בינה מלאכותית: ההבדל בין למידת מכונה ולמידה עמוקה

בינה מלאכותית או AI הפכה לחלק חשוב ובלתי נפרד מהחברה המודרנית שלנו. על פי פורבס, לפני שנתיים, בשנת 2017, 51 אחוזים מהעסקים המודרניים כבר יישמו AI, והתעשייה לבדה מוערכת בכ -16 מיליארד דולר. נתון זה צפוי להגיע ל -190 מיליארד דולר בשנת 2025 וצפוי לצמוח עוד יותר.

כיום, שני הסוגים המשפיעים ביותר על AI הם למידת מכונות ומערכות למידה מעמיקות. אבל מה בדיוק השניים? ובהקשר זה, כיצד נגדיר בינה מלאכותית בשני ההקשרים?

מהי בינה מלאכותית?

במבוא הרשמי של מילון אוקספורד משנת 2019, בינה מלאכותית היא "התיאוריה והפיתוח של מערכות מחשב שיכולות לבצע משימות הדורשות אינטליגנציה אנושית."

במילים אחרות, AI מפרש את המידע כפי שאתה ואני זקוקים לו, לצורך זיהוי תמונה, זיהוי דיבור או מערכות אוטומטיות אחרות לקבלת החלטות. דוגמה מאוד פשוטה ל- AI היא יריבתו של מחשב משחקי מחשב. הוא משתמש בנתוני משחק כמו גם במידע על השחקנים כדי ליצור רצפי החלטות ומשימות להעסקת הנגן. AI הופיע בשנות החמישים, אך זה התחיל רק בשנות השבעים והשמונים כאשר מחשבים אישיים וקונסולות משחק הפכו את פיתוח ה- AI לדרישה מרכזית בפעילותו.

דוגמאות נוספות ל- AI בחיי היומיום שלנו עשויות לכלול:

  1. סימולטורים
  2. מכשירים חכמים
  3. בוטים בבורסה
  4. זיהוי מידע (דיבור, קול, פנים וכו ')

מערכות AI רבות כיום משמשות כמעט בכל יישום המשתמש בנתונים כמו תוכנת ניהול, אלגוריתמי הפניות, ניתוח מדיה או אפילו עוזרי קול. למעשה, אפילו תוכניות מעקב פשוטות משתמשות כעת ב- AI. ככלל אצבע, אם היו משימות מורכבות יותר שהיו אמורות להתבצע באופן קבוע ללא התערבות ישירה של אדם, אז היה לזה AI.

מהי למידת מכונה?

למידת מכונה היא סוג של בינה מלאכותית (ולכן חלק ממנה) המתמחה בניתוח וניתוח נתונים על מנת להסתגל לנתונים אלו ולקבל החלטות חכמות. במילים פשוטות, ה- AI הזה נועד לעקוב ולגלות דברים רבים, ואז לבצע מסלול פעולה אחד או יותר על בסיס המידע שהתקבל.

משימות אופייניות של למידת מכונה כיום עשויות לכלול את הדברים הבאים

  1. קישור להמלצות
  2. ניהול תוכן
  3. הצגת תוצאות חיפוש
  4. זמן טיפול (ברשתות החברתיות)

מערכת למידת המכונה מסוגלת לנתח כמות גדולה של נתונים בפרק זמן קצר, לקבל החלטות או להסיק מהן מסקנות. זה מייעל את האלגוריתם שלו בכדי לספק הערות מדויקות, יותר ממה שאנשים יכולים לעשות עם מגבלות הזמן. לדוגמה, אנו רוצים לקבוע אוטומטית אם הודעת דוא"ל מסוימת היא דואר זבל או לא. מערכת למידת המכונה עוברת בין אלפי אלפי הודעות דוא"ל כדי למצוא דפוסים המסייעים בזיהוי הודעות דואר זבל. לאחר מכן הוא מספק סיווג ברור של דואר זבל או הודעות דואר אלקטרוני פשוטות, ומשתמש בו שוב כדי למצוא דפוסים מדויקים יותר שיכולים לעזור בשיפור הניתוח.

