Kas ir mašīnmācīšanās salīdzinājumā ar mākslīgo intelektu?

Ja kādreiz esat šķielējis skatienu produkta lapā, domājot, vai pērkat mākslīgo intelektu vai tikai mašīnmācīšanos ar cepuri galvā, jūs neesat viens. Šie termini tiek mētāti apkārt kā konfeti. Šeit ir draudzīgs, tiešs ceļvedis par mašīnmācīšanos un mākslīgo intelektu, kas izceļ visu, pievieno dažas noderīgas metaforas un sniedz praktisku karti, ko varat faktiski izmantot.

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kas ir mākslīgais intelekts
Vienkārša ievadlekcija mākslīgā intelekta koncepcijās, vēsturē un reālos pielietojumos.

🔗 Kas ir izskaidrojamais mākslīgais intelekts
Kāpēc modeļa caurspīdīgums ir svarīgs, un prognozes interpretācijas metodes.

🔗 Kas ir humanoīda robota mākslīgais intelekts
Cilvēkam līdzīgu robotu sistēmu iespējas, izaicinājumi un lietošanas gadījumi.

🔗 Kas ir neironu tīkls mākslīgajā intelektā?
Mezgli, slāņi un mācīšanās, kas izskaidroti ar intuitīviem piemēriem.

Kas īsti ir mašīnmācīšanās salīdzinājumā ar mākslīgo intelektu? 🌱→🌳

• Mākslīgais intelekts (MI) ir plašais mērķis: sistēmas, kas veic uzdevumus, kurus mēs saistām ar cilvēka intelektu — spriešanu, plānošanu, uztveri, valodu — galamērķi kartē. Tendenču un darbības jomas ziņā Stenfordas MI indekss piedāvā ticamu “valsts stāvokļa” pārskatu. [3]

• Mašīnmācīšanās (ML) ir mākslīgā intelekta apakškopa: metodes, kas apgūst modeļus no datiem, lai uzlabotu uzdevumu. Klasisks, ilgtspējīgs ietvars: ML pēta algoritmus, kas automātiski uzlabojas, pateicoties pieredzei. [1]

Vienkāršs veids, kā pateikt precīzi: mākslīgais intelekts ir lietussargs, mašīnmācīšanās ir viena no ribām . Ne katrs mākslīgais intelekts izmanto mašīnmācīšanos, bet mūsdienu mākslīgais intelekts gandrīz vienmēr uz to balstās. Ja mākslīgais intelekts ir ēdiens, tad mašīnmācīšanās ir gatavošanas tehnika. Nedaudz jocīgi, protams, bet tas paliek atmiņā.

Izmaina mašīnmācīšanos salīdzinājumā ar mākslīgo intelektu💡

Kad cilvēki jautā par mašīnmācīšanos un mākslīgo intelektu, viņi parasti meklē rezultātus, nevis akronīmus. Tehnoloģija ir laba, ja tā nodrošina sekojošo:

1. Skaidrs spēju pieaugums

   • Ātrāki vai precīzāki lēmumi nekā tipiskā cilvēka darbplūsmā.

   • Jaunas pieredzes, ko iepriekš vienkārši nevarējāt izveidot, piemēram, daudzvalodu transkripcija reāllaikā.

2. Uzticama mācību cilpa

   • Dati tiek piegādāti, modeļi mācās, uzvedība uzlabojas. Cikls turpina griezties bez drāmas.

3. Izturība un drošība

   • Precīzi definēti riski un to mazināšanas pasākumi. Saprātīga novērtēšana. Nav negaidītu problēmu ekstremālos gadījumos. Praktisks, no pārdevēja neatkarīgs kompass ir NIST mākslīgā intelekta risku pārvaldības sistēma. [2]

4. Piemērots biznesam

   • Modeļa precizitāte, latentums un izmaksas atbilst jūsu lietotāju vajadzībām. Ja tas ir žilbinošs, bet neietekmē KPI, tas ir tikai zinātnes izstādes projekts.

