AI, ML und Deep Learning: Was ist der Unterschied?

Warum sollten Maschinen lernen? Weil die Leute nicht stehen können.

Der aktuelle AI / ML-Höhepunkt bei Fortschritten in einem bestimmten Lernansatz ist das Ergebnis von Deep Learning. Künstliche Intelligenz, maschinelles Lernen und tiefes Lernen sind alle für einige der größten Errungenschaften des vergangenen Jahres verantwortlich, und die Menschen feiern diese Technologien miteinander. In letzter Zeit waren Technologiekonferenzen dasselbe mit Menschen, die mehr über künstliche Intelligenz, maschinelles Lernen und tiefes Lernen erfahren möchten. Jede dieser Technologien hat eine gute Geschichte, aber eine einfache Möglichkeit, den Unterschied zu verfolgen, ist unsere Motivation.

Im Jahr 2017 versammelten sich Hunderte von Menschen zum maschinellen Lernen bei AI Frontiers für den Tensorflow-Workshop.

Der Unterschied in den Bewegungen

Autos lernen, weil Menschen mehr können. Ich scherze halb, aber es ist ein guter Anfang. Natürlich gibt es weitere technische Informationen darüber, wie KI, ML und Deep Learning miteinander verbunden sind.

Unterschied in den Definitionen

Künstliche Intelligenz ist eine entwickelte Intelligenz, die von dem inspiriert ist, was wir als Menschen erleben. Lernen ist nicht nur dieser Aspekt, sondern auch ein Werkzeug, mit dem wir mehr Intelligenz erreichen. Künstliche Intelligenz ist ein Werkzeug, maschinelles Lernen ist eine Möglichkeit, ein Werkzeug zu erstellen. Deep Learning ist eine Art maschinelles Lernen, mit dem künstliche Intelligenz erreicht wird. Für das Visuelle ist hier ein Lehrbuchdiagramm der Beziehung zwischen KI, ML und Deep Learning.

http://www.deeplearningbook.org/

Wenn mich jemand fragen würde, was es bedeutet, in der KI zu arbeiten, würde ich sagen: "Ich versuche, den Computer so zu verbessern, wie es die Leute tun." Wenn jemand nach einem Weg fragt, um KI zu erreichen, könnte ich "Mit einer Maschine" sagen. genauer gesagt oder "tiefes Lernen".

Der Unterschied in der Geschichte

Dieser Standard, Maschinen zu haben, die besser funktionieren als Menschen, wurde von Alan Turing in seinem 1950 erschienenen Buch "Testing Machine" (basierend auf einem Nachahmungsspiel) populär gemacht. Stand Up schlägt vor, dass Maschinen mit diskreten Regeln und begrenzten Maschinen getestet werden können, was die meisten Computerprogramme heutzutage tun. Ganz am Ende seiner Arbeit beschreibt er die Idee von "Lernmaschinen", einer Art von Komplexität, die über Denkmaschinen hinausgeht. Weiter so: "Können Autos denken?" Sie fragten. Am Ende des Papiers fragt er: "Kann die Maschine so kritisch sein?" Die erste Frage ist, ob wir KI erreichen können. Die zweite Frage ist, ob wir ML erreichen können.

ML wurde 1950 von Alan Turing eingeführt. Das erste Computer-Schulungsprogramm wurde 1952 entwickelt, um Strategien für Entwürfe zu untersuchen. Das erste neuronale Netz wurde 1957 geschaffen. Deep Learning ist eine Weiterentwicklung künstlicher neuronaler Netze, hatte aber bis 2006 keinen Namen. Seit 2010 wurden beim maschinellen Lernen große Fortschritte erzielt. Der aktuelle ML / AI-Boom dreht sich hauptsächlich um Deep Learning-Erfolge.

