الذكاء الاصطناعي ، والتعلم ، والتعلم العميق: ما الفرق؟

لماذا يجب أن تتعلم الآلات؟ لأن الناس لا يمكنهم الوقوف.

إن ذروة AI / ML الحالية في التقدم في نهج معين للتعلم هي نتيجة التعلم العميق. يعد الذكاء الاصطناعي والتعلم الآلي والتعلم العميق مسئولين عن بعض من أعظم إنجازات العام الماضي ، ويحتفل الناس بهذه التقنيات مع بعضهم البعض. في الآونة الأخيرة ، كانت مؤتمرات التكنولوجيا هي نفسها الشيء مع الأشخاص الذين يرغبون في معرفة المزيد عن الذكاء الاصطناعي والتعلم الآلي والتعلم العميق. كل من هذه التقنيات لها تاريخ جيد وراءها ، ولكن طريقة بسيطة لتتبع الاختلاف هي دافعنا.

في عام 2017 ، اجتمع مئات الأشخاص حول التعلم الآلي في AI Frontiers لورشة Tensorflow.

الفرق في الحركات

السيارات تتعلم لأن الناس يمكنهم فعل المزيد. أنا نصف أمزح ، لكنها بداية جيدة. بالطبع ، هناك المزيد من المعلومات التقنية حول كيفية ربط AI و ML و Deep Learning.

الاختلاف في التعاريف

الذكاء الاصطناعي هو ذكاء تم تطويره ، وهو مستوحى مما نشهده كبشر. التعلم ليس هذا الجانب فقط ، بل هو أيضًا أداة نستخدمها لتحقيق قدر أكبر من الذكاء. الذكاء الاصطناعي هو أداة ، التعلم الآلي هو وسيلة لإنشاء أداة. التعلم العميق هو نوع من أنواع التعلم الآلي يستخدم لتحقيق الذكاء الاصطناعي. بالنسبة للمرئي ، إليك رسم تخطيطي لكتاب للعلاقة بين AI و ML و Deep Learning.

http://www.deeplearningbook.org/

إذا سألني أحدهم عن معنى العمل في الذكاء الاصطناعي ، فقلت: "أحاول تحسين الكمبيوتر وهو يفعل ما يفعله الناس". إذا طلب شخص ما طريقة لتحقيق الذكاء الاصطناعي ، فقد أقول "باستخدام آلة". أن نكون أكثر دقة ، أو "التعلم العميق".

الفرق في التاريخ

كان هذا المعيار المتمثل في وجود آلات تعمل بشكل أفضل من الناس شائعًا (استنادًا إلى لعبة التقليد) من قبل آلان تورينج في كتابه عام 1950 ، "آلة الاختبار". يقترح Stand Up أنه يمكن اختبار الأجهزة باستخدام قواعد منفصلة وآلات محدودة ، وهو ما تفعله معظم برامج الكمبيوتر اليوم. في نهاية ورقته ، يصف فكرة "آلات التعلم" ، وهي نمط من التعقيد يتجاوز آلات التفكير. تقدم: "هل تستطيع السيارات التفكير؟" سألوا. في نهاية الورقة ، سأل: "هل يمكن للآلة أن تكون حرجة للغاية؟" السؤال الأول هو ما إذا كان يمكننا تحقيق الذكاء الاصطناعي. السؤال الثاني هو ما إذا كان بإمكاننا الوصول إلى ML.

تم تقديم ML في عام 1950 بواسطة Alan Turing. تم بناء أول برنامج تدريب على الكمبيوتر في عام 1952 لدراسة استراتيجيات المسودات. تم إنشاء أول شبكة عصبية في عام 1957. التعلم العميق هو تطور إضافي للشبكات العصبية الاصطناعية ، ولكن حتى عام 2006 لم يكن له اسم. منذ عام 2010 ، تم إحراز تقدم كبير في التعلم الآلي. إن ازدهار ML / AI الحالي يدور بشكل رئيسي حول إنجازات التعلم العميق.