5. Darbības briedums

   • Uzraudzība, versiju veidošana, atgriezeniskā saite un atkārtota apmācība ir ikdiena. Garlaicība šeit ir laba.

Ja iniciatīva sasniedz šos piecus mērķus, tā ir laba mākslīgā intelekta, laba mašīnmācīšanās vai abi. Ja tā tos nesasniedz, iespējams, tā ir demonstrācijas versija, kas ir izbēgusi.

Mašīnmācīšanās un mākslīgā intelekta salīdzinājums īsumā: slāņi 🍰

Praktisks mentālais modelis:

• Datu slānis
  Neapstrādāts teksts, attēli, audio, tabulas. Datu kvalitāte gandrīz vienmēr pārspēj modeļu ažiotāžu.

• Modeļa slānis
  Klasiskā mašīnmācīšanās, piemēram, koki un lineārie modeļi, dziļā mācīšanās uztverei un valodai un arvien vairāk pamatmodeļi.

• Spriešanas un rīku slānis.
  Pamudinājumi, izguve, aģenti, noteikumi un novērtēšanas sistēmas, kas modeļa rezultātus pārvērš uzdevumu izpildē.

• Lietojumprogrammas slānis
  . Lietotājam paredzēts produkts. Šeit mākslīgais intelekts šķiet kā maģija vai dažreiz vienkārši… labs risinājums.

Mašīnmācīšanās un mākslīgā intelekta atšķirība galvenokārt ir šo slāņu darbības jomas jautājums. Mašīnmācīšanās parasti ir modeļa slānis. Mākslīgais intelekts aptver visu sistēmu steku. Bieži sastopama prakse: viegls mašīnmācīšanās modelis ar produkta noteikumiem pārspēj smagāku “mākslīgā intelekta” sistēmu, līdz faktiski ir nepieciešama papildu sarežģītība. [3]

Ikdienas piemēri, kur redzama atšķirība 🚦

• Surogātpasta filtrēšana

  • ML: klasifikators, kas apmācīts ar marķētiem e-pastiem.

  • Mākslīgais intelekts: visa sistēma, ieskaitot heiristiku, lietotāju atskaites, adaptīvos sliekšņus, kā arī klasifikatoru.

• Produkta ieteikumi

  • ML: sadarbības filtrēšana vai gradienta pastiprināti koki klikšķu vēsturē.

  • Mākslīgais intelekts: pilnīga personalizācija, kas ņem vērā kontekstu, biznesa noteikumus un skaidrojumus.

• Tērzēšanas asistenti

  • ML: pats valodas modelis.

  • Mākslīgais intelekts: palīgsistēma ar atmiņu, izguvi, instrumentu lietošanu, drošības margām un lietotāja pieredzi.

Jūs ievērosiet likumsakarību. Mašīnmācīšanās ir mācīšanās sirds. Mākslīgais intelekts ir dzīvais organisms ap to.

Salīdzināšanas tabula: Mašīnmācīšanās un mākslīgā intelekta rīki, auditorijas, cenas, kāpēc tie darbojas 🧰

Nedaudz nekārtīgs ar nolūku — jo īstas piezīmes nekad nav perfekti sakārtotas.

*Tikai orientējoši. Lielākā daļa pakalpojumu piedāvā bezmaksas līmeņus vai priekšapmaksu; aktuālo informāciju skatiet oficiālajās cenu lapās.

Kā mašīnmācīšanās un mākslīgais intelekts parādās sistēmu dizainā 🏗️

1. Prasības

   • Mākslīgais intelekts: definējiet lietotāja rezultātus, drošību un ierobežojumus.

   • ML: definējiet mērķa metriku, funkcijas, etiķetes un apmācības plānu.

2. Datu stratēģija

   • Mākslīgais intelekts: pilnīga datu plūsma, pārvaldība, privātums, piekrišana.

