Hvad er Machine Learning og Deep Learning i kunstig intelligens

Enheder, der er tilsluttet internettet(Internet) , kaldes smartenheder. Stort set alt relateret til internettet(Internet) er kendt som en smart enhed(smart device) . I den sammenhæng kan koden, der gør enhederne SMARTERE –(SMARTER – ) så de kan fungere med minimal eller uden menneskelig indgriben – siges at være baseret på kunstig intelligens(Artificial Intelligence) (AI). De to andre, nemlig: Machine Learning (ML) og Deep Learning (DL), er forskellige typer algoritmer bygget til at bringe flere muligheder til de smarte enheder. Lad os se AI vs ML vs DL i detaljer nedenfor for at forstå, hvad de gør, og hvordan de er forbundet til AI.

Hvad er kunstig intelligens med hensyn til ML & DL

Machine Learning og Deep Learning i kunstig intelligens

AI kan kaldes et supersæt af Machine Learning (ML) processer og Deep Learning (DL) processer. AI er normalt et paraplybegreb, der bruges til ML og DL. Deep Learning er igen en delmængde af Machine Learning (se billedet ovenfor).

Nogle hævder, at Machine Learning ikke længere er en del af den universelle AI. De siger, at ML er en komplet videnskab i sig selv og derfor ikke behøver at blive kaldt med henvisning til kunstig intelligens(Artificial Intelligence) . AI trives med data: Big Data . Jo mere data den bruger, jo mere nøjagtig er den. Det er ikke sådan, at det altid vil forudsige korrekt. Der vil også være falske flag. AI'en træner sig selv på disse fejl og bliver bedre til, hvad den skal - med eller uden menneskelig opsyn.

Kunstig intelligens kan ikke defineres ordentligt, da den er trængt ind i næsten alle brancher og påvirker alt for mange typer (forretnings)processer og algoritmer. Vi kan sige, at kunstig intelligens(Intelligence) er baseret på Data Science (DS: Big Data ) og indeholder Machine Learning som sin særskilte del. Ligeledes(Likewise) er Deep Learning en særskilt del af Machine Learning .

Den måde, IT-markedet vipper på, ville fremtiden blive domineret med tilsluttede smarte enheder, kaldet tingenes internet (IoT)(Internet of Things (IoT)) . Smarte(Smart) enheder betyder kunstig intelligens: direkte eller indirekte. Du bruger allerede kunstig intelligens (AI) i mange opgaver i dit daglige liv. For eksempel at skrive på et smartphone-tastatur, der bliver ved med at blive bedre til "ordforslag". Blandt andre eksempler, hvor du ubevidst beskæftiger dig med kunstig intelligens(Artificial Intelligence) , er at søge efter ting på internettet(Internet) , online shopping og selvfølgelig de evigt smarte Gmail- og Outlook -e- mail-indbakker.

Hvad er Machine Learning

Machine Learning er et område inden for kunstig intelligens(Artificial Intelligence) , hvor målet er at få en maskine (eller computer eller en software) til at lære og træne sig selv uden megen programmering. Sådanne enheder har brug for mindre programmering, da de anvender menneskelige metoder til at fuldføre opgaver, herunder at lære at yde bedre. Grundlæggende(Basically) betyder ML at programmere en computer/enhed/software lidt og lade den lære på egen hånd.

Der er flere metoder til at lette Machine Learning . Af dem bruges følgende tre i vid udstrækning:

  1. Overvåget,
  2. Uden opsyn, og
  3. Forstærkende læring.

Supervised Learning i Machine Learning

Overvåget på en måde, at programmører først forsyner maskinen med mærkede data og allerede behandlede svar. Her betyder etiketter række- eller kolonnenavnene i en database eller et regneark. Efter at have tilført store sæt af sådanne data til computeren, er den klar til at analysere yderligere datasæt og levere resultater på egen hånd. Det betyder, at du lærte computeren at analysere de data, der tilføres den.

Normalt bekræftes det ved hjælp af 80/20-reglen. Enorme(Huge) sæt data føres til en computer, der forsøger og lærer logikken bag svarene. 80 procent af data fra en begivenhed føres til computeren sammen med svar. De resterende 20 procent fodres uden svar for at se, om computeren kan komme med de rigtige resultater. Disse 20 procent bruges til krydstjek for at se, hvordan computeren (maskinen) lærer.

Uovervåget maskinlæring

Uovervåget læring sker, når maskinen fodres med tilfældige datasæt, der ikke er mærket og ikke i orden. Maskinen skal finde ud af, hvordan den producerer resultaterne. For eksempel, hvis du tilbyder den softballs i forskellige farver, bør den kunne kategorisere efter farver. Når maskinen i fremtiden præsenteres med en ny softball, kan den således identificere bolden med allerede eksisterende etiketter i sin database. Der er ingen træningsdata i denne metode. Maskinen skal lære af sig selv.

Forstærkende læring

Maskiner, der kan træffe en række beslutninger, falder ind under denne kategori. Så er der et belønningssystem. Hvis maskinen gør det godt, hvad programmøren vil have, får den en belønning. Maskinen er programmeret på en måde, så den higer efter maksimale belønninger. Og for at få det løser det problemer ved at udtænke forskellige algoritmer i forskellige tilfælde. Det betyder, at AI-computeren bruger prøve- og fejlmetoder til at komme med resultater.

For eksempel, hvis maskinen er et selvkørende køretøj, skal den lave sine egne scenarier på vejen. Der er ingen måde, en programmør kan programmere hvert trin, da han eller hun ikke kan komme i tanke om alle mulighederne, når maskinen er på farten. Det er her Reinforcement Learning kommer ind i billedet. Du kan også kalde det trial and error AI.

Hvordan adskiller Deep Learning sig fra Machine Learning

Deep Learning er til mere komplicerede opgaver. Deep Learning er en delmængde af Machine Learning . Kun at den indeholder flere neurale netværk, der hjælper maskinen med at lære. Menneskeskabte(Manmade) neurale netværk er ikke nye. Labs over hele verden forsøger at bygge og forbedre neurale netværk, så maskinerne kan træffe informerede beslutninger. Du må have hørt om Sophia , en humanoid i Saudi , som fik almindeligt statsborgerskab. Neurale netværk er som menneskelige hjerner, men ikke så sofistikerede som hjernen.

Der er nogle gode netværk, der sørger for uovervåget dyb læring. Man kan sige, at Deep Learning er mere neurale netværk, der efterligner den menneskelige hjerne. Alligevel, med nok prøvedata, kan Deep Learning - algoritmerne bruges til at hente detaljer fra prøvedata. For eksempel, med en billedprocessor DL-maskine, er det lettere at skabe menneskelige ansigter med følelser, der ændrer sig i henhold til de spørgsmål, maskinen bliver stillet.

Ovenstående forklarer AI vs MI vs DL på et lettere sprog. AI og ML er enorme felter - som netop åbner sig og har et enormt potentiale. Dette er grunden til, at nogle mennesker er imod at bruge Machine Learning og Deep Learning i kunstig intelligens(Artificial Intelligence) .



Malthe Meldgaard

About the author

Efter næsten 20 år i teknologibranchen har jeg lært meget om Apple-produkter, og hvordan man kan tilpasse dem til mine behov. Især ved jeg, hvordan jeg bruger iOS-platformen til at skabe brugerdefinerede udseender og interagere med mine brugere gennem applikationspræferencer. Denne oplevelse har givet mig værdifuld indsigt i, hvordan Apple designer sine produkter, og hvordan man bedst kan forbedre deres brugeroplevelse.


Related posts