Искусственный интеллект = машинное обучение?
Когда речь заходит о машинном обучении и искусственном интеллекте, возникает некоторая путаница относительно того, что означают эти два понятия и каковы различия между ними. Одно ли это и то же или есть разница?
Искусственный интеллект
Это отрасль информатики, специализирующаяся на построении систем, способных решать задачи на уровне человеческого интеллекта или выше его. Например:
следование инструкциям по созданию новых решений, контента или проектов;
прогнозирование будущих тенденций;
распознавание сложных закономерностей в представленных данных;
улучшение производительности с течением времени без дополнительного программирования;
работа в динамичной и неструктурированной среде.
Системы на основе ИИ используют математические алгоритмы для работы с большими данными, выявления закономерностей во входных данных и принятия решений или прогнозов на их основе. Но прежде чем система будет готова к реальному использованию, ИИ должен сначала пройти обширное обучение.
Системы ИИ обучаются на больших наборах данных, содержащих подходящие примеры. Во время обучения система корректирует свои параметры для повышения точности обработки или анализа. После достаточного обучения ИИ может обрабатывать новые, ранее неизвестные ему данные в том же формате, что и файлы, на которых обучалась модель.
Наиболее впечатляющее преимущество технологий ИИ заключается в том, что их можно использовать для автоматизации повторяющихся задач.
Распространённые сценарии применения ИИ:
анализ медицинских изображений (рентгеновских снимков, МРТ) и данных пациентов для диагностики заболеваний;
оценка и прогнозирование финансовых рисков на основе исторических данных;
рекомендация товаров пользователям на основе истории просмотров, предпочтений и поведения при покупках;
анализ схем транзакций для выявления мошеннических действий;
навигация автономных транспортных средств, распознавание объектов на пути следование и принятие решений при вождении;
оценка заданий и экзаменов;
создание музыки, произведений искусства и статей на основе пользовательских рекомендаций;
проверка резюме, планирование собеседований и помощь в подборе персонала.
Типы искусственного интеллекта
Теоретики выделяют два типа ИИ: слабый (или узкий искусственный интеллект (ANI)) и сильный (или общий искусственный интеллект (AGI)).
Слабый ИИ предназначен для выполнения одной или узкого круга задач в ограниченном контексте. Он хорошо справляется с выполнением чётко определённых и повторяющихся заданий. Примеры ANI:
системы распознавания речи;
спам-фильтры;
рекомендательные системы;
распознавание изображений в беспилотных автомобилях;
функции предиктивного ввода текста и автозаполнения в смартфонах и текстовых редакторах;
алгоритмы торговли акциями.
Слабый ИИ работает на основе предопределённых алгоритмов и правил. Он не может выполнять задачи вне своей тематической области.
Сильным ИИ (AGI) называют гипотетическую систему, которая продемонстрирует универсальный интеллект, подобный человеческому. В отличие от слабого, сильный ИИ будет обладать способностью понимать, учиться и применять знания в различных областях. В результате он сможет выполнять когнитивные задачи без специальной подготовки. Сильный ИИ пока что остаётся теоретической концепцией.
Машинное обучение
Это класс алгоритмических методов, с помощью которых компьютеры выполняют задачи на основе шаблонов и логических выводов. Обучение этих алгоритмов позволяет создавать модели машинного обучения — программы, которые принимают ранее неизвестные входные данные и приходят к определённым выводам.
Все модели машинного обучения выполняют один из двух основных типов задач: классификацию или регрессию.
Распространённые задачи для моделей МО:
классификация файлов по различным категориям или классам;
анализ данных для выявления скрытых тенденций или аномалий;
составление непрерывных прогнозов;
группировка схожих точек данных в кластеры.
Алгоритмы МО
Разновидности алгоритмов МО:
Алгоритмы регрессии (например, линейные, полиномиальные, гребневые и лассо-регрессивные). Прогнозируют непрерывный результат, беря в основу одну или несколько входных переменных.
