¿Cuál es la diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo?
Proporcione una ruta de aprendizaje y una lista de libros, ¡gracias!
Educar
Deep Blue College, la cuenta pública "Cuenta de servicio de educación Deep Blue"
La ola de inteligencia artificial está barriendo el mundo y muchas palabras permanecen en nuestros oídos todo el tiempo: inteligencia artificial, aprendizaje automático y aprendizaje profundo. Muchas personas siempre parecen entender el significado de estas palabras de alta frecuencia y la relación que las sustenta.
Para ayudar a todos a comprender mejor la inteligencia artificial, este artículo explica el significado de estas palabras en el lenguaje más simple, aclara la relación entre ellas y espera ser útil para los colegas que recién están comenzando.
Figura 1 Aplicación de la inteligencia artificial
Inteligencia artificial: de la propuesta de concepto a la prosperidad
En 1956, varios informáticos se reunieron en la Conferencia de Dartmouth y propusieron el concepto de "inteligencia artificial", soñando con usar computadoras que acababan de aparecer en ese momento para construir máquinas complejas con las mismas características esenciales que la inteligencia humana. Desde entonces, la inteligencia artificial ha permanecido en la mente de las personas y se incubó lentamente en los laboratorios de investigación científica. En las siguientes décadas, la inteligencia artificial ha ido revirtiendo los polos, o se le llama la predicción del deslumbrante futuro de la civilización humana, o se tira al basurero como las fantasías de los locos tecnológicos. Hasta 2012, estas dos voces todavía existían al mismo tiempo.
Después de 2012, gracias al aumento del volumen de datos, el aumento de la potencia informática y la aparición de nuevos algoritmos de aprendizaje automático (aprendizaje profundo), la inteligencia artificial comenzó a explotar. Según el "Global AI Talent Report" publicado recientemente por LinkedIn, a partir del primer trimestre de 2017, el número de talentos técnicos globales de AI (inteligencia artificial) basados en la plataforma LinkedIn superó los 1,9 millones, y se alcanzó la brecha de talento nacional de inteligencia artificial más de 5 millones.
El campo de investigación de la inteligencia artificial también se está expandiendo. La Figura 2 muestra las diversas ramas de la investigación de la inteligencia artificial, incluidos los sistemas expertos, el aprendizaje automático, la computación evolutiva, la lógica difusa, la visión por computadora, el procesamiento del lenguaje natural, los sistemas de recomendación, etc.
Figura 2 Rama de investigación de inteligencia artificial
Sin embargo, el trabajo de investigación científica actual se centra en la inteligencia artificial débil, y se espera que se logren avances importantes en un futuro próximo. La mayor parte de la inteligencia artificial en la película muestra una inteligencia artificial fuerte, y esta parte es difícil de comprender realmente en el mundo real actual. (La inteligencia artificial generalmente se divide en inteligencia artificial débil e inteligencia artificial fuerte. La primera permite que la máquina tenga la capacidad de observar y percibir, y puede lograr un cierto grado de comprensión y razonamiento, mientras que la La inteligencia artificial permite que la máquina adquiera capacidades de adaptación y resuelva algunos problemas que no se han encontrado.
La inteligencia artificial débil tiene esperanzas de hacer grandes avances. ¿Cómo lo logró y de dónde viene la "inteligencia"? Esto se debe principalmente a un método para lograr inteligencia artificial: aprendizaje automático.
Aprendizaje automático: una forma de lograr inteligencia artificial
El método más básico de aprendizaje automático es usar algoritmos para analizar datos, aprender de ellos y luego tomar decisiones y predicciones sobre eventos en el mundo real. A diferencia de los programas de software tradicionales que están codificados para resolver tareas específicas, el aprendizaje automático usa grandes cantidades de datos para "entrenar" y aprender a completar tareas a partir de los datos a través de varios algoritmos.
Para dar un ejemplo simple, cuando navegamos por los centros comerciales en línea, a menudo aparecen recomendaciones de productos. Esto se basa en sus registros de compras anteriores y en las largas listas de colecciones, el centro comercial puede identificar cuáles de estos son los productos que realmente le interesan y están dispuestos a comprar. Este modelo de toma de decisiones puede ayudar al centro comercial a ofrecer sugerencias a los clientes y fomentar el consumo de productos.
El aprendizaje automático proviene directamente del campo de la inteligencia artificial temprana. Los algoritmos tradicionales incluyen árboles de decisión, agrupamiento, clasificación bayesiana, máquinas de vectores de soporte, EM, Adaboost, etc. En términos de métodos de aprendizaje, los algoritmos de aprendizaje automático se pueden dividir en aprendizaje supervisado (como problemas de clasificación), aprendizaje no supervisado (como problemas de agrupamiento), aprendizaje semi-supervisado, aprendizaje por conjuntos, aprendizaje profundo y aprendizaje por refuerzo.
La aplicación de algoritmos tradicionales de aprendizaje automático en los campos del reconocimiento de huellas dactilares, la detección de rostros basada en Haar y la detección de objetos basada en características de HoG básicamente ha alcanzado los requisitos de comercialización o el nivel de comercialización de escenarios específicos, pero cada paso adelante es extremadamente difícil. hasta la aparición de algoritmos de aprendizaje profundo.