وفقًا لمجلة Forbes ، فيما يلي الاختراقات الرئيسية في الذكاء الاصطناعي و ML و Deep Learning

بداية جيدة أخرى لفهم الفرق بين AI و ML و Deep Learning هو فهم سبب إنشاء آلات للتعلم في المقام الأول. كلما كان الكمبيوتر أفضل (أو أفضل) بالنسبة للأشخاص لأداء مهام معينة ، كلما زادت أهميتنا للذكاء الاصطناعي. لقد أوضح التعلم الآلي أنه في كثير من الحالات تكون أفضل طريقة لمتابعة هذه الخطوات.

لماذا تتعلم السيارات

واحدة من أكبر الانتقادات لاقتراح آلان تورينج لاختبار الذكاء الاصطناعي هي حجة النقابة (وقضية الإطار الإضافية). يقولون أنه بسبب تعقيد الذكاء لدينا ، لا يمكن تحقيق هذه العملية بواسطة الآلات. تسمى هذه العملية التعلم ، وكانت أجهزة الكمبيوتر (حتى الآن) صغيرة.

الفكرة هي: طوال الحياة ، يطور الناس جمعيات معينة لها سلطات مختلفة. الطريقة الوحيدة التي يمكن لأي شخص تحديدها تقريبًا ، حتى في المتوسط ​​، هي الترابط بين المفاهيم البشرية - لتجربة العالم كمرشح بشري ومحاور. (الفرنسية ، 1990)

بما أن التجربة البشرية معقدة ومعقدة ، كيف نترجم تجربتنا في التعلم الآلي؟ قد تحتاج الآلات وفقًا لفرضية تورينج إلى دراسة المفاهيم المقبولة بشكل عام بالنسبة لنا.

إحدى السمات المهمة لآلة التعلم هي أن معلمها غالبًا ما يكون غير مدرك لما يحدث داخله ، على الرغم من أنه لا يزال قادرًا على التنبؤ بسلوك تلميذه. يجب استخدام هذا التصميم (أو البرنامج) الأفضل تصميمًا بدقة شديدة للتعلم الآلي اللاحق من الأجهزة التابعة. عند استخدام آلة لإجراء العمليات الحسابية ، يختلف هذا تمامًا عن إجراء بسيط ، ثم من الضروري في كل دقيقة من الحساب الحصول على صورة ذهنية واضحة لحالة الجهاز. (تورينج ، 1950)

تتعلم الآلات لأنه من الأفضل (في الوقت الحالي) برمجة أجهزة الكمبيوتر لدراسة العقل بدلاً من برمجة أجهزة الكمبيوتر لتكون ذكية بشكل مباشر لغرض معين. قد يكون هذا أفضل لأن (1) هناك القليل من القوة البشرية للذكاء المتعلم (بدلاً من خلق الذكاء المباشر) ؛ أو (2) بشكل مفضل لأن الآلة تعمل بشكل أفضل عندما تدرب ذاتيًا.

عمليًا ، يكون التعلم الآلي مفيدًا عندما يحتاج إلى توقع دقيق للمشكلات. احصل على لعبة "Twenty Questions". لعبت أصلا بين الناس. من أجل استبدال أحدهم بسيارة ، نحتاج إلى تعزيز تشابه الذكاء البشري. بالنسبة لعشرين سؤالًا ، فإن التعلم الآلي ليس هو الطريقة الوحيدة لتحقيق الذكاء الاصطناعي ، ولكنه أفضل طريقة ، كما هو موضح أدناه.

(1) أمثلة على MLs التي تتطلب حركة بشرية أقل:

يتم استبدال عشرين سؤالًا ، في 20Q وإصدارين على الويب من Akinator ، ببرنامج. فكيف غيروا الرجل؟ بدلاً من إنشاء قاعدة بيانات للبيانات لجميع الشخصيات العامة (دائمًا) ، يمكنك تصميم برنامج لاستكشاف خصائص المشاهير من خلال الأشخاص الذين يجيبون على الأسئلة في اللعبة. إن الأمر يستحق الجهد للقيام بذلك.

(2) مثال على الآلات التي تعمل بشكل جيد مع ML

بغض النظر عن مقدار الجهد المبذول ، يمكن أن يؤدي التعلم الآلي أداءً أفضل من الخوارزميات الأخرى. أظهر Sundar Pichai ، في حدث Google I / O الأخير ، أن أجهزة الكمبيوتر تتفوق على الأشخاص في التعرف على الصور. اعتبرت هذه المرحلة بمثابة اختراق في التعلم الآلي ، ولا سيما نجاح التعلم العميق.