   • ML: paraugu ņemšana, marķēšana, papildināšana, nobīdes noteikšana.

3. Modeļa izvēle

   • Sāciet ar vienkāršāko lietu, kas varētu darboties. Strukturētiem/tabulāriem datiem gradientu pastiprināti koki bieži vien ir ļoti grūti pārspējama bāzes līnija. [5]

   • Mini anekdote: klientu aizplūšanas un krāpšanas projektos esam atkārtoti redzējuši, ka GBDT pārspēj dziļākus tīklus, vienlaikus esot lētāki un ātrāk apkalpojami. [5]

4. Novērtējums

   • ML: bezsaistes metrikas, piemēram, F1, ROC AUC, RMSE.

   • Mākslīgais intelekts: tiešsaistes rādītāji, piemēram, konversija, klientu noturēšana un apmierinātība, kā arī cilvēka veikta subjektīvu uzdevumu novērtēšana. Mākslīgā intelekta indekss seko līdzi tam, kā šīs prakses attīstās visā nozarē. [3]

5. Drošība un pārvaldība

   • Iegūstiet politikas un riska kontroles mehānismus no cienījamiem ietvariem. NIST AI RMF ir īpaši izstrādāts, lai palīdzētu organizācijām novērtēt, pārvaldīt un dokumentēt AI riskus. [2]

Svarīgi rādītāji bez liekas vicināšanas 📏

• Precizitāte pret lietderību.
  Modelis ar nedaudz zemāku precizitāti varētu uzvarēt, ja latentums un izmaksas ir daudz labākas.

• Kalibrēšana.
  Ja sistēma apgalvo, ka tās ticamība ir 90 %, vai parasti tā ir pareiza ar šādu ātrumu? Nepietiekami apspriesta, pārāk svarīga — un ir viegli risinājumi, piemēram, temperatūras mērogošana. [4]

• Izturība.
  Vai tas vienmērīgi pasliktinās, ja tiek izmantoti sarežģīti ievades dati? Izmēģiniet stresa testus un sintētiskos malu gadījumus.

• Taisnīgums un kaitējums
  . Grupas snieguma novērtēšana. Zināmo ierobežojumu dokumentēšana. Lietotāju apmācības sasaiste tieši lietotāja saskarnē. [2]

• Darbības rādītāji.
  Izvietošanas laiks, atcelšanas ātrums, datu svaigums, kļūmju līmenis. Garlaicīga santehnika, kas glābj dienu.

Lai iegūtu padziļinātu informāciju par novērtēšanas praksi un tendencēm, Stenfordas mākslīgā intelekta indekss apkopo datus un analīzes no dažādām nozarēm. [3]

Kļūdas un mīti, no kuriem jāizvairās 🙈

• Mīts: vairāk datu vienmēr ir labāk.
  Labākas etiķetes un reprezentatīva izlase ir labāka par neapstrādātu apjomu. Jā, joprojām.

• Mīts: dziļā mācīšanās atrisina visu.
  Ne mazām/vidējām tabulārām problēmām; uz kokiem balstītas metodes joprojām ir ārkārtīgi konkurētspējīgas. [5]

• Mīts: Mākslīgais intelekts nozīmē pilnīgu autonomiju.
  Mūsdienās vislielāko vērtību sniedz lēmumu atbalsts un daļēja automatizācija, kurā iesaistīti cilvēki. [2]

• Kļūda: neskaidri problēmu formulējumi.
  Ja nevarat vienā rindā formulēt veiksmes rādītāju, jūs vajāsiet spokus.

