J:
Kāda ir atšķirība starp mākslīgo intelektu, mašīnmācīšanos un dziļo mācīšanos?
A:Termini “mākslīgais intelekts”, “mašīnmācīšanās” un “dziļā izglītība” apraksta procesu, kas pēdējās desmitgadēs ir veidots uz sevi, jo pasaule ir guvusi milzīgus panākumus skaitļošanas jaudas, datu pārraides un citu tehnoloģiju mērķu sasniegšanā.
Sarunai vajadzētu sākt ar mākslīgo intelektu, plašu terminu, kas attiecas uz visām datoru vai tehnoloģiju iespējām imitēt cilvēka domas vai smadzeņu darbību. Savā ziņā mākslīgais intelekts sākās agri, izmantojot vienkāršas datoru šaha spēles programmas un citas programmas, kas sāka atdarināt cilvēku lēmumu pieņemšanu un domāšanu.
| Bezmaksas lejupielāde: mašīnmācīšanās un kāpēc tas ir svarīgi |
Mākslīgais intelekts turpināja progresēt no personālā datora sākuma dienām līdz interneta vecumam un, visbeidzot, līdz mākoņdatošanas, virtualizācijas un sarežģītu tīklu vecumam. Mākslīgais intelekts daudzos veidos ir audzis un paplašinājies kā galvenā tehnoloģiju nozare.
Viens no mākslīgā intelekta pagrieziena punktiem ir mašīnmācības parādīšanās un ieviešana, īpaša pieeja mākslīgā intelekta mērķu sasniegšanai.
Mašīnmācībā tiek izmantoti sarežģīti algoritmi un programmas, kas palīdz datoru programmatūrai labāk pieņemt noteiktus lēmumu kopumus veiktspējas vidē. Tā vietā, lai vienkārši programmētu datoru, lai atkal un atkal veiktu vienu darbību kopumu, kā tas bija 1970. un 1980. gadu ar roku kodētajām programmām, mašīnmācīšanās sāk izmantot heiristiku, uzvedības modelēšanu un cita veida projekcijas, lai ļautu tehnoloģija, lai uzlabotu lēmumu pieņemšanu un laika gaitā attīstītos. Mašīnmācība ir piemērota cīņai ar surogātpastu, mākslīgā intelekta personību, piemēram, IBM Watson, ieviešanai un mākslīgā intelekta mērķu sasniegšanai citos veidos.
Dziļās mācības savukārt balstās uz mašīnmācību. Eksperti dziļo mācīšanos raksturo kā algoritmu izmantošanu augsta līmeņa abstrakciju vadīšanai, piemēram, mākslīgo neironu tīklu izmantošana tehnoloģiju apmācībai uzdevumu veikšanai. Dziļās mācības pāriet mašīnmācībā uz nākamo līmeni, mēģinot modelēt faktisko cilvēka smadzeņu darbību un piemērot to mākslīgu lēmumu pieņemšanai vai citam izziņas darbam.
Dziļās mācības ir parādītas, izmantojot tādus piemērus kā progresīvas piegādes ķēdes optimizācijas programmas, laboratoriju aprīkojuma programmas un cita veida jauninājumi, piemēram, ģenerējošs pretstatu tīkls, kur divi pretstatīti tīkli - ģeneratīvs un diskriminējošs tīkls - strādā viens pret otru, lai modelētu cilvēku domāšanas procesi par diskrimināciju. Šo īpašo dziļo mācību veidu var izmantot attēlu apstrādē un citos nolūkos.
Patiesībā dziļā mācīšanās mākslīgo intelektu virza tuvāk tam, ko eksperti uzskata par “spēcīgu AI”, mākslīgo intelektu, kas vairāk vai mazāk pilnībā spēj replicēt daudzas cilvēka domas funkcijas. Tas izraisa nopietnas debates par to, kā efektīvi rīkoties ar šīm jaunajām tehnoloģijām un kā rūpēties par pasauli, kurā datori domā tāpat kā mēs.