من Google IO Keynote 2017

أمثلة على الاختلافات ML في AI

كما هو موضح في الرسم البياني أعلاه ، تعد أجهزة الكمبيوتر (من نواح عديدة) أفضل في التنبؤ بالكشف عن ما في الصورة واكتشافه والتحقق منه. فيما يلي مجموعة من الكلاب الممتعة التي تبدو مثل الكعك والخبز والممسحة. كيف نعرف الفرق؟ كيف يعرف الكمبيوتر الفرق؟ لكي تكون ذكاءً اصطناعيًا ، لا يهم كيف يمكن للكمبيوتر أن يميز الفرق ، فقط يمكنه القيام بذلك. من أجل أن تكون ML ، يجب على الكمبيوتر أن يعلم ويعلم الفرق نفسه.

كان معيار الذكاء دائمًا هو فكرنا وسلوكنا. إذا قارنا قدراتنا بالتقدم العلمي في الذكاء الاصطناعي وتقنياتها الناشئة ، فالتعلم لا يقتصر فقط على المهارات المألوفة لدى الأشخاص ، ولكن أيضًا الطريقة التي يكتسبون بها المهارات.

التعلم مهارة يمكن أن تساعدك على اكتساب مهارات أخرى

لقد أثبت الكمبيوتر أن ML يعمل بشكل أفضل من الطرق الأخرى لشرح الفرق بين صور الكلاب والقطط. ومع ذلك ، لا تحتاج كل مشاكل تحليل الصور إلى ML. يمكن تحديد الخطوط في الصورة ، على سبيل المثال ، عن طريق إضفاء الطابع الرسمي على الترتيب الصحيح للبكسل بدون ML. وبالمثل ، لا تتطلب المركبات المستقلة التعلم الآلي لاكتشاف الأشياء القريبة. يمكنه فقط استخدام ليدار. لا يحتاج Tic Tac Toe AI إلى ML ، ولا هو لعبة شطرنج.

تيك تاك تو كمشكلة بحث.

على وجه الخصوص ، إذا كان من الممكن مقارنة المشاكل بحقل بحث مُدار (مثل شجرة لعبة Tic Tac Toe أعلاه) ، فستساعدك استدلالات البحث في الحصول على الإجابة المثلى. تحقق من الأخطاء لتقديم المزيد من الأمثلة على الكتب المدرسية. A * ، عمق الجشع ، أو البحث عن الأفضل هو خوارزمية معروفة يمكن أن يتبعها أقصر مسار من نقطة إلى أخرى. لا تتطلب القدرة على توقع المسارات المثلى لـ A * (كما هو موضح أدناه) التعلم الآلي.

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

على الرغم من أن هذه المشاكل حرمت نفسها من التطلعات الذكية (حيث يمكن حلها خوارزميًا) ، إلا أن تشويه سمعة تاريخ الذكاء الاصطناعي بأكمله هو قصر النظر قليلاً. في كلتا الحالتين ، فإن مستقبل الذكاء الاصطناعي هو مبادرة مختلطة من التوجه البشري ، والنماذج الرسمية ، واستدلال البحث وتعلم الآلة.

ما هي الدراسة المتعمقة؟

يجيب Deep Learning على أسئلة حول كيفية تعلم الآلة لشيء ما. التعلم الآلي هو الطريقة التي نعلم بها أجهزة الكمبيوتر (في بعض النواحي) لتبدو أفضل منا ، ولكن بالإضافة إلى ذلك فإن الآلة قادرة على تعليمنا كيفية رؤية أنفسنا. مثل البشر ، هناك (ولا يزال يتعين اكتشافها) أساليب مختلفة لتعلم أجهزة الكمبيوتر. إن ذروة AI / ML الحالية في التقدم في نهج معين للتعلم هي نتيجة التعلم العميق.

