Основные возможности платформы Hexlet не доступны в вашем браузере.
Пожалуйста, обновитесь. Выбрать браузер.
Научпоп

Что означают разные термины искусственного интеллекта

Это перевод статьи Luis Bermudez Overview of Artificial Intelligence Buzz.

Вы часто слышите разное об Искусственном интеллекте (AI), Машинном обучении (ML) и даже Глубоком обучении (DL). Как и что правильно называть? Может это одно и то же? Люди постоянно подменяют эти термины.

Искусственный интеллект, машинное обучение и глубокое обучение — каждая из областей — подмножество предыдущей области. Искусственный интеллект — обобщающая категория для машинного обучения. А машинное обучение — обобщающая категория для глубокого обучения.

Реально нашумело в последнее время глубокое обучение. Именно эта область искусственного интеллекта и машинного обучения решает множество интересных задач в последние годы, начиная с продаж в продуктовых магазинах и заканчивая автомобилями с самоуправлением.

Искусственный интеллект (AI)

Почему мы так много слышим о нём? Кто-то приписывает его Элону Маску и Сэму Альтману. Маск всё чаще рассуждает об этике искусственного интеллекта. Предполагаю, он использует это понятие как жаргонный термин знакомый из научно-фантастического СМИ.

AI — широкая сфера, охватывающая несколько подкатегорий, методов и алгоритмов. Область искусственного интеллекта основывается на цели сделать машину настолько же умной как человек — это буквально основная и главная цель. Чёткой задачей исследователей, собравшихся в Дартмуте в 1956 году, было программировать компьютеры по образу человеческого мозга. Там и родился искусственный интеллект в привычном для нас виде.

Цели AI

Исследователи расширили главную цель списком из основных шести позиций.

1) Логическое рассуждение. Приспособить компьютеры выполнять сложные сознательные задачи, на которые способны люди. Примеры решения таких задач с логическим рассуждением включают игру в шахматы и решение алгебраических задач определенного класса.

2) Представление знаний. Позволить компьютерам описывать объекты, людей и языки. Примеры включают объектно-ориентированные языки программирования, такие как Smalltalk.

3) Планирование и навигация. Дать возможность компьютеру добираться из пункта А в пункт Б. Например, первый самоуправляемый робот был построен в начале 1960-х.

4) Обработка естественного языка. Адаптировать компьютер к пониманию и обработке языка. Один из первых проектов в этой области был попыткой переводить английский на русский и наоборот.

5) Восприятие. Приспособить компьютер взаимодействовать с миром через зрение, слух, прикосновения и запах.

6) Эмпирический интеллект. Другими словами — интеллект, который не запрограммирован явно, а формируется постепенно из других целиком искуственно-интеллектуальных особенностей. Концепция этой цели — компьютеры, которые симулируют эмоциональный интеллект, моральное суждение и другие свойства.

Области искуственного интеллекта

Вот шесть основных алгоритмов и технических приёмов искусственного интеллекта, которые точнее категоризируют основные цели:

1) Машинное обучение — область искусственного интеллекта, которая делает компьютеры способными учиться, без необходимости их явного программирования.

2) Поиск и оптимизация. Такие алгоритмы, как Градиентный спуск, для итерационного нахождения максимальных или минимальных значений в пространстве поиска.

3) Удовлетворение ограничений — это процесс поиска решений при ограничениях, которые задают свои условия: найденные переменные должны удовлетворять этим ограничениям.

4) Логическое рассуждение. Пример логического рассуждения в искусственном интеллекте — это экспертная компьютерная система, которая моделирует способность принимать решения как человек.

5) Вероятностное рассуждение — это объединение мощности теории вероятности (для управления неопределённостью) с мощностью дедукционной логики (для использования структуры формальных параметров). Результат — более насыщенное и выразительное представление потока данных с широким спектром возможных областей применения.

6) Теория контроля (управления) — это формальный метод для поиска слоёв управления, у которых есть доказуемые свойства. Обычно это система дифференциальных уравнений, которые описывают физическую систему, вроде робота или авиационного транспорта.

Машинное обучение (ML)

Машинное обучение — это подгруппа AI. Технология, в которой мы даём данные компьютеру и позволяем ему самому себя обучать. Идея, что компьютеры должны быть способны обучаться самостоятельно, появилась у Артура Сэмуэля в 1959 году.

Что делает машинное обучение таким важным? Крупный прорыв, который привёл к тому, что машинное обучение стало движущей силой AI — изобретение интернета. Интернет принёс возможность генерации, хранения и доступности огромного количества цифровой информации для анализа. Вы много слышали о Больших данных. Алгоритмы машинного обучения — самый эффективный инструмент использования Больших данных.

Нейросети

Нейросети — популярный компонент некоторых самых успешных алгоритмов машинного обучения и их базовый (определяющий) элемент. Разработка нейронных сетей была ключевым моментом в обучении компьютеров мыслить и понимать мир подобно тому, как его видит и понимает человек. Фактически нейросеть моделирует человеческий мозг. Клетки человеческого мозга — нейроны, соединены с помощью синапсисов (областей контакта клеток между собой). Это переведено в абстракцию в виде графа узлов (нейронов), соединённых взвешенными рёбрами (синапсисами). Для более подробного ознакомления с нейронными сетями можете почитать Overview of Neural Networks.

(Эта нейронная сеть состоит из одного слоя, трёх вводов и одного вывода. Нейронная сеть может состоять из любого количества слоёв, вводов и выводов.)

Глубокое обучение (DL)

Алгоритмы машинного обучения были движущей силой искусственного интеллекта. А самый эффективный из всех алгоритмов ML — Глубокое обучение.

Глубокое обучение включает несколько слоёв вычислений. В данном случае "глубокое" подразумевает "большое" число слоёв. Глубокое обучение может состоять из 20 или 1000 слоёв, но не меньше 2-3. Оно недавно набрало обороты не только из-за огромного количества данных доступных благодаря интернету, но так же из-за возросшей мощности вычислений за последнее десятилетие. В частности, GPU значительно увеличили вычислительные мощности благодаря параллельным вычислениям. Как вы возможно уже догадались, глубокое обучение имеет высокую способность к параллелизации.

(Эта нейронная сеть состоит из двух слоёв, трёх вводов и одного вывода. Слои между нейронами ввода и конечным слоем нейронов вывода — скрытые слои глубокой нейросети.)

Лучшая демонстрация глубокого обучения — Глубокие Нейросети (Deep Neural Networks, DNN). Это просто нейросети у которых больше 2-3 слоёв. Ещё один алгоритм глубокого обучения — менее популярный — Глубокая сеть доверия (Deep Belief Network, DBN). DBN имеет ненаправленные связи между некоторыми слоями. Это значит, что топология DNN и DBN отличается по определению. Ненаправленные слои в DBN называются Ограниченными машинами Больцмана (Restricted Boltzmann Machines).

Поделиться Вконтакте
Отправить в Телеграм