В чем разница между искусственным интеллектом, машинным обучением и глубоким обучением?

Искусственный интеллект (ИИ) - это будущее. Искусственный интеллект - это научная фантастика. Искусственный интеллект - уже часть нашей жизни. Все эти утверждения верны, все зависит от того, что вы имеете в виду под искусственным интеллектом.

Когда программа Google DeepMind AlphaGo побила профессионального игрока в го Ли Се-дола из Южной Кореи, журналисты пытались объяснить эту победу с помощью терминов «искусственный интеллект», «машинное обучение» и «глубокое обучение». Все три являются причиной безоговорочной победы AlphaGo над Ли. Но все-таки это разные вещи. Давайте разберемся.

Проще всего объяснить их связь с помощью такой схемы: идея искусственного интеллекта, которая появилась первой - самая большая область на схеме ниже, затем машинное обучение - которое появилось позже, и, наконец, глубокое обучение, которое вызвало сегодняшнее стремительное развитие ИИ - находится подобластью искусственного интеллекта и машинного обучения.

С момента первой волны в 1950-ых годах составляющие искусственного интеллекта - сначала машинное обучение, затем глубокое обучение, которое, в свою очередь, является составляющей машинного обучения, - вызывали еще большие потрясения на рынке.

От застоя до расцвета

Искусственный интеллект стал частью наших мечтаний и стремлений с тех пор, как ученые впервые произнесли этот термин на Дартмутских конференциях в 1956 году и положили начало развитию области ИИ. В дальнейшем ИИ воспринимался то как залог яркого будущего нашей цивилизации, то как странное изобретение компьютерных гениев. Так это и было до 2012 года.

За последние два года произошел сильный скачок в развитии ИИ, особенно после 2015 года. И основная причина заключается в широком распространении графических процессоров, которые ускоряют и удешевляют параллельные вычисления. Также этому поспособствовало появление практически неограниченных возможностей хранения данных и лавинообразный рост данных самых разных типов (то, что называется «большими данными») - изображений, текста, картографических данных и так далее.

Давайте посмотрим, как ученые перешли от застоя - до 2012 года - к буму, в результате которого родились сотни приложений, используемые сегодня миллионами людей по всему миру.

Искусственный интеллект - человеческий интеллект, демонстрируемый машинами

Из пешек в дамки: компьютерные программы для игры в шашки были одними из первых примеров искусственного интеллекта, вызвав первую волну восхищения в 1950-ых годах.

На летней конференции 1956 года мечтой первых первопроходцев в области ИИ стало создание комплексных машин - на базе только что появившихся компьютеров - с теми же характеристиками, что и человеческий разум. Эту концепцию мы называем «общий ИИ», и ее воплощением являются машины, обладающие всеми нашими чувствами (может даже и больше) и нашим рассудком. Вы видели множество таких машин в фильмах - и как друзей (С-3PO), и как врагов (Терминатор). Но машины с общим ИИ остались в фильмах и научно-фантастических произведениях по одной простой причине: мы не можем их сделать, по крайней мере, пока.

Однако нам под силу так называемый «ограниченный ИИ», т.е. технологии, которые способны выполнять определенные задачи так же хорошо, как люди, или даже лучше. Это, например, классификация изображений в таких сервисах, как Pinterest, или распознавание лиц в Facebook.

Это примеры уже применяемых на практике. Технологии отражают некоторые аспекты человеческого разума. Но как? И почему? Тут мы подходим к следующему кругу - машинному обучению.

Машинное обучение - путь к искусственному интеллекту

Диета без спама: машинное обучение помогает предотвращать попадание спама в почту

Машинное обучение - это использование алгоритмов анализа данных, получения выводов и выноса решения или предсказания в отношении чего-либо. Т.е. вместо создания программ вручную с помощью специального набора команд для выполнения определенной задачи машину обучают с помощью большого количества данных и алгоритмов, которые дают ей возможность научиться выполнять эту задачу.

Машинное обучение придумали те же создатели искусственного интеллекта, и сейчас алгоритмические подходы включают обучение дереву принятия решений, индуктивное логическое программирование, кластеризацию, обучение с подкреплением, Байесовы сети и так далее. Как мы знаем, ни один из них не помог достичь общего ИИ, и даже ограниченный ИИ в основном был вне досягаемости ранних алгоритмов машинного обучения.

