РАЗЛИЧИЕ МЕЖДУ ГЛУБОКИМ И МАШИННЫМ ОБУЧЕНИЕМ

DIFFERENCE OF DEEP AND MACHINE LEARNING

Sergei Okunev

1st year student, Department of Informatics and Computer Engineering Reshetnev Siberian State University of Science and Technology

Russia, Krasnoyarsk

АННОТАЦИЯ

В данной статье рассмотрены понятия глубокого и машинного обучения, представлены определения и основные понятия, рассмотрен принцип работы. Проанализированы ключевые отличия глубокого обучения от машинного, а также приведены основные направления их применения.

ABSTRACT

In this article the concepts of deep and machine learning are considered, definitions and basic concepts are presented, the principle of work is considered. The key differences of deep learning from machine learning are analyzed, and the main directions of their application are given.

Ключевые слова: глубокое обучение, машинное обучение, искусственный интеллект, нейронные сети.

Keywords: deep learning, machine learning, artificial intelligence, neural networks.

Понимание последних достижений в области искусственного интеллекта может показаться ошеломляющим, но, если вы изучаете основы, которые вас интересуют, вы можете свести многие инновации ИИ к двум концепциям: машинное обучение и глубокое обучение. Эти термины порой кажутся взаимозаменяемыми, поэтому важно знать различия между ними.

И эти различия должны быть известны – примеры машинного обучения и глубокого обучения есть везде. Это то, как Netflix знает, какое шоу вы хотите посмотреть дальше, как Facebook знает, чье лицо на фотографии, что делает беспилотные автомобили реальностью, и как представитель службы поддержки узнает, будете ли вы удовлетворены их поддержкой.

Так что же это за понятия, которые доминируют в разговорах об искусственном интеллекте и чем они отличаются?

Вот основное определение машинного обучения: «Алгоритмы, которые анализируют данные, учатся на этих данных, а затем применяют то, что они узнали, для принятия обоснованных решений» [1].

Простой пример алгоритма машинного обучения – услуга потоковой передачи музыки по запросу. Чтобы служба принимала решение о том, какие новые песни или исполнителей рекомендовать слушателю, алгоритмы машинного обучения связывают предпочтения слушателя с другими слушателями, которые имеют схожий музыкальный вкус. Этот метод, который часто называют искусственным интеллектом, используется во многих сервисах, предлагающих автоматические рекомендации.

Машинное обучение обеспечивает все виды автоматизированных задач, охватывающих несколько отраслей: от фирм, занимающихся защитой данных, которые ищут вредоносные программы, до финансовых специалистов, которым нужны оповещения о выгодных сделках.

Алгоритмы ИИ запрограммированы на постоянное обучение таким образом, чтобы имитировать роль виртуального личного помощника – то, что они делают довольно хорошо [2].

В практическом плане глубокое обучение – это лишь подмножество машинного обучения. Фактически, глубокое обучение технически является машинным обучением и функционирует аналогичным образом.

Хотя базовые модели машинного обучения становятся все лучше при выполнении своих функций, они все же нуждаются в некотором руководстве. Если алгоритм ИИ возвращает неточное предсказание, то инженер должен вмешаться и внести коррективы. С помощью модели глубокого обучения алгоритм может самостоятельно определять, является ли прогноз точным или нет через собственную нейронную сеть.

Рассмотрим основной принцип работы глубокого обучения. Модель глубокого обучения предназначена для постоянного анализа данных с логической структурой, аналогичной тому, как человек делает выводы. Для достижения этого в приложениях глубокого обучения используется многоуровневая структура алгоритмов, называемая искусственной нейронной сетью. Дизайн искусственной нейронной сети вдохновлен биологической нейронной сетью человеческого мозга, что ведет к процессу обучения, который гораздо более эффективен, чем стандартные модели машинного обучения [3].

Это непростая задача – убедиться, что модель глубокого обучения не делает неправильных выводов – как и другие примеры искусственного интеллекта, она требует большого количества обучения, чтобы получить правильные процессы обучения.

Но когда это работает так, как задумано, функциональное глубокое обучение часто воспринимается как научное чудо, которое многие считают основой истинного искусственного интеллекта.

Отличным примером глубокого обучения является Google AlphaGo. Google создал компьютерную программу со своей собственной нейронной сетью, которая научилась играть в абстрактную настольную игру под названием Go, которая, как известно, требует острого интеллекта и интуиции. Играя с профессиональными игроками в эту игру, модель глубокого обучения AlphaGo научилась играть на уровне, невиданном ранее в искусственном интеллекте. Это вызвало настоящий ажиотаж, когда AlphaGo победил нескольких всемирно известных «мастеров» игры – машина могла не только понять сложные приемы и абстрактные аспекты игры, но и стала одним из величайших игроков этой игры [4].

Подведем итоги различий между машинным и глубоким обучением:

1. Машинное обучение использует алгоритмы для анализа данных, изучения этих данных и принятия обоснованных решений, на основе полученных данных.

2. Глубокое обучение структурирует алгоритмы в слоях, чтобы создать «искусственную нейронную сеть», которая может учиться и принимать интеллектуальные решения самостоятельно.

Список литературы:

1. What is Artificial Intelligence? [Электронный ресурс]. – URL: https://builtin.com/artificial-intelligence (дата обращения: 05.02.2020).
2. Gerard Medioni, Sing Bing Kang Emerging Topics in Computer Vision. Издательство Prentice Hall Ptr, 2004. 45 с.
3. Латыпова Р. Нейронные сети [Текст]. – М.: LAP Lambert Academic Publishing, 2012. – 180 c.
4. AlphaGo [Электронный ресурс]. – URL: https://deepmind.com/ (дата обращения: 06.02.2020).