Laut Forbes sind hier die wichtigsten Durchbrüche in den Bereichen KI, ML und Deep Learning

Ein weiterer guter Anfang, um den Unterschied zwischen KI, ML und Deep Learning zu verstehen, ist zu verstehen, warum wir Maschinen geschaffen haben, um überhaupt zu lernen. Je besser (oder besser) der Computer für Menschen ist, um bestimmte Aufgaben auszuführen, desto wichtiger sind wir für die KI. Maschinelles Lernen hat gezeigt, dass es in vielen Fällen der beste Weg ist, diese Schritte durchzuführen.

Warum Autos lernen

Eine der größten Kritikpunkte an Alan Turings Vorschlag, AI zu testen, ist das Argument der assoziativen Grundierung (und sein zusätzliches Rahmenproblem). Sie sagen, dass dieser Prozess aufgrund unserer Komplexität der Intelligenz nicht von Maschinen erreicht werden kann. Dieser Prozess wird als Lernen bezeichnet, und Computer waren (bisher) klein.

Die Idee ist: Im Laufe des Lebens entwickeln Menschen bestimmte Assoziationen, die unterschiedliche Kräfte haben. Die einzige Möglichkeit, die praktisch jeder selbst im Durchschnitt identifizieren kann, ist die Vernetzung menschlicher Konzepte - die Welt als menschlicher Kandidat und Gesprächspartner zu erleben. (Französisch, 1990)

Wie übersetzen wir unsere Erfahrung im maschinellen Lernen, da die menschliche Erfahrung komplex und komplex ist? Maschinen gemäß der Turing-Hypothese müssen möglicherweise die für uns allgemein akzeptierten Konzepte untersuchen.

Ein wichtiges Merkmal einer Lernmaschine ist, dass ihr Lehrer oft nicht weiß, was in ihm vor sich geht, obwohl er das Verhalten seines Schülers immer noch vorhersagen kann. Dieses am besten gestaltete Design (oder Programm) sollte sehr streng für das spätere maschinelle Lernen von untergeordneten Maschinen verwendet werden. Wenn Sie eine Maschine zur Durchführung von Berechnungen verwenden, unterscheidet sich dies erheblich von einer einfachen Prozedur. In jeder Minute der Berechnung ist es erforderlich, ein klares Bild des Zustands der Maschine zu erhalten. (Turing, 1950)

Maschinen lernen, weil es (vorerst) besser ist, Computer für intellektuelles Lernen zu programmieren, als Computer so zu programmieren, dass sie für einen bestimmten Zweck direkt intelligent sind. Dies kann vorzuziehen sein, weil (1) es wenig menschliche Kapazität für die erlernte Intelligenz gibt (anstatt direkte Intelligenz zu erzeugen); oder (2) vorzugsweise, weil die Maschine besser arbeitet, wenn sie selbst trainiert.

In der Praxis ist maschinelles Lernen nützlich, wenn eine genaue Vorhersage von Problemen erforderlich ist. Holen Sie sich das Spiel "Twenty Questions". Ursprünglich zwischen Menschen gespielt. Um einen von ihnen durch ein Auto zu ersetzen, müssen wir die Ähnlichkeit der menschlichen Intelligenz verbessern. Bei zwanzig Fragen ist maschinelles Lernen nicht der einzige Weg, um künstliche Intelligenz zu erreichen, sondern der beste Weg, wie unten gezeigt.

(1) Beispiele für MLs, die weniger menschliche Bewegung erfordern:

Zwanzig Fragen in 20Q und zwei Webversionen von Akinator werden durch ein Programm ersetzt. Wie haben sie den Mann verändert? Anstatt (immer) eine Datenbank mit Daten für alle Persönlichkeiten des öffentlichen Lebens zu erstellen, können Sie ein Programm entwerfen, mit dem die Eigenschaften von Prominenten durch Personen untersucht werden, die Fragen im Spiel beantworten. Die Mühe lohnt sich.