واحدة من أهم ميزات الدراسة المتعمقة لأشكال أخرى من الذكاء الاصطناعي هي مدى عدم فهمنا للحوسبة بناءً على القرارات والافتراضات. على سبيل المثال ، يمكنك العودة إلى المنطق الرسمي. إذا كان A-> B-> C ، يمكنك تصميم هذا المنطق يدويًا. يستخدم التعلم العميق طبقات سرية من الخلايا العصبية الاصطناعية وليس له مراحل منفصلة أو حتمية أو ملحوظة. الصورة أدناه هي صورة مبسطة للتعلم العميق.

يوضح الشكل أعلاه الحيوان على السياج. إذا أردنا تخمين ما إذا كانت قطة أو كلبًا ، فإن دماغنا يحلل طول الشعر وشكل رأس الكلب. بالنسبة للكمبيوتر الشخصي ، فإن وحدات البكسل في الصورة هي طبقة الإدخال للمرجع ، وهناك طبقات مخفية من الحساب بين طبقة الإدخال والإخراج ، وتحاول تحديد مجموعات وحدات البكسل التي يمكن تمثيلها.

وحدات بكسل الصورة غير منظمة بشكل طبيعي. في حين أن السمات التي نسعى إليها (مثل طول الشعر أو شكل رأس الحيوان) يمكن تبريرها رسميًا ، فقد أثبت الكمبيوتر أنه أكثر فعالية في إنشاء الكلب نفسه ونموذجه الخاص. يتم تدريس هذه النماذج عن طريق إرسال العديد من صور الكلاب والقطط إلى الكمبيوتر مقدمًا.

ولكن ماذا لو كان هناك هيكل أكثر في البيانات؟ جميع المشاكل لا تشمل البيانات غير المنظمة. لنفترض أننا نلعب لعبة ، "من تجد؟" السماح للاعبين بتضييق مربع البحث حتى يتنبأوا بدقة بالصورة المختارة للخصم. في هذه الحالة ، يمكننا اتباع المنطق لأن لدينا ميزات / صفات منفصلة للعمل معها. لذلك ، لا تحتاج إلى التعلم العميق لتعليم الآلة الفوز بهذه اللعبة.

Akinator و 20 Q ، إصدارات عبر الإنترنت من ألعاب سطح المكتب ، "هل تعرف من تجد؟" هذا مثال رائع على الذكاء الاصطناعي الذي تم إنشاؤه باستخدام التعلم الآلي ، ولكنه بالتأكيد ليس تعلمًا عميقًا. يمكن تصميم نموذج Akinator رسميًا يدويًا ، ولكنه كان رائعًا في التعلم من خلال اللعب مرارًا وتكرارًا.

يمكن لعب أصابع الشطرنج وتيك تاك باستخدام الكمبيوتر بقواعد وحالات مشفرة بدقة. يعلم أكثر فعالية من خلال التصفيات Akinator و 20 Q. الشيء الوحيد الذي يجعل ألعاب مثل Go و Starcraft تبرز هي أنها تحتوي على حقول بحث ومواقف واستراتيجيات كبيرة جدًا. نحن نثق في Deep Learning حتى تكون أجهزتنا قوية بما يكفي لرسم خرائط لهذه الألعاب.

ملخص الأمثلة

فيما يلي وصف موجز للأمثلة وكيف تم تناولها في المناقشة

كيفية "دعم Jonesz"؟

لذا ، إن كان التعلم الآلي ملائمًا لحياتك؟ حيث يمكن أن يكون دمقرطة الذكاء الاصطناعي مكانًا جيدًا للبدء. أعلنت Google مؤخرًا عن Google.ai ، الذي يقسم حقل ML إلى ثلاث فئات: البحث والأدوات والبنية التحتية والتطبيقات. في البحث ، أنت تعمل على طرق لاختراع ذكاء اصطناعي جيد. في الأدوات ، ستجد طرقًا فعالة لإدارة الذكاء الاصطناعي. أخيرًا ، في الملحق ، ستشير إلى ممارسات وأساليب الذكاء الاصطناعي. تهدف شركات مثل Google إلى الوصول إلى ML لمئات الآلاف من المطورين ، حيث يستخدم الأشخاص الذكاء الاصطناعي كل يوم.

www.google.ai

(إذا كنت مهتمًا حقًا بأداء الذكاء الاصطناعي ، فإليك ورقة بحث التأثير المعزز.)