Vad är skillnaden mellan maskininlärning och A.I.? Låt oss hjälpa dig att komma ikapp

maskininlärning

A.I. finns överallt för tillfället, och det är ansvarigt för allt från de virtuella assistenterna på våra smartphones till de självkörande bilarna kommer snart att fylla våra vägar till de banbrytande bildigenkänningssystem som ditt rapporteras om verkligt.

Om du inte har bott under en sten under det senaste decenniet, finns det en god chans att du har hört talas om det förut - och förmodligen till och med använt det. Just nu är artificiell intelligens för Silicon Valley vad One Direction är för 13-åriga flickor: en allestädes närvarande källa till besatthet att kasta alla dina pengar på, medan du dagdrömmer om att gifta sig närhelst Harry Styles äntligen är redo att bosätta sig ner. (Okej, så vi jobbar fortfarande på analogin!)

Men vad exakt är A.I.? – och kan termer som "maskininlärning", "Artificiellt nervsystem, "artificiell intelligens" och "Zayn Malik" (vi arbetar fortfarande på den analogin...) användas omväxlande?

För att hjälpa dig förstå några av modeorden och jargongen du kommer att höra när folk pratar om A.I., har vi satt ihop den här enkla guiden som hjälper dig att avsluta huvudet runt alla olika smaker av artificiell intelligens - om så bara så att du inte gör några faux pas när maskinerna äntligen tar över.

Artificiell intelligens

Vi kommer inte att fördjupa oss i historien om A.I. här, men det viktiga att notera är att artificiell intelligens är trädet som alla följande termer är alla grenar på. Till exempel är förstärkningsinlärning en typ av maskininlärning, som är ett underområde av artificiell intelligens. Artificiell intelligens är dock inte (nödvändigtvis) förstärkande lärande. Jag fattar?

Hittills har ingen byggt upp en allmän intelligens.

Det finns ingen officiell konsensusöverenskommelse om vad A.I. betyder (vissa tycker att det helt enkelt är coola saker som datorer inte kan göra ännu), men de flesta håller med om att det handlar om att få datorer att utföra åtgärder som skulle anses vara intelligenta om de skulle utföras av en person.

Termen myntades första gången 1956, vid en sommarworkshop på Dartmouth College i New Hampshire. Den stora nuvarande distinktionen i A.I. är mellan aktuell domänspecifik Smal A.I. och Artificiell allmän intelligens. Hittills har ingen byggt upp en allmän intelligens. När de väl gör det är alla satsningar avstängda...

Symbolisk A.I.

Man hör inte så mycket om Symbolisk A.I. i dag. Även kallad Good Old Fashioned A.I., Symbolic A.I. är uppbyggd kring logiska steg som kan ges till en dator på ett top-down sätt. Det innebär att ge massor av regler till en dator (eller en robot) om hur den ska hantera ett specifikt scenario.

Selmer Bringsjord
Selmer Bringsjord

Detta ledde till många tidiga genombrott, men det visade sig att dessa fungerade väldigt bra i labb, i som varje variabel kunde kontrolleras perfekt, men ofta mindre bra i vardagens stök liv. Som en författare skämtade om Symbolic A.I., tidig A.I. system var lite som Gamla testamentets gud - med massor av regler, men ingen nåd.

Idag gillar forskare Selmer Bringsjord kämpar för att få tillbaka ett fokus på logikbaserad Symbolic A.I., byggd kring överlägsenheten hos logiska system som kan förstås av deras skapare.

Maskininlärning

Om du hör om en stor A.I. genombrott nuförtiden är chansen stor att om inte ett stort ljud görs för att antyda något annat, hör du om maskininlärning. Som namnet antyder handlar maskininlärning om att göra maskiner som, ja, lär sig.

Precis som rubriken för A.I., har maskininlärning också flera underkategorier, men vad de alla har i Gemensamt är den statistikfokuserade förmågan att ta data och tillämpa algoritmer på den för att vinna kunskap.

Det finns en uppsjö av olika grenar av maskininlärning, men den du förmodligen kommer att höra mest om är...

