Verstehen Sie den Unterschied zwischen maschinellem Lernen und künstlicher Intelligenz

A künstliche und maschinelles Lernen sind Schlagworte in der Tech-Branche der letzten Jahre, aber was genau bedeuten sie? Hier Sie können sich einen von uns erstellten Beitrag ansehen, in dem detailliert erklärt wird, was maschinelles Lernen ist, aber die Frage, die wir hier ansprechen möchten, ist, wie wir zwischen diesen beiden Begriffen unterscheiden können.

digitales lernen

Die beiden Begriffe werden oft verwechselt und von Unternehmen falsch verwendet, die ihre Technologie ausgefeilter machen wollen. Tatsächlich sind künstliche Intelligenz und maschinelles Lernen sehr unterschiedlich, mit unterschiedlichen Auswirkungen darauf, was Computer tun können und wie sie mit uns interagieren.

O maschinelles Lernen ist das Computing-Paradigma, das das Wachstum von vorantreibt "Große Daten" e IA. Es basiert auf der Entwicklung von neuronalen Netzen und tiefes Lernen. Dies wird normalerweise als Nachahmung der Art und Weise beschrieben, wie Menschen lernen, aber das ist falsch. Maschinelles Lernen bezieht sich wirklich auf statistische Analysen und iteratives Lernen.

Anstatt ein traditionelles Programm aufzubauen, bestehend aus logische Aussagen e Entscheidungsbäume, One neurales Netzwerk wurde speziell für das Training und Lernen mit einem parallelen Netzwerk von Neuronen entwickelt, die jeweils für einen bestimmten Zweck konfiguriert sind.

Die Natur eines bestimmten neuronalen Netzwerks kann sehr kompliziert sein, aber der Schlüssel zu ihrer Funktionsweise liegt in der Anwendung von Gewichtungen (bzw Faktoren von Bedeutung) zu einem Attribut der Eingabe. Unter Verwendung von Netzwerken mit unterschiedlichen Gewichtungen und Schichten ist es möglich, eine Wahrscheinlichkeit zu erzeugen oder abzuschätzen, dass Ihre Eingabe mit einer oder mehreren der definierten Ausgaben übereinstimmt.

Das Problem bei dieser Art von Berechnung, wie bei der normalen Programmierung, ist die Abhängigkeit davon, wie der menschliche Programmierer sie einrichtet, und die Neueinstellung all dieser Gewichtungen zur Feinabstimmung der Genauigkeit der Ausgabe kann viele Arbeitsstunden dauern, bis sie durchführbar ist. Ein neuronales Netzwerk geht in den Bereich des maschinellen Lernens über, sobald eine korrigierende Rückkopplungsschleife eingeführt wird.

Maschine „trainieren“.

Durch Überwachen der Ausgabe, Vergleichen mit der Eingabe und schrittweises Reduzieren der Neuronengewichte kann sich ein Netzwerk selbst trainieren, um die Genauigkeit zu verbessern. Der wichtige Teil hier ist, dass ein maschineller Lernalgorithmus in der Lage ist, ohne Programmierer zu lernen und zu handeln, indem er alle Möglichkeiten innerhalb des Datensatzes spezifiziert.

Das Trainieren eines Netzwerks kann auf verschiedene Arten erfolgen, aber alle beinhalten einen iterativen Brute-Force-Ansatz, um die Ausgabegenauigkeit zu maximieren und die optimalen Pfade durch das Netzwerk zu trainieren. Dieses Selbsttraining ist jedoch immer noch ein effizienterer Prozess als die manuelle Optimierung eines Algorithmus und ermöglicht es Algorithmen, viel größere Datenmengen in viel schnelleren Zeiten zu ändern und zu sortieren, als dies sonst möglich wäre.

Einmal trainiert, ist ein maschineller Lernalgorithmus in der Lage, neue Eingaben im gesamten Netzwerk mit großer Geschwindigkeit und Genauigkeit in Echtzeit zu klassifizieren. Dies macht es zu einer wesentlichen Technologie für Computer Vision, Spracherkennung, Sprachverarbeitung und wissenschaftliche Forschungsprojekte.

Was ist KI und was nicht?

Maschinelles Lernen ist eine intelligente Verarbeitungstechnik, aber es hat keine wirkliche Intelligenz. Ein Algorithmus muss nicht genau verstehen, warum er sich selbst korrigiert, sondern nur, wie er in Zukunft genauer sein kann.

Ein maschineller Lernalgorithmus, der eine Bilddatenbank durchsuchen und das Hauptobjekt im Bild identifizieren kann, sieht nicht wirklich schlau aus, weil er diese Informationen nicht auf „menschliche“ Weise anwendet.

Künstliche Intelligenzen lassen sich in zwei große Gruppen einteilen, angewandt ou Allgemeinesherunterzuladen. Ein angewandte künstliche Intelligenz es ist jetzt viel lebensfähiger. Es ist mehr an die oben genannten Beispiele für maschinelles Lernen gebunden und für die Ausführung bestimmter Aufgaben konzipiert. Dies kann kommerzielles Inventar sein, das Verkehrsmanagement in einer Smart City oder die Unterstützung bei der Diagnose von Patienten.

A Allgemeine künstliche Intelligenz es ist, wie der Name schon sagt, breiter und leistungsfähiger. Es ist in der Lage, ein breiteres Aufgabenspektrum zu bewältigen, praktisch jeden Datensatz zu verstehen und scheint daher breiter zu denken, genau wie Menschen. Die allgemeine KI könnte theoretisch außerhalb ihres ursprünglichen Wissenssatzes lernen, was möglicherweise zu einem außer Kontrolle geratenen Wachstum ihrer Fähigkeiten führen würde.

Die Zukunft im Auge behalten

Allen wissenschaftlichen Fachjargons und Fachdiskussionen zum Trotz gibt es bereits Anwendungen des maschinellen Lernens und der künstlichen Intelligenz. Wir sind noch weit davon entfernt, neben der allgemeinen KI zu leben, aber wenn Sie verwenden Google Assistant oder Amazon Alexa, interagieren Sie bereits mit einer Form angewandter KI.

Maschinelles Lernen, das für die Sprachverarbeitung verwendet wird, ist einer der Schlüsselfaktoren für die heutigen intelligenten Geräte, obwohl sie sicherlich nicht intelligent genug sind, um alle Ihre Fragen zu beantworten.

Das Smart Home ist nur der letzte Anwendungsfall. Maschinelles Lernen wird seit einiger Zeit im Bereich Big Data eingesetzt, und diese Anwendungsfälle dringen zunehmend in das Gebiet der KI vor. DER Google verwendet es für Suchmaschinen-Tools. DER Facebook verwendet, um Werbung zu optimieren.

Es gibt einen großen Unterschied zwischen maschinellem Lernen und künstlicher Intelligenz, obwohl erstere ein sehr wichtiger Bestandteil von letzterer ist. Wir werden im Laufe des Jahres 2018 und darüber hinaus sicherlich noch viel über die beiden reden hören.