Наиболее широко машинное обучение применялось в области компьютерного зрения, хотя и сейчас тут все еще требуется много ручного кодирования. Например, приходится писать такие классификаторы, как фильтры детекции градиентов, чтобы программа могла определить, где объект начался и где закончился; фильтры определения формы, чтобы, скажем, определить, имеет ли объект восемь сторон; классификатор для распознавания букв -S-T-O-P.- Из всех этих вручную созданных классификаторов создавались алгоритмы, которые помогали разобраться в изображении и понять, что это знак СТОП («Движение без остановки запрещено»).

Это уже дает лучшие результаты. Однако в туманный день, когда знак плохо виден, или когда его частично загораживает дерево, вероятность ошибки высока. Поэтому до недавнего времени компьютерное зрение и распознавание изображений все еще не могли соперничать с человеком.

Время и правильные алгоритмы обучения изменили расклад.

Глубокое обучение - техника выполнения машинного обучения

Еще одним алгоритмическим подходом на раннем этапе развития машинного обучения стали искусственные нейронные сети. Нейронные сети основываются на наших знаниях биологии мозга, а именно на связях между нейронами. Но в отличии от биологического мозга, где один нейрон может связываться с любым другим в пределах определенного расстояния, искусственные нейронные сети имеют дискретные уровни, связи и направления распространения данных.

Вы можете, скажем, взять изображение, порезать его на кусочки и отправить их на первый уровень нейронной сети. Там они обработаются отдельными нейронами и отправятся на второй уровень сети, и так далее, до финального уровня, пока не будет получен результат.

«Тренируйтесь на кошках»: Отбор изображений с котами из видеороликов YouTube стал одним из первых прорывов в глубоком обучении.

Каждый нейрон назначает весовой коэффициент входным данным - насколько они правильны по отношению к выполняемому заданию.  Финальный результат определяется суммой этих весовых коэффициентов. Вспомните пример со знаком СТОП. Признаки изображения этого знака изучаются нейронами -  его октогональная форма, красный цвет, его четкие буквы, размер, как у дорожного знака, наличие или отсутствие движения. Задача нейронной сети - определить, является это знаком СТОП или нет. Здесь используется вектор вероятности, научная догадка, основанная на весовых коэффициентах. В нашем примере система может быть уверена на 86%, что это знак СТОП, на 7%, что это знак ограничения скорости, и на 5%, что это летающий змей, застрявший в деревьях, и так далее - и нейронная архитектура затем сообщает нейронной сети, правильно это или нет.

Но до недавнего времени ученые в области ИИ скорее избегали нейронных сетей. Они появились еще на заре ИИ, но с точки зрения разума они не давали почти ничего. Проблема в том, что даже самые базовые нейронные сети требовали очень мощных вычислений, и это было непрактично. Однако все же небольшая группа исследователей во главе с Джеффри Хинтоном из Университета Торонто занималась нейронными сетями и в итоге распараллелила алгоритмы для суперкомпьютеров, доказав правильность идеи, но это случилось уже после установки графических процессоров.

Вернемся к нашему знаку СТОП: велики шансы, что система будет выдавать множество неправильных ответов в процессе обучения. Ее нужно обучать. Ей нужно скармливать сотни тысяч, миллионы изображений, пока весовые коэффициенты входных данных не будут настроены так точно, что правильный ответ будет выдаваться практически каждый раз - туман или нет тумана, солнце или дождь. Вот на этом этапе сеть и научиться распознавать знак СТОП; или лицо вашей мамы в случае Facebook; или кота - что и сделал Эндрю ЭнДжи в 2012 году в Google.

Прорыв ЭнДжи заключался в том, что он взял эти нейронные сети и сделал их огромными, увеличив количество слоев и нейронов, и затем пропустил через них огромное количество данных для обучения системы. В его случае это были изображения из 10 миллионов видеороликов с YouTube. ЭнДжи добавил той самой глубины в обучение.

Сегодня машины, прошедшие глубокое обучение, в некоторых случаях выдают результаты лучше, чем люди: от распознавания котов и до признаков рака в крови и опухолей на снимках МРТ.

Программа Google AlphaGo выучила урок и научилась играть в го, играя сама с собой снова и снова.

Благодаря глубокому обучению у ИИ есть светлое будущее

Глубокое обучение, фактически, широко внедрило машинное обучение в практику. Оно разбивает задачи так, что все виды машинного содействия кажутся возможными. Автомобили без водителей, лучшее превентивное здравоохранение, рекомендации фильмов - все это уже есть или почти есть сегодня. С помощью глубокого обучения ИИ может даже дойти до стадии научной фантастики, о которой мы так долго мечтали. Дайте мне C-3PO, пожалуйста, а Терминатора оставьте себе.

Источник: www.nvidia.ru

Комментарии: