект вже є частиною нашого повсякденного життя. Всі ці твердження вірні, це просто залежить від того, який аромат ІІ ви маєте на увазі.

Наприклад, коли програма AlphaGo від Google DeepMind перемагала південнокорейського майстра Лі Седола в настільній грі Go на початку цього року, терміни AI, машинне навчання і глибоке навчання використовувалися в засобах масової інформації для опису того, як DeepMind виграла. І всі три є частиною причини, по якій AlphaGo переслідував Лі Се-Дола. Але це не одне і те ж.

Найпростіший спосіб представити взаємозв'язок - це візуалізувати їх як концентричні кола з ІІ - думка, яка була першою - найбільше, а потім машинне навчання - яке розквітло пізніше і, нарешті, глибоке навчання, - яке всередині обох.

ІІ був частиною наших фантазій і кипів в дослідницьких лабораторіях, так як в 1956 році на конференціях в Дортмуте зібралося кілька комп'ютерних вчених, які створили поле ІІ. Протягом десятиліть, з тих пір, ІІ черзі був оголошений ключем до найяскравішого майбутнього нашої цивілізації.

За останні кілька років ІІ увірвався в нашу шізнь, і особливо з 2015 року. Більша частина цього пов'язана з широкою доступністю графічних процесорів, які роблять паралельну обробку все швидше, дешевше і потужніше. Це також пов'язано з одночасним практично нескінченного сховища і потоком даних кожного напряму: зображень, тексту, транзакцій, картографічних даних.

Давайте розглянемо, як комп'ютерні вчені перейшли від чогось непрактично - до 2012 року - до буму, який привів до створення додатків з ІІ, використовувані сотнями мільйонів людей щодня.

Ще влітку цього року на конференції «56» мрія про ці піонерів AI полягала в тому, щоб побудувати складні машини, які були створені новими комп'ютерами, які володіли характеристиками людського інтелекту. Це концепція, яку ми вважаємо «General AI» - казкові машини, які мають всі наші почуття (може бути, навіть більше), вміють будувати причинно-наслідковий зв'язок і думають так само, як і ми. Ви бачили ці машини нескінченно в фільмах як один - C-3PO - і ворог - The Terminator. Незначні причини, мабуть, були в машинах і науково-фантастичних романах. Ми не можемо це зробити, принаймні, поки що.

Те, що ми можемо зробити, відноситься до поняття «Вузький ІІ». Технології, здатні виконувати конкретні завдання, а також, чи краще, ніж ми, люди. Прикладами вузьких ІІ є такі речі, як класифікація зображень на службі, такий як Pinterest і розпізнавання осіб на Facebook.

Це приклади вузького ІІ на практиці. Ці технології демонструють деякі аспекти людського інтелекту. Але як? Звідки цей інтелект? Це призведе нас до наступного поняттю, Machine Learning (Машинне навчання).

Машинне навчання - це практика використання алгоритмів для аналізу даних, вивчення їх, а потім визначення або передбачення чогось в світі.

Тому замість рутинних програм для ручного кодування з певним набором інструкцій для виконання конкретного завдання машина «навчається» з використанням великої кількості даних і алгоритмів, які дають йому можливість дізнатися, як виконати завдання.

Машинне навчання виникло безпосередньо з практик AI, а алгоритмічні підходи протягом багатьох років включали в себе вивчення дерева рішень, індуктивне логічне програмування, кластеризація, навчання посиленню, а також Байесовкая мережу. Як ми знаємо, жодна з них не досягла кінцевої мети загального ІІ, і навіть Вузький ІІ був в основному недоступний за допомогою ранніх підходів до комп'ютерного навчання.

Як виявилося, однією з найкращих областей застосування машинного навчання протягом багатьох років було комп'ютерний зір, хоча для виконання цієї роботи як і раніше потрібна велика кількість ручного кодування. Люди заходили і записували класифіковані вручну класифікатори, такі як фільтри виявлення кордонів, щоб програма могла визначити, де був запущений і зупинений об'єкт; визначення форми, щоб визначити, чи має вона вісім сторін; класифікатор для розпізнавання букв «STOP». З усіх цих класифікованих вручну класифікаторів вони розробили алгоритми, щоб зрозуміти сенс зображення і «дізнатися», щоб визначити, чи був це знак зупинки.

Хороший, але не дуже розумний. Особливо в туманний день, коли знак не зовсім помітний, або дерево приховує його частина. Причина в тому, що комп'ютерний зір і виявлення зображення не наблизилися до суперництва з людьми до недавнього часу, воно було дуже крихким і занадто схильним помилок.

Час і правильні алгоритми навчання зробили все можливе.

Глибоке навчання - це метод впровадження машинного навчання.

Прорив Andrew Ng з Google в 2012 полягав у тому, щоб взяти ці нейронні мережі та істотно зробити їх величезними, збільшити шари і нейрони, а потім запустити величезну кількість даних через систему для її навчання. У випадку з Andrew Ng це були зображення з 10 мільйонів відео на YouTube. Він вклав поняття «глибокий» в глибоке навчання, яке описує всі шари в цих нейронних мережах.

Сьогодні розпізнавання зображень машинами, навченими за допомогою глибокого навчання в деяких сценаріях, краще, ніж люди, і варіюється від кішок до визначення показників раку в крові і пухлинах при МРТ-сканування. AlphaGo від Google навчився грі і тренувався для свого матчу Go - він налаштовував свою нейронну мережу - граючи проти себе знову і знову.

Завдяки глибокому навчанню, AI має світле майбутнє
Глибоке навчання дозволило багато практичних застосувань машинного навчання і, на додаток, до загальної області ІІ. Deep Learning розбиває завдання таким чином, що всілякі машинні процеси здаються можливими, навіть ймовірними. Авто без водія, краще профілактичний охорону здоров'я, навіть кращі рекомендації по кіно, все тут сьогодні або на горизонті. ІІ - сьогодення і майбутнє. За допомогою Deep Learning, AI може навіть дійти до того рівня наукової фантастики, про який ми так довго думали.

Джерело: Michael Copeland для блогу nvidia