განსხვავება AI- ს, მანქანურ სწავლებასა და ღრმა სწავლებას შორის

ხელოვნური ინტელექტის კონცეფცია (AI) ნამდვილად არ არის ახალი. უმეტესობა ჩვენგანისთვის, ჩვენი პირველი შეხვედრა იყო სამეცნიერო ფანტასტიკის (Sci-fi) ფილმების საშუალებით. ჩვენ დავიჭირეთ ტერმინატორის სერია, The Matrix, I. Robot, Ex Machina, ყველა ასახავს ადამიანების საოცარ წარმოსახვას, რომ ინოვაცია მოახდინონ და შექმნან მანქანები, რომლებსაც შეუძლიათ ინფორმაციის ანალიზი, პრობლემების მოგვარება, მსჯელობა და ფუნქციონირება კიდევ უფრო ეფექტურად, ვიდრე ადამიანები.

მიუხედავად იმისა, რომ ჩვენ შეიძლება ვერ მივაღწიეთ ამ ფილმებში ნაჩვენები ხელოვნური ინტელექტის დონეს, AI დღეს ჩვენი ცხოვრების ნაწილია, მიუხედავად იმისა, რომ შეიძლება არ ვიცოდეთ. ეს გავლენას ახდენს ჩვენს საქმიანობაზე, გართობასა და დასვენებაზე. ზოგიერთი გავრცელებული მაგალითია Siri, Apple მოწყობილობების ვირტუალური ასისტენტი, Netflix, iTunes და Amazon- ის კინო და მუსიკალური წინადადებები, ავტოპილოტის ფუნქცია ჩვენს მანქანებში, უსაფრთხოების მეთვალყურეობა, ონლაინ ვიდეო თამაშები და ა.შ.

ხელოვნური ინტელექტის როლი ბოლო რამდენიმე წლის განმავლობაში გაიზარდა მისი გამოყენების შემცირებით სხვადასხვა სექტორში ფინანსებიდან საცალო და ჯანდაცვის ინდუსტრიებამდე. ის კიდევ უფრო გაზრდის უფრო მეტ კომპანიას, რომლებიც ინვესტიციას ახორციელებენ ამ კონცეფციაში, როგორც მათი ბიზნეს მოდელების უკეთესობის, ეფექტურობის გაზრდისა და მათ შესაბამის ბაზრებზე კონკურენტული უპირატესობის გაზრდის მიზნით.

ბოლო რამდენიმე წლის განმავლობაში, ტერმინებმა Machine Learning and Deep Learning მოიპოვა პოპულარობა, სადაც განიხილება ხელოვნური ინტელექტი. ეს ფრაზები ზოგჯერ გამოიყენება ურთიერთშემცვლელად, თუმცა მათ აქვთ განსხვავებული მნიშვნელობა. ამ სტატიაში ჩვენ შეისწავლით ხელოვნური ინტელექტის სამყაროს და ავუხსნით, თუ როგორ განსხვავდება ეს ტერმინები.

ხელოვნური ინტელექტი - პრობლემის გადასაჭრელად

ხელოვნური ინტელექტი კომპიუტერული მეცნიერების ქვესექციაა. ეს ტერმინი შეიქმნა ჯონ მაკკარტის მიერ 1956 წელს. მან ეს განსაზღვრა, როგორც "ინტელექტუალური მანქანების დამზადების მეცნიერება და ინჟინერია". AI არის ნებისმიერი ინტელექტი, დამახასიათებელი ადამიანი, რომელიც ნაჩვენებია მანქანის ან კომპიუტერის მიერ მის მიერ მოცემული პრობლემის გადასაჭრელად. AI კლასიფიცირდება ორ კატეგორიად; ზოგადი და ვიწრო AI.

ზოგადი AI სისტემები ფლობენ ადამიანის ინტელექტის ყველა მახასიათებელს, ანუ მას შეუძლია შეასრულოს ნებისმიერი დავალება, რომელიც ადამიანს შეუძლია, ან კიდევ უკეთესი. ეს მოიცავს პრობლემების გადაჭრას, სახეების, ბგერების და საგნების ამოცნობას ენების გაგებამდე. ვიწრო AI-ს აქვს შესაძლებლობა შეასრულოს მხოლოდ გამოყოფილი დავალებები, მაგალითად, Facebook-ის სახის ამოცნობის შესაძლებლობა, გამოსახულების კლასიფიკაციის ფუნქცია Pinterest-ზე. იმისათვის, რომ AI იმუშაოს, მას სჭირდება წვდომა ინფორმაციაზე, რაც გაზრდის მისი მოვალეობების შესრულების შანსს.

