Wat is het verschil tussen machinaal leren en AI? Laat ons u helpen bij te praten

machinaal leren

AI is momenteel overal en is verantwoordelijk voor alles, van de virtuele assistenten op onze smartphones tot de zelfrijdende auto's die binnenkort onze wegen zullen vullen, tot de geavanceerde beeldherkenningssystemen waarover door u wordt gerapporteerd werkelijk.

Tenzij je de afgelopen tien jaar onder een steen hebt geleefd, is de kans groot dat je er al eerder van hebt gehoord – en het waarschijnlijk zelfs hebt gebruikt. Op dit moment is kunstmatige intelligentie voor Silicon Valley wat One Direction is voor 13-jarige meisjes: een alomtegenwoordige bron van informatie. obsessie om al je geld naar toe te gooien, terwijl je dagdroomt over trouwen wanneer Harry Styles eindelijk klaar is om zich te vestigen omlaag. (Oké, dus we werken nog steeds aan de analogie!)

Maar wat precies is AI? – en kunnen termen als ‘machine learning’, ‘kunstmatige neurale netwerken”, “kunstmatige intelligentie” en “Zayn Malik” (we werken nog steeds aan die analogie…) door elkaar gebruikt worden?

Om u te helpen enkele modewoorden en jargon te begrijpen die u hoort als mensen over AI praten, hebben we deze eenvoudige gids samengesteld die u helpt bij het inpakken je hoofd te verdiepen in alle verschillende vormen van kunstmatige intelligentie – al was het maar om te voorkomen dat je een fout maakt als de machines eindelijk de over.

Kunstmatige intelligentie

We zullen niet te diep ingaan op de geschiedenis van A.I. hier, maar het belangrijkste om op te merken is dat kunstmatige intelligentie de boom is waar alle volgende termen allemaal takken van zijn. Reinforcement learning is bijvoorbeeld een vorm van machinaal leren, een deelgebied van kunstmatige intelligentie. Kunstmatige intelligentie is echter niet (noodzakelijkerwijs) versterkend leren. Begrepen?

Tot nu toe heeft niemand een algemene intelligentie opgebouwd.

Er bestaat geen officiële consensus over wat A.I. betekent (sommige mensen suggereren dat het gewoon coole dingen zijn die computers nog niet kunnen), maar de meeste Ik ben het ermee eens dat het erom gaat computers handelingen te laten uitvoeren die als intelligent zouden worden beschouwd als ze zouden worden uitgevoerd door een persoon.

De term werd voor het eerst bedacht in 1956, omstreeks 1956 zomerworkshop op Dartmouth College in Newhampshire. Het grote huidige onderscheid in A.I. ligt tussen huidig ​​domeinspecifiek Smalle AI En Kunstmatige algemene intelligentie. Tot nu toe heeft niemand een algemene intelligentie opgebouwd. Zodra ze dat doen, zijn alle weddenschappen uitgeschakeld...

Symbolische AI

Je hoort er niet zoveel over Symbolische AI Vandaag. Ook wel Good Old Fashioned A.I., Symbolische A.I. genoemd. is opgebouwd rond logische stappen die van bovenaf aan een computer kunnen worden doorgegeven. Het houdt in dat er heel veel regels aan een computer (of een robot) moeten worden gegeven over hoe deze met een specifiek scenario moet omgaan.

Selmer Bringsjord
Selmer Bringsjord

Dit leidde tot veel vroege doorbraken, maar het bleek dat deze heel goed werkten in laboratoria waarin elke variabele perfect onder controle kon worden gehouden, maar vaak minder goed in de rommeligheid van alledag leven. Zoals een schrijver grapte over Symbolic A.I., vroege A.I. systemen leken een beetje op de god van het Oude Testament – ​​met veel regels, maar zonder genade.

Tegenwoordig vinden onderzoekers dat leuk Selmer Bringsjord vechten om de focus terug te brengen op op logica gebaseerde symbolische AI, gebouwd rond de superioriteit van logische systemen die door hun makers kunnen worden begrepen.

Machinaal leren

Als je hoort over een grote A.I. Als er tegenwoordig een doorbraak is, is de kans groot dat u hierover hoort, tenzij er een groot geluid wordt gemaakt dat het tegendeel suggereert machinaal leren. Zoals de naam al aangeeft, gaat machine learning over het maken van machines die leren.

Net als de titel van AI heeft machine learning ook meerdere subcategorieën, maar wat ze allemaal inhouden gebruikelijk is het op statistiek gerichte vermogen om gegevens te verzamelen en er algoritmen op toe te passen om winst te behalen kennis.

