AI: razlika između strojnog i dubokog učenja

AI: razlika između strojnog i dubokog učenja
Izvor: Pexels

Umjetna inteligencija ili AI postala je važan i sastavni dio našeg modernog društva. Prema Forbesu, čak i 2017., 51% modernih poduzeća primjenjivalo je AI, a sama industrija procijenjena je na 16 milijardi USD. Očekuje se da će eksponencijalno dalje rasti, dosegnuvši čak 190 milijardi USD u 2025. 

Dvije najutjecajnije vrste AI danas su sustavi strojnog učenja i dubokog učenja. Ali što su oni točno? I vezano uz to, kako definirati umjetnu inteligenciju u kontekstu te dvije vrste učenja?

Što je AI ili umjetna inteligencija?

Službeni zapis Oxfordovog rječnika za 2019. godinu kaže da je umjetna inteligencija “teorija i razvoj računalnih sustava koji mogu obavljati zadatke koji obično zahtijevaju ljudsku inteligenciju.”

Drugim riječima, AI interpretira informacije na način sličan vama i meni. Bilo da su potrebne za otkrivanje slike, prepoznavanje govora ili nekog drugog automatiziranog sustava donošenja odluka. Jedan vrlo jednostavan primjer AI je računalni protivnik u video igrama. 

Koristi podatke iz igre, kao i podatke igrača, kako bi stvorio redoslijed odluka i zadataka u cilju angažiranja igrača. AI je uveden već 1950-ih, ali počeo se istinski pojavljivati ​​tijekom 70-ih i 80-ih. Tada su kod osobnih računala i igraćih konzola počeli postavljati razvoj AI-a kao osnovni zahtjev za njegovo djelovanje.

Ostali primjeri AI u našem svakodnevnom životu mogu biti:

  • simulatori
  • pametni uređaji
  • burze botova
  • prepoznavanje podataka (govor, glas, lice, itd.)

Danas se mnogi AI sustavi koriste u gotovo svakoj aplikaciji gdje se koriste podaci poput softvera za upravljanje, algoritama preporuke, analize medija ili čak govornih pomoćnika. U stvari, čak i jednostavne aplikacije za praćenje sada koriste AI. U pravilu, ako postoji relativno složen proces dovršetka zadatka koji se treba redovito izvršavati bez izravne ljudske intervencije, najvjerojatnije bi imao AI u njemu.

Što je strojno učenje?

Strojno učenje je vrsta umjetne inteligencije (a time i njezina podskupina) koja je specijalizirana za analizu danih podataka. I to kako bi se iz njih prilagodila i donijela adekvatna inteligentna odluka. Jednostavno rečeno, ovaj AI napravljen je za promatranje i uočavanje puno stvari. Zatim poduzima jedan ili više postupaka na temelju informacija koje je dobio.

Tipični zadaci strojnog učenja danas mogu biti:

  • preporuke poveznica
  • upravljanje sadržajem
  • prikaz rezultata pretraživanja
  • organiziranje timelinea (na društvenim mrežama)

Sustav strojnog učenja sposoban je analizirati ogromnu količinu podataka u kratkom vremenu, stvoriti iz njih rješenja ili zaključke. Optimizira svoj algoritam da daje precizne interpretacije. Puno više od onoga što ljudi mogu učiniti u istim vremenskim ograničenjima. Na primjer, želimo automatski utvrditi je li određena e-pošta neželjena ili ne. Sustav strojnog učenja profiltrirati će tisuće i tisuće poruka e-pošte. Sve kako bi pronašli obrasce koji bi mu pomogli u određivanju neželjene e-pošte. Zatim će dati grubu klasifikaciju neželjene pošte i obične e-pošte, čiji bi se podaci ponovno koristili kako bi pronašli još više obrazaca koji bi mu pomogli da još više usavrši analizu.

Kad im se daju novi skupovi podataka, sustavi strojnog učenja mogli su se prilagoditi i ažurirati svoje algoritme kako bi bili još bolji u onome što rade. Ili u najmanju ruku, umanje vjerojatnost pogreške. To čini strojno učenje vrlo važnim u našem trenutnom dobu temeljenom na podacima.

Što je duboko učenje?

Duboko učenje je, opet, još jedan podskup, ovog puta strojnog učenja. Osnovni dizajn sustava dubokog učenja zasnovan je na organskom mozgu. Dok mi oblikujemo nova sjećanja pomoću složene mreže neuronskih obrazaca, ova vrsta sustava koristi vlastitu složenu mrežu odluka pomoću umjetne neuronske mreže, koja je sastavljena od bezbrojnih algoritamskih slojeva.

Nekoliko prilično zapaženih sustava dubokog učenja su:

  • Watson (pobijedio natjecatelje u Jeopardyju!)
  • AlphaGo (poraženi profesionalni igrač Go Lee Lee Sedol u ožujku 2016.)
  • Deepfake (stvaranje jezivo realističnih, ali umjetnih prikaza stvarnih ljudi)
  • OpenAI Five (projekt dubokog učenja za igre), poražen od pro DOTA igrača Dendi 2017. godine

Za razliku od standardnih sustava strojnog učenja, koji i dalje mogu biti uspješni čak i ako dobivaju samo osnovne skupove podataka, početni sustav dubokog učenja doslovno bi počeo ispočetka. Karakterizira ga “limping period”, gdje bi prvih nekoliko generacija AI-ja tek nakon razdoblja prilagodbe od bezbrojnih neuspjelih generacija počelo pružati stvarne rezultate.

