цифровая электроника
вычислительная техника
встраиваемые системы

 
» » Сравнение современных подходов к программированию: искусственный интеллект vs алгоритмы vs машинное обучение



Сравнение современных подходов к программированию: искусственный интеллект vs алгоритмы vs машинное обучение

Автор: Mike(admin) от 1-08-2023, 23:55

Современные концепции программирования


Слова «искусственный интеллект» (ИИ), «машинное обучение» (МО) и «алгоритм» слишком часто неправильно используются, путаются и понимаются неправильно. Они используются взаимозаменяемо, хотя имеют фиксированное значение. К сожалению, эти значения, если их не понять, могут внести путаницу в быстро развивающуюся область, которая и без того достаточно сложна. В данном материале мы рассмотрим в общем алгоритмы, искусственный интеллект и основы машинного обучения, что они собой представляют, как и где они используются, и почему каждый из них был создан. Мы начнем с алгоритмов, поскольку они составляют основу для ИИ и МО.


Сравнение современных подходов к программированию: искусственный интеллект vs алгоритмы vs машинное обучение

Алгоритмы


Проще говоря, алгоритм представляет собой набор правил, которым необходимо следовать при выполнении вычислений или решении конкретной проблемы, и он содержит последовательность шагов для достижения решения. Хотя большинство из нас связывает алгоритмы с инструкциями, данными компьютеру, они также могут представлять собой простой рецепт, который вы можете использовать для своего ужина сегодня вечером. Алгоритмы работают как ярлыки, которые сообщают компьютеру, что делать дальше, давая эти инструкции с помощью операторов «и», «или» или «не». Они могут быть чрезвычайно простыми или невероятно сложными.


Сравнение современных подходов к программированию: искусственный интеллект vs алгоритмы vs машинное обучение

На рисунке выше приведен пример алгоритма с википедии, высокоуровневое описание подобного алгоритма выглядит следующим образом:


  • Если в наборе нет чисел, то нет и самого большого числа
  • Предположим, что первое число в наборе является самым большим числом в наборе
  • Для каждого оставшегося числа в наборе: если это число больше, чем текущее наибольшее число, считается, что это число является наибольшим числом в наборе
  • Когда в наборе не осталось чисел для повторения, считайте, что текущее наибольшее число является наибольшим числом набора

Инструкции могут быть явно запрограммированы, однако другие алгоритмы позволяют компьютерам учиться самостоятельно, как при машинном обучении. Прежде чем обсуждать машинное обучение, давайте рассмотрим более широкую тему искусственного интеллекта.


Искусственный интеллект


Искусственный интеллект (ИИ) объединяет наборы алгоритмов для обработки непредвиденных обстоятельств. ИИ – это зонтик, а машинное обучение и глубокое обучение (ГО) – подмножества. Системы ИИ взаимодействуют с пользователями естественным образом. Amazon, Google и Apple лидируют в использовании искусственного интеллекта и лежащих в его основе неструктурированных данных. В 2018 году был большой толчок к человеческому паритету для понимания прочитанного. Разработчики использовали контролируемое обучение и размеченные примеры для обучения моделей ИИ выполнению таких конкретных целевых задач, как классификация изображений. Год спустя появилась новая тенденция в области искусственного интеллекта. Обучение с самоконтролем использовалось, чтобы помочь моделям сформировать понимание богатой контекстуальной семантики языка с помощью легкодоступного соответствующего контента. Один из способов, которым этот прорывной подход помогает моделям учиться – чтение текста, маскирование разных слов и предсказание их на основе оставшегося текста.


Используя это самоконтролируемое обучение, модель Тьюринга Microsoft в 2020 году достигла новой высшей отметки в 17 миллиардов параметров, что позволяет решать множество практических задач языкового моделирования, включая обобщение, контекстное прогнозирование и ответы на вопросы. Глубокое базовое понимание человеческого языка моделью Microsoft Turing позволяет ей извлекать предполагаемое значение и точно отвечать на разговоры и вопросы в реальном времени из документа. По мере обучения систем ИИ точность повышается. Ожидается, что количество параметров достигнет триллионов в течение нескольких лет, что упростит для ИИ помощь пользователям и обеспечит невероятную точность, недоступную только для структурированных данных. Как происходит это обучение, ведущее к беспрецедентной точности?