Алгоритмы классификации (например, случайные леса, SVM, деревья решений, метод KNN). Они классифицируют входные данные по предопределённым классам.
Алгоритмы кластеризации (например, k-средние, иерархические и DBSCAN). Группируют схожие точки данных в кластеры для поиска естественных групп в данных.
Алгоритмы снижения размерности (например, LDA, PCA и t-SNE). Уменьшают количество признаков в данных, сохраняя при этом как можно больше информации.
Алгоритмы обучения с подкреплением (например Q-обучение, глубокие Q-сети, методы градиента политики и методы Actor-Critic). Взаимодействуют с окружающей средой и собирают обратную связь в виде вознаграждений или штрафов.
Алгоритмы глубокого обучения (например CNN, RNN, LSTM и GAN). Используют глубокие нейронные сети (DNN) для моделирования сложных закономерностей в данных.
Отличия ИИ от МО
Несмотря на то, что между МО и ИИ много общего, эти две области, несомненно, отличаются друг от друга.
Цели
Основная цель создания ИИ — разработка машин, имитирующих когнитивные способности человека, такие как:
рассуждение;
обучение;
решение проблем;
восприятие;
понимание естественного языка;
понимание контекста;
принятие решений в каждом конкретном случае.
С другой стороны, основная цель создателей моделей МО — дать компьютерам возможность учиться и делать прогнозы или принимать решения. То есть создать системы, которые автоматически обнаруживают закономерности, извлекают идеи и обобщают данные для выполнения задач классификации и регрессии.
Методы обучения
ИИ охватывает множество методов обучения:
Символическое обучение (подходы, основанные на логике). Подразумевает использование явно определённых правил, логики и символических представлений для выполнения рассуждений и принятия решений. Упор делается на созданные человеком базы знаний и правила вывода для решения проблем и принятия решений.
Субсимвольное обучение (подходы, основанные на данных). Подразумевает использование статистических и вычислительных методов для изучения шаблонов и представлений непосредственно из данных. Этот подход опирается на нейронные сети и модели МО, улучшающие качество своей работы по мере накопления опыта.
Гибридные подходы к обучению. Сочетают символическое и субсимвольное обучение.
Основные методы обучения в МО включают:
Контролируемое обучение. Использует размеченные данные во время обучения модели. Каждый фрагмент входных данных сопоставляется с соответствующим выходом, и модель обучается на корреляциях между парами вход-выход.
Неконтролируемое обучение. Опирается на неразмеченные данные. Модель должна находить закономерности и взаимосвязи, не полагаясь на предопределённые метки ввода-вывода.
Полуконтролируемое обучение. Комбинированное использование размеченных и неразмеченных обучающих данных.
Обучение с подкреплением. Позволяет алгоритму взаимодействовать с окружающей средой и получать штрафы или вознаграждения в зависимости от точности работы. Модель учится, выясняя, как максимизировать кумулятивные вознаграждения с течением времени.
Реализация
Внедрение систем ИИ на основе правил начинается с определения всеобъемлющего набора инструкций и базы знаний. Этот начальный шаг требует значительного вклада со стороны высококвалифицированных экспертов, которые переводят свои знания в формальные правила.
При внедрении более продвинутых систем ИИ часто необходимо сочетание различных методов, таких как:
символический ИИ;
нейронные сети;
вероятностные методы борьбы с неопределённостью;
эволюционные алгоритмы оптимизации и адаптации к изменяющимся условиям;
нечёткая логика для обработки неточностей и рассуждений с неопределённой или расплывчатой информацией;
роевой интеллект для решения проблем посредством коллективного поведения децентрализованных агентов.
Процесс внедрения часто включает в себя интеграцию различных компонентов ИИ и обеспечение их бесперебойной работы. Эта интеграция сложна, поскольку включает в себя различные технологии и алгоритмы, которые взаимодействуют и дополняют друг друга.
Внедрение машинного обучения больше сосредоточено на подходах, основанных на данных. Первый шаг внедрения — сбор больших массивов информации, относящейся к решаемой проблеме, и её предварительная обработка.
