Jaka jest różnica między sztuczną inteligencją a ML?

Bez wątpienia słyszałeś już terminy „sztuczna inteligencja” i „uczenie maszynowe”. A jeśli nie, wkrótce to zrobisz. Szacuje się, że do 2021 roku 80% nowych technologii będzie opartych na sztucznej inteligencji. A 37% organizacji na całym świecie korzysta z jakiejś formy sztucznej inteligencji w celu usprawnienia swoich codziennych operacji.

Na przykład Amazon wykorzystał uczenie maszynowe, aby skrócić czas wysyłki o ponad 225%. Jeśli więc nie masz pewności, co oznaczają te terminy i jaka jest między nimi różnica – nie martw się, jesteśmy tutaj, aby Ci pomóc.

W następnych kilku akapitach zagłębimy się w różnicę między uczeniem maszynowym a sztuczną inteligencją (1), miejmy nadzieję, że rzucimy trochę światła na ten czasami mylący temat. Omówimy też krótko, co oznacza każdy termin, i podamy kilka przykładów różnych typów sztucznej inteligencji i różnych typów uczenia maszynowego. Na koniec omówimy, dlaczego te dwa terminy są używane zamiennie w pierwszej kolejności.

• Krótkie zrozumienie AI
• Różne rodzaje sztucznej inteligencji
• Krótkie zrozumienie ML
• Różne rodzaje uczenia maszynowego
• Różnica między sztuczną inteligencją a ML
• Dlaczego firmy technologiczne korzystają z AI i ML?
• Końcowe przemyślenia

Krótki przegląd AI

Sztuczna inteligencja lub sztuczna inteligencja odnosi się do naśladowania ludzkiej inteligencji przez maszynę stworzoną przez człowieka. Maszyna posiada skomputeryzowany mózg, który jest zdolny do uczenia się i rozwiązywania problemów w podobny sposób jak mózg ludzki.

Sztuczna inteligencja to dość szerokie pojęcie zbiorcze, które obejmuje kilka podzbiorów – o czym należy pamiętać, ponieważ wrócimy do tego później.

Celem sztucznej inteligencji jest tak naprawdę powielenie nie tylko umiejętności rozwiązywania problemów, ale także zdolności ludzkiego mózgu do podejmowania decyzji. Można to osiągnąć za pomocą algorytmów, które są zasadniczo zbiorem reguł określających, co komputer robi w danej sytuacji.

Możesz spojrzeć na algorytmy jako rodzaj przepisu, który komputer musi zastosować, gdy wszystkie składniki są obecne.

Sztuczną inteligencję można podzielić na trzy typy:

• Wąska AI

  Narrow AI, jak sama nazwa wskazuje, ma bardzo wąski zakres. Czasami jest również określany jako „słaba sztuczna inteligencja”. Przykładem wąskiej sztucznej inteligencji może być Siri lub Asystent Google. Wąska sztuczna inteligencja reprezentuje miejsce, w którym obecnie jesteśmy ze sztuczną inteligencją w technologii.

• Ogólne AI

  Drugi rodzaj sztucznej inteligencji to sztuczna inteligencja ogólna (AGI). Ten rodzaj sztucznej inteligencji występuje, gdy możliwości komputera mogą odpowiadać możliwościom ludzkiego mózgu. W ramach AGI komputery byłyby zdolne do samodzielnego rozwiązywania problemów i wnioskowania, podejmowania decyzji, a nawet kreatywnego myślenia.

• Super sztuczna inteligencja

  Trzeci typ sztucznej inteligencji to sztuczna superinteligencja (ASI). Prawdopodobnie dobrze znasz ten typ, chociaż obecnie nie istnieje. W ramach ASI maszyny rozwijają zdolności intelektualne, które wykraczają poza to, co może osiągnąć ludzki mózg.

  Jeśli kiedykolwiek widziałeś serię Terminator, rozumiesz, dlaczego może to być problematyczne. Rzeczywistość jest jednak taka, że ​​wielu ekspertów przewiduje, że ASI rzeczywiście przyniosłoby ogromne korzyści rasie ludzkiej.

Krótki przegląd ML

Pamiętasz, jak rozmawialiśmy o tym, jak sztuczna inteligencja ma kilka różnych podzbiorów? Cóż, uczenie maszynowe, czyli ML, jest jednym z nich. Uczenie maszynowe to zdolność maszyny do uczenia się na podstawie danych. Oczywiście maszynę należy najpierw zaprogramować. Ale kiedy już zostaną wdrożone odpowiednie algorytmy, a maszyna uzyska dostęp do danych, może zacząć się uczyć.

Uczenie maszynowe istnieje i jest obecnie dość powszechne w naszym świecie. Autokorekta jest jednym z przykładów ML we współczesnym życiu, podobnie jak filtr spamu. Programy te są dalekie od czujących, ale posiadają zdolność do zmiany swojego zachowania w oparciu o nowe dane. Jeśli brzmi to strasznie jak wąska sztuczna inteligencja, to dlatego, że tak jest. Uczenie maszynowe jest przykładem wąskiej sztucznej inteligencji.

Uczenie maszynowe można podzielić na cztery różne kategorie:

• Nadzorowane

  Ten typ ML wymaga użycia oznaczonych zbiorów danych. Gdy dane nauczą maszynę określonego wzorca lub zestawu cech, maszyna może przewidzieć wynik.

• Bez nadzoru

  Nienadzorowane uczenie maszynowe polega na sortowaniu istniejących danych, które nie mają etykiet. Nienadzorowany algorytm uczenia maszynowego może nauczyć komputer rozdzielania danych na różne grupy na podstawie relacji lub wzorców.