Kad postigne prilično složenu razinu učinkovitosti, sustavi dubokog učenja jednostavno počinju nadvladavati sve ostalo prije njega. Na primjer, AlphaGo iz DeepMind-a počeo je upotrebljavati početni set od 160 000 amaterskih Go mečeva prije nego što je naišao na put prema pobjedi profesionalnih Go igrača, igrajući milijune puta protiv sebe.

Sustavi dubokog učenja, za razliku od drugih prethodno dizajniranih sustava strojnog učenja, uvelike se oslanjaju na matrično množenje za generiranje podataka. Kao takvi, komercijalni GPU-ovi obično su najbolji hardver za ove sustave, jer su u stanju pružiti visoke zahtjeve za paralelnu obradu visoke razine potrebne za održavanje operabilnosti.

Standardno AI i strojno učenje

Iako se umjetna inteligencija i strojno učenje mogu naizmjenično koristiti za mnoge uobičajene aplikacije, važno je napomenuti da strojno učenje ima jednu vrlo specifičnu karakteristiku: prilagodbu. To znači da uči. Možda će stvoriti puno početnih pogrešaka, za razliku od već izgrađenog AI-ja, ali dizajniran je tako da učimo od njih, gradimo od njih i na kraju zamijenimo ono što je predviđeno za optimizaciju.

S aspekta dizajna, strojno učenje također ima prednost u tome što nije previše komplicirano u odnosu na početnu izradu. Tipični AI možda će trebati specijalizirano kodiranje ili posebne upute za svaku pojedinačnu situaciju koju programer može predvidjeti. Ali sustav strojnog učenja može jednostavno raditi na stablu odluka, plus standard učenja ili dva, kao i potrebnu sposobnost obrade, a zatim će se popraviti u svom zadatku.

Važnost razlikovanja sustava strojnog učenja proizlazi iz činjenice da i danas koristimo standardni, redoviti AI takvih sustava na drugim manje važnim zadacima. Uostalom, neće vam trebati sustavi strojnog učenja za, recimo, automatizaciju jednostavnijih odluka za upravljanje datotekama. Na isti način možda nije prikladno kategorizirati nešto tako sofisticirano kao što je sustav za prepoznavanje govora kao „samo AI“ i stoga ga ispravno klasificiramo.

Strojno učenje i duboko učenje

Možda važnija razlika koju trebamo naučiti je razlika između strojnog učenja i dubokog učenja. Prije svega, kao što je već spomenuto, duboko učenje je strojno učenje, tehnički jedna vrsta, ili njegov podskup. Strojno učenje, međutim, nije uvijek duboko učenje. Razlikovanje u velikoj mjeri ima veze s načinom na koji se oba sustava grade.

Strojno učenje razvijeno je u istom računalnom okruženju kao i većina naših softvera tijekom posljednjih nekoliko desetljeća. Kao takav, on je na neki način linearan, pa čak i ako je izgrađen da se prilagođava Mooreovom zakonu, još uvijek je ograničen svojim stablima odluka i algoritmima. S druge strane, duboko učenje povezuje sve svoje algoritme u neuronsku mrežu. Dizajniran je za paralelno računanje na visokoj razini, što danas možemo smatrati sljedećom generacijom u strojnom učenju.

Jedan prilično pouzdan način da se utvrdi koristi li se sustav dubokog učenja je procjena složenosti AI zadatka. Obično, što više treba razmotriti ne-numeričke proizvoljne varijable, to je vjerojatnije da će to biti sustav dubokog učenja. Na primjer, preporuke za Netflix nisu toliko složene kao prijevod jezika, čak i ako uče iz podataka prikupljenih iz čitave baze korisnika interneta. To se razlikovanje može primijeniti na dva slična zadatka, poput dva odvojena sustava autonomne vožnje. Onaj koji se više oslanja na korištenje podataka senzora trebao bi biti opći sustav strojnog učenja, pri čemu se dubinsko učenje više oslanja na ljudski vidljive znakove okoliša, nešto poput onoga što Tesla trenutno razvija.

Bez obzira je li različitost jasna ili ne, posve je sigurno da je duboko učenje budućnost. U naše je svrhe, međutim, odvajanje AI dubokog učenja od standardnog AI strojnog učenja ključno u razumijevanju koliko je ono zaista različito i koliko bi zapravo moglo biti napredno. Unatoč tome što je i danas u razvojnoj fazi, gotovo je neusporediv sa svim ostalim što je dolazilo prije njega.

Lažni Barack Obama koji izgovara nekoliko kratkih rečenica o podjednako lažnoj pozadini može izgledati neuobičajeno za normalnog gledatelja, ali onima koji već razumiju razliku, znamo da je to samo jedna od ogromnih mogućnosti takve tehnologije za promjenu igara.