Neurala nätverk

Om du har tillbringat någon tid i vår Cool Tech-sektion har du förmodligen hört talas om Artificiellt nervsystem. Eftersom hjärninspirerade system utformade för att replikera det sätt som människor lär sig, modifierar neurala nätverk sin egen kod för att hitta kopplingen mellan input och output - eller orsak och verkan - i situationer där detta förhållande är komplext eller oklar.

Artificiella neurala nätverk har gynnats av ankomsten av djupinlärning.

Konceptet med artificiella neurala nätverk går faktiskt tillbaka tillbaka till 1940-talet, men det var egentligen bara under de senaste decennierna när det verkligen började leva upp till sin potential: med hjälp av ankomsten av algoritmer som "tillbakaförökning", vilket gör det möjligt för neurala nätverk att justera sina dolda lager av nervceller i situationer där resultatet inte matchar vad skaparen hoppas på. (Till exempel ett nätverk utformat för att känna igen hundar, vilket felidentifierar en katt.)

Detta decennium har artificiella neurala nätverk gynnats av ankomsten av Djup lärning, där olika lager i nätverket extraherar olika funktioner tills det kan känna igen vad det letar efter.

Inom rubriken neurala nätverk finns det olika modeller av potentiella nätverk — med feedforward och konvolutionerande nätverk sannolikt är de du bör nämna om du fastnar bredvid en Google-ingenjör på en middag.

Förstärkningsinlärning

Förstärkningsinlärning är en annan variant av maskininlärning. Den är starkt inspirerad av behavioristisk psykologi och bygger på idén att mjukvaruagent kan lära sig att vidta åtgärder i en miljö för att maximera en belöning.

Som ett exempel, redan 2015 släppte Googles DeepMind ett papper som visar hur det hade utbildade en A.I. att spela klassiska tv-spel, utan någon annan instruktion än poängen på skärmen och de cirka 30 000 pixlarna som utgjorde varje bildruta. Tillsagd att maximera sin poäng, innebar förstärkningsinlärning att mjukvaruagenten gradvis lärde sig att spela spelet genom att trial and error.

MarI/O - Maskininlärning för TV-spel

Till skillnad från ett expertsystem behöver förstärkningsinlärning inte en mänsklig expert för att berätta hur man maximerar en poäng. Istället reder det ut det med tiden. I vissa fall kan reglerna som den lär sig vara fixade (som med att spela ett klassiskt Atari-spel.) I andra fortsätter det att anpassa sig allt eftersom.

Evolutionära algoritmer

Känd som en generisk populationsbaserad metaheuristisk optimeringsalgoritm om du inte har introducerats tidigare än, evolutionära algoritmer är en annan typ av maskininlärning; utformad för att efterlikna konceptet naturligt urval inuti en dator.

Processen börjar med att en programmerare matar in de mål han eller hon försöker uppnå med sin algoritm. Till exempel har NASA använt evolutionära algoritmer för att designa satellitkomponenter. I så fall kan funktionen vara att komma på en lösning som kan passa i en 10cm x 10cm låda, kan utstråla ett sfäriskt eller halvsfäriskt mönster och kan arbeta med ett visst Wi-Fi band.

Algoritmen kommer sedan med flera generationer av iterativ design, som testar var och en mot de angivna målen. När man så småningom kryssar i alla rätt rutor, upphör det. Förutom att hjälpa NASA att designa satelliter är evolutionära algoritmer en favorit bland kreativa som använder artificiell intelligens för sitt arbete: som t.ex. formgivarna av denna fiffiga möbel.

Redaktörens rekommendationer

  • Djuplärande A.I. hjälper arkeologer att översätta uråldriga tabletter
  • Deep learning A.I. kan imitera distorsionseffekterna av ikoniska gitarrgudar
  • Tankeläsande A.I. analyserar dina hjärnvågor för att gissa vilken video du tittar på
  • Framtidens husvärderingsman är förmodligen en A.I. algoritm
  • Fotorealistisk A.I. verktyg kan fylla i luckor i bilder, inklusive ansikten