Машинное обучение


Машинное обучение использует структурированный ввод данных и алгоритмы, чтобы делать предположения, переоценивать данные и перенастраивать исходные алгоритмы на основе вновь обнаруженных условий. Оно делает это без вмешательства человека, отсюда и термин машинное обучение. Поскольку система машинного обучения очень быстро обрабатывает большое количество данных, она имеет то преимущество, что обнаруживает все возможные шаблоны и решения со скоростью и возможностями, недоступными человеку. Однако сложные системы создают сложные проблемы. Поскольку машинное обучение так сильно зависит от предположений, системы могут быстро пойти по неправильному пути, что приведет к неожиданному поведению и результатам. Одним из примеров является провал программы беспилотного вождения Uber в 2018 году после того, как неправильные предположения привели к гибели пешехода.


Сравнение современных подходов к программированию: искусственный интеллект vs алгоритмы vs машинное обучение

Примеров машинного обучения предостаточно. Возьмем, к примеру, обнаружение мошенничества с кредитными картами. Если использование кредитной карты выходит за рамки прогнозируемого шаблона для этого держателя карты, пользователя просят проверить законность подозрительных транзакций. Затем система ML дополнительно адаптирует и изменяет свое понимание допустимых моделей использования. Машинное обучение может иметь ряд результатов, которые все могут быть правильными, но многие результаты могут быть непредсказуемыми с самого начала. Есть также много причин, по которым проект ML не соответствует точности.


Что может пойти не так


Одна из причин, по которой большинство экспериментов с искусственным интеллектом терпят неудачу, заключается в том, что им не хватает руководства на ранней стадии, чтобы они могли научиться логическим выводам. Машины оперируют нулями и единицами. Неоднозначность не работает. Например, рассмотрим понятие боли. Ребенку нужен тренер, чтобы сказать ему: «Если ты дотронешься до плиты, будет больно, и это плохо». Или, в том же духе, «если вы собираетесь бежать, вам, вероятно, будет больно. Тебе будет больно, и это хорошо». Вывод помогает системе машинного обучения определить разницу между положительными и отрицательными результатами. Как видно на примере Uber, это становится еще более важным в глубоком обучении, потому что без обратной связи от тренера система может сделать неправильное предположение. Пока не происходит достаточного обучения, машина должна ориентироваться на неоднозначные результаты. Если на вопрос можно ответить «может быть», а не «да» или «нет», необходимо задать дополнительные вопросы!


Еще одна проблема заключается в том, что если бы было бесконечное время и неограниченные средства, процедуры строились бы со всеми возможными комбинациями и условиями, а не останавливались бы на достигнутом. Было бы разумно подумать о том, как условия и комбинации могут измениться в будущем. Обычно рутину делают слишком жесткой, что приводит к негибкому потоку данных.


Для правильной работы алгоритма должны существовать все правила и положения. Алгоритм не имеет ни здравого смысла, ни представления о явно неправильных вещах – программа просто этого не понимает. Алгоритм должен быть совершенным с очень конкретными и четкими планами действий, чтобы работать. И в этом заключается загвоздка. Таким образом, когда вы смотрите на природу этих самых слов, становится ясно, что они не должны использоваться взаимозаменяемо. Вместо этого лучше смотреть следующим образом: алгоритм – это формула или инструкции для решения проблемы, ИИ использует данные и алгоритмы для запуска действий и выполнения задач. Машинное обучение, с другой стороны, является приложением ИИ, синонимом автоматического обучения на основе предыдущих данных и истории. В то время как алгоритмы являются основой для искусственного интеллекта и машинного обучения, последние являются основой нашего будущего.




© digitrode.ru


Теги: искусственный интеллект, машинное обучение




Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.

Комментарии:

Оставить комментарий