(2) Ein Beispiel für Maschinen, die für ML gut funktionieren

Unabhängig davon, wie viel Aufwand erforderlich ist, kann maschinelles Lernen eine bessere Leistung als andere Algorithmen erbringen. Sundar Pichai hat kürzlich bei einer Google I / O-Veranstaltung gezeigt, dass Computer Menschen bei der Bilderkennung überlegen sind. Diese Phase wurde als Durchbruch im maschinellen Lernen angesehen, insbesondere als Erfolg des Deep Learning.

Von Google IO Keynote 2017

Beispiele für ML-Unterschiede in der KI

Wie in der obigen Grafik gezeigt, können Computer (in vielerlei Hinsicht) besser vorhersagen, erkennen und überprüfen, was im Bild enthalten ist. Unten finden Sie eine Collage von lustigen Hunden, die wie Muffins, Bagels und Mopp aussehen. Woher kennen wir den Unterschied? Woher kennt ein Computer den Unterschied? Um eine KI zu sein, spielt es keine Rolle, wie der Computer den Unterschied erkennen kann, nur er kann es tun. Um ML zu sein, musste ein Computer den Unterschied selbst lehren und lehren.

Der Standard für Intelligenz war immer unser Intellekt und Verhalten. Wenn wir unsere Fähigkeiten mit den wissenschaftlichen Fortschritten in der KI und ihren neuen Technologien vergleichen, ist Lernen nicht nur die Fähigkeit, mit der die Menschen vertraut sind, sondern auch die Art und Weise, wie sie Fähigkeiten erwerben.

Lernen ist eine Fähigkeit, die Ihnen helfen kann, andere Fähigkeiten zu erwerben

Der Computer hat bewiesen, dass ML besser als andere Methoden funktioniert, um den Unterschied zwischen Bildern von Hunden und Katzen zu erklären. Nicht alle Probleme mit der Bildanalyse benötigen jedoch ML. Die Bestimmung der Linien im Bild kann beispielsweise durch Formalisieren der korrekten Anordnung von Pixeln ohne ML erfolgen. Ebenso erfordern autonome Fahrzeuge kein maschinelles Lernen, um Objekte in der Nähe zu erkennen. Es kann nur ein Lidar verwendet werden. Die Tic Tac Toe AI benötigt weder ML noch ein Schachspiel.

Tic Tac Toe als Suchproblem.

Insbesondere wenn die Probleme mit einem verwalteten Suchfeld (wie dem obigen Tic Tac Toe-Spielbaum) verglichen werden können, hilft Ihnen die Suchheuristik, die optimale Antwort zu erhalten. Suchen Sie nach Fehlern, um weitere Beispiele für Lehrbücher zu erhalten. Ein *, eine gierige Tiefe oder die Suche nach dem Besten ist ein bekannter Algorithmus, dem der kürzeste Weg von einem Punkt zum anderen folgen kann. Die Fähigkeit, optimale Pfade für A * (siehe unten) vorherzusagen, erfordert kein maschinelles Lernen.

https://en.wikipedia.org/wiki/A*_search_algoritm

Obwohl sich diese Probleme der intelligenten Bestrebungen beraubt haben (da sie algorithmisch gelöst werden können), ist die Diskreditierung der gesamten Geschichte der KI etwas kurzsichtig. In jedem Fall ist die Zukunft der KI eine kombinierte Initiative aus menschlicher Orientierung, formalen Modellen, Suchheuristiken und maschinellem Lernen.

Was ist eine eingehende Studie?

Deep Learning beantwortet Fragen, wie eine Maschine etwas lernen kann. Beim maschinellen Lernen lehren wir Computer (in gewisser Weise), besser auszusehen als wir, aber zusätzlich kann die Maschine uns beibringen, wie wir uns selbst sehen können. Wie beim Menschen gibt es (und muss noch entdeckt werden) verschiedene Ansätze, um Computer zu lernen. Der aktuelle AI / ML-Höhepunkt bei Fortschritten in einem bestimmten Lernansatz ist das Ergebnis von Deep Learning.