Er is een overvloed aan verschillende takken van machine learning, maar degene waar je waarschijnlijk het meest over zult horen is…

Neurale netwerken

Als je ooit in onze Cool Tech-sectie hebt doorgebracht, heb je er waarschijnlijk wel van gehoord kunstmatige neurale netwerken. Als op het brein geïnspireerde systemen die zijn ontworpen om de manier te repliceren waarop mensen leren, passen neurale netwerken hun eigen code aan het verband vinden tussen input en output – of oorzaak en gevolg – ​​in situaties waarin deze relatie complex is niet helder.

Kunstmatige neurale netwerken hebben geprofiteerd van de komst van deep learning.

Het concept van kunstmatige neurale netwerken dateert eigenlijk terug naar de jaren veertig, maar het was eigenlijk pas de afgelopen decennia dat het zijn potentieel echt begon waar te maken: geholpen door de komst van algoritmen als “terugpropagatie”, waardoor het neurale netwerk hun verborgen neuronenlagen kan aanpassen in situaties waarin de uitkomst niet overeenkomt met waar de maker op hoopt. (Bijvoorbeeld een netwerk dat is ontworpen om honden te herkennen, waardoor een kat ten onrechte wordt geïdentificeerd.)

Dit decennium hebben kunstmatige neurale netwerken geprofiteerd van de komst van diep leren, waarin verschillende lagen van het netwerk verschillende kenmerken extraheren totdat het kan herkennen waarnaar het op zoek is.

Binnen de rubriek neuraal netwerk zijn er verschillende modellen van potentiële netwerken voorwaarts En convolutionele netwerken Dit zijn waarschijnlijk de dingen die u moet vermelden als u tijdens een etentje naast een Google-ingenieur vast komt te zitten.

Versterkend leren

Versterkend leren is een andere smaak van machinaal leren. Het is sterk geïnspireerd door de behavioristische psychologie en is gebaseerd op het idee dat softwareagenten kunnen leren acties te ondernemen in een omgeving om de beloning te maximaliseren.

Zo bracht DeepMind van Google in 2015 een artikel uit waarin werd aangetoond hoe het ervoor stond een A.I. opgeleid om klassieke videogames te spelen, zonder andere instructies dan de score op het scherm en de ongeveer 30.000 pixels waaruit elk frame bestaat. Versterking leren, dat werd verteld om de score te maximaliseren, betekende dat de softwareagent het spel geleidelijk met vallen en opstaan ​​leerde spelen.

MarI/O - Machine learning voor videogames

In tegenstelling tot een expertsysteem heeft versterkend leren geen menselijke expert nodig om te vertellen hoe een score kan worden gemaximaliseerd. In plaats daarvan komt het er in de loop van de tijd achter. In sommige gevallen kunnen de regels die hij leert vaststaan ​​(zoals bij het spelen van een klassiek Atari-spel). In andere gevallen blijft hij zich aanpassen naarmate de tijd verstrijkt.

Evolutionaire algoritmen

Bekend als een generiek, op populaties gebaseerd metaheuristisch optimalisatie-algoritme, als je nog niet eerder bent geïntroduceerd: evolutionaire algoritmen zijn een ander type machine learning; ontworpen om het concept van natuurlijke selectie in een computer na te bootsen.

Het proces begint met een programmeur die de doelen invoert die hij of zij met zijn algoritme probeert te bereiken. NASA heeft bijvoorbeeld evolutionaire algoritmen gebruikt om satellietcomponenten te ontwerpen. In dat geval kan het de bedoeling zijn om een ​​oplossing te bedenken die in een doos van 10 x 10 cm past, in staat om een ​​bolvormig of halfrond patroon uit te stralen, en in staat om te werken op een bepaalde Wi-Fi band.

Het algoritme komt vervolgens met meerdere generaties iteratieve ontwerpen, waarbij elke generatie wordt getoetst aan de gestelde doelen. Wanneer iemand uiteindelijk alle juiste vakjes heeft aangevinkt, houdt het op. Naast het helpen van NASA bij het ontwerpen van satellieten, zijn evolutionaire algoritmen favoriet bij creatieven die kunstmatige intelligentie gebruiken voor hun werk: zoals de ontwerpers van dit handige meubel.

Aanbevelingen van de redactie

  • Diep lerende AI helpt archeologen met het vertalen van oude tabletten
  • Diep lerende AI kan de vervormingseffecten van iconische gitaargoden imiteren
  • Gedachtenlezende AI analyseert je hersengolven om te raden welke video je bekijkt
  • De huizentaxateur van de toekomst is waarschijnlijk een A.I. algoritme
  • Fotorealistische AI tool kan gaten in afbeeldingen opvullen, inclusief gezichten