• Kļūda: datu tiesību un privātuma ignorēšana.
  Ievērojiet organizācijas politiku un juridiskās vadlīnijas; strukturējiet riska apspriešanu, izmantojot atzītu sistēmu. [2]

Pirkšana pret būvniecību: īss lēmumu pieņemšanas ceļš 🧭

• Sāciet ar iegādi , ja jūsu vajadzība ir izplatīta un laiks ir ierobežots. Pamatmodeļa API un pārvaldītie pakalpojumi ir ārkārtīgi spējīgi. Vēlāk varat pievienot drošības barjeras, izgūšanu un novērtēšanu.

• Veidojiet pielāgotus risinājumus , ja jūsu dati ir unikāli vai uzdevums ir jūsu galvenā prioritāte. Pārvaldiet savus datu plūsmas un modeļu apmācību. Esiet gatavi ieguldīt MLOps.

• Hibrīds ir ierasts. Daudzas komandas apvieno valodas API ar pielāgotu mašīnmācīšanos ranžēšanai vai riska novērtēšanai. Izmantojiet to, kas darbojas. Kombinējiet pēc nepieciešamības.

Ātri bieži uzdotie jautājumi, lai atšķirtu mašīnmācīšanos no mākslīgā intelekta ❓

Vai visa mākslīgā intelekta darbība ir saistīta ar mašīnmācīšanos?
Nē. Daļa mākslīgā intelekta izmanto noteikumus, meklēšanu vai plānošanu, praktiski nemācījoties. Pašlaik dominē mašīnmācīšanās. [3]

Vai mašīnmācīšanās ir tikai mākslīgais intelekts?
Jā, mašīnmācīšanās atrodas mākslīgā intelekta ietvaros. Ja tā mācās no datiem, lai veiktu uzdevumu, jūs atrodaties mākslīgā intelekta teritorijā. [1]

Ko man vajadzētu norādīt dokumentos: mašīnmācīšanās vai mākslīgais intelekts?
Ja runājat par modeļiem, apmācību un datiem, teiksim mašīnmācīšanās. Ja runājat par lietotāja saskarsmes iespējām un sistēmas uzvedību, teiksim mākslīgais intelekts. Ja rodas šaubas, norādiet konkrēti.

Vai man ir nepieciešamas milzīgas datu kopas?
Ne vienmēr. Ar pārdomātu funkciju izstrādi vai viedu izgūšanu mazākas, atlasītas datu kopas var pārspēt lielākas, trokšņainas datu kopas, īpaši tabulāros datos. [5]

Kā ar atbildīgu mākslīgo intelektu?
Ieviesiet to jau no paša sākuma. Izmantojiet strukturētas riska pārvaldības prakses, piemēram, NIST mākslīgā intelekta riska pārvaldības funkciju (RMF), un informējiet lietotājus par sistēmas ierobežojumiem. [2]

Padziļināta analīze: klasiskā mašīnmācīšanās, dziļā mācīšanās un pamatmodeļi 🧩

• Klasiskā mašīnmācība

  • Lieliski piemērots tabulāriem datiem un strukturētām biznesa problēmām.

  • Ātri apmācāms, viegli izskaidrojams, lēts pasniegšanai.

  • Bieži vien apvienots ar cilvēka radītām iezīmēm un nozares zināšanām. [5]

• Dziļā mācīšanās

  • Spīd nestrukturētiem ievades datiem: attēliem, audio, dabiskajai valodai.

  • Nepieciešama lielāka aprēķinu precizitāte un rūpīgāka regulēšana.

  • Apvienojumā ar papildināšanu, regularizāciju un pārdomātām arhitektūrām. [3]

• Pamatu modeļi

  • Iepriekš apmācīts darbam ar plašiem datiem, pielāgojams daudziem uzdevumiem, izmantojot pamudinājumus, precizēšanu vai izgūšanu.

  • Nepieciešamas aizsargbarjeras, novērtējums un izmaksu kontrole. Papildu nobraukums ar labu un ātru inženieriju. [2][3]

Neliela kļūdaina metafora: klasiskā mašīnmācīšanās ir velosipēds, dziļā mācīšanās ir motocikls, un pamatmodeļi ir vilciens, kas dažreiz kalpo arī kā laiva. Tas it kā šķiet loģiski, ja piemiedz acis... un tad vairs ne. Joprojām noderīgi.