כאשר סיפקו מערכי נתונים חדשים וחדשים, מערכות למידת מכונות יכלו להתאים ולעדכן את האלגוריתמים שלהם כדי לשפר עוד יותר את מה שהם עושים. או לפחות למזער את הסבירות לטעויות. זה הופך את למידת המכונה לחשובה מאוד בעידן מונע הנתונים שלנו.

מהו מחקר מעמיק?

למידה עמוקה, שוב, זהו זמן למידת מכונה. התכנון הבסיסי של מערכות למידה עמוקה מבוסס על המוח האורגני. אם אנו יוצרים זיכרונות חדשים באמצעות רשת מורכבת של תבניות עצביות, מערכת כזו תיצור רשת החלטות מורכבת משלה, תוך שימוש ברשת עצבית מלאכותית המורכבת מאינספור שכבות אלגוריתמיות.

מספר מערכות למידה עמוקה בולטות:

  1. ווטסון (מתחרים בסרט "Jeopardy")
  2. AlphaGo (מביס את שחקן הגו המקצועי לי סדול במרץ 2016)
  3. Deepfake (יוצר ייצוג מלאכותי מאוד אמיתי אך מציאותי של אנשים אמיתיים)
  4. OpenAI Five (פרויקט למידה עמוקה במשחק, נגן DOTA דנדי הובס בעבר 2017)

בניגוד למערכות למידת מכונות רגילות, הן יכולות להתמודד אפילו עם מערכי נתונים פשוטים יחסית, כאשר מערכת למידה מעמיקה מתחילה מאפס. היא מאופיינת ב"תקופת האטיות "שלה בה הדורות הראשונים של ה- AI מתחילים לייצר תוצאות אמיתיות מאינספור דורות שנכשלו לאחר ההסתגלות.

כאשר הוא מגיע לרמת יעילות מאוד מתוחכמת, מערכות למידה עמוקה יתחילו לעלות על כל מה שקדם לו. AlphaGo של DeepMind, למשל, התחיל להשתמש ב -160 מיליון משחקי ה- Go החובבים שלה, לפני שהוא גבר באופן ספונטני על מיליוני שחקני Go מקצועיים.

מערכות למידה עמוקה, בשונה ממערכות למידת מכונות אחרות אשר פותחו בעבר, נשענות רבות על כפל מטריצות לייצור נתונים. לפיכך, מכשירי GPU מסחריים הם בדרך כלל הכלים הטובים ביותר למערכות אלה מכיוון שהם מסוגלים לעמוד ברמה הגבוהה של דרישות העיבוד המקביל הנדרשות לשמירה על ביצועים תפעוליים.

למידה מכונה סטנדרטית ומכונה

למרות שניתן להשתמש בהבנה מלאכותית ולמידת מכונה להחלפה ליישומים נפוצים רבים, למידת מכונה יש תכונה ייחודית אחת: הסתגלות. זה אומר שהוא לומד. בניגוד ל- AI שנבנה מראש, הוא יכול לעשות הרבה טעויות ראשוניות, אך הוא נועד להחליף את מה שהם לומדים ממנו, לבנות ממנו ובסופו של דבר לבצע אופטימיזציה.

מבחינת העיצוב, למידת מכונות יש גם את היתרון בכך שהיא לא מתבלבלת בעיצוב המקורי שלה. AI רגיל עשוי להזדקק לקידוד ספציפי או להוראות ספציפיות לכל סיטואציה שהיצרן יכול לחזות. אך מערכת למידת המכונה יכולה פשוט לעבוד על עץ החלטה, בנוסף לשני או שניים סטנדרטים להכשרה, כמו גם יכולת לעבד ואז לשפר את תפקידה.

החשיבות של הבחנה בין מערכות למידת מכונה היא בכך שאנו משתמשים כעת במערכת AI סטנדרטית ורגילה של מערכות אלה למשימות ומשימות חשובות אחרות. בסופו של דבר, אינך זקוק למערכות למידת מכונות כדי פשוט להפוך אוטומטית את החלטות ניהול הקבצים. באופן דומה, סיווג פריטים מורכבים כמו מערכות זיהוי דיבור כ"סתם AI "עשוי לא להיות נכון, ולכן אנו מסווגים אותם נכון.

