Правда, что ИИ не существует и есть только machine learning?

Согласно https://builtin.com/artificial-intelligence/ai-vs-machine-learning

Хотя искусственный интеллект, машинное обучение и глубокое обучение являются модными техническими терминами, которые мы слышим повсюду в наши дни, существуют серьезные заблуждения относительно того, что на самом деле означают эти слова. Многие компании заявляют, что используют искусственный интеллект (ИИ) в своих приложениях или сервисах, но что это означает на практике?

В широком смысле ИИ описывает, когда машина имитирует когнитивные функции, которые люди связывают с другим человеческим разумом, такие как обучение и решение проблем. На еще более элементарном уровне ИИ может быть просто запрограммированным правилом, которое указывает машине вести себя определенным образом в определенных ситуациях. Другими словами, искусственный интеллект может быть не чем иным, как несколькими утверждениями if-else. Оператор if-else - это простое правило, запрограммированное человеком. Представьте робота, движущегося по дороге. Запрограммированное правило для этого робота может быть таким:

if something_is_in_the_way is True:

====stop_moving()

else:

====continue_moving()

Итак, когда мы говорим об искусственном интеллекте, целесообразнее рассмотреть два более конкретных направления ИИ: машинное обучение и глубокое обучение

1.Искусственный интеллект: программа, которая может чувствовать, рассуждать, действовать и адаптироваться.

2.Машинное обучение: алгоритмы, производительность которых улучшается по мере того, как они со временем подвергаются большему количеству данных.

3.Глубокое обучение: подмножество машинного обучения, в котором многоуровневые нейронные сети обучаются на огромных объемах данных.

В отличие от машинного обучения, глубокое обучение - это молодая область искусственного интеллекта, основанная на искусственных нейронных сетях. Поскольку алгоритмы глубокого обучения также требуют данных для изучения и решения проблем, мы также можем назвать это подполем машинного обучения. Термины машинное обучение и глубокое обучение часто считаются синонимами. Однако у этих систем разные возможности. Глубокое обучение использует многоуровневую структуру алгоритмов, называемую нейронной сетью.

Искусственные нейронные сети обладают уникальными возможностями, которые позволяют моделям глубокого обучения решать задачи, которые модели машинного обучения никогда не могут решить.Все последние достижения в области интеллекта связаны с глубоким обучением. Без глубокого обучения у нас не было бы беспилотных автомобилей, чат-ботов или личных помощников, таких как Alexa и Siri. Google Translate останется примитивным, и Netflix не будет знать, какие фильмы или сериалы предлагать.Мы можем даже пойти дальше и сказать, что новая промышленная революция вызвана искусственными нейронными сетями и глубоким обучением. Это лучший и самый близкий подход к настоящему машинному интеллекту, который у нас есть, потому что глубокое обучение имеет два основных преимущества перед машинным обучением.

=============================

Задолго до того, как мы начали использовать глубокое обучение, наиболее популярными были традиционные методы машинного обучения (деревья решений, SVM, наивный байесовский классификатор и логистическая регрессия). Они также известны как плоские алгоритмы. В этом контексте «плоский» означает, что эти алгоритмы обычно не могут применяться непосредственно к необработанным данным (таким как .csv, изображения, текст и т. д.). Вместо этого нам требуется этап предварительной обработки, называемый извлечением признаков.

При извлечении признаков мы обеспечиваем абстрактное представление необработанных данных, которые классические алгоритмы машинного обучения могут использовать для выполнения задачи (т. е. Классификации данных на несколько категорий или классов). Извлечение признаков обычно довольно сложно и требует детального знания предметной области. Этот шаг должен быть адаптирован, протестирован и уточнен в течение нескольких итераций для получения оптимальных результатов. Модели глубокого обучения не нуждаются в извлечении признаков.

Что касается моделей глубокого обучения, у нас есть искусственные нейронные сети, которые не требуют извлечения признаков. Слои могут самостоятельно изучать неявное представление необработанных данных.

Модель глубокого обучения создает абстрактное сжатое представление необработанных данных на нескольких уровнях искусственной нейронной сети. Затем мы используем сжатое представление входных данных для получения результата. Результатом может быть, например, классификация входных данных по различным классам.

В процессе обучения нейронная сеть оптимизирует этот шаг, чтобы получить наилучшее возможное абстрактное представление входных данных. Модели глубокого обучения практически не требуют ручных усилий для выполнения и оптимизации процесса извлечения признаков. Другими словами, извлечение признаков встроено в процесс, который происходит в искусственной нейронной сети без участия человека.

Если вы хотите использовать модель машинного обучения, чтобы определить, показывает ли конкретное изображение автомобиль или нет, нам, людям, сначала необходимо определить уникальные особенности автомобиля (форма, размер, окна, колеса и т. д.), Извлечь эти особенности и передать их алгоритму в качестве входных данных. Затем алгоритм машинного обучения выполнит классификацию изображения. То есть в машинном обучении программист должен непосредственно вмешиваться в процесс классификации.

Еще одно важное преимущество глубокого обучения и ключевая роль в понимании того, почему оно становится таким популярным, - это то, что оно основано на огромных объемах данных. Эра технологий больших данных откроет огромные возможности для новых инноваций в глубоком обучении. Модели глубокого обучения, как правило, повышают свою точность с увеличением объема обучающих данных, тогда как традиционные модели машинного обучения, такие как SVM и наивный байесовский классификатор, перестают улучшаться после точки насыщения. Модели глубокого обучения лучше масштабируются с большим объемом данных. Перефразируя Эндрю Нг, главного научного сотрудника крупнейшей китайской поисковой системы Baidu, соучредителя Coursera и одного из руководителей Google Brain Project, если алгоритм глубокого обучения - это ракетный двигатель, то данные - это топливо.

Слабые ИИ существуют. Но они по определению просто выполняют то, для чего созданны. Без осознания или осмысления задачи. Просто делают.

Сильные ИИ (известные в художественной литературе как искин, Скайнет и т. д.) ещё не существуют. Но разработки ведутся очень активно. Это передовая передовых областей науки.

Я где то уже отвечал на похожий вопрос, но повторюсь. Да, ИИ в прямом смысле этого слова ещё не существует. ИИ сейчас это не более чем алгоритм, который обучен человеком решать те или иные задачи.

ИИ - более широкое множество, в него входит ML очень малой частью.

Ведь чтобы машину обучать, ее - как и человека - надо знать чему обучать, не так ли?