人工学習、機械学習、深層学習:違いを知る

2025 年へようこそ!

スーザンに会いましょう。あなたの友人、アシスタント、マネージャー、そして日常生活に必要なものすべて。彼女はあなたのメールを整理し、会議をスケジュールします。家の基本的なニーズに対応し、食料品の在庫が終わりそうになるといつでも補充します。あなたが落ち込んでいるとき、彼女はあなたの親友になることができます.リラックスするためにちょっとしたアートや文学が必要なとき、彼女は絵を描いたり詩を書いたりします。

それは、HER でスカーレット・ヨハンソンが声を出したサマンサによく似ています。 .あの美しい映画を見逃すことはなかったでしょう。少なくとも、あなたはそれを聞いたことがあるはずです。

スーザンまたはサマンサは、簡単に言えば、Siri、Cortana のより洗練された技術バージョンです。 Google アシスタンス、または Google DeepMind。

テクノロジー企業は、大小を問わず、AI を日常生活の一部にするために競争しています。デジタルの世界には、人工知能、機械学習、データ処理、深層学習、強化学習など、リール上でしか現実に見えなかった流行語があふれています。少し前まで、実際の言葉ではほとんどまたはまったく意味のない大きな言葉.

最近よく耳にする 3 つの用語、「人工知能」、「機械学習」、「深層学習」を理解しましょう。

何が違うの?

これらの用語には標準的な定義がないため、互換性のある用語として大まかに使用されることがよくあります。したがって、それらを区別することはますます困難になります。さらに、これらの用語の一般的に理解されている意味は、時間の経過とともに進化してきました。 1960 年の AI の意味は、今日の意味とは大きく異なります。

それらの関係を考える最も簡単な方法は、それらを同心円として視覚化することです.

• AI — 最初に生まれたアイデアであり、最大のサークルです
• 機械学習 — 後にミドルサークルとして開花
• 最後に、ディープ ラーニング — 最小かつ最も内側の円として、今日の AI 爆発を推進しています。

スパークからライトニングまで

AI は、1956 年のダートマス会議でこの用語が造られた直後に、研究所への道を開きました。テクノロジーが私たちの想像力に追いつくまでには数十年かかりましたが、私たちはベンチャー キャピタルへの投資が増え、R&D に関与する大手テクノロジー企業が増え、私たちの生活で AI が日常的に使用されるようになり、ついに AI 革命の頂点に達しました。

AI スパークがどのように AI ライトニングに変わったかを見ていきましょう。

人工知能:人間の知能を組み込んだ機械

人工知能は、人間のように機能し、反応するインテリジェント マシンの作成に重点を置いたコンピューター サイエンスの分野です。これは、インテリジェントな動作が可能なコンピューターを作成する方法を探す研究分野です。機械は、通常人間の知性に関連付けられていることを実行できる場合、「インテリジェント」と見なされます。

私たちは映画の中で、これらの機械を善人 (スターウォーズ シリーズの C-3PO) または悪人 (ターミネーターのサイボーグ暗殺者) として見てきました。

人工知能としての資格を得るには、機械は次のようないくつかの基本的なことを実行できる必要があります:

• 自然言語処理 (つまり、特定の言語で問題なくコミュニケーションできる)
• 自動推論 (保存された情報を使用して質問に答え、新しい結論を引き出す)
• 機械学習 (新しい状況に適応し、パターンを検出する能力)

人間の知性のいくつかの側面が AI によって示されることはよく知られています。問題は、その知性がどこから来るのかということです。そこから機械学習が生まれます。

機械学習:人間の脳で機械を実現するアプローチ

機械学習は、人間の知識の技術開発を目的とした人工知能分野です。与えられたデータから学習するアルゴリズムの開発を探ります。アルゴリズムは、タスクを達成するための一連のステップです。機械学習は、初期の AI クラウドの頭脳から直接生まれました。アルゴリズムのアプローチには、決定木学習、クラスタリング、強化学習、関連規則学習などが含まれていました。

これらのアルゴリズムは、過去の経験 (与えられたデータなど) から学習し、新しい状況に適応して特定のタスクを実行するように学習することができます。機械学習により、コンピューターは分析、自己訓練、観察、経験を通じて新しい状況に対処できるようになります。

機械学習は、新しいシナリオへの露出、テスト、および適応を通じてコン​​ピューティングの継続的な進歩を促進し、その後の (同一ではありませんが) 状況での意思決定を改善するためにパターンと傾向の検出を採用しています。

非常に多くのアルゴリズムがありましたが、AI の最終目標を達成したものはありませんでした。ごく最近まで、コンピューター ビジョンと画像検出が人間に匹敵するほどではなかったのには理由があります。以前は、脆すぎてエラーが発生しやすかった.

時間と適切な学習アルゴリズムがすべての違いを生み出しました.

ディープ ラーニング:機械の脳を鍛えるテクニック

初期の機械学習集団による別のアルゴリズム アプローチ。深層学習は、人工ニューラル ネットワークと呼ばれる脳の構造と機能に着想を得たアルゴリズムに関係する機械学習のサブフィールドです。これには、特定の種類の単純なブロックを多層構造で構成したものと考えることができる、特定の種類の数学的モデルが含まれます。これらのブロックの一部を調整して、最終結果をより適切に予測することができます。

「深い」という言葉は、構成がこれらのブロックの多くを互いに積み重ねていることを意味し、トリッキーなビットは、わずかな変更が出力に非常に間接的な影響を与える可能性があるためです。

ディープ ラーニングは、人間の脳の内層の機能をエミュレートしようとします。その成功したアプリケーションは、画像認識、言語翻訳、または電子メール セキュリティに見られます。ディープ ラーニングは、複数層の情報処理から知識を生み出します。ディープ ラーニング テクノロジは人間の脳をモデルにしており、新しいデータが投入されるたびにその機能が向上します。

ディープ ラーニングは AI をどのように改善したか?

ディープ ラーニングは、機械学習の多くの実用的なアプリケーションを可能にし、ひいては AI の分野全体を可能にしました。自動運転車、予防医療、さらに優れた映画のおすすめなど、すべてが現在、または間もなく登場します。

ディープ ラーニングは、よりスマートで人間に似た AI の作成につながる重要なパズルのピースになる可能性があります。ディープ ラーニングは、自然言語処理からマシン ビジョンまで、AI のあらゆる側面を改善する可能性があります。コンピューターの学習方法を改善する優れた脳と考えてください。 Siri や Google Now などの仮想アシスタントを強化して、慣れていない要求に対処できるようにすることができます。ビデオを処理し、コンテンツを要約した短いクリップを生成できます。

誰もが自分のバージョンのサマンサを持つ日が来るかもしれません!