მანქანათმცოდნეება

ეს ფრაზა არტურ სამუელმა 1959 წელს შექმნა. ეს გულისხმობს მანქანის მომზადებას დიდი რაოდენობით მონაცემებისა და ალგორითმების გამოყენებით, რაც საშუალებას აძლევს მას გააკეთოს პროგნოზი რაღაცის შესახებ. მანქანური სწავლების გარეშე, AI- ს კვლავ შეუძლია ფუნქციონირება, მაგრამ ის მოითხოვს კოდის მრავალი ხაზის შეყვანას კონკრეტული ინსტრუქციებით, რომ შეასრულოს დავალება და ეს პროცესი შეიძლება იყოს რთული და რთული. მანქანური სწავლებით, ინფორმაცია იკვებება, მანქანა სწავლობს შაბლონებსა და ტენდენციებს, ის არეგულირებს და აუმჯობესებს.

ამ შესაძლებლობების მქონე სისტემა სულ უფრო უკეთესდება გარკვეული ფუნქციის შესრულებაში. ხმის ამოცნობის სისტემები, როგორიცაა Siri, Google Maps, Google Search, მუსიკალური ნაკადის სერვისები არის მანქანური სწავლების მოდელების მაგალითები, სადაც ჩვენი უწყვეტი ურთიერთქმედება პროგრამებთან საშუალებას აძლევს მათ გააკეთონ რეკომენდაციები ან წინადადებები მის მიერ შეგროვებულ ინფორმაციაზე დაყრდნობით. ასე რომ, Google Search-ს შეუძლია წინადადებების გაკეთება ჩვენი წინა ძიების ისტორიების საფუძველზე. მუსიკის სტრიმინგის სერვისებს შეუძლიათ რეკომენდაციების გაკეთება მუსიკალური გემოვნების სხვა მომხმარებლებთან შედარებით.

ღრმა სწავლება

ეს არის მანქანური სწავლების ქვეჯგუფი. იგი მუშაობს ხელოვნური ნერვული ქსელის (ANN) გამოყენებით. ANN არის სისტემა, რომელიც დაფუძნებულია იმაზე, თუ როგორ უკავშირდება და ფუნქციონირებს ნეირონები ტვინში. ქსელი შექმნილია მონაცემების მუდმივად გასაანალიზებლად და მსგავსი სტრუქტურის შესასწავლად, თუ როგორ მსჯელობენ ადამიანები და დასკვნების გამოტანა. ნერვულ ქსელს აქვს დისკრეტული ფენები და ერთმანეთთან კავშირები; თითოეული ფენა შექმნილია კონკრეტული ამოცანის შესასწავლად.

ეს ფენა არის ის, სადაც მომდინარეობს სახელი "ღრმა სწავლა". ამის მაგალითია თვითმართვის მანქანა. ამ მოდელის თითოეული ფენა შეისწავლის გარკვეულ დავალებას, როგორიცაა საფეხმავლო ქვეითთა აღიარება ან ქუჩის ნიშნების იდენტიფიცირება. ამ სხვადასხვა ამოცანების ერთობლიობა საშუალებას მისცემს მას ნავიგაცია ქუჩებში. ჯანდაცვის სექტორში ღრმა სწავლება წარმატებულია კიბოს დიაგნოზში ბიომარკერების იდენტიფიცირებაში.

ხელოვნური ინტელექტი არის ზოგადი ტერმინი დაზვერვისთვის, რომელიც ნაჩვენებია მანქანების მიერ. მანქანური სწავლება (ML) არის AI- ის მიღწევის ერთ-ერთი გზა და ღრმა სწავლა არის მანქანური სწავლების წინსვლა. ML და DL მოითხოვს დიდი რაოდენობით მონაცემებს სამუშაოდ. ეს მონაცემები შეიძლება გამოყენებულ იქნას ნივთების ინტერნეტიდან (IoT), რომელიც არის ფიზიკური მოწყობილობების მზარდი ქსელი, მაგალითად, სმარტფონები, ტექნიკა, მანქანები, მანქანები, რომლებიც ხელმისაწვდომია ინტერნეტის საშუალებით.

რაც უფრო მეტი მოწყობილობაა დაკავშირებული, მით უფრო მეტი ინფორმაცია გროვდება. ეს ინფორმაცია შეიძლება აითვისოს და გამოყენებულ იქნას სხვადასხვა სექტორში პროგნოზების მისაღებად, რადგან კომპანიებსა და ბიზნესს შეუძლიათ მიიღონ გადაწყვეტილებები რეალურ დროში ინფორმაციის საფუძველზე, რაც მათ უფრო ეფექტურს და სამომხმარებლო მეგობრულს ხდის. მაგალითი: პროდუქციის მორგება მომხმარებელთა შესყიდვების ჩვევების შესაბამისად, პროფილაქტიკური მოვლის დაგეგმვა, წარმოების პროცესის რეგულირება მოთხოვნის დასაკმაყოფილებლად, ინდუსტრიის ტენდენციების იდენტიფიცირება და ა.შ.

ხელოვნური ინტელექტისა და ნივთების ინტერნეტს შორის ურთიერთობა კომპლიმენტურია. AI იყენებს ინფორმაციას IoT- დან, რადგან მას სჭირდება მონაცემები სამუშაოდ და AI საიმედო ხდება IoT- ის ინფორმაციის გამო. ორივე სწრაფად წინ მიიწევს, შესაძლებლობები უსასრულოა.