Gervigreind, vélinám og djúpt nám - Hver er munurinn?

Google Home Mini. Ljósmynd eftir Kevin Bhagat á Unsplash

Þetta er fyrsta spurningin sem ég hafði þegar ég byrjaði að kanna þessi viðfangsefni fyrir mánuði síðan. Ég hef betri tök á skilmálunum núna, svo við skulum kafa ofan í.

Gervigreind

Ég held að almennt þegar fólk hugsar um gervigreind (AI), hugsi það um gervigreind (AGI), eða getu líffræðilegrar einingar til að geta sinnt fjölbreyttu verkefni á mannlegan hátt (eða betra) ) færni. Þetta er andstæða þröngs AI, sem getur sinnt sérstökum verkefnum á sviði færni manna. Við höfum nú þegar dæmi um þröngt AI í daglegu lífi, eins og í persónulegum síma eða aðstoðarmönnum heimilisins, sjálfum akstri bíla eða AlphaGo. Við höfum hins vegar engin dæmi um AGI ennþá og það er engin samstaða um það hvenær það gæti gerst, en hinn heilagi gral rannsókna AI er í átt að þróun manna stigi AGI, með möguleikann á að ofur greindur AI myndi ekki ' T vera mjög langt á eftir.

Vélarnám

Vélanám er svið þar sem vélar eru þjálfaðar til að þróa reiknirit til að framkvæma verkefni. Þetta svið flýgur frammi fyrir hefðbundinni forritun þar sem menn setja saman reiknirit og forrita vélar til að reikna þær. Í vélanámi leggja menn fram þjálfunargögnin (aðföng sem leiða til ákveðinna niðurstaðna) og forrita vélar til að ákvarða hvernig ákveðin aðföng munu leiða til ákveðinna niðurstaðna. Þetta er öflug hugmyndafræði vegna þess að það frelsar menn frá því að þurfa að vita hvernig þeir komast sjálf að þeim árangri, þeir þurfa bara að leggja fram nægar þjálfunargögn fyrir vél til að reikna út hvernig ákveðin samsetning aðföng getur leitt til niðurstöðu. Til dæmis, ef verkefnið sem er fyrir hendi er að veiða fisk, myndi hefðbundin forritun kenna vél hvernig á að nota veiðistöng - hvernig á að halda á stönginni, hvernig á að losa spóluna, hvernig á að varpa línu. Vélarnám myndi gefa vél bókasafn með myndböndum sem sýna fólki sem tókst eða tekst ekki að veiða fisk, skildi það eftir við vélina að fara í gegnum hvert myndband og ákveða / læra hvernig á að veiða fisk. Kannski eru ákveðnar steyputækni betri en aðrar, eða kannski veður veðrið stórt hlutverk, vélin gæti tekið upp munstur sem manneskja telur ekki einu sinni íhuga.

Djúpt nám

Djúpt nám er hluti af námi véla þar sem námsstíll vélarinnar er lauslega byggður á taugatengingum líffræðilegs heila. Það er að segja, vélin er forrituð til að endurtaka hvernig gáfur læra, í gegnum gervi taugakerfi. Ég mun tala frekar um það í síðari færslu, en þessi taugakerfi verða með mörg lög af „taugafrumum“ sem kanna margar leiðir til að setja af inntak til að fá endanlegan árangur. Það sem er heillandi er að það er mjög erfitt að greina þessi taugarnet þar sem þau eru í meginatriðum rusl af lóðum sem reikna út mynstur í innsláttargögnum. Taktu gervilið taugakerfi (ANN) sem þekkir hvort köttur er á ljósmynd. Hjá mönnum þekkjum við ketti með eiginleikum sem við teljum vera kattakennda (benti eyra, loðin líkami, snjóbretti). ANN gæti tekið eftir því að einhver hópur pixla tengist einhverjum öðrum hópi pixla á þann hátt sem bendir til þess að köttur sé þar, en fyrir mann lítur þetta bara út eins og fullt af stærðfræði og gögnum. Fyrir allt það sem við vitum, getur ANN komið upp nákvæmari leið til að þekkja ketti sem engum mönnum hefur dottið í hug, eitthvert lúmskt mynstur sem gerir einfaldar viðurkenningar á eiginleikum (það er með cheezburger?) Úreltar.

Engu að síður er þetta allt saman mjög spennandi efni og ég hlakka til að brjótast framhjá yfirborðsþekkingu minni á djúpu námi, vélanámi og AI. Ein spurning svaraði, margar fleiri fara.

Stafsetning Bee Tldr;

Djúpt nám er tækni á sviði vélanáms sem færir okkur nær því að skapa gervi almenna upplýsingaöflun.