Eines der wichtigsten Merkmale einer eingehenden Untersuchung anderer Formen der KI ist, wie gut wir das Rechnen auf der Grundlage von Entscheidungen und Annahmen nicht verstehen. Sie können beispielsweise zur formalen Logik zurückkehren. Wenn A-> B-> C, können Sie diese Logik manuell modellieren. Deep Learning verwendet verdeckte Schichten künstlicher Neuronen und hat keine diskreten, deterministischen oder beobachtbaren Stadien. Das Bild unten ist ein vereinfachtes Bild des tiefen Lernens.

Die obige Abbildung zeigt das Tier auf dem Zaun. Wenn wir erraten wollen, ob es sich um eine Katze oder einen Hund handelt, analysiert unser Gehirn die Länge der Haare und die Form des Kopfes des Hundes. Für PC sind die Pixel im Bild die Eingabeebene für die Referenz, und es gibt versteckte Berechnungsebenen zwischen der Eingabeebene und der Ausgabe, und sie versuchen zu bestimmen, welche Pixelgruppen dargestellt werden können.

Die Pixel eines Fotos sind nicht natürlich strukturiert. Während die Merkmale, die wir suchen (wie Haarlänge oder Tierkopfform), formal gerechtfertigt sein können, hat sich der Computer als effektiver bei der Erstellung des Hundes selbst und seines eigenen Modells erwiesen. Diese Modelle werden unterrichtet, indem viele Fotos von Hunden und Katzen im Voraus an den Computer gesendet werden.

Was aber, wenn die Daten strukturierter sind? Alle Probleme enthalten keine unstrukturierten Daten. Nehmen wir an, wir spielen ein Spiel: "Wen finden Sie?" Ermöglichen Sie den Spielern, das Suchfeld einzugrenzen, bis sie das ausgewählte Bild des Gegners genau vorhersagen. In diesem Fall können wir der Logik folgen, da wir diskrete Merkmale / Eigenschaften haben, mit denen wir arbeiten können. Daher benötigen Sie kein Deep Learning, um der Maschine beizubringen, dieses Spiel zu gewinnen.

Akinator und 20Q, Online-Versionen von Desktop-Spielen, "Weißt du, wen du finden musst?" Dies ist ein großartiges Beispiel für KI, die mit maschinellem Lernen erstellt wurde, aber es ist definitiv kein tiefes Lernen. Der Akinator kann formal manuell modelliert werden, aber es war großartig, immer wieder durch Spielen zu lernen.

Schach- und Tic Tac-Zehen können mit einem Computer mit streng codierten Regeln und Zuständen gespielt werden. Unterrichtet effektiver durch Akinator- und 20Q-Playoffs. Eine Sache, die Spiele wie Go und Starcraft auszeichnet, ist, dass sie sehr große Suchfelder, Situationen und Strategien haben. Wir vertrauen auf Deep Learning, bis unsere Maschinen stark genug sind, um diese Spiele abzubilden.

Zusammenfassung der Beispiele

Hier finden Sie eine kurze Beschreibung der Beispiele und wie sie in der Diskussion behandelt wurden

Wie "Jonesz unterstützen"?

Also, wenn überhaupt, passt maschinelles Lernen in Ihr Leben? Wo die Demokratisierung der KI ein guter Anfang sein kann. Google hat kürzlich Google.ai angekündigt, das das ML-Feld in drei Kategorien unterteilt: Forschung, Tools sowie Infrastruktur und Anwendungen. In der Forschung arbeiten Sie an Möglichkeiten, eine gute KI zu erfinden. In Tools finden Sie effektive Möglichkeiten zur Verwaltung der KI. Schließlich werden Sie im Anhang auf KI-Praktiken und -Methoden verweisen. Unternehmen wie Google möchten für Hunderttausende von Entwicklern auf ML zugreifen, bei denen Menschen täglich KI verwenden.

www.google.ai

(Wenn Sie wirklich an AI-Leistung interessiert sind, finden Sie hier das Forschungspapier Authorive Leverage.)