למידת מכונה ולמידה עמוקה

אולי ההבדל החשוב ביותר שאנחנו צריכים ללמוד הוא ההבדל בין למידת מכונה ולמידה עמוקה. בראש ובראשונה, כאמור לעיל, הוא מחקר מעמיק של אוטומציה של IS, אשר מבחינה טכנית מורכב מסוג אחד או חלק ממנו. למידת מכונה אינה תמיד לימוד מעמיק. ההבדל נובע בעיקר מאופן בניית השניים.

למידת מכונות פותחה בעשורים האחרונים באותה סביבת מחשבים כמו רוב התוכנות שלנו. כך, למרות שהוא נבנה להיות אחיד, ליניארי ואפילו מתאים לחוק מור, הוא עדיין מוגבל על ידי עצי החלטה ואלגוריתמים. למידה מעמיקה, בתורו, משלבת את כל האלגוריתמים שלה ברשת עצבית. הוא מיועד למחשבים מקבילים ברמה גבוהה, שאנו רואים בה כיום את הדור הבא של למידת מכונה.

דרך אמינה לקבוע אם משתמשים במערכת למידה עמוקה היא להעריך את המורכבות של משימת ה- AI. באופן כללי יש לקחת בחשבון משתנים מרובים, אופציונליים, שיש סיכוי גבוה יותר להיות מערכת למידה עמוקה. לדוגמה, המלצות נטפליקס אינן מורכבות כמו תרגומי שפות, למרות שהם לומדים מהנתונים שנאספו בבסיס המשתמשים באינטרנט כולו. הבדל זה יכול לשרת שתי פונקציות דומות, למשל, שתי מערכות שליטה עצמית נפרדות. מה שאנחנו מסתמכים יותר על דחיסת נתוני חיישנים הוא שזו צריכה להיות מערכת למידה מכונה נפוצה, ולמידה עמוקה יותר ידידותית לסביבה למה שטסלה מפתחת כעת. צריך לשים לב.

בין אם ההבחנה ברורה או מובנת מאליה, למידה עמוקה היא העתיד. אך לענייננו, לימוד מעמיק חשוב בהבנת עד כמה הוא שונה וכמה מתקדם להבדיל בין AI לבין AI פשוט למידת מכונה. למרות שהוא נמצא כיום בפיתוח, זה לא דומה כמעט לכל מה שקרה לפניו.

אמנם זה אולי נראה מבלבל עבור הצופה הרווחת כי ברק אובמה קבע כמה משפטים קצרים ברקע מזויף, אך למי שמבין את ההבדל, אנו יודעים שזו אחת האפשרויות הגדולות של הטכנולוגיה שמשנה את המשחק. .

אתגר הגדול של וייטנאם

רוצים לדעת יותר על בינה מלאכותית? קמבריה וייטנאם מובילה את סדרת ההאקרים AI Grand Challenge 2019, המשימה שלה היא להכשיר מפתחי AI צעירים. בשיתוף פעולה עם ממשלת וייטנאם, מקינזי וחברה וייטנאם איי, האתגר הגדול יתמוך ביכולת ה- AI הטובה ביותר במדינה בתמיכה בתאגידים בווייטנאם ובעיצוב עוזר וירטואלי AI עולמי.

כיצד להצטרף: הירשמו לפלטפורמת קמבריה: https://bounty.kambria.io/ 2. עקבו אחר עמוד הפייסבוק של האתגר לכל האירועים הקרובים: https: / /www.facebook.com/VietnamAIGC/

ביום שבת, 1 ביוני, 2019, תתקיים סדנה תחת הכותרת "צור עוזר AI וירטואלי" בדאנג בקמבודיה, ותעניק הדרכה וחינוך למשתתפי גרנד האתגר הגדול בווייטנאם. לחץ כאן למידע נוסף על הסדנה. המרחב מוגבל ל 40 משתתפים, אז הירשמו בקרוב!

במקור פורסם בקמבודיה.