הבן את ההבדל בין למידת מכונה לבינה מלאכותית

A inteligência מלאכותי ו - למידת מכונה הן מילות באזז בתעשיית הטכנולוגיה בשנים האחרונות, אבל מה בדיוק המשמעות שלהן? של מי אתה יכול לבדוק פוסט שעשינו שמסביר בפירוט מהי למידת מכונה, אבל השאלה שאנחנו רוצים להתייחס כאן היא איך נוכל להבדיל בין שני המונחים הללו.

למידה דיגיטלית

שני המונחים מבולבלים לעתים קרובות ומשתמשים בהם באופן שגוי על ידי חברות שרוצות להפוך את הטכנולוגיה שלהן למתוחכמת. למעשה, בינה מלאכותית ולמידת מכונה שונות מאוד, עם השלכות שונות על מה שמחשבים יכולים לעשות וכיצד הם מתקשרים איתנו.

O למידת מכונה היא פרדיגמת המחשוב שמניעה את הצמיחה של "ביג דאטה" e IA. הוא מבוסס על פיתוח רשתות עצביות ו למידה עמוקה. זה בדרך כלל מתואר כמחקה את הדרך שבה בני אדם לומדים, אבל זה לא נכון. למידת מכונה באמת קשורה לניתוח סטטיסטי וללמידה איטרטיבית.

במקום לבנות תוכנית מסורתית המורכבת מ אמירות לוגיות e עצי החלטה, אחד רשת נוירונים נבנה במיוחד לאימון ולמידה באמצעות רשת מקבילה של נוירונים, שכל אחד מהם מוגדר למטרה מסוימת.

האופי של כל רשת עצבית מסוימת יכול להיות מסובך מאוד, אבל המפתח לאופן שבו הם פועלים הוא החלת משקלים (או גורמים בעלי חשיבות) לתכונה כלשהי של הקלט. באמצעות רשתות במשקלים ושכבות שונות, ניתן לייצר הסתברות או אומדן שהקלט שלך תואם לאחת או יותר מהפלטים המוגדרים.

הבעיה בסוג זה של חישוב, כמו בתכנות רגיל, היא התלות באופן שבו המתכנת האנושי מגדיר אותו, והתאמה מחדש של כל המשקולות הללו כדי לכוונן את הדיוק של הפלט עשויה להימשך שעות עבודה רבות עד שניתן יהיה לבצע. רשת עצבית עוברת לתחום למידת מכונה לאחר הצגת לולאת משוב מתקנת.

"אימון" המכונה

על ידי ניטור הפלט, השוואתו לקלט, והפחתה הדרגתית של משקלי הנוירונים, רשת יכולה לאמן את עצמה לשפר את הדיוק. החלק החשוב כאן הוא שאלגוריתם למידת מכונה מסוגל ללמוד ולפעול ללא מתכנתים, תוך ציון כל האפשרויות בתוך מערך הנתונים.

אימון רשת יכול להיעשות במספר דרכים שונות, אך כולן כוללות גישת כוח גס איטרטיבי כדי למקסם את דיוק הפלט ולהכשיר את הנתיבים האופטימליים דרך הרשת. עם זאת, אימון עצמי זה הוא עדיין תהליך יעיל יותר מאשר אופטימיזציה ידנית של אלגוריתם ומאפשר לאלגוריתמים לשנות ולמיין כמויות גדולות בהרבה של נתונים בזמנים הרבה יותר מהירים ממה שהיה אפשרי אחרת.

לאחר הכשרה, אלגוריתם למידת מכונה מסוגל לסווג תשומות חדשות ברחבי הרשת במהירות ובדיוק רב בזמן אמת. זה הופך אותה לטכנולוגיה חיונית עבור ראייה ממוחשבת, זיהוי דיבור, עיבוד שפה ופרויקטי מחקר מדעיים.

מה זה ומה לא AI

למידת מכונה היא טכניקת עיבוד חכמה, אך אין לה אינטליגנציה אמיתית. אלגוריתם לא צריך להבין בדיוק למה הוא מתקן את עצמו, רק איך הוא יכול להיות מדויק יותר בעתיד.

אלגוריתם למידת מכונה שיכול לנפות מסד נתונים של תמונות ולזהות את האובייקט הראשי בתמונה לא ממש נראה חכם, כי הוא לא מיישם את המידע הזה בצורה "אנושית".

ניתן לחלק את הבינה המלאכותית לשתי קבוצות עיקריות, מיושם ou כללי. בינה מלאכותית יישומית זה הרבה יותר בר קיימא עכשיו. זה קשור יותר לדוגמאות למידת מכונה לעיל ונועד לבצע משימות ספציפיות. זה יכול להיות מלאי מסחרי, ניהול תנועה בעיר חכמה או סיוע באבחון חולים.

A בינה מלאכותית כללית הוא, כפי שהשם מרמז, רחב ויכול יותר. הוא מסוגל להתמודד עם מגוון רחב יותר של משימות, להבין כמעט כל סט של נתונים, ולכן נראה שהוא חושב בצורה רחבה יותר, בדיוק כמו בני אדם. בינה מלאכותית כללית יכולה תיאורטית ללמוד מחוץ למערך הידע המקורי שלה, מה שעלול להוביל לצמיחה בורחת ביכולותיה.

מסתכלים אל העתיד

למרות כל הז'רגון המדעי והדיבור הטכני, יישומים של למידת מכונה ובינה מלאכותית כבר כאן. אנחנו עדיין רחוקים מלחיות לצד AI כללי, אבל אם אתה משתמש עוזר Google או אמזון, אתה כבר מקיים אינטראקציה עם סוג של AI יישומי.

למידת מכונה המשמשת לעיבוד שפה היא אחד המאפשרים העיקריים של המכשירים החכמים של ימינו, למרות שהם בהחלט לא מספיק חכמים כדי לענות על כל השאלות שלך.

הבית החכם הוא רק מקרה השימוש האחרון. למידת מכונה מועסקת בתחום הביג דאטה כבר זמן מה, ומקרי שימוש אלה חודרים יותר ויותר לטריטוריית AI. ה Google משתמש בו עבור כלי מנועי חיפוש. ה פייסבוק משתמש כדי לייעל את הפרסום.

יש הבדל גדול בין למידת מכונה לבינה מלאכותית, למרות שהראשונה היא מרכיב חשוב מאוד של השנייה. אין ספק שנמשיך לשמוע הרבה דיבורים על השניים במהלך 2018 ואילך.