Aprendizaje profundo: una tecnología para realizar el aprendizaje automático
El aprendizaje profundo no es originalmente un método de aprendizaje independiente, también utilizará métodos de aprendizaje supervisados y no supervisados para entrenar redes neuronales profundas. Sin embargo, debido al rápido desarrollo de este campo en los últimos años, se han propuesto algunos métodos de aprendizaje únicos (como las redes residuales), por lo que cada vez más personas lo consideran solo un método de aprendizaje.
El aprendizaje profundo original es un proceso de aprendizaje que utiliza redes neuronales profundas para resolver la expresión de características. La red neuronal profunda en sí misma no es un concepto nuevo, pero puede entenderse aproximadamente como una estructura de red neuronal que contiene múltiples capas ocultas. Para mejorar el efecto de entrenamiento de las redes neuronales profundas, las personas realizan los ajustes correspondientes en el método de conexión y la función de activación de las neuronas. De hecho, hubo muchas ideas en los primeros años, pero debido a la insuficiencia de datos de entrenamiento y la capacidad de cálculo hacia atrás, los resultados finales no fueron satisfactorios.
El aprendizaje profundo ha logrado varias tareas como una ruina, haciendo que parezca que todas las funciones de asistencia de la máquina son posibles. Los automóviles sin conductor, la atención médica preventiva e incluso mejores recomendaciones de películas están a nuestro alrededor o pronto se harán realidad.
La diferencia y conexión de los tres
El aprendizaje automático es un método para realizar la inteligencia artificial y el aprendizaje profundo es una tecnología para realizar el aprendizaje automático. Usamos el método más simple: círculos concéntricos, para mostrar visualmente la relación entre los tres.
Figura 3 Diagrama esquemático de la relación entre los tres
En la actualidad, la industria tiene un sentido común de error en el sentido de que " el aprendizaje profundo puede eventualmente eliminar todos los demás algoritmos de aprendizaje automático ". Esta conciencia se debe principalmente al hecho de que la aplicación del aprendizaje profundo en la visión por computadora y el procesamiento del lenguaje natural supera con creces los métodos tradicionales de aprendizaje automático, y los medios de comunicación han exagerado informes sobre el aprendizaje profundo.
El aprendizaje profundo, como el método de aprendizaje automático más popular en la actualidad, no significa que sea el final del aprendizaje automático. Actualmente existen al menos los siguientes problemas:
1. Los modelos de aprendizaje profundo requieren una gran cantidad de datos de entrenamiento para mostrar efectos mágicos, pero en la vida real, a menudo se encuentran pequeños problemas de muestra. En este momento, los métodos de aprendizaje profundo no se pueden usar y los métodos tradicionales de aprendizaje automático pueden manejarlos;
2. En algunos campos, el método tradicional de aprendizaje automático simple se puede utilizar para resolverlo bien, y no es necesario utilizar métodos complejos de aprendizaje profundo;
3. La idea del aprendizaje profundo está inspirada en el cerebro humano, pero de ninguna manera es una simulación del cerebro humano. Por ejemplo, después de mostrarle una bicicleta a un niño de tres o cuatro años, verá una bicicleta con una apariencia completamente diferente nuevamente. Con toda probabilidad, se puede juzgar que es una bicicleta. Es decir, el proceso de aprendizaje humano a menudo no requiere datos de entrenamiento a gran escala, y el método actual de aprendizaje profundo obviamente no es una simulación del cerebro humano.
Cuando el magnate del aprendizaje profundo Yoshua Bengio respondió una pregunta similar en Quora, había un párrafo que fue particularmente bueno. Aquí hay una cita para responder a la pregunta anterior:
La ciencia NO es una batalla, es una colaboración. Todos construimos sobre las ideas de los demás. La ciencia es un acto de amor, no de guerra. Amor por la belleza del mundo que nos rodea y amor por compartir y construir algo juntos. Eso hace que la ciencia sea una actividad muy satisfactoria, emocionalmente hablando.
El significado general de este pasaje es que la ciencia no es guerra sino cooperación. El desarrollo de cualquier disciplina nunca es un camino hacia el negro, pero los pares aprenden unos de otros, aprenden unos de otros, aprenden unos de otros y se complementan entre sí, de pie sobre los hombros de gigantes. Lo mismo ocurre con la investigación del aprendizaje automático. La vida y la muerte son un culto, y la apertura y la tolerancia es el camino correcto.
En combinación con el desarrollo del aprendizaje automático desde 2000, estoy profundamente impresionado por las palabras de Bengio. Al entrar en el siglo XXI, al observar el desarrollo del aprendizaje automático, los puntos críticos de investigación se pueden resumir simplemente como aprendizaje múltiple de 2000 a 2006, aprendizaje escaso de 2006 a 2011 y aprendizaje profundo de 2012 hasta el presente. ¿Qué algoritmo de aprendizaje automático se convertirá en un punto caliente en el futuro? Wu Enda, uno de los tres gigantes del aprendizaje profundo, dijo una vez: "Después del aprendizaje profundo, el aprendizaje por transferencia liderará la próxima ola de tecnología de aprendizaje automático". Pero al final, ¿quién es el próximo punto caliente para el aprendizaje automático?