Затем необходимо выбрать подходящий алгоритм МО, в зависимости от проблемы (например, классификацию, регрессию, кластеризацию).
После выбора алгоритма следующим шагом будет обучение модели. Это подача предварительно обработанных данных в модель, чтобы она изучила в них закономерности и взаимосвязи. Во время обучения необходимо проверять, что модель обучается правильно.
После обучения модель тестируется на отдельном наборе данных для оценки её точности и способности к обобщению.
Требования
Системы ИИ требуют высокого уровня компетенции разработчиков. Они должны использовать различные методы для построения моделей, а системы часто требуют сочетания нескольких подходов для обработки задач восприятия, рассуждения и обучения.
Также ИИ необходимы фреймворки для построения логики и рассуждений, чтобы добиться структурированного интеллектуального поведения.
Некоторым системам достаточно относительно умеренных вычислительных мощностей, но более сложные, такие как те, которые используют нейронные сети или запускают большие симуляции, требуют большой аппаратных ресурсов. Специализированное оборудование и передовые формы вычислений в этом случае являются стандартными требованиями.
Самым важным для машинного обучения являются данные. Успех моделей во многом зависит от количества и качества исходной информации. Также требуются значительные вычислительные ресурсы.
Ещё в машинном обучении важен человеческий опыт. Все проекты МО требуют участия аналитиков-исследователей, владеющих методами статистики (в англоязычном мире их называют data scientist). Они отвечают за различные задачи, включая предварительную обработку данных, выбор подходящих моделей и настройку их параметров, контроль за процессом обучения. Человеческая экспертиза также необходима для эффективного проектирования признаков и интерпретации результатов модели. Кроме того, администраторы МО должны хорошо разбираться в специализированных инструментах и фреймворках.
Что изучать: искусственный интеллект или машинное обучение?
Зависит от индивидуальных интересов, ваших карьерных целей и рода работы, которую хотите выполнять. Обе области предлагают захватывающие возможности и являются образующими для будущих технологий. Вот несколько моментов, которые могут помочь с выбором:
ИИ охватывает более широкий спектр тем, включая машинное обучение, робототехнику, экспертные системы, обработку естественного языка и т. д. Более широкий охват затрудняет освоение этой области, но даёт больше возможностей для карьерного роста.
МО более ориентировано на данные. Это отличный вариант, если вам нравится работать с массивами информации, статистикой и алгоритмами.
ИИ требует более глубоких познаний за пределами традиционной информатики.
Машинное обучение требует знакомства с меньшим количеством методов и научных сфер.
Если есть интерес к таким пересекающимся областям, как психология, нейробиология и информатика, то искусственный интеллект будет более подходящим выбором.
Можно начать обучение с МО, поскольку это основополагающий компонент ИИ. Это даст прочную базу для изучения более широких аспектов ИИ в дальнейшем.
Можно ли изучать ИИ без машинного обучения?
Можно, хотя тогда будет упущена фундаментальная часть технологий. Вот области, связанные с искусственным интеллектом и не имеющие особого отношения к МО, вплоть до работы над более продвинутыми проектами:
Символический ИИ (подходы, основанные на логике). Эти системы полагаются на предопределённые правила для принятия решений, а не на модели МО.
Классические методы ИИ, которые не полагаются на машинное обучение.
Экспертные системы. Имитируют способность человека-эксперта принимать решения, следуя набору правил, предоставленному экспертами в предметной области. В большинстве случаев использования нет необходимости настраивать модель МО.
Автоматизированное рассуждение. Эта область включает в себя разработку алгоритмов для решения задач с логическими рассуждениями, доказательством теорем и удовлетворения ограничений (CSP).
Можно изучить и реализовать многие аспекты искусственного интеллекта, не погружаясь глубоко в машинное обучение. Но, учитывая растущую важность и применимость МО в ИИ, наличие некоторых знаний о МО всё же улучшит общее понимание ИИ.