• Częściowo nadzorowane

  Częściowo nadzorowane uczenie maszynowe mieści się gdzieś pomiędzy tymi dwoma. Ten rodzaj uczenia maszynowego wchodzi w grę, gdy zestawy danych zawierają zarówno komponenty oznaczone, jak i nieoznaczone. Prognozy podawane w ramach częściowo nadzorowanego uczenia maszynowego wydają się być najdokładniejsze ze wszystkich rodzajów uczenia maszynowego.

• Wzmocnienie

  Ten typ ML jest podobny do rodzaju uczenia się przez wzmocnienie, w którym uczestniczą ludzie. W ramach uczenia się przez wzmocnienie, nagroda jest przyznawana, gdy zostanie określony najlepszy sposób działania. Celem maszyny jest podejmowanie decyzji, które maksymalizują nagrodę.

Kluczowe różnice między sztuczną inteligencją a uczeniem maszynowym

Po tym wszystkim możesz się zastanawiać: czym się te rzeczy różnią? Istnieje kilka kluczowych cech, które mogą ułatwić zapamiętanie tego rozróżnienia.

• Zakres

  Jedną rzeczą, o której należy pamiętać, jest zakres. Sztuczna inteligencja ma bardzo szeroki zakres. Z drugiej strony uczenie maszynowe ma znacznie węższy zakres – te maszyny potrafią opanować dane zadanie, ale niewiele więcej nie potrafią.

• Cele

  Inną kluczową różnicą między sztucznym uczeniem a uczeniem maszynowym jest to, że mają one bardzo różne cele. Jeśli chodzi o sztuczną inteligencję, szczególnie AGI lub ASI, celem jest stworzenie komputera zdolnego do podejmowania decyzji i świadomego myślenia. Celem uczenia maszynowego jest po prostu umożliwienie maszynie dokładnego przewidywania wyniku na podstawie danych z przeszłości.

• Rodzaj zbioru danych

  Ponadto sztuczna inteligencja może radzić sobie ze wszystkimi rodzajami danych – ustrukturyzowanymi, nieustrukturyzowanymi i częściowo ustrukturyzowanymi. Alternatywnie, uczenie maszynowe może mieć sens tylko w przypadku danych ustrukturyzowanych i częściowo ustrukturyzowanych. Co więcej, podczas gdy zarówno sztuczna inteligencja, jak i uczenie maszynowe obejmuje samokorektę, tylko sztuczna inteligencja obejmuje rozumowanie.

• Mądrość kontra wiedza

  Można również powiedzieć, że sztuczna inteligencja polega na zdobywaniu mądrości i inteligencji, podczas gdy uczenie maszynowe ma na celu wiedzę.

• Wynik

  Sztuczna inteligencja przyjrzy się wielu wynikom i wybierze ten, który jest najlepszy. Uczenie maszynowe wybierze to, co uważa za jedyne rozwiązanie, niezależnie od tego, czy jest najlepsze.

• Świadomość

  Tak naprawdę sednem różnicy między uczeniem maszynowym a sztuczną inteligencją jest myślenie świadome. Uczenie maszynowe nie wymaga komputera do rozwijania własnej świadomości. Sztuczna inteligencja wymaga, aby maszyna była w stanie czuć i myśleć niezależnie od jej programowania, aby dopasować się do możliwości ludzkiego mózgu.

Dlaczego firmy technologiczne często używają AI i ML zamiennie?

Firmy technologiczne wykorzystują sztuczną inteligencję i uczenie maszynowe zamiennie, ponieważ dekady temu koncentrowano się przede wszystkim na rozwoju prawdziwej sztucznej inteligencji – AGI i ASI. W tym czasie wokół tego terminu zaczęło powstawać negatywne piętno. To piętno mogło mieć związek z przedstawianiem ASI w filmach, telewizji i mediach.

Z tego powodu wraz z postępem technologii zaczęły pojawiać się inne terminy. Zaczęły pojawiać się terminy takie jak uczenie maszynowe i głębokie uczenie, a ludzie używali ich zamiennie z wąską sztuczną inteligencją.

Problem polega na tym, że ML jest tak naprawdę synonimem wąskiej sztucznej inteligencji. Kiedy sztuczny generał i superinteligencja staną się pretendentami, prawdopodobnie rozróżnienie między ML i AI stanie się ważniejsze, a terminy w naturalny sposób staną się mniej wymienne.

Końcowe przemyślenia

Uczenie maszynowe to miejsce, w którym obecnie znajduje się technologia AI. Sztuczna inteligencja pokazuje, gdzie może być jutro. Jeśli potrzebujesz pomocy w utrzymaniu prostych warunków, pamiętaj, że uczenie maszynowe polega na uczeniu maszyny uczenia się.

Maszyny te bardzo dobrze wykonują jedno zadanie. Z drugiej strony sztuczna inteligencja polega na replikowaniu ludzkiego umysłu. Te maszyny mogłyby teoretycznie wykonywać różnorodne zadania równie dobrze – jeśli nie lepiej – niż człowiek.

Ostatecznie różnica między nimi stanie się szersza i łatwiejsza do odróżnienia z biegiem lat.

Inne przydatne zasoby:

Jak sztuczna inteligencja może przenieść robotyczną automatyzację procesów na wyższy poziom

Najlepsze platformy skoncentrowane na sztucznej inteligencji, które zwiększają konwersje

Przyszłość cyberbezpieczeństwa ze sztuczną inteligencją

5 najlepszych publicznych zbiorów danych do uczenia maszynowego

Lista algorytmów uczenia maszynowego, które eksperci powinni znać