מעבר להייפ: ההבדל בין בינה מלאכותית, למידת מכונה ולמידה עמוקה

בינה מלאכותית (AI) נכנסה לחיי היומיום שלנו בפיצוץ. משיווק לרפואה נראה שזה משפיע על כל עסק וכל ענף. חברות טכנולוגיה נאבקות לשלוט במירוץ לניהול השוק ולרכוש את עסקי ה- AI החדשניים והמבטיחים ביותר.

אתה יכול כבר להשתמש ב- AI בחיי היומיום, כמו זיהוי דיבור, עוזרים וירטואליים בסמארטפון שלך, אתרי קניות ואלגוריתמי הזרמת מוזיקה או וידאו, או אפילו כשאתה מבקר אצל רופא ומשווה בין צילומי רנטגן. או תמונות רפואיות אחרות עם מידע רפואי אחר.

ואז יש את הרעיון של למידת מכונות ולמידה עמוקה שמבלבל רבים. לעתים קרובות מאוד משתמשים בהם להחלפה, אך גם אם הם שזורים זה בזה, יש להם משמעויות שונות. אז מה ההבדל בין AI, למידת מכונה ולמידה עמוקה?

בינה מלאכותית

במובן הרחב, לטענת מייסדיה, AI הוא המדע וההנדסה של מכונות חכמות, בעיקר תוכנות מחשב חכמות. זוהי דרך לחשוב בצורה מושכלת, כמו שאנשים חושבים, כשמשתמשים במחשב, ברובוט בשליטה ממוחשבת או בתוכנה, במהירות ובעוצמה רבה.

הנדסה קוגניטיבית היא חלק מרכזי במחקר AI. מכונות יכולות להתנהג כמו אנשים אם יש להם מידע רב על העולם. מכונית אוטונומית יכולה לנהוג רק בבטחה, עם ידע סביבתי מספיק. אלגוריתמי ההחלטה טובים רק כמו נתוני קלט.

במילים אחרות, לבינה מלאכותית חייבת להיות גישה למערכות היחסים בין אובייקטים, קטגוריות, תכונות וכל אלה, על מנת ליישם הנדסה קוגניטיבית. השימוש בכוח מודיעיני ופתרון בעיות במכונות הוא גישה קשה ומייגעת. אנחנו לא ממש ליד מכוניות חכמות.

למידת מכונה

בעוד שבינה מלאכותית מכסה את כל הקשת של למידת מכונה, למונח "למידת מכונה" יש משמעות צרה יותר, "היכולת ללמוד ללא תכנות מדויקת." אגב, השינוי הגדול ביותר קורה ברגע זה: הזנת מערכי נתונים ענקיים. התחבר והמתן לתוצאות.

למידת מכונה היא סוג ה- AI המאפשר למידת מכונות ומלמד את עצמו להתפתח כאשר עומד בפני נתונים חדשים ומשתנים כל הזמן. לדוגמא, עדכון החדשות של פייסבוק משתמש במחשב כדי להתאים את האוכל של כולם לטעמם. המרכיבים העיקריים בתוכנת למידת מכונה מסורתית הם ניתוח סטטיסטי וניתוח חזוי כדי לזהות דפוסים ולמצוא היכן לחפש, על סמך תצפיות קודמות ללא תכנות.

למידת מכונות התפתחה עם השנים עם היכולת לעבור מערכי נתונים מורכבים באמת. לעתים קרובות הם מכונים "big data". רבים עשויים להיות מופתעים לגלות שהם מתמודדים עם תוכנת למידת מכונה בחיי היומיום שלהם באמצעות שירותי דיווח על נושאים אקטואליים או hashtags כמו Netflix ואלגוריתמים של מדיה חברתית. הפרדת תכונות בלימוד מכונה מחייבת את המתכנת לחפש משהו שלוקח זמן רב ממחשב ועד קבלת החלטות. זה מוביל גם למידת מכונה שמביאה לירידה ברמת הדיוק בגלל שגיאה של אדם בתהליך התכנות.

למידה עמוקה

למידה עמוקה היא התחום הצעיר ביותר של למידת מכונות שהונהג כדי לקרב את למידת המכונה לבינה מלאכותית.

זה קשור לחקר "רשתות עצביות עמוקות" במוח האנושי, ובהקשר זה למידה עמוקה מבקשת לחקות את תפקודי השכבות הפנימיות של המוח האנושי, ויצירת ידע משכבות רבות של עיבוד מידע. ככל שמוצלחת טכנולוגית למידה עמוקה על פי המוח האנושי, יכולותיה משתפרות בכל פעם ששופכים נתונים חדשים.

תחת פרדיגמת למידה עמוקה, מכונה יכולה להשתמש בכמויות גדולות של נתונים ואלגוריתמים כדי לתת לה את היכולת ללמוד כיצד לבצע משימה. מידע זה מועבר דרך רשתות עצביות, המכילות מספר שאלות בינאריות ימניות / שגויות או ערכים מספריים, כל פיסות מידע שניתן להעביר ולסווג לפי התשובות שהם מקבלים. כיום משתמשים בזיהוי תמונות מעמיק על ידי מכונות ללימוד מכונות להוראת רובוטים ורכבים אוטונומיים, לזיהוי תסמיני מחלות וכל סוגי התמונות ברפואה.

לפני זמן מה AlphaGo של גוגל למדה את המשחק על ידי משחקו שוב ושוב במשך שעות. היכולת ללמוד יותר ויותר מהר, שלא נלמד, היא המפתח לרעש הקיים באמצעות למידה עמוקה. אבל הטכנולוגיה המהפכנית הבאה רחוקה מלהסתיים.