Beyond Hype: het verschil tussen kunstmatige intelligentie, machine learning en deep learning

Artificial Intelligence (AI) is ons dagelijks leven binnengekomen met een explosie. Van marketing tot geneeskunde, het lijkt elk bedrijf en elke industrie te beïnvloeden. Technologiebedrijven worstelen om de race te domineren om de markt te beheren en de meest innovatieve en veelbelovende AI-bedrijven over te nemen.

U kunt AI al in het dagelijks leven gebruiken, zoals spraakherkenning, virtuele assistentie op uw smartphone, winkelwebsites en algoritmen voor het streamen van muziek of video, of zelfs wanneer u een arts bezoekt en een röntgenfoto vergelijkt. of andere medische foto's met andere medische informatie.

En dan is er het idee van machine learning en deep learning dat velen in verwarring brengt. Heel vaak worden ze door elkaar gebruikt, maar zelfs als ze met elkaar verweven zijn, hebben ze verschillende betekenissen. Dus wat is het verschil tussen AI, machine learning en deep learning?

Kunstmatige intelligentie

In brede zin is AI volgens de oprichters de wetenschap en engineering van slimme machines, met name slimme computersoftware. Dit is een manier om intelligent te denken, zoals mensen denken, bij het gebruik van een computer, een computergestuurde robot of software, met een hoge snelheid en kracht.

Cognitieve engineering is een belangrijk onderdeel van AI-onderzoek. Machines kunnen zich als mensen gedragen als ze veel informatie over de wereld hebben. Een autonoom voertuig kan alleen veilig rijden, met voldoende milieukennis. Beslissingsalgoritmen zijn slechts zo goed als invoergegevens.

Met andere woorden, kunstmatige intelligentie moet toegang hebben tot de relaties tussen objecten, categorieën, kenmerken en alles om cognitieve engineering te implementeren. Het gebruik van intelligentie en probleemoplossend vermogen in machines is een moeilijke en vervelende aanpak. We staan ​​niet echt naast slimme auto's.

Machine learning

Hoewel kunstmatige intelligentie het hele spectrum van machine learning omvat, heeft de term 'machine learning' een engere betekenis, namelijk 'leervermogen zonder nauwkeurige programmering'. Overigens gebeurt er op dit moment de grootste verandering: het voeden van enorme datasets. log in en wacht op resultaten.

Machine learning is het type AI dat machine learning mogelijk maakt en zichzelf leert te evolueren wanneer het geconfronteerd wordt met nieuwe en constant veranderende gegevens. De nieuwsfeed van Facebook gebruikt bijvoorbeeld een computer om ieders eten naar wens aan te passen. De belangrijkste elementen van traditionele machine learning-software zijn statistische analyse en voorspellende analyse om patronen te identificeren en te vinden waar te kijken, op basis van observaties van eerdere berekeningen zonder te programmeren.

Machine learning is in de loop der jaren geëvolueerd met de mogelijkheid om door echt complexe datasets heen te komen. Ze worden vaak "big data" genoemd. Velen zullen verbaasd zijn als ze vernemen dat ze in hun dagelijks leven worden geconfronteerd met software voor machine learning door middel van rapportagediensten over actuele problemen of hashtags zoals Netflix en algoritmen voor sociale media. Het scheiden van functies in machine learning vereist dat de programmeur op zoek gaat naar iets dat een tijdrovend proces vergt van computer tot besluitvorming. Dit leidt ook tot machine learning, wat resulteert in een afname in nauwkeurigheid als gevolg van iemands fout in het programmeerproces.

Diep leren

Deep Learning is het jongste gebied van machine learning dat is geïntroduceerd om machine learning dichter bij kunstmatige intelligentie te brengen.

Dit houdt verband met de studie van 'diepe neurale netwerken' in het menselijk brein, en in deze context probeert diep leren de functies van de binnenste lagen van het menselijk brein te imiteren, waarbij kennis wordt gecreëerd uit vele lagen van informatieverwerking. Aangezien deep learning-technologie is gemodelleerd naar het menselijk brein, verbeteren de mogelijkheden ervan telkens wanneer nieuwe gegevens worden gegoten.

Onder een diepgaand leerparadigma kan een machine grote hoeveelheden gegevens en algoritmen gebruiken om hem te leren hoe hij een taak moet uitvoeren. Deze informatie wordt verzonden via neurale netwerken, die een aantal binaire juiste / verkeerde vragen of numerieke waarden bevatten, alle stukjes informatie die kunnen worden doorgegeven en geclassificeerd op basis van de antwoorden die ze ontvangen. Tegenwoordig wordt diepgaande machine learning, onderwezen door diepgaande machine learning, gebruikt om autonome robots en voertuigen te onderwijzen, ziektesymptomen en alle soorten beelden in de geneeskunde te identificeren.

Enige tijd geleden leerde Google's AlphaGo het spel door het urenlang keer op keer te spelen. Het vermogen om steeds sneller te leren, wat niet wordt geleerd, is de sleutel tot bestaande ruis door middel van diep leren. Maar de volgende revolutionaire technologie is nog lang niet voorbij.