Ieviešanas kontrolsaraksts, kuru varat nozagt ✅

1. Uzrakstiet vienas rindas problēmas aprakstu.

2. Definējiet pamata patiesumu un veiksmes rādītājus.

3. Inventarizācijas datu avoti un datu tiesības. [2]

4. Bāzes līnija ar vienkāršāko dzīvotspējīgo modeli.

5. Pirms palaišanas aprīkojiet lietotni ar novērtēšanas āķiem.

6. Plānojiet atgriezeniskās saites cilpas: marķēšanu, nobīdes pārbaudes, kadences pārkvalifikāciju.

7. Dokumentējiet pieņēmumus un zināmos ierobežojumus.

8. Veiciet nelielu pilotprojektu, salīdziniet tiešsaistes rādītājus ar saviem bezsaistes panākumiem.

9. Piesardzīgi mērogojiet, nenogurstoši uzraugiet. Slaviniet garlaicīgo.

Mašīnmācīšanās pret mākslīgo intelektu — kodolīgs kopsavilkums 🍿

• Mākslīgais intelekts ir kopējās iespējas, ko jūsu lietotājs piedzīvo.

• Mašīnmācīšanās ir mācību mehānisms, kas nodrošina lielu daļu no šīm iespējām. [1]

• Panākumi ir mazāk atkarīgi no modeļu veidošanas un vairāk no skaidras problēmu formulēšanas, skaidriem datiem, pragmatiskas novērtēšanas un drošām darbībām. [2][3]

• Izmantojiet API, lai ātri pārvietotos, un pielāgojiet, kad tas kļūst par jūsu prioritāti.

• Paturiet prātā riskus. Smeliesieties gudrību no NIST mākslīgā intelekta minimālās funkcionālās pārvaldības sistēmas (RMF). [2]

• Izsekojiet rezultātus, kas ir svarīgi cilvēkiem. Ne tikai precizitāti. It īpaši ne tukšuma rādītājus. [3][4]

Noslēguma piezīmes — pārāk gari, neizlasīju 🧾

Mašīnmācīšanās pret mākslīgo intelektu nav duelis. Tā ir darbības joma. Mākslīgais intelekts ir visa sistēma, kas inteliģenti uzvedas lietotāju labā. Mašīnmācīšanās ir metožu kopums, kas mācās no datiem šajā sistēmā. Vislaimīgākās komandas uztver mašīnmācīšanos kā rīku, mākslīgo intelektu kā pieredzi un produkta ietekmi kā vienīgo rezultātu tablo, kas patiešām tiek ņemts vērā. Saglabājiet to cilvēcīgu, drošu, izmērāmu un nedaudz kodolīgu. Atcerieties arī: velosipēdi, motocikli, vilcieni. Uz brīdi tas šķita loģiski, vai ne? 😉

Atsauces

1. Toms M. Mičels - Mašīnmācīšanās (grāmatas lappuse, definīcija). Lasīt vairāk

2. NIST — Mākslīgā intelekta risku pārvaldības sistēma (AI RMF 1.0) (oficiāla publikācija). Lasīt vairāk

3. Stenfordas HAI — mākslīgā intelekta indeksa ziņojums par 2025. gadu (oficiālais PDF fails). Lasīt vairāk

4. Guo, Pleiss, Sun, Weinberger - Par mūsdienu neironu tīklu kalibrēšanu (PMLR/ICML 2017). Lasīt vairāk

5. Grinsztajn, Oyallon, Varoquaux — Kāpēc uz kokiem balstīti modeļi joprojām pārspēj dziļo mācīšanos tabulāros datos? (NeurIPS 2022 datu kopas un etaloni). Lasīt vairāk

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums